WO2023286795A1 - 情報処理方法、情報処理装置、および情報処理プログラム - Google Patents

情報処理方法、情報処理装置、および情報処理プログラム Download PDF

Info

Publication number
WO2023286795A1
WO2023286795A1 PCT/JP2022/027504 JP2022027504W WO2023286795A1 WO 2023286795 A1 WO2023286795 A1 WO 2023286795A1 JP 2022027504 W JP2022027504 W JP 2022027504W WO 2023286795 A1 WO2023286795 A1 WO 2023286795A1
Authority
WO
WIPO (PCT)
Prior art keywords
waste
facility
model
image data
pit
Prior art date
Application number
PCT/JP2022/027504
Other languages
English (en)
French (fr)
Inventor
春幸 都丸
隼也 町田
和也 伊藤
隆宏 河内
慶 松岡
平佳 小松
和樹 市來
遼平 伊澤
正成 木村
Original Assignee
荏原環境プラント株式会社
株式会社Ridge-i
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 荏原環境プラント株式会社, 株式会社Ridge-i filed Critical 荏原環境プラント株式会社
Priority to CN202280049403.8A priority Critical patent/CN117836560A/zh
Priority to EP22842137.6A priority patent/EP4372278A1/en
Publication of WO2023286795A1 publication Critical patent/WO2023286795A1/ja

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
    • F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
    • F23G5/50—Control or safety arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Definitions

  • the present disclosure relates to an information processing method, an information processing device, and an information processing program for generating an identification algorithm for identifying types of waste.
  • wastes are brought into the waste pit. These wastes are stored in a garbage pit and then thrown into an incinerator for incineration. The quality of the waste that is put into the incinerator affects combustion. In addition, the waste pit contains waste that can cause equipment trouble if thrown into the waste pit as it is. For this reason, in conventional facilities, operators visually inspect the inside of the waste pit to identify the type of waste, stir the waste using a crane, and transfer it to the incinerator in order to stabilize combustion and prevent equipment trouble. Inserting operation is in progress.
  • the applicant has already proposed a technology for automatically identifying waste and operating a crane using an identification algorithm (learned model) that identifies the type of waste stored in a garbage pit ( See JP-A-2020-038058).
  • the inventors of the present application have conducted extensive research to find an improved technology for the dust identification method using the above identification algorithm. As a result, the following findings were obtained. Note that the following findings are the triggers for the present technology, and do not limit the present technology.
  • machine learning (supervised learning) requires a large amount of correct data for learning.
  • a large amount of image data and training data that must be newly prepared for each material processing facility is required.
  • waste disposal facilities have different shapes and sizes of waste pits, and various environmental conditions (for example, the installation position, angle, lighting conditions, etc. of the image acquisition camera). Even if an identification algorithm created using data and training data is used as it is at other facilities, sufficient identification accuracy cannot be obtained.
  • An information processing method includes: By performing machine learning on first image data that captures images of the inside of waste pits in multiple facilities where waste is stored and first training data that labels the types of waste in the images, generating a first model that is a class identification algorithm; Second image data obtained by imaging the inside of the waste pit of a second facility different from the plurality of facilities for the generated first model, and second teacher data labeling the types of waste in the images generating a second model, which is a discrimination algorithm corresponding to the waste of the second facility, by additionally learning the including.
  • An information processing device includes: By performing machine learning on first image data that captures images of the inside of waste pits in multiple facilities where waste is stored and first training data that labels the types of waste in the images, a first model generator that generates a first model that is a type identification algorithm; Second image data obtained by imaging the inside of the waste pit of a second facility different from the plurality of facilities for the generated first model, and second teacher data labeling the types of waste in the images a second model generation unit that generates a second model, which is an identification algorithm corresponding to the waste of the second facility, by additionally learning the Prepare.
  • FIG. 1 is a schematic diagram showing the configuration of a waste disposal facility according to one embodiment.
  • FIG. 2 is a block diagram showing the configuration of the information processing apparatus according to one embodiment.
  • FIG. 3 is a flowchart illustrating an example of an information processing method by the information processing apparatus according to one embodiment.
  • FIG. 4 is a diagram showing an example of image data obtained by capturing an image inside the dust pit.
  • FIG. 5 is a diagram showing an example of teacher data in which image data obtained by capturing an image in a garbage pit is labeled with the types of waste and objects to be identified other than waste.
  • FIG. 6 is a diagram showing an example of data displayed by superimposing a classification result by the type identification unit on image data obtained by capturing an image in the dust pit.
  • FIG. 1 is a schematic diagram showing the configuration of a waste disposal facility according to one embodiment.
  • FIG. 2 is a block diagram showing the configuration of the information processing apparatus according to one embodiment.
  • FIG. 3 is a flowchart illustrating an example of an
  • FIG. 7 is a map showing the ratio of types of waste in the waste pit for each area.
  • FIG. 8 is a conceptual diagram showing a conventional identification algorithm generation method.
  • FIG. 9 is a conceptual diagram showing a method of generating an identification algorithm according to one embodiment.
  • FIG. 10 is a block diagram showing the configuration of an information processing apparatus according to one modification of one embodiment.
  • An information processing method includes: By performing machine learning on first image data that captures images of the inside of waste pits in multiple facilities where waste is stored and first training data that labels the types of waste in the images, generating a first model that is a class identification algorithm; Second image data obtained by imaging the inside of the waste pit of a second facility different from the plurality of facilities for the generated first model, and second teacher data labeling the types of waste in the images generating a second model, which is a discrimination algorithm corresponding to the waste of the second facility, by additionally learning the including.
  • pre-learning using a large amount of teacher data collected and generated at a plurality of facilities for an unlimited period of time can do.
  • learning is possible using a variety of training data that takes into account differences in the shape and size of garbage pits at each facility, as well as various environmental conditions (such as the installation position, angle, lighting conditions, etc. of cameras used to acquire images). Therefore, it is possible to obtain an identification algorithm (first model) having robustness (the property of being able to stably and accurately identify various data).
  • a second model is generated by additionally learning supervised data collected and generated at a newly introduced facility (second facility) for such a first model.
  • the amount of teacher data used for additional learning is , generated teacher data). If it is a small amount, the environmental conditions of the newly introduced facility (installation position, angle, lighting conditions, etc. of the camera for image acquisition), future environmental changes (changes in the shape and color of the garbage bag, aging of the pit side wall, etc.) dirt, etc.).
  • the environmental conditions of the newly introduced facility installation position, angle, lighting conditions, etc. of the camera for image acquisition
  • future environmental changes changes in the shape and color of the garbage bag, aging of the pit side wall, etc.
  • dirt etc.
  • there is a type of waste that does not exist in the first training data in the newly introduced facility by including the training data of that waste in the training data collected and generated at the newly introduced facility, it can be handled.
  • An identifiable second model can be generated.
  • a model (second model) with high identification accuracy corresponding to newly introduced facilities can be obtained while maintaining robustness to some extent.
  • An information processing method is the information processing method according to the first aspect, Said second image data and said second teacher data include in the image a side wall of the waste pit of said second facility and/or a crane for stirring or transporting waste.
  • additional learning can be performed in consideration of the difference in the shape and size of the garbage pit and the shape and size of the crane in the newly introduced facility (second facility). and/or more accurate identification of cranes and more accurate identification of waste types compared to using waste-only data (i.e., data that does not include the side walls of the garbage pit and/or cranes in the image). can be done.
  • An information processing method is the information processing method according to the first or second aspect,
  • the amount of the second teacher data with respect to the first teacher data is 30% or less.
  • An information processing method is the information processing method according to the third aspect,
  • the amount of the second teacher data with respect to the first teacher data is 15% or less.
  • An information processing method is the information processing method according to the fourth aspect,
  • the amount of the second teacher data is 5% or less with respect to the first teacher data.
  • An information processing method is an information processing method according to any one of the first to fifth aspects,
  • the identification algorithm is one or two of linear regression, Boltzmann machine, neural network, support vector machine, Bayesian network, sparse regression, decision tree, statistical inference using random forest, reinforcement learning, deep learning. Including above.
  • An information processing method is an information processing method according to any one of the first to sixth aspects,
  • the second training data includes a labeled image of the entirety of the captured image of the inside of the garbage pit of the second facility.
  • additional learning is performed in consideration of information on how the image (field of view and angle of view) in the garbage pit obtained by the imaging device installed in the newly introduced facility (second facility) is taken into consideration. Therefore, the accuracy of identifying the type of waste by the second model can be improved.
  • An information processing method is an information processing method according to any one of the first to sixth aspects,
  • the second training data includes an image obtained by cutting out a part of an image of the garbage pit of the second facility and labeling only the cut out part.
  • the amount of teacher data and the number of man-hours for creating it can be significantly reduced.
  • An information processing method is an information processing method according to any one of the first to eight aspects,
  • the second image data used in the step of generating the second model is obtained by inputting image data obtained by imaging the inside of the waste pit of the second facility into the first model to identify the type of waste. Then, image data whose identification accuracy is lower than a predetermined standard (first standard) is selected and used from those image data.
  • first standard a predetermined standard
  • the type of waste for which sufficient identification accuracy cannot be obtained with the first model is confirmed, and additional learning is performed mainly using image data and teacher data including the type. can be performed, which enables efficient learning data collection and learning.
  • An information processing method is an information processing method according to any one of the first to tenth aspects, In the step of generating the first model, information on the imaging conditions and/or the imaging environment in each facility is also learned.
  • An information processing method is an information processing method according to any one of the first to tenth aspects,
  • the first image data is image data obtained by imaging the inside of the garbage pit of each facility, with reference to an image obtained by imaging a color chart for image correction common among the plurality of facilities. with at least one correction of
  • An information processing method is an information processing method according to any one of the first to tenth aspects,
  • the first image data is obtained by imaging the inside of the garbage pit of each facility together with a color chart for image correction that is common among the plurality of facilities.
  • An information processing method is an information processing method according to any one of the first to twelfth aspects,
  • the second image data is a rendered image of a side wall of a garbage pit and/or a crane that stirs or transports waste created based on the three-dimensional design data of the second facility. It includes a composite of images taken of waste in a waste pit or waste in a waste pit of another facility that is different from either of the plurality of facilities and the second facility.
  • image data regarding the appearance of the pit, cranes, etc. can be created and used for learning.
  • An information processing method is an information processing method according to any one of the first to thirteenth aspects, After the operation of the generated second model is started, the identification accuracy during operation is periodically monitored, and when the identification accuracy becomes lower than a predetermined standard (second standard), the second model is: The method further includes the step of updating the second model by additionally learning the image data of the waste at that time and the teacher data labeling the types of waste in the image.
  • a predetermined standard second standard
  • An information processing method is an information processing method according to any one of the first to fourteenth aspects, For the generated second model, third image data obtained by imaging the inside of the waste pit of a third facility different from the plurality of facilities and the second facility, and the type of waste in the image is labeled.
  • the method further includes the step of generating a third model, which is an identification algorithm corresponding to the waste of the third facility, by additionally learning the attached third teacher data.
  • a model (second model) obtained by additionally learning the second teacher data to the first teacher data is used, and third teacher data at another facility (third facility) is used. Since it can be used as a base model for additional learning, it is expected that the classification accuracy of waste types will be improved successively.
  • An information processing device includes: By performing machine learning on first image data that captures images of the inside of waste pits in multiple facilities where waste is stored and first training data that labels the types of waste in the images, a first model generator that generates a first model that is a type identification algorithm; Second image data obtained by imaging the inside of the waste pit of a second facility different from the plurality of facilities for the generated first model, and second teacher data labeling the types of waste in the images a second model generation unit that generates a second model, which is an identification algorithm corresponding to the waste of the second facility, by additionally learning the Prepare.
  • a computer-readable recording medium non-temporarily records the following fallen person detection program: the information processing program, to the computer, By performing machine learning on first image data that captures images of the inside of waste pits in multiple facilities where waste is stored and first training data that labels the types of waste in the images, generating a first model that is a class identification algorithm; Second image data obtained by imaging the inside of the waste pit of a second facility different from the plurality of facilities for the generated first model, and second teacher data labeling the types of waste in the images generating a second model, which is a discrimination algorithm corresponding to the waste of the second facility, by additionally learning the to run.
  • An information processing method includes: Generated by performing machine learning on first image data obtained by imaging the inside of the waste pits of multiple facilities where waste is stored, and first teacher data in which the types of waste in the images are labeled, For a first model, which is a waste type identification algorithm, a second image data of the inside of a waste pit at a second facility different from the plurality of facilities, and labeling the type of waste in the image.
  • the inside of the waste pit of the second facility is imaged using the second model, which is an identification algorithm corresponding to the waste of the second facility, generated by additionally learning the second teacher data. identifying the type of waste stored in the waste pit using the new image data obtained as input.
  • An information processing device includes: Generated by performing machine learning on first image data obtained by imaging the inside of the waste pits of multiple facilities where waste is stored, and first teacher data in which the types of waste in the images are labeled, For a first model, which is a waste type identification algorithm, a second image data of the inside of a waste pit at a second facility different from the plurality of facilities, and labeling the type of waste in the image.
  • the inside of the waste pit of the second facility is imaged using the second model, which is an identification algorithm corresponding to the waste of the second facility, generated by additionally learning the second teacher data.
  • a type identification unit is provided for identifying the type of waste stored in the waste pit by inputting new image data obtained from the waste pit.
  • a computer-readable recording medium non-temporarily records the following fallen person detection program: the information processing program, to the computer, Generated by performing machine learning on first image data obtained by imaging the inside of the waste pits of multiple facilities where waste is stored, and first teacher data in which the types of waste in the images are labeled,
  • a first model which is a waste type identification algorithm
  • a second image data of the inside of a waste pit at a second facility different from the plurality of facilities and labeling the type of waste in the image.
  • the inside of the waste pit of the second facility is imaged using the second model, which is an identification algorithm corresponding to the waste of the second facility, generated by additionally learning the second teacher data.
  • a step of identifying the type of waste stored in the waste pit is executed using the new image data obtained as an input.
  • FIG. 1 is a schematic diagram showing the configuration of a waste disposal facility 100 (hereinafter sometimes referred to as a second facility) according to one embodiment.
  • a waste disposal facility 100 includes a platform 21 on which a transport vehicle (garbage truck) 22 for loading waste stops, and a waste pit 3 in which the waste thrown from the platform 21 is stored. , a crane 5 for stirring and transporting the waste stored in the waste pit 3, a hopper 4 into which the waste transported by the crane 5 is thrown, and an incinerator 1 for incinerating the waste thrown from the hopper 4. and an exhaust heat boiler 2 for recovering exhaust heat from exhaust gas generated in the incinerator 1.
  • the type of incinerator 1 is not limited to a stoker furnace as shown in FIG. 1, but also includes a fluidized bed furnace (also called fluidized bed furnace).
  • the structure of the dust pit 3 is not limited to the one-stage pit shown in FIG. 1, but includes a two-stage pit in which the dust pit is divided into an input section and a storage section.
  • the waste disposal facility 100 is also provided with a crane control device 50 that controls the operation of the crane 5 and a combustion control device 20 that controls combustion of waste within the incinerator 1 .
  • the waste that is loaded on the transport vehicle 22 is thrown into the garbage pit 3 from the platform 21 and stored in the garbage pit 3 .
  • the waste stored in the waste pit 3 is agitated by the crane 5, transported to the hopper 4 by the crane 5, thrown into the incinerator 1 via the hopper 4, and placed inside the incinerator 1. incinerated and processed.
  • the waste disposal facility 100 includes an imaging device 6 (hereinafter also referred to as a camera) for capturing an image of the inside of the garbage pit 3, and an information processing apparatus for identifying the type of waste inside the garbage pit 3.
  • a device 10 is provided.
  • FIG. 4 is a diagram showing an example of image data obtained by capturing an image in the dust pit 3 with the imaging device 6. As shown in FIG.
  • the imaging device 6 may be an RGB camera that outputs shape and color image data of the waste as an imaging result, or a near-infrared camera that outputs near-infrared image data of the waste as an imaging result. , a 3D camera or an RGB-D camera that captures three-dimensional image data of the waste as the imaging result, or a combination of two or more of these.
  • FIG. 2 is a block diagram showing the configuration of the information processing device 10. As shown in FIG. Information processing apparatus 10 may be configured by one or more computers.
  • the information processing device 10 has a control unit 11, a storage unit 12, and a communication unit 13. Each unit is communicably connected to each other via a bus.
  • the communication unit 13 is a communication interface between the imaging device 6 , the crane control device 50 and the combustion control device 20 and the information processing device 10 .
  • the communication unit 13 transmits and receives information between the imaging device 6 , the crane control device 50 and the combustion control device 20 and the information processing device 10 .
  • the storage unit 12 is a fixed data storage such as a hard disk. Various data handled by the control unit 11 are stored in the storage unit 12 .
  • the storage unit 12 also stores an identification algorithm 12a generated by a first model generating unit 11a1 and a second model generating unit 11a2, which will be described later, and image data 12b obtained by an image data obtaining unit 11b, which will be described later. be.
  • the control unit 11 is control means for performing various processes of the information processing device 10 .
  • the control unit 11 includes a first model generation unit 11a1, a second model generation unit 11a2, an image data acquisition unit 11b, a type identification unit 11c, a plant control unit 11d, and a fall detection unit. 11e and a foreign object detection unit 11f.
  • Each of these units may be realized by the processor in the information processing apparatus 10 executing a predetermined program, or may be implemented by hardware.
  • the first model generation unit 11a1 generates first image data obtained by imaging the inside of the waste pits of a plurality of facilities (waste treatment facilities different from the second facility 100) in which waste is stored, and the waste in the images. and the first training data labeled with the type of waste are machine-learned to generate a waste type identification algorithm 12a (first model).
  • the first model generation unit 11a1 labels the first image data obtained by imaging the inside of the garbage pits of a plurality of facilities and the waste in the image with the type, and labels the identification objects other than the waste in the image.
  • the identification algorithm 12a (first model) may be generated.
  • the identification algorithm 12a is, for example, linear regression, Boltzmann machine, neural network, support vector machine, Bayesian network, sparse regression, decision tree, statistical estimation using random forest, reinforcement learning, deep learning, It may contain one or more of
  • the first training data is obtained by visually identifying waste and objects other than waste in the first image data captured by a skilled operator who operates the waste pit. It may be created by labeling separately.
  • the types of waste and objects to be identified other than waste may be labeled, for example, as layers by type overlaid on the first image data.
  • the types of waste that are labeled in the first training data are garbage bag unbroken bag garbage, paper garbage, pruned branches, futons, sludge, oversized crushed garbage, cardboard, jute bags, paper bags, and bottom garbage (in garbage pit 3). waste that is near the bottom and has a high moisture content compressed into the waste above). Also, the types of waste labeled in the first training data may include unplanned waste (abnormalities) that may enter the garbage pit but are not desired.
  • abnormal objects include, for example, objects that should not be incinerated, specifically, fluorescent lamps, mercury-containing garbage, and explosives such as cylinders, cans, and oil tanks.
  • the types of waste labeled in the first training data are wood waste, textile waste, clothing waste, plastic waste, animal residue, animal corpses, kitchen waste, plants, soil, medical waste, incineration ash, bicycles, Drawers, beds, shelves, desks, chairs, agricultural vinyl, PET bottles, polystyrene foam, meat and bone meal, crops, pottery, glass scraps, metal scraps, debris, concrete scraps, tatami mats, bamboo, straw, activated carbon It may contain one or more.
  • the types of objects to be identified other than waste that are labeled in the first training data are the beams of each facility, the side walls of the waste pit, and the cliff of the waste pile stored in the waste pit (waste pile). and a crane for agitating or transporting the waste.
  • the types of identification objects other than waste that are labeled in the first training data may include one or both of workers and delivery vehicles.
  • the types of objects to be identified other than waste that are labeled in the training data are walls, pillars, floors, windows, ceilings, doors, stairs, girders (structures that move by suspending cranes), and corridors in each facility. , a waste pit partition wall, a waste input hopper, an access door, a worker, an access vehicle.
  • the first model generation unit 11a1 performs machine learning on the first image data and the first teacher data to generate the first model. And/or information on the shooting environment (amount of natural light depending on the time of day, weather, lighting ON/OFF, etc.) may also be learned. This makes it possible to operate even if the shooting conditions or shooting environment change due to trouble or the like.
  • the first image data is the color tone, brightness, and saturation of the uncorrected image data of the garbage pit of each facility, with reference to the image of the color chart for image correction that is common among a plurality of facilities. At least one of them may be corrected, or the inside of the garbage pit of each facility may be imaged together with a color chart for image correction that is common among a plurality of facilities.
  • the first model generating unit 11a1 performs machine learning on the first image data and the first teacher data to generate the first model, images captured at a plurality of facilities with different illumination and natural light conditions are Differences in color tone, lightness, and saturation can be corrected, thereby improving the identification accuracy of the identification algorithm 12a.
  • the second model generation unit 11a2 generates second image data of the garbage pit of the second facility 100 and By additionally learning the second training data labeled with the type of the waste in the second facility, an identification algorithm 12a (second model) corresponding to the waste in the second facility is generated.
  • the second model generation unit 11a2 generates second image data of the garbage pit of the second facility 100 and The waste pit of the second facility 100 is additionally learned with the second teacher data in which the types of the waste are labeled and the objects to be identified other than the waste in the image are also labeled by type.
  • An identification algorithm 12a (second model) may be generated that identifies the types of objects to be identified other than waste in addition to the types of waste stored therein.
  • the amount of teacher data (the amount of data of the second teacher data) used for creating the second model is larger than the amount of teacher data (the amount of data of the first teacher data) required when creating the first model. ) may be in a small amount, preferably 30% or less, more preferably 15% or less, and still more preferably 5% or less. If the training data of the second facility 100 is small, the environmental conditions of the newly introduced facility (installation position, angle, lighting conditions of the image acquisition camera, etc.) and future environmental changes (shape and color of garbage bags) change, contamination of the side wall of the pit over time, etc.
  • the identification algorithm 12a (second model) with high identification accuracy can be obtained, and the number of man-hours required for its generation can be reduced.
  • the second training data is obtained by, for example, visual observation of wastes and identification objects other than wastes in second image data captured by a skilled operator who drives in the second facility 100. It may be created by identifying and labeling by type. The types of waste and objects to be identified other than waste may be labeled, for example, as layered by type overlaid on the second image data.
  • the types of waste that are labeled in the second training data are garbage bag unbroken bag garbage, paper garbage, pruned branches, futons, sludge, oversized crushed garbage, cardboard, jute bags, paper bags, and bottom garbage (in garbage pit 3). waste that is near the bottom and has a high moisture content compressed into the waste above). Also, the types of waste labeled in the second training data may include unplanned waste (abnormal matter) that may enter the garbage pit 3 but is not desired. .
  • abnormal objects include, for example, objects that should not be incinerated, specifically, fluorescent lamps, mercury-containing garbage, and explosives such as cylinders, cans, and oil tanks.
  • the types of waste labeled in the second training data are wood waste, textile waste, clothing waste, plastic waste, animal residue, animal corpses, kitchen waste, plants, soil, medical waste, incineration ash, bicycles, Drawers, beds, shelves, desks, chairs, agricultural vinyl, PET bottles, polystyrene foam, meat and bone meal, crops, pottery, glass scraps, metal scraps, debris, concrete scraps, tatami mats, bamboo, straw, activated carbon It may contain one or more.
  • the type of waste labeled in the second training data need not be the same as the type of waste labeled in the first training data.
  • the type of waste is labeled in the second training data. If there is waste in the newly introduced facility, by including the type of waste as a type of waste labeled in the second training data, a second model that can identify it is generated. can do. In addition, if there is a type of waste that exists in the first training data that does not exist in the newly introduced facility, the type of waste that is labeled in the second training data is It does not have to include the type.
  • the types of objects to be identified other than waste that are labeled in the second training data are the beam of the second facility 100, the side wall of the waste pit 3, and the cliff of the pile of waste stored in the waste pit 3 ( part of the cliff of the waste pile and darkened to the extent that the type of waste cannot be visually identified), and a crane 5 for stirring or transporting the waste, good too.
  • the types of identification objects other than waste that are labeled in the second training data may include one or both of workers and delivery vehicles.
  • the types of objects to be identified other than waste labeled in the training data include walls, pillars, floors, windows, ceilings, doors, stairs, girders (a structure that moves by suspending the crane 5) of the second facility 100.
  • the type of the identification object other than the waste labeled in the second training data need not be the same as the type of the identification object other than the waste labeled in the first training data. If an identification object other than waste of a type that does not exist in the training data exists in the newly introduced facility, the type of the identification object other than waste to be labeled in the second training data By including , it is possible to generate a second model that can identify it. In addition, if there is a type of identification object other than waste that exists in the first training data that does not exist in the newly introduced facility, identification other than waste labeled in the second training data The type of object may not include the type of identification object.
  • FIG. 5 is a diagram showing an example of second teacher data in which image data of the inside of the garbage pit 3 of the second facility 100 is labeled with the types of waste and objects to be identified other than waste.
  • image data of the inside of the garbage pit 3 of the second facility 100 is labeled with the types of waste and objects to be identified other than waste.
  • unbroken bag garbage, pruned branches, and futons are labeled by type as waste, and cranes 5
  • the cliffs of the waste pile, the side walls of the waste pit 3, and the floor of the second facility 100 are each labeled by type.
  • the second training data may include an image in which the inside of the garbage pit 3 of the second facility 100 is captured and the entire image is labeled, or an image of the inside of the garbage pit 3 in the second facility 100 is labeled. A part may be cut out and only the cut out part may be labeled.
  • training data By including training data by labeling the entire image, information on how the image (field of view and angle of view) in the garbage pit obtained by the imaging device installed at the newly introduced facility (second facility) can be obtained. Since additional learning can be performed taking into consideration, the accuracy of identifying the type of waste by the second model can be improved.
  • the amount of teacher data and the number of man-hours required for creating the teacher data can be greatly reduced compared to the case where the entire image is labeled.
  • the second image data and the second teacher data may include the side wall of the garbage pit 3 and/or the crane 5 of the second facility 100 in the image.
  • the second training data includes the side wall of the garbage pit of the second facility 100 and/or the crane for stirring or transporting the waste in the image, so that the garbage pit at the newly introduced facility (second facility) Additional learning can be done to account for differences in shape and size, and crane shape and size, so that the second model can better identify sidewalls and/or cranes and waste-only data (i.e., waste-only data) Accuracy of waste identification can also be increased compared to using pit sidewalls and/or crane-free data).
  • the second image data is obtained by inputting the image data of the inside of the garbage pit 3 of the second facility 100 into the first model to identify the type of waste, and then selecting the image data with the accuracy of identification.
  • Image data lower than a predetermined standard may be selected and used, or other data (that is, the image data itself obtained by imaging the inside of the garbage pit 3 of the second facility 100) may be used.
  • the second image data is image data obtained by imaging the inside of the garbage pit 3 of the second facility 100. After inputting the image data to the first model to identify the type of waste, the image data is selected from among the image data with the accuracy of identification.
  • the type of waste for which sufficient identification accuracy cannot be obtained with the first model is confirmed, and image data and teacher data including the type are confirmed. It can be mainly used for additional learning, which enables efficient learning data collection and learning.
  • the second image data is a rendered image of the side wall of the garbage pit 3 and/or the crane 5 created based on the three-dimensional design data of the second facility 100, the waste in the garbage pit of the plurality of facilities, Alternatively, it may include a synthesized image of the waste in the waste pit of another facility different from the plurality of facilities and the second facility. In this case, before the pit construction and crane installation of the newly introduced facility (second facility 100) are completed, image data regarding how the pit 3, crane 5, etc. look can be created and used for learning.
  • the image data acquisition unit 11 b acquires new image data of the inside of the garbage pit 3 of the second facility 100 from the imaging device 6 .
  • the new image data acquired by the image data acquiring section 11b is stored in the storage section 12.
  • the type identification unit 11c uses the new image data acquired by the image data acquisition unit 11b as an input, and uses the identification algorithm 12a (second model) generated by the second model generation unit 11a2 to identify the second facility. Identify the types of waste stored in the 100 waste pits 3;
  • the type identification unit 11c uses the identification algorithm 12a (second model) with new image data acquired by the image data acquisition unit 11b as an input, and uses the identification algorithm 12a (second model) to store in the garbage pit 3 of the second facility 100
  • the type of identification object other than waste may be identified together with the type of waste.
  • FIG. 6 is a diagram showing an example of data displayed by superimposing the identification result of the type identification unit 11c on the image data obtained by imaging the image inside the garbage pit 3 of the second facility 100. As shown in FIG. In the example shown in FIG. 6, the waste (unbroken bag waste, pruned branches) identified by the type identification unit 11c and identification objects other than waste (the crane 5, the cliff of the mountain of waste, the side wall of the waste pit 3). , the floor of the second facility 100) are superimposed on the image data by type and displayed.
  • the type identification unit 11c generates a map displaying the ratio of types of waste stored in the waste pit 3 of the second facility 100 for each area based on the identification result.
  • the inside of the waste pit 3 is divided into a grid of 5 ⁇ 4, and the ratio of the types of waste identified by the type identifying section 11c is displayed for each area.
  • the plant control unit 11d controls the waste treatment facility (second facility) 100 based on the identification result of the type identification unit 11c.
  • the plant control unit 11d sends the identification result of the type identification unit 11c (that is, The identification result of the type identification unit 11c (that is, the information on the type of waste identified from the image data) is transmitted to the crane control unit 11d1 that transmits the type information) and the combustion control device 20 that controls the combustion of the waste. and a combustion control unit 11d2.
  • the plant control section 11d includes both the crane control section 11d1 and the combustion control section 11d2. may contain only one of
  • the crane control unit 11d1 sends, for example, a map (see FIG. 7) displaying the ratio of types of waste stored in the waste pit 3 for each area to the crane control device 50 as the identification result of the type identification unit 11c. and send. Based on the map received from the crane control unit 11d1, the crane control device 50 operates the crane 5 to agitate the waste in the waste pit 3 so that the ratio of types of waste is equal in all areas. .
  • the combustion control unit 11d2 sends, for example, a map (see FIG. 7) displaying the ratio of types of waste stored in the waste pit 3 for each area to the combustion control device 20 as the identification result of the type identification unit 11c. and send. Based on the map received from the combustion control unit 11d2, the combustion control device 20 grasps the ratio of the types of waste that are picked up by the crane 5 and conveyed together from the waste pit 3 to the hopper 4, and controls the hopper 4. The combustion of the waste is controlled according to the ratio of the waste co-charged into the incinerator 1 via the stoker (for example, the feed speed of the stoker and the amount of air supplied are controlled).
  • the fall detection unit 11e detects the fall of the worker or transport vehicle from the platform 21 into the garbage pit 3 based on the identification result of the type identification unit 11c (that is, the information of the worker or transport vehicle identified from the image data). to detect.
  • the fall detection unit 11e sends the identification result of the type identification unit 11c (that is, from the image data) to a fall detection device (not shown) that detects the presence of a worker or a delivery vehicle in the garbage pit 3 where waste is stored. identified worker or vehicle information) may be transmitted.
  • a fall detection device (not shown) issues an alarm based on the identification result of the type identification unit 11c transmitted from the fall detection unit 11e, or operates the crane 5 and rescue equipment (for example, a gondola, etc.). to rescue workers.
  • the foreign object detection unit 11f detects abnormal objects thrown into the garbage pit 3 based on the identification result of the type identification unit 11c (that is, information on the type of waste identified from the image data).
  • abnormal matter refers to unplanned waste that may enter the garbage pit 3 although it is not desired. , fluorescent lamps, garbage containing mercury, and explosives such as cylinders, cans, and oil tanks.
  • the foreign object detection unit 11f sends a foreign object detection device (not shown) for detecting an abnormal object thrown into the waste pit 3 where waste is stored, to the identification result of the type identification unit (that is, the waste identified from the image data). type information) may be transmitted.
  • a foreign object detection device refers to a database that stores the name of the company or the vehicle that has thrown the waste into the garbage pit 3 together with time information, and identifies the type identification unit 11c sent from the foreign object detection unit 11f. Based on the results, the vendor or vehicle that put the foreign object into the garbage pit 3 is specified.
  • FIG. 3 is a flow chart showing an example of an information processing method.
  • the first image generated by the first model generation unit 11a1 captures the inside of the waste pits of a plurality of facilities (waste treatment facilities different from the second facility 100) where waste is stored.
  • a waste type identification algorithm 12a (first model) is generated by performing machine learning on the data and the first training data in which the waste in the image is labeled with the type (step S11).
  • the first model generation unit 11a can perform pre-learning using a large amount of teacher data collected and generated at a plurality of facilities for an unlimited period of time. In addition, it is possible to learn using a sufficient amount of training data even for waste that does not appear frequently in one facility. Furthermore, learning is possible using a variety of training data that takes into account differences in the shape and size of garbage pits at each facility, as well as various environmental conditions (such as the installation position, angle, lighting conditions, etc. of cameras used to acquire images). can be done, resulting in a robust discrimination algorithm 12a (first model).
  • the second model generation unit 11a2 generates second image data of the inside of the garbage pit of the second facility 100 for the identification algorithm 12a (first model) generated by the first model generation unit 11a1, By additionally learning the second training data labeled with the type of the waste in the image, the identification algorithm 12a (second model) corresponding to the waste of the second facility is generated (step S12). .
  • the amount of teacher data (second teacher data) used for additional learning should be smaller than the amount of teacher data (first teacher data) used when generating the first model. If it is a small amount, the environmental conditions of the newly introduced facility (installation position, angle, lighting conditions, etc. of the camera for image acquisition), future environmental changes (changes in the shape and color of the garbage bag, aging of the pit side wall, etc.) dirt, etc.).
  • the image data acquisition unit 11b acquires new image data 12b (for example, see FIG. 4) of the inside of the garbage pit 3 of the second facility 100 from the imaging device 6 (step S13).
  • the new image data 12b acquired by the image data acquiring section 11b is stored in the storage section 12.
  • the type identifying unit 11c uses the new image data obtained by the image data obtaining unit 11b as an input, and uses the identification algorithm 12a (second model) generated by the second model generating unit 11a2 to obtain the second (step S14).
  • the type identification unit 11c receives new image data (see, for example, FIG. 4) obtained by the image data obtaining unit 11b, and uses the identification algorithm 12a (second model) generated by the second model generation unit 11a2. , the type of identification object other than waste may be identified together with the type of waste stored in the waste pit 3 of the second facility 100 (see FIG. 6, for example). Further, the type identification unit 11c generates a map (see, for example, FIG. 7) that displays the ratio of the type of waste stored in the garbage pit 3 for each region based on the identification result of the type of waste. may
  • the plant control unit 11d controls the waste treatment plant based on the identification result by the type identification unit 11c.
  • the crane control unit 11d1 provides the crane control device 50, which controls the crane 5 for stirring or transporting the waste, as the identification result of the type identification unit 11c.
  • a map displaying the ratio of types for each area is transmitted (step S15). Based on the map received from the crane control unit 11d1, the crane control device 50 operates the crane 5 to agitate the waste in the waste pit 3 so that the ratio of types of waste is equal in all areas. .
  • the combustion control unit 11d2 provides the combustion control device 20, which controls the combustion of waste, with a map that displays the ratio of types of waste for each region as shown in FIG. 7 as the identification result of the type identification unit 11c.
  • Send step S16.
  • the combustion control device 20 grasps the ratio of the types of waste that are picked up by the crane 5 and conveyed together from the waste pit 3 to the hopper 4, and controls the hopper 4.
  • the combustion of the waste is controlled according to the ratio of each waste that is co-charged into the incinerator 1 via the stoker (for example, the feed speed of the stoker and the amount of air supplied are controlled).
  • the fall detection unit 11e moves the garbage pit from the platform 21 based on the identification result of the type identification unit 11c. 3 may be detected, and the identification result of the type identification unit 11c may be transmitted to a fall detection device (not shown).
  • the foreign object detection unit 11f throws it into the dust pit 3 based on the identification result of the type identification unit 11c.
  • An abnormal object may be detected, and the identification result of the type identification unit 11c may be sent to a foreign object detection device (not shown).
  • machine learning supervised learning
  • a large amount of image data and training data that must be newly prepared for each material processing facility is required.
  • waste disposal facilities have different shapes and sizes of waste pits, and various environmental conditions (for example, the installation position, angle, lighting conditions, etc. of the image acquisition camera). Even if an identification algorithm created using data and training data is used as it is at other facilities, sufficient identification accuracy cannot be obtained.
  • a large amount of teacher data collected and generated at multiple facilities without a limited period before introducing the identification algorithm to the new facility It is also possible to learn in advance using a sufficient amount of teacher data, even for wastes that appear infrequently in one facility. Furthermore, learning is possible using a variety of training data that takes into account differences in the shape and size of garbage pits at each facility, as well as various environmental conditions (such as the installation position, angle, lighting conditions, etc. of cameras used to acquire images). can be done, resulting in a robust identification algorithm 12a (first model).
  • training data collected and generated at the newly introduced facility is additionally learned to such a first model to generate the identification algorithm 12a (second model) corresponding to the waste at the newly introduced facility.
  • the amount of teacher data used for additional learning is , generated teacher data). If it is a small amount, the environmental conditions of the newly introduced facility (installation position, angle, lighting conditions, etc. of the camera for image acquisition), future environmental changes (changes in the shape and color of the garbage bag, aging of the pit side wall, etc.) dirt, etc.).
  • the control unit 11 includes a first model generation unit 11a1, a second model generation unit 11a2, an image data acquisition unit 11b, a type identification unit 11c, and a plant control unit.
  • the control unit 11d, the fall detection unit 11e, and the foreign object detection unit 11f are included, the control unit 11 is not limited to this, and a part of the processing of the control unit 11 is performed by the information processing apparatus instead of the information processing apparatus 10. 10 may be performed on another information processing device or a cloud server. Also, a part of the storage unit 12 may be located on an information processing apparatus different from the information processing apparatus 10 or on a cloud server instead of the information processing apparatus 10 .
  • the processes of the first model generation unit 11a1 and the second model generation unit 11a2 are executed on the external information processing device 101 (cloud server), and the identification algorithm 12a (the first model and the second model) may be generated. Further, the processing of the type identification unit 11c may be executed on the external information processing device 101 (cloud server) using the identification algorithm 12a generated on the external information processing device 101 (cloud server), As shown in FIG. 10, an information processing device 10 introduced into a second facility 100 uses an identification algorithm 12a (second model) generated by an external information processing device 101 (cloud server). 101 (cloud server) and used in the information processing apparatus 10 to execute the processing of the type identification unit 11c. In this case, during the operation of the second model in the second facility 100, further learning can be performed separately by the external information processing device 101. FIG. Also, the storage capacity of the information processing apparatus 10 can be reduced.
  • the control unit 11 After starting the operation of the identification algorithm (second model) generated by the second model generation unit 11a2, the control unit 11 periodically monitors the identification accuracy during operation (that is, the identification result of the type identification unit 11c), and performs identification. It may be determined whether or not the algorithm 12a (second model) needs to be reviewed and updated. For example, the control unit 11 uses an edge server to determine whether the identification result of the type identification unit 11c is normal or abnormal. determine if there is If it is determined that there is a problem in operation, the skilled operator labels the image data in which the abnormality was detected again by type of waste, prepares new training data, and the second model generation unit 11a2 The discrimination algorithm 12a (second model) may be updated by additionally learning image data in which anomalies have been detected and newly prepared teacher data. This makes it possible to respond to changes in the types of waste in the second facility 100 and changes in the composition ratio of each type of waste.
  • the control unit 11 uses an identification algorithm ( Using the second model) as a base model, additional learning is performed on the third image data obtained by imaging the inside of the waste pit of the third facility and the third teacher data labeled with the type of waste in the image. may generate an identification algorithm (third model) corresponding to the waste of the third facility.
  • the second model can be used as a base model for additional learning using the third training data at another facility (third facility), so the accuracy of identifying the type of waste is improved sequentially. can be expected.
  • the combustion control unit 11d2 creates a map (see FIG. 7) that displays the ratio of types of waste stored in the waste pit 3 for each region as the identification result of the type identification unit 11c.
  • a label obtained by converting the ratio of types of waste into quality information for example, input OK, input NG, calorie L ( Low), M (Middle), H (High), etc. may be transmitted to the combustion control device 20 for each region.
  • the combustion control unit 11d2 displays a label indicating that the rate of influence on the combustion state is large (for example, unbroken bag dust, bottom dust, etc.) as the identification result of the type identification unit 11c. can be sent to Similarly, the crane control unit 11d1 assigns a label (for example, pruned branches, oversized crushed garbage, etc.) to the crane control device 50 as the identification result of the type identification unit 11c, indicating that each device is greatly affected. can be sent to a label (for example, pruned branches, oversized crushed garbage, etc.) to the crane control device 50 as the identification result of the type identification unit 11c, indicating that each device is greatly affected. can be sent to
  • the type identification unit 11c When the type identification unit 11c generates a map that displays the ratio of the types of waste stored in the garbage pit 3 for each region based on the identification result, the image data obtained by the image data obtaining unit 11b On the other hand, the image data may simply be divided into areas to display the ratio of the types of waste, or the image data and the address assignment of the garbage pit 3 may be linked to display the ratio of the types of waste for each address. good too.
  • a crane 5 whose position relative to the garbage pit 3 is measurable is marked in advance, and the marked crane 5 is captured by the imaging device 6 in a large number of images.
  • the type identification unit 11c estimates the relative position and direction of the imaging device 6 with respect to the garbage pit 3 based on a large number of images in which the marked crane 5 is reflected, Based on the estimated position and shooting direction of the imaging device 6, it is estimated at which address the pixel on the image data exists.
  • the crane 5 whose position relative to the garbage pit 3 is measurable is photographed by the imaging device 6 in a number of images, and the type identification unit 11c marks the crane 5 in the images. Then, the position and direction of the imaging device 6 relative to the garbage pit 3 are estimated based on a large number of images marked with the crane 5, and pixels on the image data are obtained from the estimated position and shooting direction of the imaging device 6. may be estimated at which address exists.
  • the crane control device 50 selects from the garbage pit 3 garbage that satisfies the charging criteria based on the ratio threshold for each garbage type based on the map received from the crane control unit 11d1 when an injection request is received from the incinerator 1. , the crane 5 may be operated to throw it into the hopper 4 .
  • the crane control device 50 may sort the garbage so that the difference from the ratio of each garbage type to the garbage that was previously thrown into the hopper 4 becomes smaller. .
  • the crane control device 50 sets garbage bag unbroken bag garbage, paper garbage, pruned branches, futon, sludge, crushed oversized garbage, cardboard, hemp sacks, paper bags, bottom garbage, wood chips, fiber garbage, Clothing waste, plastic waste, animal residue, animal carcasses, kitchen waste, plants, soil, medical waste, incineration ash, agricultural vinyl, PET bottles, polystyrene foam, meat and bone meal, crops, pottery, glass waste, metal waste, rubble Ratio thresholds for one or more of: lint, concrete debris, tatami mats, bamboo, straw, activated carbon may be used.
  • the crane control device 50 uses image data obtained by capturing images of the inside of the garbage pit 3 in the past, and a skilled operator determines the amount of waste indicated in the image data. From the viewpoint of combustion stability and the impact on the equipment, the quality is classified and labeled according to whether or not it can be thrown in, and the image is used to estimate the ratio of each type of garbage using the type identification unit 11c. By comparing with , a ratio threshold value for each type of garbage that a skilled operator determines whether or not to throw in may be determined.
  • the crane control device 50 receives from the crane control unit 11d1 a map indicating the ratio of types of waste stored in the waste pit 3 for each area, and determines the type of waste actually put into the hopper 4.
  • a ratio threshold for each type of waste may be determined, or both data are linked over time to dynamically change the ratio threshold.
  • the crane control device 50 may dynamically change the ratio threshold based on not only the process data but also weather information. For example, if the weather information indicates that it is raining on the day, the crane control device 50 changes the input criteria based on the ratio threshold, such as lowering the ratio threshold for unbroken garbage bags or raising the ratio threshold for crushed oversized garbage.
  • the crane control device 50 may dynamically change the ratio threshold based on the day of the week information. For example, since the amount of garbage in the garbage pit 3 is small on Sundays, the crane control device 50 determines the input amount standard based on the ratio threshold, such as increasing the ratio threshold of unbroken garbage bags, in order to suppress the amount of garbage incinerated. change.
  • the crane control device 50 may dynamically change the ratio threshold value based on the furnace operating plan value of the waste treatment facility 100 . For example, if the evaporation amount has fallen below the current evaporation amount set value, the crane control device 50 reduces the ratio threshold for unbroken garbage bags or raises the ratio threshold for crushed oversized garbage. change the standards.
  • the crane control device 50 When an input request is received from the incinerator 1, the crane control device 50 operates the crane 5 if there is no waste that satisfies the input criteria based on the ratio threshold for each type of waste in the map received from the crane control 11d1. Waste close to the input standard may be thrown into the hopper 4, or the waste close to the input standard may be agitated to create garbage that meets the input standard.
  • the crane control device 50 may operate the crane 5 to pile up only the garbage that satisfies the input criteria based on the ratio threshold for each garbage type in the map received from the crane control 11d1. By doing so, it is possible to accumulate in the dust pit 3 the dust that satisfies the input criteria.
  • the crane control device 50 identifies the waste (for example, sludge) that affects the combustion state in the waste pit 3 and the cause of the trouble of each device based on the ratio threshold value for each waste type.
  • the waste for example, pruned branches
  • the crane 5 may be operated to store it at a specific location in the garbage pit 3 or to scatter it at a specific location.
  • the crane control device 50 In the map received from the crane control 11d1, the crane control device 50, if there is trash in the trash pit 3 that does not satisfy the agitation criteria based on the ratio threshold for each trash type, The garbage may be agitated by operating the crane 5 .
  • the agitation criteria may be the same as or different from the dosing criteria.
  • the crane control device 50 uses the agitation criteria as the process data of the incinerator 1, weather information, day of the week information, garbage delivery company information, garbage delivery amount (total amount and garbage delivery amount by type) information, garbage delivery speed, Garbage pit level (whole, specific area) information, crane operation status (2 units can be operated, only 1 unit is in operation, 1 unit is currently in operation, 2 units are currently in operation) information, collection route and collection area information for garbage trucks One or more of them may be used and dynamically changed.
  • the crane control device 50 judges the agitation state of the entire garbage pit 3 from the ratio of each garbage type in each area in the map received from the crane control 11d1, judges whether two cranes 5 need to be operated, and 5 may be operated to start operation of the second crane or retract the second crane.
  • the crane control device 50 operates the crane 5, but a crane operation determination device (not shown) is provided upstream of the crane control device 50, and the operation of the crane 5 is determined by the crane operation determination device.
  • the contents may be determined, a command of operation contents may be transmitted to the crane control device 50, and the crane 5 may be operated based on the command contents received by the crane control device 50 which received the command.
  • the crane operation determination device transmits and receives information to and from the information processing device 10 and the crane control device 50 .
  • the crane operation determination device may be part of the information processing device 10, that is, the information processing device 10 may include the crane operation determination device.
  • the crane operation determination device receives a load request signal from the crane control device 50 when a load request is received from the incinerator 1, and based on the map received from the crane control unit 11d1, determines the load standard based on the ratio threshold for each type of waste.
  • a command is sent to the crane control device 50 to sort out the garbage of the map to be filled from the garbage pit 3 and throw the garbage into the hopper 4, and the crane control device 50 operates the crane 5 based on the received command. good too.
  • the garbage may be sorted so that the difference from the ratio of each garbage type to the garbage that was previously thrown into the hopper 4 becomes small.
  • the crane operation determination device receives an input request signal from the crane control device 50 when an input request is received from the incinerator 1, and in the map received from the crane control 11d1, there is garbage that satisfies the input criteria based on the ratio threshold for each type of garbage. If it does not exist, a command is sent to the crane control device 50 to load the waste close to the input standard into the hopper 4, or to agitate the waste close to the input standard to create a waste that meets the input standard, and the crane control device 50 controls the crane. 5 may be operated.
  • the crane operation determination device transmits a command to the crane control device 50 to stack only the garbage that satisfies the input criteria based on the ratio threshold of the garbage type in the map received from the crane control 11d1 in a specific location in the garbage pit 3, and the crane.
  • the control device 50 may operate the crane crane 5 . By doing so, it is possible to accumulate in the dust pit 3 the dust that satisfies the input criteria.
  • the crane operation determination device determines the waste (for example, sludge) that affects the combustion state in the waste pit 3 and the cause of the trouble of each device based on the ratio threshold value for each waste type.
  • a command is sent to the crane control device 50 to detect the waste (for example, pruned branches) that becomes a may operate.
  • the crane operation determination device instructs the crane control device 50 to agitate the garbage if there is garbage in the garbage pit 3 that does not meet the agitation criteria based on the ratio threshold for each garbage type.
  • the crane controller 50 may operate the crane 5 .
  • the agitation criteria may be the same as or different from the dosing criteria.
  • the crane operation judgment device judges the agitation state of the entire garbage pit 3 from the ratio of each garbage type in each area in the map received from the crane control 11d1, judges whether two cranes 5 need to be operated, and A command may be sent to the control device 50, and the crane control device 50 may operate the crane 5, start operation of the second crane, or retract the second crane.
  • the example in which the information processing device 10 for identifying the type of waste is used in the waste pit 3 of the waste disposal facility 100 has been described. is not limited to the waste pit 3 of the waste disposal facility 100 as long as it is a waste storage place where waste is stored. may
  • Information processing apparatus 10 can be configured by one or more computers.
  • the recording medium on which it is recorded is also subject to protection in this case.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Incineration Of Waste (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

廃棄物の種類を識別する識別アルゴリズムを生成する情報処理方法は、廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、を含む。

Description

情報処理方法、情報処理装置、および情報処理プログラム
　本開示は、廃棄物の種類を識別する識別アルゴリズムを生成する情報処理方法、情報処理装置、および情報処理プログラムに関する。
　廃棄物処理施設において、様々な種類の廃棄物がごみピット内に搬入される。これらの廃棄物は、ごみピット内に貯留されたのち、焼却炉に投入されて焼却処理される。焼却炉に投入される廃棄物の質は、燃焼に影響する。また、ごみピット内にはそのまま投入すると機器トラブルの発生要因となる廃棄物も含まれている。そのため、従来の施設では、運転員が、燃焼を安定化させ、機器トラブルも発生させないよう、ごみピット内を目視してごみの種類を識別し、クレーンによる廃棄物の攪拌操作、焼却炉への投入操作を行っている。
　本件出願人は、ごみピット内に貯留されている廃棄物の種類を識別する識別アルゴリズム（学習済みモデル）を用いて自動で廃棄物を識別してクレーン操作を行う技術を既に提案している（特開２０２０－０３８０５８号公報参照）。
　本件発明者らは、上述の識別アルゴリズムを用いたごみ識別方法の改良技術を見出すべく、鋭意検討を行った。その結果、以下の知見を得た。なお、以下の知見はあくまで本技術をなすきっかけとなったものであり、本技術を限定するものではない。
　すなわち、図８に示すように、機械学習（教師あり学習）では、正解となる大量のデータが学習に必要であることから、従来の識別アルゴリズム（従来モデル）を使用するごみ識別方法では、廃棄物処理施設毎に新たに用意しなくてはならない画像データおよび教師データが多量に必要となる。
　しかしながら、新規建設施設において識別アルゴリズムを導入する場合には、廃棄物の受入開始から施設の正式運転開始までの期間が限られていることから、短期間で画像データの収集、教師データの作成、およびそれらの学習を行う必要がある。
　また、短期間で画像データの収集、教師データの作成、およびそれらの学習を行ったとしても、新規施設で出現頻度の少ない廃棄物は、教師データが少ないため、識別アルゴリズムによるその廃棄物の識別精度が上がらない。
　また、廃棄物処理施設は、施設によってごみピットの形状や寸法が異なるほか、様々な環境条件（たとえば、画像取得用カメラの設置位置、角度、照明条件など）が異なることから、ある施設の画像データおよび教師データを用いて作成した識別アルゴリズムを、そのまま他の施設で使用しても、十分な識別精度を得ることはできない。
　新規導入施設において廃棄物の種類を識別する識別アルゴリズムの導入に係る工数を減らすことができ、かつ識別精度が高い情報処理方法、情報処理装置、および情報処理プログラムを提供することが望まれる。
　本開示の一態様に係る情報処理方法は、
　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、
　生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、
を含む。
　本開示の一態様に係る情報処理装置は、
　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成する第１モデル生成部と、
　生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成する第２モデル生成部と、
を備える。
図１は、一実施の形態に係る廃棄物処理施設の構成を示す概略図である。 図２は、一実施の形態に係る情報処理装置の構成を示すブロック図である。 図３は、一実施の形態に係る情報処理装置による情報処理方法の一例を示すフローチャートである。 図４は、ごみピット内の映像を撮像することにより得られる画像データの一例を示す図である。 図５は、ごみピット内の映像を撮像することにより得られる画像データに廃棄物および廃棄物以外の識別対象物の種類がラベリングされた教師データの一例を示す図である。 図６は、ごみピット内の映像を撮像することにより得られる画像データに種類識別部による識別結果が重ね合わされて表示されたデータの一例を示す図である。 図７は、ごみピット内の廃棄物の種類の比率を領域毎に表示するマップである。 図８は、従来の識別アルゴリズムの生成方法を示す概念図である。 図９は、一実施の形態に係る識別アルゴリズムの生成方法を示す概念図である。 図１０は、一実施の形態の一変形例に係る情報処理装置の構成を示すブロック図である。
　実施形態の第１の態様に係る情報処理方法は、
　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、
　生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、
を含む。
　このような態様によれば、新規導入施設（第２の施設）への識別アルゴリズムの導入前に、複数の施設において期間を限られることなく収集、生成された多量の教師データを用いて予め学習することができる。また、１つの施設では出現頻度が少ない廃棄物についても、十分な量の教師データを用いて学習することができる。さらに、施設ごとのごみピットの形状や寸法の違いや、様々な環境条件（たとえば、画像取得用カメラの設置位置、角度、照明条件など）の違いも考慮した多様な教師データを用いて学習を行うことができるため、ロバスト性（多様なデータに対して安定して精度の高い識別を行うことができる性質）を有する識別アルゴリズム（第１モデル）が得られる。
　次に、そのような第１モデルに対して、新規導入施設（第２の施設）において収集、生成された教師データを追加学習して第２モデルを生成する。ここで、本件発明者らの知見によれば、追加学習に用いる教師データ（新規導入施設において収集、生成された教師データ）の量は、第１モデル生成時に用いる教師データ（複数の施設において収集、生成された教師データ）の量に対して、少量とするのがよい。少量であれば、新規導入施設の環境条件（画像取得用カメラの設置位置、角度、照明条件など）や、将来的な環境の変化（ごみ袋の形状や色の変化、ピット側壁の経年的な汚れなど）に影響されづらくなる。ただし、第１教師データに存在しない種類の廃棄物が新規導入施設に存在する場合は、新規導入施設において収集、生成される教師データにその廃棄物の教師データを含めておくことで、それを識別可能な第２モデルを生成できる。このように構成することで、ロバスト性をある程度保ちつつ、新規導入施設に対応した識別精度の高いモデル（第２モデル）が得られる。また、新規導入施設において廃棄物の種類を識別する識別アルゴリズムの導入に係る工数を減らすことができる。
　実施形態の第２の態様に係る情報処理方法は、第１の態様に係る情報処理方法であって、
　前記第２画像データおよび前記第２教師データは、その画像中に前記第２の施設のごみピットの側壁および／または廃棄物の攪拌または搬送を行うクレーンを含む。
　このような態様によれば、新規導入施設（第２の施設）におけるごみピットの形状や寸法、クレーンの形状や寸法の違いを考慮した追加学習を行うことができるため、第２モデルによる、側壁および／またはクレーンの識別精度が上がり、廃棄物のみのデータ（すなわち画像中にごみピットの側壁および／またはクレーンを含まないデータ）を使用する場合に比べ、廃棄物の種類の識別精度も上げることができる。
　実施形態の第３の態様に係る情報処理方法は、第１または２の態様に係る情報処理方法であって、
　前記第１教師データに対する、前記第２教師データの量は、３０％以下である。
　実施形態の第４の態様に係る情報処理方法は、第３の態様に係る情報処理方法であって、
　前記第１教師データに対する、前記第２教師データの量は、１５％以下である。
　実施形態の第５の態様に係る情報処理方法は、第４の態様に係る情報処理方法であって、
　前記第１教師データに対する、前記第２教師データの量は、５％以下である。
　実施形態の第６の態様に係る情報処理方法は、第１～５のいずれかの態様に係る情報処理方法であって、
　前記識別アルゴリズムは、線形回帰、ボルツマンマシン、ニューラルネットワーク、サポートベクターマシン、ベイジアンネットワーク、スパース回帰、決定木、ランダムフォレストを用いた統計的推定、強化学習、深層学習、のうちの１つまたは２つ以上を含む。
　実施形態の第７の態様に係る情報処理方法は、第１～６のいずれかの態様に係る情報処理方法であって、
　前記第２教師データは、前記第２の施設のごみピット内を撮像した画像の全体にラベル付けしたものを含む。
　このような態様によれば、新規導入施設（第２の施設）に設置した撮像装置により得られたごみピット内の画像の見え方（視野や画角）の情報を考慮した追加学習を行うことができるため、第２モデルによる廃棄物の種類の識別精度を上げることができる。
　実施形態の第８の態様に係る情報処理方法は、第１～６のいずれかの態様に係る情報処理方法であって、
　前記第２教師データは、前記第２の施設のごみピット内を撮像した画像の一部を切り出して、その切り出された部分のみラベル付けしたものを含む。
　このような態様によれば、画像全体にラベル付けする場合に比べて、教師データのデータ量および作成工数を大幅に削減できる。
　実施形態の第９の態様に係る情報処理方法は、第１～８のいずれかの態様に係る情報処理方法であって、
　前記第２モデルを生成するステップにて用いられる前記第２画像データは、前記第２の施設のごみピット内を撮像した画像データを前記第１モデルに入力して廃棄物の種類を識別したうえで、それらの画像データの中から、識別精度が予め定められた基準（第１基準）より低い画像データを選択して用いるものである。
　このような態様によれば、第２の施設において、第１モデルでは十分な識別精度が得られない廃棄物の種類を確認し、当該種類を含む画像データおよび教師データを主に用いて追加学習を行うことができ、これにより、効率的な学習データの収集および学習が可能となる。
　実施形態の第１０の態様に係る情報処理方法は、第１～１０のいずれかの態様に係る情報処理方法であって、
　前記第１モデルを生成するステップでは、各施設における撮影条件および／または撮影環境の情報をあわせて学習する。
　このような態様によれば、トラブル等で撮影条件（カメラの解像度、露光時間、ゲイン、ピントなど）や撮影環境（時刻や天気による自然光の量、照明のＯＮ／ＯＦＦなど）が変わっても運用できる。
　実施形態の第１１の態様に係る情報処理方法は、第１～１０のいずれかの態様に係る情報処理方法であって、
　前記第１画像データは、各施設のごみピット内を撮像した画像データに対し、前記複数の施設間で共通の画像補正用カラーチャートを撮像した画像を参照として、色調、明度、彩度のうちの少なくとも１つの補正を行ったものである。
　このような態様によれば、照明や自然光の条件の異なる複数施設で撮像された画像の色調や明度・彩度の違いを補正することができ、これにより、識別アルゴリズムの識別精度を上げることができる。
　実施形態の第１２の態様に係る情報処理方法は、第１～１０のいずれかの態様に係る情報処理方法であって、
　前記第１画像データは、各施設のごみピット内を、前記複数の施設間で共通の画像補正用カラーチャートとともに撮像したものである。
　このような態様によっても、照明や自然光の条件の異なる複数施設で撮像された画像の色調や明度・彩度の違いを補正することができ、これにより、識別アルゴリズムの識別精度を上げることができる。
　実施形態の第１３の態様に係る情報処理方法は、第１～１２のいずれかの態様に係る情報処理方法であって、
　前記第２画像データは、前記第２の施設の３次元設計データに基づいて作成されたごみピットの側壁および／または廃棄物の攪拌または搬送を行うクレーンのレンダリング画像に対し、前記複数の施設のごみピット内の廃棄物、または前記複数の施設および前記第２の施設のどちらとも異なる他の施設のごみピット内の廃棄物を撮像した画像を合成したものを含む。
　このような態様によれば、新規導入施設（第２の施設）のピット施工・クレーン据え付けの完了前に、ピット・クレーン等の見え方に関する画像データを作成でき、学習に使用できる。
　実施形態の第１４の態様に係る情報処理方法は、第１～１３のいずれかの態様に係る情報処理方法であって、
　生成された第２モデルの運用開始後、運用時の識別精度を定期的にモニタリングし、識別精度が予め定められた基準（第２基準）より低くなった場合に、前記第２モデルに対し、そのときの廃棄物の画像データと、その画像中の廃棄物に種類をラベル付けした教師データとを、追加学習することにより、前記第２モデルを更新するステップをさらに含む。
　このような態様によれば、廃棄物の種類の変化や廃棄物の各種類の構成割合の変化などに対応可能となる。
　実施形態の第１５の態様に係る情報処理方法は、第１～１４のいずれかの態様に係る情報処理方法であって、
　生成された第２モデルに対し、前記複数の施設および前記第２の施設のどちらとも異なる第３の施設のごみピット内を撮像した第３画像データと、その画像中の廃棄物に種類をラベル付けした第３教師データとを、追加学習することにより、前記第３の施設の廃棄物に対応する識別アルゴリズムである第３モデルを生成するステップをさらに含む。
　このような態様によれば、前記第１教師データに対して第２教師データを追加学習したモデル（第２モデル）を、さらに他の施設（第３の施設）における第３教師データを用いた追加学習用のベースモデルとして利用できるため、廃棄物の種類の識別精度が逐次的に向上することが期待できる。
　実施形態の第１６の態様に係る情報処理装置は、
　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成する第１モデル生成部と、
　生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成する第２モデル生成部と、
を備える。
　実施形態の第１７の態様に係るコンピュータ読取可能な記録媒体は、以下の転落者検出プログラムを非一時的に記録している：情報処理プログラムは、
　コンピュータに、
　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、
　生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、
を実行させる。
　実施形態の第１８の態様に係る情報処理方法は、
　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別するステップ
を含む。
　実施形態の第１９の態様に係る情報処理装置は、
　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別する種類識別部
を備える。
　実施形態の第２０の態様に係るコンピュータ読取可能な記録媒体は、以下の転落者検出プログラムを非一時的に記録している：情報処理プログラムは、
　コンピュータに、
　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類
をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別するステップ
を実行させる。
　以下に、添付の図面を参照して、実施の形態の具体例を詳細に説明する。なお、以下の説明および以下の説明で用いる図面では、同一に構成され得る部分について、同一の符号を用いるとともに、重複する説明を省略する。
　図１は、一実施の形態に係る廃棄物処理施設１００（以下、第２の施設と呼ぶことがある）の構成を示す概略図である。
　図１に示すように、廃棄物処理施設１００は、廃棄物を積載する搬送車両（ごみ収集車）２２が停車するプラットホーム２１と、プラットホーム２１から投入される廃棄物が貯留されるごみピット３と、ごみピット３内に貯留される廃棄物を攪拌および搬送するクレーン５と、クレーン５により搬送される廃棄物が投入されるホッパ４と、ホッパ４から投入された廃棄物を焼却する焼却炉１と、焼却炉１内で生じる排ガスから排熱を回収する排熱ボイラ２と、を備えている。焼却炉１の種類は、図１に示すようなストーカ炉に限られるものではなく、流動炉（流動床炉ともいう）も含まれる。また、ごみピット３の構造は、図１に示すような１段ピットに限られるものではなく、ごみピットを投入部と貯留部に分割した２段ピットも含まれる。また、廃棄物処理施設１００には、クレーン５の動作を制御するクレーン制御装置５０と、焼却炉１内での廃棄物の燃焼を制御する燃焼制御装置２０とが設けられている。
　搬送車両２２に積載された状態で搬入される廃棄物は、プラットホーム２１からごみピット３内へと投入され、ごみピット３内にて貯留される。ごみピット３内に貯留される廃棄物は、クレーン５によって攪拌されるとともに、クレーン５によってホッパ４へと搬送され、ホッパ４を介して焼却炉１内部へと投入され、焼却炉１内部にて焼却されて処理される。
　図１に示すように、廃棄物処理施設１００には、ごみピット３内の映像を撮像する撮像装置６（以下、カメラともいう）と、ごみピット３内の廃棄物の種類を識別する情報処理装置１０とが設けられている。
　撮像装置６は、ごみピット３の上方に配置され、図示された例ではクレーン５のレールに固定されており、ごみピット３の上方からごみピット３内に貯留される廃棄物を撮像できるようになっている。図４は、撮像装置６によってごみピット３内の映像を撮像することにより得られる画像データの一例を示す図である。
　撮像装置６は、撮像結果として廃棄物の形状および色彩画像データを出力するＲＧＢカメラであってもよいし、撮像結果として廃棄物の近赤外線画像データを出力する近赤外線カメラであってもよいし、撮像結果として廃棄物の３次元画像データを撮像する３ＤカメラまたはＲＧＢ－Ｄカメラであってもよいし、これらのうちの２つ以上の組み合わせであってもよい。
　次に、ごみピット３内に貯留されている廃棄物の種類を識別する情報処理装置１０の構成について説明する。図２は、情報処理装置１０の構成を示すブロック図である。情報処理装置１０は、１つまたは複数のコンピュータによって構成され得る。
　図２に示すように、情報処理装置１０は、制御部１１と、記憶部１２と、通信部１３とを有している。各部は、バスを介して互いに通信可能に接続されている。
　このうち通信部１３は、撮像装置６、クレーン制御装置５０および燃焼制御装置２０の各装置と情報処理装置１０との間の通信インターフェースである。通信部１３は、撮像装置６、クレーン制御装置５０および燃焼制御装置２０の各装置と情報処理装置１０との間で情報を送受信する。
　記憶部１２は、たとえばハードディスク等の固定型データストレージである。記憶部１２には、制御部１１が取り扱う各種データが記憶される。また、記憶部１２には、後述する第１モデル生成部１１ａ１および第２モデル生成部１１ａ２により生成される識別アルゴリズム１２ａと、後述する画像データ取得部１１ｂにより取得された画像データ１２ｂとが記憶される。
　制御部１１は、情報処理装置１０の各種処理を行う制御手段である。図２に示すように、制御部１１は、第１モデル生成部１１ａ１と、第２モデル生成部１１ａ２と、画像データ取得部１１ｂと、種類識別部１１ｃと、プラント制御部１１ｄと、転落検知部１１ｅと、異物投入検知部１１ｆと、を有している。これらの各部は、情報処理装置１０内のプロセッサが所定のプログラムを実行することにより実現されてもよいし、ハードウェアで実装されてもよい。
　第１モデル生成部１１ａ１は、廃棄物が貯留される複数の施設（第２の施設１００とは異なる廃棄物処理施設）のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズム１２ａ（第１モデル）を生成する。
　第１モデル生成部１１ａ１は、複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けするとともに、その画像中の廃棄物以外の識別対象物にも種類別にラベル付けした第１教師データとを、機械学習することにより、ごみピット内に貯留されている廃棄物の種類に加えて廃棄物以外の識別対象物の種類を識別する識別アルゴリズム１２ａ（第１モデル）を生成してもよい。
　識別アルゴリズム１２ａは、具体的には、たとえば、線形回帰、ボルツマンマシン、ニューラルネットワーク、サポートベクターマシン、ベイジアンネットワーク、スパース回帰、決定木、ランダムフォレストを用いた統計的推定、強化学習、深層学習、のうちの１つまたは２つ以上を含んでいてもよい。
　第１教師データは、たとえば、各施設において運転を行う熟練運転員が、ごみピット内を撮像した第１画像データに対して、廃棄物および廃棄物以外の識別対象物を目視で識別して種類別にラベル付けすることにより、作成されてもよい。廃棄物および廃棄物以外の識別対象物の種類は、たとえば、種類別のレイヤーとして第１画像データに重ね合わされた状態でラベル付けされてもよい。
　第１教師データにラベル付けされる廃棄物の種類は、ごみ袋未破袋ごみ、紙ごみ、剪定枝、布団、汚泥、粗大破砕ごみ、段ボール、麻袋、紙袋、底ごみ（ごみピット３内の底付近に存在し上方の廃棄物に圧縮され水分含有量が多いごみのこと）、のうちの１つまたは２つ以上を含んでいてもよい。また、第１教師データにラベル付けされる廃棄物の種類は、ごみピット内に入ってきてほしくないけれど入ってくる可能性がある予定外の廃棄物（異常物）を含んでいてもよい。ここで、異常物としては、たとえば、焼却してはいけないもの、具体的には、たとえば、蛍光灯、水銀混入ごみ、ボンベや缶、油タンクなどの爆発物などが挙げられる。また、第１教師データにラベル付けされる廃棄物の種類は、木屑、繊維ごみ、衣類ごみ、プラスチックごみ、動物性残渣、動物死体、厨芥ごみ、草木、土、医療ごみ、焼却灰、自転車、たんす、ベッド、棚、机、椅子、農業系ビニール類、ペットボトル、発泡スチロール、肉骨粉、農作物、陶器、ガラスくず、金属くず、がれき類、コンクリートくず、畳、竹、わら、活性炭のうちの１つまたは２つ以上を含んでいてもよい。
　第１教師データにラベル付けされる廃棄物以外の識別対象物の種類は、各施設の梁、ごみピットの側壁、ごみピット内に貯留されている廃棄物の山の崖（廃棄物の山の崖にあたり廃棄物の種類が目視で識別不能な程度まで暗くなっている部分）、廃棄物の攪拌または搬送を行うクレーン、のうちの１つまたは２つ以上を含んでいてもよい。また、第１教師データにラベル付けされる廃棄物以外の識別対象物の種類は、作業員、搬入車両のうちの一方または両方を含んでいてもよい。また、教師データにラベリングされる廃棄物以外の識別対象物の種類は、各施設の壁、柱、床、窓、天井、扉、階段、ガーダー（クレーンを吊り下げて移動する構造体）、歩廊、ごみピットの仕切り壁、ごみ投入ホッパ、搬入扉、作業員、搬入車両、のうちの１つまたは２つ以上を含んでいてもよい。
　第１モデル生成部１１ａ１は、第１画像データと第１教師データとを機械学習して第１モデルを生成する際に、各施設における撮影条件（カメラの解像度、露光時間、ゲイン、ピントなど）および／または撮影環境（時刻や天気による自然光の量、照明のＯＮ／ＯＦＦなど）の情報をあわせて学習してもよい。これにより、トラブル等で撮影条件や撮影環境が変わっても運用できるようになる。
　第１画像データは、各施設のごみピット内を撮像した未補正の画像データに対し、複数の施設間で共通の画像補正用カラーチャートを撮像した画像を参照として、色調、明度、彩度のうちの少なくとも１つの補正を行ったものであってもよいし、各施設のごみピット内を、複数の施設間で共通の画像補正用カラーチャートとともに撮像したものであってもよい。これにより、第１モデル生成部１１ａ１が、第１画像データと第１教師データとを機械学習して第１モデルを生成する際に、照明や自然光の条件の異なる複数の施設で撮像された画像の色調や明度・彩度の違いを補正することができ、これにより、識別アルゴリズム１２ａの識別精度を上げることができる。
　第２モデル生成部１１ａ２は、第１モデル生成部１１ａ１により生成された識別アルゴリズム１２ａ（第１モデル）に対し、第２の施設１００のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、第２の施設の廃棄物に対応する識別アルゴリズム１２ａ（第２モデル）を生成する。
　第２モデル生成部１１ａ２は、第１モデル生成部１１ａ１により生成された識別アルゴリズム１２ａ（第１モデル）に対し、第２の施設１００のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けするとともに、その画像中の廃棄物以外の識別対象物にも種類別にラベル付けした第２教師データとを、追加学習することにより、第２の施設１００のごみピット内に貯留されている廃棄物の種類に加えて廃棄物以外の識別対象物の種類を識別する識別アルゴリズム１２ａ（第２モデル）を生成してもよい。
　本件発明者らの知見によれば、第１モデル作成時に必要な教師データ量（第１教師データのデータ量）に対して、第２モデル作成に用いる教師データ量（第２教師データのデータ量）は、少量でよく、好ましくは３０％以下、より好ましくは１５％以下、さらに好ましくは５％以下とすることが望ましい。第２の施設１００の教師データが少量であれば、新規導入施設の環境条件（画像取得用カメラの設置位置、角度、照明条件など）や、将来的な環境の変化（ごみ袋の形状や色の変化、ピット側壁の経年的な汚れなどに影響されづらくなる。ただし、第１モデル生成時に存在しない種類の廃棄物が新規導入施設に存在する場合は、新規導入施設において収集、生成される教師データにその廃棄物の教師データを含めておくことで、それを識別可能な第２モデルを生成することができる。このように構成することで、ロバスト性をある程度保ちつつ、新規導入施設に対応した、識別精度の高い識別アルゴリズム１２ａ（第２モデル）が得られるとともに、その生成に要する工数を削減することができる。
　第２教師データは、たとえば、第２の施設１００において運転を行う熟練運転員が、ごみピット３内を撮像した第２画像データに対して、廃棄物および廃棄物以外の識別対象物を目視で識別して種類別にラベル付けすることにより、作成されてもよい。廃棄物および廃棄物以外の識別対象物の種類は、たとえば、種類別のレイヤーとして第２画像データに重ね合わされた状態でラベル付けされてもよい。
　第２教師データにラベル付けされる廃棄物の種類は、ごみ袋未破袋ごみ、紙ごみ、剪定枝、布団、汚泥、粗大破砕ごみ、段ボール、麻袋、紙袋、底ごみ（ごみピット３内の底付近に存在し上方の廃棄物に圧縮され水分含有量が多いごみのこと）、のうちの１つまたは２つ以上を含んでいてもよい。また、第２教師データにラベル付けされる廃棄物の種類は、ごみピット３内に入ってきてほしくないけれど入ってくる可能性がある予定外の廃棄物（異常物）を含んでいてもよい。ここで、異常物としては、たとえば、焼却してはいけないもの、具体的には、たとえば、蛍光灯、水銀混入ごみ、ボンベや缶、油タンクなどの爆発物などが挙げられる。また、第２教師データにラベル付けされる廃棄物の種類は、木屑、繊維ごみ、衣類ごみ、プラスチックごみ、動物性残渣、動物死体、厨芥ごみ、草木、土、医療ごみ、焼却灰、自転車、たんす、ベッド、棚、机、椅子、農業系ビニール類、ペットボトル、発泡スチロール、肉骨粉、農作物、陶器、ガラスくず、金属くず、がれき類、コンクリートくず、畳、竹、わら、活性炭のうちの１つまたは２つ以上を含んでいてもよい。なお、第２教師データにラベル付けされる廃棄物の種類は、第１教師データにラベル付けされる廃棄物の種類と同一である必要はなく、前記した通り、第１教師データに存在しない種類の廃棄物が新規導入施設に存在する場合は、第２教師データにラベル付けされる廃棄物の種類として、その廃棄物の種類を含めておくことで、それを識別可能な第２モデルを生成することができる。また、第１教師データに存在する種類の廃棄物に、新規導入施設には存在しない種類のものがある場合には、第２教師データにラベル付けされる廃棄物の種類として、その廃棄物の種類を含めなくてもよい。
　第２教師データにラベル付けされる廃棄物以外の識別対象物の種類は、第２の施設１００の梁、ごみピット３の側壁、ごみピット３内に貯留されている廃棄物の山の崖（廃棄物の山の崖にあたり廃棄物の種類が目視で識別不能な程度まで暗くなっている部分）、廃棄物の攪拌または搬送を行うクレーン５、のうちの１つまたは２つ以上を含んでいてもよい。また、第２教師データにラベル付けされる廃棄物以外の識別対象物の種類は、作業員、搬入車両のうちの一方または両方を含んでいてもよい。また、教師データにラベリングされる廃棄物以外の識別対象物の種類は、第２の施設１００の壁、柱、床、窓、天井、扉、階段、ガーダー（クレーン５を吊り下げて移動する構造体）、歩廊、ごみピット３の仕切り壁、ごみ投入ホッパ、搬入扉、作業員、搬入車両、のうちの１つまたは２つ以上を含んでいてもよい。なお、第２教師データにラベル付けされる廃棄物以外の識別対象物の種類は、第１教師データにラベル付けされる廃棄物以外の識別対象物の種類と同一である必要はなく、第１教師データに存在しない種類の廃棄物以外の識別対象物が新規導入施設に存在する場合は、第２教師データにラベル付けされる廃棄物以外の識別対象物の種類として、その識別対象物の種類を含めておくことで、それを識別可能な第２モデルを生成することができる。また、第１教師データに存在する種類の廃棄物以外の識別対象物に、新規導入施設には存在しない種類のものがある場合には、第２教師データにラベル付けされる廃棄物以外の識別対象物の種類として、その識別対象物の種類を含めなくてもよい。
　図５は、第２の施設１００のごみピット３内を撮像した画像データに廃棄物および廃棄物以外の識別対象物の種類がラベル付けされた第２教師データの一例を示す図である。図５に示す例では、ごみピット３内を撮像した画像データに、廃棄物として未破袋ごみ、剪定枝、布団がそれぞれ種類別にラベリングされると共に、廃棄物以外の識別対象物としてクレーン５、廃棄物の山の崖、ごみピット３の側壁、第２の施設１００の床がそれぞれ種類別にラベリングされている。
　第２教師データは、第２の施設１００のごみピット３内を撮像した画像の全体にラベル付けしたものを含んでいてもよいし、第２の施設１００のごみピット３内を撮像した画像の一部を切り出して、その切り出された部分のみラベル付けしたものを含んでいてもよい。画像の全体へのラベル付けによる教師データを含めることにより、新規導入施設（第２の施設）に設置した撮像装置により得られたごみピット内の画像の見え方（視野や画角）の情報を考慮した追加学習を行うことができるため、第２モデルによる廃棄物の種類の識別精度を上げることができる。また、部分的なラベル付けによる教師データを含めることにより、画像全体にラベル付けする場合に比べて、教師データのデータ量および作成工数を大幅に削減できる。また、第２画像データおよび前記第２教師データは、その画像中に第２の施設１００のごみピット３の側壁および／またはクレーン５を含むものであってもよい。第２教師データが、その画像中に第２の施設１００のごみピットの側壁および／または廃棄物の攪拌または搬送を行うクレーンを含むことにより、新規導入施設（第２の施設）におけるごみピットの形状や寸法、クレーンの形状や寸法の違いを考慮した追加学習を行うことができるため、第２モデルによる、側壁および／またはクレーンの識別精度が上がり、廃棄物のみのデータ（すなわち画像中にごみピットの側壁および／またはクレーンを含まないデータ）を使用する場合に比べ、廃棄物の識別精度も上げることができる。
　第２画像データは、第２の施設１００のごみピット３内を撮像した画像データを第１モデルに入力して廃棄物の種類を識別したうえで、それらの画像データの中から、識別精度が予め定められた基準より低い画像データを選択して用いてもよいし、そうでないもの（すなわち第２の施設１００のごみピット３内を撮像した画像データそのもの）であってもよい。第２画像データが、第２の施設１００のごみピット３内を撮像した画像データを第１モデルに入力して廃棄物の種類を識別したうえで、それらの画像データの中から、識別精度が低い画像データを選択したものである場合には、第２の施設１００において、第１モデルでは十分な識別精度が得られない廃棄物の種類を確認し、当該種類を含む画像データおよび教師データを主に用いて追加学習を行うことができ、これにより、効率的な学習データの収集および学習が可能となる。
　第２画像データは、第２の施設１００の３次元設計データに基づいて作成されたごみピット３の側壁および／またはクレーン５のレンダリング画像に対し、前記複数の施設のごみピット内の廃棄物、または前記複数の施設および前記第２の施設のどちらとも異なる他の施設のごみピット内の廃棄物を撮像した画像を合成したものを含んでいてもよい。この場合、新規導入施設（第２の施設１００）のピット施工・クレーン据え付けの完了前に、ピット３やクレーン５等の見え方に関する画像データを作成でき、学習に使用できる。
　画像データ取得部１１ｂは、第２の施設１００のごみピット３内を撮像した新たな画像データを撮像装置６から取得する。画像データ取得部１１ｂにより取得された新たな画像データは、記憶部１２に記憶される。
　種類識別部１１ｃは、画像データ取得部１１ｂにより取得された新たな画像データを入力として、第２モデル生成部１１ａ２により生成された識別アルゴリズム１２ａ（第２モデル）を利用して、第２の施設１００のごみピット３内に貯留されている廃棄物の種類を識別する。
　種類識別部１１ｃは、画像データ取得部１１ｂにより取得された新たな画像データを入力として識別アルゴリズム１２ａ（第２モデル）を利用して、第２の施設１００のごみピット３内に貯留されている廃棄物の種類とともに廃棄物以外の識別対象物の種類を識別してもよい。図６は、第２の施設１００のごみピット３内の映像を撮像することにより得られる画像データに種類識別部１１ｃによる識別結果が重ね合わされて表示されたデータの一例を示す図である。図６に示す例では、種類識別部１１ｃにより識別された廃棄物（未破袋ごみ、剪定枝）と廃棄物以外の識別対象物（クレーン５、廃棄物の山の崖、ごみピット３の側壁、第２の施設１００の床）とが種類別に画像データに重ね合わされて表示されている。
　種類識別部１１ｃは、図７に示すように、識別結果に基づいて、第２の施設１００のごみピット３内に貯留されている廃棄物の種類の比率を領域毎に表示するマップを生成してもよい。図７に示す例では、ごみピット３内が５×４の格子状に区分され、種類識別部１１ｃにより識別された廃棄物の種類の比率が領域毎に表示されている。
　プラント制御部１１ｄは、種類識別部１１ｃの識別結果に基づいて廃棄物処理施設（第２の施設）１００の制御を行う。
　図１に示す例では、プラント制御部１１ｄは、廃棄物の攪拌または搬送を行うクレーン５を制御するクレーン制御装置５０に種類識別部１１ｃの識別結果（すなわち、画像データから識別された廃棄物の種類の情報）を送信するクレーン制御部１１ｄ１と、廃棄物の
燃焼を制御する燃焼制御装置２０に種類識別部１１ｃの識別結果（すなわち、画像データから識別された廃棄物の種類の情報）を送信する燃焼制御部１１ｄ２とを含んでいる。
　なお、図１に示す例では、プラント制御部１１ｄが、クレーン制御部１１ｄ１と燃焼制御部１１ｄ２の両方を含んでいるが、これに限定されるものではなく、クレーン制御部１１ｄ１と燃焼制御部１１ｄ２のいずれか一方のみを含んでいてもよい。
　クレーン制御部１１ｄ１は、たとえば、種類識別部１１ｃの識別結果として、ごみピット３内に貯留されている廃棄物の種類の比率を領域毎に表示するマップ（図７参照）をクレーン制御装置５０へと送信する。クレーン制御装置５０は、クレーン制御部１１ｄ１から受信するマップに基づいて、廃棄物の種類の比率が全ての領域で等しくなるように、クレーン５を動作させてごみピット３内の廃棄物を攪拌させる。
　燃焼制御部１１ｄ２は、たとえば、種類識別部１１ｃの識別結果として、ごみピット３内に貯留されている廃棄物の種類の比率を領域毎に表示するマップ（図７参照）を燃焼制御装置２０へと送信する。燃焼制御装置２０は、燃焼制御部１１ｄ２から受信するマップに基づいて、クレーン５によって掴まれてごみピット３からホッパ４へと一緒に搬送される廃棄物の種類の比率を把握し、ホッパ４を介して焼却炉１内へと一緒に投入される廃棄物の比率に応じて廃棄物の燃焼を制御する（たとえば、ストーカの送り速度や供給する空気量を制御する）。
　転落検知部１１ｅは、種類識別部１１ｃの識別結果（すなわち、画像データから識別された作業員または搬送車両の情報）に基づいて、プラットホーム２１からごみピット３内への作業員または搬送車両の転落を検知する。転落検知部１１ｅは、廃棄物が貯留されるごみピット３内に作業員や搬入車両が存在することを検知する転落検知装置（不図示）に種類識別部１１ｃの識別結果（すなわち、画像データから識別された作業員または搬送車両の情報）を送信してもよい。転落検知装置（不図示）は、転落検知部１１ｅから送信される種類識別部１１ｃの識別結果に基づいて、アラームを発したり、クレーン５や不図示の救出用機材（たとえばゴンドラなど）を動作させて作業員の救出を行う。
　異物投入検知部１１ｆは、種類識別部１１ｃの識別結果（すなわち、画像データから識別された廃棄物の種類の情報）に基づいて、ごみピット３内へ投入された異常物を検知する。ここで「異常物」とは、ごみピット３内に入ってきてほしくないけれど入ってくる可能性がある予定外の廃棄物をいい、たとえば、焼却してはいけないもの、具体的には、たとえば、蛍光灯、水銀混入ごみ、ボンベや缶、油タンクなどの爆発物などが挙げられる。異物投入検知部１１ｆは、廃棄物が貯留されるごみピット３内に投入された異常物を検知する異物検知装置（不図示）に種類識別部の識別結果（すなわち、画像データから識別された廃棄物の種類の情報）を送信してもよい。異物検知装置（不図示）は、ごみピット３内に廃棄物を投入した業者または車両を時間情報とともに記憶しているデータベースを参照し、異物投入検知部１１ｆから送信される種類識別部１１ｃの識別結果に基づいて、ごみピット３内に異物を投入した業者または車両を特定する。
　次に、このような構成からなる情報処理装置１０による情報処理方法の一例について説明する。図３は、情報処理方法の一例を示すフローチャートである。
　図３に示すように、まず、第１モデル生成部１１ａ１が、廃棄物が貯留される複数の施設（第２の施設１００とは異なる廃棄物処理施設）のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズム１２ａ（第１モデル）を生成する（ステップＳ１１）。
　第２の施設１００への導入前に、第１モデル生成部１１ａが、複数の施設において期間を限られることなく収集、生成された多量の教師データを用いて予め学習することができる。また、１つの施設では出現頻度が少ない廃棄物についても、十分な量の教師データを用いて学習することができる。さらに、施設ごとのごみピットの形状や寸法の違いや、様々な環境条件（たとえば、画像取得用カメラの設置位置、角度、照明条件など）の違いも考慮した多様な教師データを用いて学習を行うことができるため、ロバスト性を有する識別アルゴリズム１２ａ（第１モデル）が得られる。
　次に、第２モデル生成部１１ａ２が、第１モデル生成部１１ａ１により生成された識別アルゴリズム１２ａ（第１モデル）に対し、第２の施設１００のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、第２の施設の廃棄物に対応する識別アルゴリズム１２ａ（第２モデル）を生成する（ステップＳ１２）。
　ここで、追加学習の用いる教師データ（第２教師データ）の量は、第１モデル生成時に用いる教師データ（第１教師データ）の量に対して、少量とするのがよい。少量であれば、新規導入施設の環境条件（画像取得用カメラの設置位置、角度、照明条件など）や、将来的な環境の変化（ごみ袋の形状や色の変化、ピット側壁の経年的な汚れなど）に影響されづらくなる。
　ただし、第１教師データに存在しない種類の廃棄物が第２の施設１００に存在する場合は、それを識別可能な識別アルゴリズム１２ａ（第２モデル）を生成するために、第２教師データにその廃棄物の教師データを含めておくのがよい。
　このように構成することで、ロバスト性をある程度保ちつつ、第２の施設１００に対応した識別精度の高い第２モデルが得られる。また、第２の施設１００（新規施設）において廃棄物の種類を識別する識別アルゴリズムの導入に係る工数を減らすことができる。
　次に、画像データ取得部１１ｂが、第２の施設１００のごみピット３内を撮像した新たな画像データ１２ｂ（たとえば図４参照）を撮像装置６から取得する（ステップＳ１３）。画像データ取得部１１ｂにより取得された新たな画像データ１２ｂは、記憶部１２に記憶される。
　次いで、種類識別部１１ｃが、画像データ取得部１１ｂにより取得された新たな画像データを入力として、第２モデル生成部１１ａ２により生成された識別アルゴリズム１２ａ（第２モデル）を利用して、第２の施設１００のごみピット３内に貯留されている廃棄物の種類を識別する（ステップＳ１４）。
　種類識別部１１ｃは、画像データ取得部１１ｂにより取得された新たな画像データ（たとえば図４参照）を入力として、第２モデル生成部１１ａ２により生成された識別アルゴリズム１２ａ（第２モデル）を利用して、第２の施設１００のごみピット３内に貯留されている廃棄物の種類とともに廃棄物以外の識別対象物の種類を識別してもよい（たとえば図６参照）。また、種類識別部１１ｃは、廃棄物の種類の識別結果に基づいて、ごみピット３内に貯留されている廃棄物の種類の比率を領域毎に表示するマップ（たとえば図７参照）を生成してもよい。
　次いで、プラント制御部１１ｄが、種類識別部１１ｃによる識別結果に基づいて、廃棄物処理プラントの制御を行う。
　具体的には、たとえば、クレーン制御部１１ｄ１が、廃棄物の攪拌または搬送を行うクレーン５を制御するクレーン制御装置５０に、種類識別部１１ｃの識別結果として、図７に示すような廃棄物の種類の比率を領域毎に表示するマップを送信する（ステップＳ１５）。クレーン制御装置５０は、クレーン制御部１１ｄ１から受信するマップに基づいて、廃棄物の種類の比率が全ての領域で等しくなるように、クレーン５を動作させてごみピット３内の廃棄物を攪拌させる。
　また、燃焼制御部１１ｄ２が、廃棄物の燃焼を制御する燃焼制御装置２０に、種類識別部１１ｃの識別結果として、図７に示すような廃棄物の種類の比率を領域毎に表示するマップを送信する（ステップＳ１６）。燃焼制御装置２０は、燃焼制御部１１ｄ２から受信するマップに基づいて、クレーン５によって掴まれてごみピット３からホッパ４へと一緒に搬送される廃棄物の種類の比率を把握し、ホッパ４を介して焼却炉１内へと一緒に投入される各廃棄物の比率に応じて廃棄物の燃焼を制御する（たとえば、ストーカの送り速度や供給する空気量を制御する）。
　なお、種類識別部１１ｃによりごみピット３内の画像データから作業員または搬送車両が識別された場合には、転落検知部１１ｅが、種類識別部１１ｃの識別結果に基づいて、プラットホーム２１からごみピット３内への作業員または搬送車両の転落を検知し、転落検知装置（不図示）に種類識別部１１ｃの識別結果を送信してもよい。
　また、種類識別部１１ｃによりごみピット３内の画像データから異常物が検知された場合には、異物投入検知部１１ｆが、種類識別部１１ｃの識別結果に基づいて、ごみピット３内へ投入された異常物を検知し、異物検知装置（不図示）に種類識別部１１ｃの識別結果を送信してもよい。
　ところで、図８に示すように、機械学習（教師あり学習）では、正解となる大量のデータが学習に必要であることから、従来の識別アルゴリズム（従来モデル）を使用するごみ識別方法では、廃棄物処理施設毎に新たに用意しなくてはならない画像データおよび教師データが多量に必要となる。
　しかしながら、新規建設施設において識別アルゴリズムを導入する場合には、廃棄物の受入開始から施設の正式運転開始までの期間が限られていることから、短期間で画像データの収集、教師データの作成、およびそれらの学習を行う必要がある。
　また、短期間で画像データの収集、教師データの作成、およびそれらの学習を行ったとしても、新規施設で出現頻度の少ない廃棄物は、教師データが少ないため、識別アルゴリズムによるその廃棄物の識別精度が上がらない。
　また、廃棄物処理施設は、施設によってごみピットの形状や寸法が異なるほか、様々な環境条件（たとえば、画像取得用カメラの設置位置、角度、照明条件など）が異なることから、ある施設の画像データおよび教師データを用いて作成した識別アルゴリズムを、そのまま他の施設で使用しても、十分な識別精度を得ることはできない。
　これに対し、本実施の形態によれば、図９に示すように、新規施設への識別アルゴリズムの導入前に、複数の施設において期間を限られることなく収集、生成された多量の教師データを用いて予め学習することができ、また１つの施設では出現頻度が少ない廃棄物についても、十分な量の教師データを用いて学習することができる。さらに、施設ごとのごみピットの形状や寸法の違いや、様々な環境条件（たとえば、画像取得用カメラの設置位置、角度、照明条件など）の違いも考慮した多様な教師データを用いて学習を行うことができるため、ロバスト性を有する識別アルゴリズム１２ａ（第１モデル）が得られる。次に、そのような第１モデルに対して、新規導入施設において収集、生成された教師データを追加学習して、新規導入施設の廃棄物に対応する識別アルゴリズム１２ａ（第２モデル）を生成する。ここで、本件発明者らの知見によれば、追加学習に用いる教師データ（新規導入施設において収集、生成された教師データ）の量は、第１モデル生成時に用いる教師データ（複数の施設において収集、生成された教師データ）の量に対して、少量とするのがよい。少量であれば、新規導入施設の環境条件（画像取得用カメラの設置位置、角度、照明条件など）や、将来的な環境の変化（ごみ袋の形状や色の変化、ピット側壁の経年的な汚れなど）に影響されづらくなる。ただし、第１教師データに存在しない種類の廃棄物が新規導入施設に存在する場合は、新規導入施設において収集、生成される教師データにその廃棄物の教師データを含めておくことで、それを識別可能な第２モデルを生成できる。これにより、ロバスト性をある程度保ちつつ、新規導入施設に対応した識別精度の高いモデル（第２モデル）が得られる。また、図８に示すような従来の識別アルゴリズム（従来モデル）を使用するごみ識別方法に比べて、新規導入施設において廃棄物の種類を識別する識別アルゴリズム１２ａの導入に係る工数を減らすことができる。
　なお、上述した実施の形態に対して様々な変更を加えることが可能である。以下、上述した実施の形態の変形例について説明する。
　上述した実施の形態では、図２に示すように、制御部１１が、第１モデル生成部１１ａ１と、第２モデル生成部１１ａ２と、画像データ取得部１１ｂと、種類識別部１１ｃと、プラント制御部１１ｄと、転落検知部１１ｅと、異物投入検知部１１ｆと、を有していたが、これに限定されず、制御部１１の処理の一部は、情報処理装置１０ではなく、情報処理装置１０とは別の情報処理装置やクラウドサーバ上で行われてもよい。また、記憶部１２の一部は、情報処理装置１０ではなく、情報処理装置１０とは別の情報処理装置やクラウドサーバ上にあってもよい。
　たとえば、図１０に示すように、第１モデル生成部１１ａ１および第２モデル生成部１１ａ２の処理が外部の情報処理装置１０１（クラウドサーバ）上で実行され、識別アルゴリズム１２ａ（第１モデルおよび第２モデル）が生成されてもよい。また、外部の情報処理装置１０１（クラウドサーバ）上で生成された識別アルゴリズム１２ａを利用して種類識別部１１ｃの処理が外部の情報処理装置１０１（クラウドサーバ）上で実行されてもよいし、図１０に示すように、外部の情報処理装置１０１（クラウドサーバ）で生成された識別アルゴリズム１２ａ（第２モデル）を、第２の施設１００に導入される情報処理装置１０が外部の情報処理装置１０１（クラウドサーバ）からダウンロードし、これを情報処理装置１０内で利用して種類識別部１１ｃの処理が実行されてもよい。この場合、第２の施設１００における第２モデルの運用中に、さらなる学習を外部の情報処理装置１０１にて別途することができる。また、情報処理装置１０の記憶容量を軽減することができる。
　制御部１１は、第２モデル生成部１１ａ２により生成された識別アルゴリズム（第２モデル）の運用開始後、運用時の識別精度（すなわち種類識別部１１ｃの識別結果）を定期的にモニタリングし、識別アルゴリズム１２ａ（第２モデル）のモデル見直し及び更新の要否を判断してもよい。たとえば、制御部１１は、エッジサーバーを用いて種類識別部１１ｃの識別結果の正常・異常判定を行い、異常が検出された場合、当該画像データ及び識別結果が、焼却炉１の運営において問題があるか判断する。運営上問題があると判断された場合、熟練運転員が、異常検出された画像データに対して再度廃棄物の種類別にラベリングを行い、新しく教師データを用意し、第２モデル生成部１１ａ２が、異常検出された画像データと新しく用意された教師データとを追加学習して、識別アルゴリズム１２ａ（第２モデル）を更新してもよい。これにより、第２の施設１００における廃棄物の種類の変化や廃棄物の各種類の構成割合の変化などに対応可能となる。
　制御部１１は、第１モデル生成時に利用した複数の施設と第２モデル生成時に利用した第２の施設のどちらとも異なる第３の施設に関し、第２モデル生成部１１ａ２により生成された識別アルゴリズム（第２モデル）をベースモデルとして、当該第３の施設のごみピット内を撮像した第３画像データと、その画像中の廃棄物に種類をラベル付けした第３教師データとを、追加学習することにより、当該第３の施設の廃棄物に対応する識別アルゴリズム（第３モデル）を生成してもよい。これにより、第２モデルをさらに他の施設（第３の施設）における第３教師データを用いた追加学習用のベースモデルとして利用できるため、廃棄物の種類の識別精度が逐次的に向上することが期待できる。
　上述した実施の形態では、燃焼制御部１１ｄ２は、種類識別部１１ｃの識別結果として、ごみピット３内に貯留されている廃棄物の種類の比率を領域毎に表示するマップ（図７参照）を燃焼制御装置２０へと送信したが、これに限定されず、種類識別部１１ｃの識別結果として、廃棄物の種類の比率を質情報に変換したラベル、たとえば、投入ＯＫ、投入ＮＧ、カロリＬ（Ｌｏｗ）、Ｍ（Ｍｉｄｄｌｅ）、Ｈ（Ｈｉｇｈ）などを領域毎に表示するマップを燃焼制御装置２０へと送信してもよい。また、燃焼制御部１１ｄ２は、種類識別部１１ｃの識別結果として、燃焼状態に影響を与える割合が大きいことを示すラベル（たとえば、未破袋ごみあり、底ごみあり、など）を燃焼制御装置２０へと送信してもよい。同様に、クレーン制御部１１ｄ１は、種類識別部１１ｃの識別結果として、各機器に影響を与える割合が大きいことを示すラベル（たとえば、剪定枝あり、粗大破砕ごみあり、など）をクレーン制御装置５０へと送信してもよい。
　種類識別部１１ｃにおいて、識別結果に基づいて、ごみピット３内に貯留されている廃棄物の種類の比率を領域ごとに表示するマップを生成する際、画像データ取得部１１ｂで取得した画像データに対して単に画像データを領域分けして廃棄物の種類の比率を表示してもよいし、画像データとごみピット３の番地割を紐づけて番地ごとに廃棄物の種類の比率を表示してもよい。
　画像データとクレーン番地を紐づける方法として、ごみピット３に対して相対的な位置が計測可能なクレーン５に予めしるしをつけておき、しるしをつけたクレーン５を、撮像装置６が多数の画像に写り込ませて撮影することで、種類識別部１１ｃが、しるしをつけたクレーン５が映り込んでいる多数の画像に基づいて、ごみピット３に対する撮像装置６の相対位置と方向を推定し、推定した撮像装置６の位置と撮影方向から画像データ上のピクセルがどの番地に存在しているかを推定する。もしくは、ごみピット３に対して相対的な位置が計測可能なクレーン５を、撮像装置６が多数の画像に写り込ませて撮影し、種類識別部１１ｃが、画像中のクレーン５にしるしをつけることで、当該クレーン５にしるしをつけた多数の画像に基づいて、ごみピット３に対する撮像装置６の相対位置と方向を推定し、推定した撮像装置６の位置と撮影方向から画像データ上のピクセルがどの番地に存在しているかを推定してもよい。
　クレーン制御装置５０は、焼却炉１から投入要求が来た際に、クレーン制御部１１ｄ１から受信するマップに基づいて、ごみ種類別の比率閾値による投入基準を満たすごみをごみピット３内から選別し、クレーン５を動作させてホッパ４へ投入してもよい。
　また、クレーン制御装置５０は、投入基準を満たすごみをごみピット３内から選別する際、ホッパ４へ前回投入したごみのごみ種類別の比率との差分が小さくなるようごみを選別してもよい。
　クレーン制御装置５０は、上記投入基準の比率閾値として、ごみ袋未破袋ごみ、紙ごみ、剪定枝、布団、汚泥、粗大ごみ破砕物、段ボール、麻袋、紙袋、底ごみ、木屑、繊維ごみ、衣類ごみ、プラスチックごみ、動物性残渣、動物死体、厨芥ごみ、草木、土、医療ごみ、焼却灰、農業系ビニール類、ペットボトル、発泡スチロール、肉骨粉、農作物、陶器、ガラスくず、金属くず、がれき類、コンクリートくず、畳、竹、わら、活性炭のうち１つまたは２つ以上の比率閾値を用いてもよい。
　また、上記投入基準の決め方として、クレーン制御装置５０は、過去のごみピット３内の映像を撮像することにより得られる画像データに対して、熟練運転員が、当該画像データに示される廃棄物の質を目視により、燃焼安定性及び機器への影響の観点から、投入可否を分類しラベル付けしたものと、当該画像に対して種類識別部１１ｃを用いてごみの種類別の比率を推定させものとを比較することで、熟練運転員が投入可否を判断しているごみ種類別の比率閾値を決めてもよい。
　また、クレーン制御装置５０は、クレーン制御部１１ｄ１から受信する、ごみピット３内に貯留されているごみの種類の比率を領域ごとに表示するマップから、実際にホッパ４へ投入したごみのごみ種類別の比率データと、焼却炉１のプロセスデータとを紐づけることで、ごみ種類別の比率閾値を決めてもよいし、両者のデータを経時的に紐づけ、比率閾値を動的に変更してもよい。
　また、クレーン制御装置５０は、上記プロセスデータだけでなく天候情報をもとに比率閾値を動的に変更してもよい。たとえば、クレーン制御装置５０は、天候情報から当日が雨であれば、未破袋ごみ袋の比率閾値を下げる、あるいは、粗大ごみ破砕物の比率閾値を上げるといったように比率閾値による投入基準を変更させる。
　また、クレーン制御装置５０は、曜日情報をもとに比率閾値を動的に変更してもよい。たとえば、クレーン制御装置５０は、曜日情報から日曜日はごみピット３内のごみが少ないのでごみ焼却量を抑えるために、未破袋ごみ袋の比率閾値を上げるといったように比率閾値による投入量基準を変更させる。
　また、クレーン制御装置５０は、廃棄物処理施設１００の操炉計画値をもとに比率閾値を動的に変更してもよい。たとえば、クレーン制御装置５０は、現在の蒸発量設定値から蒸発量が落ち込んでいたら、未破袋ごみ袋の比率閾値を下げる、あるいは粗大ごみ破砕物の比率閾値を上げるといったように比率閾値による投入基準を変更させる。
　クレーン制御装置５０は、焼却炉１から投入要求が来た際に、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値による投入基準を満たすごみが存在しない場合、クレーン５を動作させて投入基準に近いごみをホッパ４へ投入してもよいし、投入基準に近いごみを撹拌し、投入基準に達するごみを作成してもよい。
　クレーン制御装置５０は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値による投入基準を満たすごみだけを、クレーン５を動作させてごみピット３の特定の箇所に積上げてもよい。そうすることで、投入基準を満たすごみをごみピット３内に蓄積することができる。
　クレーン制御装置５０は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値により、ごみピット３内に存在する燃焼状態へ影響を与える廃棄物（たとえば、汚泥）や各機器のトラブルの要因となる廃棄物（たとえば剪定枝）を検知し、クレーン５を動作させてごみピット３の特定の箇所に貯留してもよいし、特定の場所にばらまいてもよい。
　クレーン制御装置５０は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値による撹拌基準を満たしていないごみがごみピット３内に存在する場合、
クレーン５を動作させて当該ごみを撹拌してもよい。上記撹拌基準は、投入基準と同一でもよいし異なっていてもよい。
　また、クレーン制御装置５０は、上記撹拌基準を、焼却炉１のプロセスデータや、天候情報、曜日情報、ごみ搬入業者情報、ごみ搬入量（総量やごみ種類別搬入量）情報、ごみ搬入速度、ごみピットレベル（全体、特定エリア）情報、クレーン稼働状況（２台運転可能、１台運転のみ、現在１台運転中、現在２台運転中）情報、ごみ収集車の収集ルート・収集エリア情報のうち１つまたは２つ以上を用いて、動的に変更してもよい。
　クレーン制御装置５０は、クレーン制御１１ｄ１から受信するマップにおいて、領域ごとのごみ種類別の比率から、ごみピット３全体の撹拌状況を判断し、クレーン５の２台運転の要否を判断し、クレーン５を動作させ、２台目クレーンの運転開始、あるいは２台目クレーンの格納を行ってもよい。
　また、上記例ではクレーン制御装置５０がクレーン５を動作させていたが、クレーン制御装置５０の上流側にクレーン操作判断装置（不図示）が設けられており、クレーン操作判断装置でクレーン５の動作内容を決定し、クレーン制御装置５０へ動作内容の指令を送信し、指令を受信したクレーン制御装置５０が受信した指令内容をもとにクレーン５を動作させてもよい。クレーン操作判断装置は、情報処理装置１０との間及びクレーン制御装置５０との間で情報を送受信する。あるいは、クレーン操作判断装置は、情報処理装置１０の一部であってもよく、すなわち情報処理装置１０がクレーン操作判断装置を含んでいてもよい。
　クレーン操作判断装置は、焼却炉１から投入要求が来た際にクレーン制御装置５０から投入要求信号を受け、クレーン制御部１１ｄ１から受信するマップに基づいて、ごみ種類別の比率閾値による投入基準を満たすマップのごみをごみピット３内から選別し、当該ごみをホッパ４へ投入するようクレーン制御装置５０に指令を送信し、クレーン制御装置５０は受信した指令をもとにクレーン５を動作させてもよい。また、クレーン操作判断装置は、投入基準を満たすごみをごみピット内から選別する際、ホッパ４へ前回投入したごみのごみ種類別の比率との差分が小さくなるようごみを選別してもよい。
　クレーン操作判断装置は、焼却炉１から投入要求が来た際にクレーン制御装置５０から投入要求信号を受け、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値による投入基準を満たすごみが存在しない場合、投入基準に近いごみをホッパ４へ投入させる、あるいは投入基準に近いごみを撹拌し投入基準に達するごみを作成するようクレーン制御装置５０に指令を送信し、クレーン制御装置５０はクレーン５を動作させてもよい。
　クレーン操作判断装置は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種別の比率閾値による投入基準を満たすごみだけをごみピット３内の特定箇所に積上げるようクレーン制御装置５０に指令を送信し、クレーン制御装置５０は、クレーンクレーン５を動作させてもよい。そうすることで、投入基準を満たすごみをごみピット３内に蓄積することができる。
　クレーン操作判断装置は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値により、ごみピット３内に存在する燃焼状態へ影響を与える廃棄物（たとえば、汚泥）や各機器のトラブルの要因となる廃棄物（たとえば剪定枝）を検知し、ごみピット３内の特定の箇所に貯留する、もしくは特定の場所にばらまくようクレーン制御装置５０へ指令を送信し、クレーン制御装置５０はクレーン５を動作させてもよい。
　クレーン操作判断装置は、クレーン制御１１ｄ１から受信するマップにおいて、ごみ種類別の比率閾値による撹拌基準を満たしていないごみがごみピット３内に存在する場合、当該ごみを撹拌するようクレーン制御装置５０へ指令を送信し、クレーン制御装置５０はクレーン５を動作させてもよい。上記撹拌基準は、投入基準と同一でもよいし異なっていてもよい。
　クレーン操作判断装置は、クレーン制御１１ｄ１から受信するマップにおいて、領域ごとのごみ種類別の比率から、ごみピット３全体の撹拌状況を判断し、クレーン５の２台運転の要否を判断し、クレーン制御装置５０へ指令を送信し、クレーン制御装置５０は、クレーン５を動作させ、２台目クレーンの運転開始、あるいは２台目クレーンの格納を行ってもよい。
　なお、上述した実施の形態では、廃棄物の種類を識別する情報処理装置１０が、廃棄物処理施設１００のごみピット３にて使用される例が説明されたが、情報処理装置１０の使用場所は、廃棄物が貯留される廃棄物貯留場所であれば、廃棄物処理施設１００のごみピット３に限定されるものではなく、たとえば、情報処理装置１０は、リサイクル設備の受け入れ場所にて使用されてもよい。
　以上、実施の形態および変形例を例示により説明したが、本技術の範囲はこれらに限定されるものではなく、請求項に記載された範囲内において目的に応じて変更・変形することが可能である。また、各実施の形態および変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
　また、本実施の形態に係る情報処理装置１０は１つまたは複数のコンピュータによって構成され得るが、１つまたは複数のコンピュータに情報処理装置１０を実現させるためのプログラム及び当該プログラムを非一時的に記録した記録媒体も、本件の保護対象である。

 

Claims (20)

  1. 　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、
    　生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、
    を含む情報処理方法。
  2. 　前記第２画像データおよび前記第２教師データは、その画像中に前記第２の施設のごみピットの側壁および／または廃棄物の攪拌または搬送を行うクレーンを含む、
    　請求項１に記載の情報処理方法。
  3. 　前記第１教師データに対する、前記第２教師データの量は、３０％以下である、
    　請求項１または２に記載の情報処理方法。
  4. 　前記第１教師データに対する、前記第２教師データの量は、１５％以下である、
    　請求項３に記載の情報処理方法。
  5. 　前記第１教師データに対する、前記第２教師データの量は、５％以下である、
    　請求項４に記載の情報処理方法。
  6. 　前記識別アルゴリズムは、線形回帰、ボルツマンマシン、ニューラルネットワーク、サポートベクターマシン、ベイジアンネットワーク、スパース回帰、決定木、ランダムフォレストを用いた統計的推定、強化学習、深層学習、のうちの１つまたは２つ以上を含む、
    　請求項１～５のいずれかに記載の情報処理方法。
  7. 　前記第２教師データは、前記第２の施設のごみピット内を撮像した画像の全体にラベル付けしたものを含む、
    　請求項１～６のいずれかに記載の情報処理方法。
  8. 　前記第２教師データは、前記第２の施設のごみピット内を撮像した画像の一部を切り出して、その切り出された部分のみラベル付けしたものを含む、
    　請求項１～６のいずれかに記載の情報処理方法。
  9. 　前記第２モデルを生成するステップにて用いられる前記第２画像データは、前記第２の施設のごみピット内を撮像した画像データを前記第１モデルに入力して廃棄物の種類を識別したうえで、それらの画像データの中から、識別精度が予め定められた第１基準より低い画像データを選択したものである、
    　請求項１～８のいずれかに記載の情報処理方法。
  10. 　前記第１モデルを生成するステップでは、各施設における撮影条件および／または撮影環境の情報をあわせて学習する、
    　請求項１～９のいずれかに記載の情報処理方法。
  11. 　前記第１画像データは、各施設のごみピット内を撮像した画像データに対し、前記複数の施設間で共通の画像補正用カラーチャートを撮像した画像を参照として、色調、明度、彩度のうちの少なくとも１つの補正を行ったものである、
    　請求項１～１０のいずれかに記載の情報処理方法。
  12. 　前記第１画像データは、各施設のごみピット内を、前記複数の施設間で共通の画像補正用カラーチャートとともに撮像したものである、
    　請求項１～１０のいずれかに記載の情報処理方法。
  13. 　前記第２画像データは、前記第２の施設の３次元設計データに基づいて作成されたごみピットの側壁および／または廃棄物の攪拌または搬送を行うクレーンのレンダリング画像に対し、前記複数の施設のごみピット内の廃棄物、または前記複数の施設および前記第２の施設のどちらとも異なる他の施設のごみピット内の廃棄物を撮像した画像を合成したものを含む、
    　請求項１～１２のいずれかに記載の情報処理方法。
  14. 　生成された第２モデルの運用開始後、運用時の識別精度を定期的にモニタリングし、識別精度が予め定められた第２基準より低くなった場合に、前記第２モデルに対し、そのときの廃棄物の画像データと、その画像中の廃棄物に種類をラベル付けした教師データとを、追加学習することにより、前記第２モデルを更新するステップをさらに含む、
    　請求項１～１３のいずれかに記載の情報処理方法。
  15. 　生成された第２モデルに対し、前記複数の施設および前記第２の施設のどちらとも異なる第３の施設のごみピット内を撮像した第３画像データと、その画像中の廃棄物に種類をラベル付けした第３教師データとを、追加学習することにより、前記第３の施設の廃棄物に対応する識別アルゴリズムである第３モデルを生成するステップをさらに含む、
    　請求項１～１４のいずれかに記載の情報処理方法。
  16. 　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成する第１モデル生成部と、
    　生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成する第２モデル生成部と、
    を備えた情報処理装置。
  17. 　コンピュータに、
    　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより、廃棄物の種類の識別アルゴリズムである第１モデルを生成するステップと、
    　生成された第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを生成するステップと、
    を実行させるための情報処理プログラム。
  18. 　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設の
    ごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別するステップ
    を含む情報処理方法。
  19. 　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別する種類識別部
    を備えた情報処理装置。
  20. 　コンピュータに、
    　廃棄物が貯留される複数の施設のごみピット内を撮像した第１画像データと、その画像中の廃棄物に種類をラベル付けした第１教師データとを、機械学習することにより生成された、廃棄物の種類の識別アルゴリズムである第１モデルに対し、前記複数の施設とは異なる第２の施設のごみピット内を撮像した第２画像データと、その画像中の廃棄物に種類をラベル付けした第２教師データとを、追加学習することにより生成された、前記第２の施設の廃棄物に対応する識別アルゴリズムである第２モデルを用いて、前記第２の施設のごみピット内を撮像した新たな画像データを入力として当該ごみピット内に貯留されている廃棄物の種類を識別するステップ
    を実行させるための情報処理プログラム。

     
PCT/JP2022/027504 2021-07-13 2022-07-13 情報処理方法、情報処理装置、および情報処理プログラム WO2023286795A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202280049403.8A CN117836560A (zh) 2021-07-13 2022-07-13 信息处理方法、信息处理装置及信息处理程序
EP22842137.6A EP4372278A1 (en) 2021-07-13 2022-07-13 Information processing method, information processing device, and information processing program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-115537 2021-07-13
JP2021115537A JP2023012094A (ja) 2021-07-13 2021-07-13 情報処理方法、情報処理装置、および情報処理プログラム

Publications (1)

Publication Number Publication Date
WO2023286795A1 true WO2023286795A1 (ja) 2023-01-19

Family

ID=84919474

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/027504 WO2023286795A1 (ja) 2021-07-13 2022-07-13 情報処理方法、情報処理装置、および情報処理プログラム

Country Status (5)

Country Link
EP (1) EP4372278A1 (ja)
JP (1) JP2023012094A (ja)
CN (1) CN117836560A (ja)
TW (1) TW202309445A (ja)
WO (1) WO2023286795A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018181003A1 (ja) * 2017-03-31 2018-10-04 三菱重工業株式会社 情報提供装置、情報提供システム、情報提供方法及びプログラム
WO2020040110A1 (ja) * 2018-08-23 2020-02-27 荏原環境プラント株式会社 情報処理装置、情報処理プログラム、および情報処理方法
JP2020038058A (ja) 2018-08-23 2020-03-12 荏原環境プラント株式会社 情報処理装置、情報処理プログラム、および情報処理方法
WO2020194534A1 (ja) * 2019-03-26 2020-10-01 東芝三菱電機産業システム株式会社 異常判定支援装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018181003A1 (ja) * 2017-03-31 2018-10-04 三菱重工業株式会社 情報提供装置、情報提供システム、情報提供方法及びプログラム
WO2020040110A1 (ja) * 2018-08-23 2020-02-27 荏原環境プラント株式会社 情報処理装置、情報処理プログラム、および情報処理方法
JP2020038058A (ja) 2018-08-23 2020-03-12 荏原環境プラント株式会社 情報処理装置、情報処理プログラム、および情報処理方法
WO2020194534A1 (ja) * 2019-03-26 2020-10-01 東芝三菱電機産業システム株式会社 異常判定支援装置

Also Published As

Publication number Publication date
TW202309445A (zh) 2023-03-01
JP2023012094A (ja) 2023-01-25
EP4372278A1 (en) 2024-05-22
CN117836560A (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
JP7281768B2 (ja) 情報処理装置、情報処理プログラム、および情報処理方法
WO2020040110A1 (ja) 情報処理装置、情報処理プログラム、および情報処理方法
US11315085B2 (en) Device, system and method for the monitoring, control and optimization of a waste pickup service
JP5969685B1 (ja) 廃棄物選別システム及びその選別方法
CN111065859A (zh) 推定废弃物的组成的装置、系统、程序、方法及数据结构
JP2017109197A (ja) 廃棄物選別システム及びその選別方法
JP2019119545A (ja) 情報処理装置、制御装置、情報処理方法、および情報処理プログラム
JP2022132331A (ja) 廃棄物の質を推定する装置、システム、プログラム、及び方法
WO2023286795A1 (ja) 情報処理方法、情報処理装置、および情報処理プログラム
CA3022583A1 (fr) Automatic system for reliable and efficient interactive management of waste generated by an individual or by a group of individuals, method thereof
CN109353620A (zh) 商业经营场所垃圾去污化预处理方法及系统
CN113291665A (zh) 一种垃圾回收系统、服务器及底盘
CN111094851B (zh) 热值推定方法、热值推定装置及垃圾贮存设备
JP2004192268A (ja) 廃棄物輸送の計画方法及びその装置
JP7113930B1 (ja) 転落者検出システム、転落者検出方法、および転落者検出プログラム
JP7387465B2 (ja) 廃棄物撹拌状態評価装置および該方法
JP7360287B2 (ja) ごみクレーンの運転システムおよびこれを適用したごみ処理施設
JP2002279056A (ja) 被覆型廃棄物最終処分場における埋立て管理方法
CN113947258A (zh) 一种厨余垃圾净化智能化管理方法及系统
Tan et al. Automated waste segregation system using Arduino Uno R3
Kumar et al. Smart Garbage Collector Bot with Advanced Monitoring System
JP2020203249A (ja) 廃棄物選別貯留装置、該廃棄物選別貯留装置を備えた廃棄物処理施設
CN118786315A (zh) 信息处理装置、信息处理方法以及信息处理程序
Pawase Avinash et al. Automated Waste Segregator for Efficient Recycling Using IoT
JP2003020104A (ja) ごみおよびその焼却灰の処理設備およびそれらの処理方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22842137

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280049403.8

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022842137

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022842137

Country of ref document: EP

Effective date: 20240213