JP2020134284A - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Abstract

【課題】良質なフロックが形成されるための凝集剤の添加量を迅速且つ簡単に判別することができる情報処理装置を提供する。【解決手段】情報処理装置１０はＣＰＵ１１及びＨＤＤ１４を備え、ＣＰＵ１１はＨＤＤ１４に格納されている教師データ、具体的に、上水処理を施す原水に既知量の凝集剤が添加されて撹拌されたときから４００秒分の画像データの各々に将来形成されるフロックが上水処理に悪影響を及ぼすか否かのカテゴリーを関連付けた教師データについて深層学習を行い、その後、上水処理を施す原水に既知量の凝集剤が添加されて撹拌されたときから３００秒以内の画像データであって将来形成されるフロックが上水処理に悪影響を及ぼすか否かのカテゴリーを関連付けていない画像データ（判別対象画像データ）が入力されたとき、深層学習の学習結果及び判別対象画像データから判別対象画像データに対応する原水中に将来形成されるフロックが上水処理に悪影響を及ぼすか否かを判別する。【選択図】図１

Description

本発明は上水処理に用いられる情報処理装置、情報処理方法、及びプログラムに関する。

従来より、河川水やダム水又は湖沼水等の原水（以下、単に「原水」という。）を飲料水にするための上水処理が知られている（例えば、特許文献１参照。）。図４は上水処理を実行するために用いられる上水処理システム４０を概略的に示すブロック図である。図４の上水処理システム４０は、上水処理を施すための原水を貯留する着水井４１と、原水に凝集剤を添加して原水の濁質が凝集する核（以下、「凝集核」という。）を形成する急速混和池４２と、凝集剤が添加された原水をゆっくりと撹拌し凝集核に原水の濁質が凝集したフロックを形成するフロック形成池４３と、形成されたフロックを沈殿させる沈澱池４４と、フロックが沈殿した後の上水を濾過する濾過池４５と、濾過された上水を消毒する消毒槽４６とを備える。

凝集剤は、例えば、上水処理システム４０の管理者がフロックの形成に最適なｐＨや凝集剤の添加量を決定するジャーテストを実施した後に急速混和池４２から原水に添加される。このとき、ジャーテストが実施されることなく、本来の凝集剤の適切な添加量に対して過剰な量の凝集剤が急速混和池４２から原水に添加されると、例えば、多量の小さなフロックがフロック形成池４３に形成され、フロックが沈殿池４４で沈澱し難く、また、濾過地４５でのフロックの濾過に負荷がかかる等、沈殿池４４及び濾過地４５での処理に悪影響を及ぼす。したがって、沈殿池４４及び濾過地４５での処理に悪影響を及ぼさないような沈降性に優れた良質なフロックをフロック形成池４３で形成する必要があり、そのためには、ジャーテストを実施して凝集剤の適切な添加量を決定するのがよい。

ところで、一般的に、良質なフロックが形成されるか否かはフロック形成池４３から採水した原水を用いてジャーテストを実施することにより、又はフロック形成池４３においてフロックが形成される様子を観察することにより、判断される。このとき、上水処理システム４０の管理経験が豊富な管理者はジャーテストを開始した後の早い段階で、又はフロック形成池４３においてフロックが形成される様子の観察を開始した後の早い段階で、凝集剤の適切な添加量を決定する高度な技量を有する。

特開平０７−１８５５７３号公報

しかしながら、近年、上水処理システム４０の高度な技量を有する管理者は高齢化等によって減少しているため、ジャーテストを開始した後の早い段階で、又はフロック形成池４３においてフロックが形成される様子の観察を開始した後の早い段階で、迅速に凝集剤の適切な添加量を決定することができない場合がある。また、上水処理システム４０の高度な技量を有しない管理者（以下、「一般管理者」という。）であっても原水の濁度や色度に基づいて凝集剤の添加量を簡易的に判定する凝集剤添加量簡易判定モデルが存在し、一般管理者は凝集剤添加量簡易判定モデルに基づいて原水への凝集剤の添加量を簡単に決定することができるが、凝集剤添加量簡易判定モデルは豪雨災害等が発生して原水の濁度が急増したとき等に使用することができない。これに対応して、一般管理者はジャーテストを実施するが、上水処理システム４０の高度な技量を有しないため、ジャーテストを実施するだけでなく、フロック形成池４３から沈澱池４４に流入した原水の濁度も考慮して良質なフロックが形成されるか否かを確実に判断する。したがって、原水に凝集剤を添加して数時間経過した後でなければ凝集剤の適切な添加量を決定することができないという問題がある。

すなわち、良質なフロックが形成されるための凝集剤の添加量を迅速且つ簡単に判別することができないという問題がある。

本発明の目的は、良質なフロックが形成されるための凝集剤の添加量を迅速且つ簡単に判別することができる情報処理装置、情報処理方法、及びプログラムを提供することにある。

上記目的を達成するために、本発明の情報処理装置は、濁質を有する水に凝集剤を添加することによって形成されるフロックを前記水から除去する上水処理に用いられる情報処理装置であって、前記凝集剤が添加されてから第１の時間以内に取得される画像データ及び前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を関連付けた教師データを学習する学習手段と、前記凝集剤が添加されてから第２の時間以内に取得され且つ前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を有しない画像データを入力する入力手段と、前記教師データを学習した学習結果及び前記入力された画像データに基づいて、前記画像データに含まれるフロックが前記水から除去される際に前記上水処理に悪影響を及ぼすか否かを判別する判別手段とを備えることを特徴とする。

上記目的を達成するために、本発明の情報処理方法は、濁質を有する水に凝集剤を添加することによって形成されるフロックを前記水から除去する上水処理に用いられる情報処理方法であって、前記凝集剤が添加されてから第１の時間以内に取得される画像データ及び前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を関連付けた教師データを学習する学習ステップと、前記凝集剤が添加されてから第２の時間以内に取得され且つ前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を有しない画像データを入力する入力ステップと、前記教師データを学習した学習結果及び前記入力された画像データに基づいて、前記画像データに含まれるフロックが前記水から除去される際に前記上水処理に悪影響を及ぼすか否かを判別する判別ステップとを有することを特徴とする。

上記目的を達成するために、本発明のプログラムは、濁質を有する水に凝集剤を添加することによって形成されるフロックを前記水から除去する上水処理に用いられる情報処理方法をコンピュータに実行させるプログラムであって、前記情報処理方法は、前記凝集剤が添加されてから第１の時間以内に取得される画像データ及び前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を関連付けた教師データを学習する学習ステップと、前記凝集剤が添加されてから第２の時間以内に取得され且つ前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を有しない画像データを入力する入力ステップと、前記教師データを学習した学習結果及び前記入力された画像データに基づいて、前記画像データに含まれるフロックが前記水から除去される際に前記上水処理に悪影響を及ぼすか否かを判別する判別ステップとを有することを特徴とする。

本発明によれば、良質なフロックが形成されるための凝集剤の添加量を迅速且つ簡単に判別することができる。

本発明の実施の形態に係る情報処理装置の構成を概略的に示すブロック図である。 図１におけるＨＤＤに予め作成された教師データを格納する格納処理の手順を示すフローチャートである。 図１におけるＣＰＵによって実行される学習処理の手順を示すフローチャートである。 上水処理を実行するために用いられる上水処理システムを概略的に示すブロック図である。

以下、本発明の実施の形態について図面を参照しながら詳述する。

図１は、本発明の実施の形態に係る情報処理装置１０の構成を概略的に示すブロック図である。

図１の情報処理装置１０は、ＣＰＵ１１、ＲＡＭ１２、ＲＯＭ１３、ＨＤＤ１４、及びデータ入力部１５を備え、これらは内部バス１６を介して互いに接続されている。また、データ入力部１５には、カメラ等の撮像装置１７が接続されている。ＣＰＵ１１は、ＲＯＭ１３又はＨＤＤ１４に格納されたプログラムをＣＰＵ１１のワークメモリであるＲＡＭ１２に展開して実行する。また、撮像装置１７は被写体を撮像して画像データを取得し、例えば、画像データはデータ入力部１５から入力されてＨＤＤ１４に格納される。なお、撮像装置１７は各種データを格納するＨＤＤ等の記憶媒体を備えてもよく、取得した画像データは撮像装置１７が有する記憶媒体に格納されてもよい。ＨＤＤ１４には後述の累積損失関数値及び教師データが格納され、ＣＰＵ１１はＨＤＤ１４に格納された教師データについて学習する。

撮像装置１７は凝集剤が添加された原水に凝集核又はフロックが形成される様子を撮影するために用いられ、本実施の形態では、上水処理システム４０を構成する急速混和池４２に設置される。急速混和池４２では、通常、凝集剤が添加された原水は約３００秒間素早く撹拌される。なお、急速混和池４２以外の場所で着水井４１から採水された原水に凝集剤を添加して素早く撹拌し、凝集剤の適切な添加量を決定するとき、撮像装置１７は当該場所に設置されてもよい。

図２は、図１におけるＨＤＤ１４に予め作成された教師データを格納する格納処理の手順を示すフローチャートである。

図２において、まず、１Ｌの水道水に所定の量のカオリン溶液及び標準フミン酸溶液を添加して濁度及びｐＨの異なる複数の模擬河川水が調製され、次いで、凝集剤として所定の量の塩基度５０％のポリ塩化アルミニウム（ＰＡＣ）が各模擬河川水に添加される（Ｓ２０１）。本実施の形態では、各模擬河川水に５ｍｇ／Ｌ又は１５ｍｇ／Ｌの凝集剤が添加される。その後、各模擬河川水の水質データとしてｐＨ、濁度、ＵＶ−２６０ｎｍにおける吸光度（色度）、及び全有機炭素ＴＯＣ（Total Organic Carbon）が測定される（Ｓ２０２）。表１は５ｍｇ／Ｌ又は１５ｍｇ／Ｌの凝集剤が添加された直後の各模擬河川水のｐＨ、濁度、ＵＶ−２６０ｎｍにおける吸光度、及び全有機炭素ＴＯＣに関する測定結果を示す。

次いで、５ｍｇ／Ｌ又は１５ｍｇ／Ｌの凝集剤が添加された各模擬河川水は３００秒間素早く撹拌され、その後、１０５０秒ゆっくりと撹拌される。これにより、各模擬河川水の撹拌に応じて各模擬河川水が変化する様子、具体的には、各模擬河川水中に凝集核が形成され、その後、凝集核に原水の濁質が凝集してフロックが形成される様子が撮像装置１７によって１３５０秒間動画撮影される（Ｓ２０３）。続いて、動画撮影が終了した後に、各模擬河川水の水質データとしてｐＨ、濁度、ＵＶ−２６０ｎｍにおける吸光度（色度）、及び全有機炭素ＴＯＣが再度測定される（Ｓ２０４）。このとき、これらの水質データに加え、形成されたフロックの沈降速度が測定されてもよい。表２は動画撮影が終了した後の各模擬河川水のｐＨ、濁度、ＵＶ−２６０ｎｍにおける吸光度、及び全有機炭素ＴＯＣに関する測定結果を示す。

その後、各模擬河川水は、各模擬河川水中に凝集核及びフロックが形成される様子、形成されたフロックの沈降性、又は凝集剤の添加による濁度の変化等を総合的に判断して４つのカテゴリーに分類される（Ｓ２０５）。例えば、形成されたフロックの沈降性がよく、動画撮影後の濁度が０以上０．１０以下の模擬河川水は「優」のカテゴリーに分類され、形成されたフロックの沈降性がよく、動画撮影後の濁度が０.１１以上０．５０以下の模擬河川水は「良」のカテゴリーに分類され、形成されたフロックの沈降性がよいとはいえず、動画撮影後の濁度が０.５１以上１．００以下の模擬河川水は「可」のカテゴリーに分類され、形成されたフロックの沈降性がよいとはいえず、動画撮影後の濁度が１．０１以上の模擬河川水は「悪」のカテゴリーに分類される。

「優」、「良」、「可」のいずれかのカテゴリーに分類された模擬河川水は、その模擬河川水に形成されたフロックが上水処理に悪影響を及ぼさないことを示し、模擬河川水に添加された凝集剤の添加量が妥当（適切な範囲内）であることを示す。一方、「悪」のカテゴリーに分類された模擬河川水は、模擬河川水に形成されたフロックが上水処理に悪影響を及ぼすことを示し、模擬河川水に添加された凝集剤の添加量が妥当でないことを示す。表３は４つのカテゴリーに分類されたときの模擬河川水番号を示す。

次いで、各カテゴリーから任意の３つの模擬河川水が抽出され、その結果、全てのカテゴリーから１２の模擬河川水が抽出される。抽出された各模擬河川水について、１３５０秒の間動画撮影がなされているが、例えば、各模擬河川水の動画撮影開始後１秒〜４００秒の間に撮影された動画データを構成する１秒毎の静止画データが取得される。すなわち、各模擬河川水から４００枚の静止画データが取得され、カテゴリー毎に１２００枚の静止画データが取得され、全てのカテゴリーから４８００枚の静止画データが取得される。取得された全ての静止画データの各々から凝集核及びフロックの形成に関係のない背景や撹拌翼等が含まれないように一部（例えば、２００×２００ピクセル）を切り取った部分静止画データが取得される（Ｓ２０６）。

本実施の形態では、４８００枚の部分静止画データが取得されるが、そのうち、４２００枚の部分静止画データの各々には、各部分静止画データに対応する各模擬河川水の水質データ及び各模擬河川水に分類されたカテゴリーが関連付けられることによって教師データが生成され（Ｓ２０７）、生成された各教師データはＨＤＤ１４に格納され（Ｓ２０８）、本処理は終了する。一方、教師データとしてＨＤＤ１４に格納されなかった６００枚の部分静止画データは後述のテストデータとして用いるためにＨＤＤ１４に格納される。

なお、教師データは濁度及びｐＨの異なる複数の模擬河川水に５ｍｇ／Ｌ又は１５ｍｇ／Ｌの凝集剤が添加され、撹拌が開始されてから４００秒以内に取得された画像データに各模擬河川水の水質データ及び各模擬河川水に分類されたカテゴリーが関連付けられることによって生成されることを説明したが、実際の上水処理システム４０を構成する急速混和池４２で凝集核が形成されるまでに取得された画像データ及びフロック形成池４３で凝集核からフロックが形成されるまでに取得された画像データと、各画像データを取得した際の原水の水質データ及びその原水に分類されたカテゴリーとに基づいて生成されてもよい。

図３は、図１におけるＣＰＵ１１によって実行される学習処理の手順を示すフローチャートである。図３の学習処理（学習ステップ）は、情報処理装置１０がＨＤＤ１４に格納された教師データを用いて深層学習を行うことにより、実行される。深層学習には、例えば、多段階の演算処理により対象画像の特徴をシステムが自動抽出して学習した後に新たに判別すべき対象を高精度に認識するＣＮＮ（Convolutional Neural Network）モデルが用いられ、本実施の形態では、ＣＮＮモデルとしていわゆるＡｌｅｘ Ｎｅｔが用いられる。

一般的に、多くのデータを用いて深層学習を行うとき、所定のデータ数（バッチサイズ）を有する複数のバッチを準備し、全てのバッチについて深層学習を行ったとき、１エポックの深層学習を行ったとカウントされる。１エポックで十分な深層学習が行われることは稀であり、通常、数十エポックの深層学習が行われる。図３の学習処理はバッチサイズを１００とし且つエポック数を５０とする条件下で行われる際の１エポックの学習を行う場合について説明する。

図３において、まず、ＣＰＵ１１は、教師データに関連付けられているカテゴリー等の情報（以下、「正解ラベル」という。）に対し、Ａｌｅｘ Ｎｅｔに基づいて出力される学習結果の誤りの程度を示す累積損失関数値を０に設定し（Ｓ３０１）、教師データに基づく部分静止画データの全てをＨＤＤ１４から読み込む（Ｓ３０２）。

次いで、ＣＰＵ１１は画像データの局所的な特徴量を抽出するフィルタ処理である畳み込み演算処理及び畳み込み演算処理によって抽出された特徴量を残してデータを圧縮するプーリング演算処理をＨＤＤ１４から読み込んだ各部分静止画データに実行する。これにより、各部分静止画データが有する特徴量に基づく複数の特徴量ベクトルが得られる。続いて、得られた複数の特徴量ベクトルを１つに結合する全結合型演算処理及び１つに結合された特徴量ベクトルを活性化関数（ソフトマックス関数）によって一次元データに変換して出力するソフトマックス演算処理を実行する。ソフトマックス演算処理が実行されると、ＣＰＵ１１はＨＤＤ１４から読み込まれた各部分静止画データに対して関連付けるカテゴリーを識別する（Ｓ３０３）。ここで識別されるカテゴリーは格納処理（図２）のＳ２０５において用いられた４つのカテゴリー「優」、「良」、「可」、又は「悪」である。

本実施の形態では、ＣＰＵ１１は（１）畳み込み演算処理、（２）プーリング演算処理、（３）畳み込み演算処理、（４）プーリング演算処理、（５）３回の畳み込み演算処理、（６）プーリング演算処理、（７）２回の全結合型演算処理、及び（８）ソフトマックス演算処理をこの順でＨＤＤ１４から読み込んだ部分静止画データに実行している。

その後、ＣＰＵ１１は、Ｓ３０３において識別された部分静止画データ毎のカテゴリー及び正解ラベルに基づいて損失関数値を算出し、算出された各損失関数値を累積加算して累積損失関数値を算出し（Ｓ３０４）、１バッチの学習が終了したか否かを判別する（Ｓ３０５）。Ｓ３０５の判別の結果、ＣＰＵ１１は、１バッチの学習が終了していないとき、Ｓ３０２に戻り、１バッチの学習が終了したとき、予め準備した全てのバッチの学習が終了したか否かを判別する（Ｓ３０６）。Ｓ３０６の判別の結果、ＣＰＵ１１は、全てのバッチの学習が終了していないとき、Ｓ３０７に進み、累積損失関数値に基づく学習を行い、例えば、Ｓ３０４で算出された累積損失関数値が０に近づくように畳み込み演算処理、プーリング演算処理、及び全結合型演算処理を修正し、Ｓ３０１に戻る。一方、Ｓ３０６の判別の結果、全てのバッチの学習が終了したとき、本処理は終了する。

図３の学習処理（学習ステップ）が実行された情報処理装置１０は、例えば、原水に凝集剤が添加されて撹拌が開始されたときから３００秒以内に撮影された画像データ、すなわち、急速混和池４２で凝集核が形成される様子を示す画像データであって将来形成されるフロックが上水処理に悪影響を及ぼすか否かの情報を有しない画像データ（以下、「判別対象画像データ」という。）がデータ入力部１５に入力された場合（入力ステップ）、教師データを学習した学習結果及び判別対象画像データに基づいて判別対象画像データに対応する原水に将来形成されるフロックが上水処理に悪影響を及ぼすか否かを判別し（判別ステップ）、その原水に分類されるカテゴリー（以下、「予想カテゴリー」という。）を出力する。

ところで、図３の学習処理が実行された情報処理装置１０が判別対象画像データから予想カテゴリーを正しく出力するか否かを検証する必要がある。本実施の形態では、ＨＤＤ１４に格納されたテストデータ及び後述の正解データに基づいてその検証が行われた。

テストデータは、所定の模擬河川水に凝集剤が添加されて撹拌が開始されたときから４００秒以内に撮影された画像データに基づく６００枚の部分静止画データであり、各部分静止画データからなるテストデータに当該模擬河川水が分類されるカテゴリーについての情報は有しない。一方、正解データは、テストデータを構成する各部分静止画データに、当該模擬河川水が分類されるカテゴリーについての情報を関連付けることによって構成されている。

情報処理装置１０は、各テストデータがデータ入力部１５に入力された後、各テストデータについて図３の学習処理におけるＳ３０２〜Ｓ３０３を実行し、教師データを学習した学習結果に基づいて、各テストデータに対応する模擬河川水が分類されるカテゴリーを出力した。各テストデータ及び出力されたカテゴリーと、正解データとを比較した結果、出力されたカテゴリーのうち９５．２％のカテゴリーが正解データと一致した。これにより、上水処理を施す原水に既知量の凝集剤を添加したとき、情報処理装置１０は凝集剤を添加して撹拌を始めたときから４００秒分の画像データがあれば、その原水中に将来形成されるフロックが上水処理に悪影響を及ぼすか否かを信頼できる程度に正しく判別することがわかった。

本実施の形態では、情報処理装置１０は４２００枚の部分静止画データから作成された教師データに基づいてテストデータに対応する模擬河川水が分類されるカテゴリーを９５．２％の高い確率で正しく判別することを説明したが、その確率は新たな教師データの学習に応じて上昇することが期待される。

本実施の形態によれば、情報処理装置１０はＣＰＵ１１及びＨＤＤ１４を備え、ＣＰＵ１１はＨＤＤ１４に格納されている教師データ、例えば、模擬河川水に既知量の凝集剤が添加されて撹拌されたときから４００秒分の画像データの各々に模擬河川水中に将来形成されるフロックが上水処理に悪影響を及ぼすか否かのカテゴリーを関連付けた教師データについて深層学習を行う。次いで、ＣＰＵ１１は、例えば、上水処理を施す原水に既知量の凝集剤が添加されて撹拌されたときから３００秒以内の画像データであって将来形成されるフロックが上水処理に悪影響を及ぼすか否かのカテゴリーを関連付けていない画像データである判別対象画像データが入力されたとき、教師データを学習した学習結果及び判別対象画像データに基づいて判別対象画像データに対応する原水中に将来形成されるフロックが上水処理に悪影響を及ぼすか否かのカテゴリーを判別する。

すなわち、教師データについて深層学習を行った情報処理装置１０は、上水処理を施す原水に既知量の凝集剤を添加したとき、凝集核が形成される様子を示す画像データがあれば将来形成されるフロックが良質なフロックであるか否かを判別する。このとき、情報処理装置１０が判別した判別結果は信頼してもよいので、例えば、高度な技量を有する管理者がフロック形成池４３においてフロックが形成される様子を観察して凝集剤の適切な添加量を決定するよりも迅速に凝集剤の適切な添加量を決定することができる。また、迅速に凝集剤の適切な添加量を決定することができない一般管理者であっても情報処理装置１０を用いることにより、ジャーテストを実施した結果や沈澱池４４での原水の濁度に関する情報を長時間かけて取得しなくても迅速且つ簡単に凝集剤の適切な添加量を決定することができる。したがって、教師データについて深層学習を行った情報処理装置１０は凝集核が形成される様子を示す画像データがあれば良質なフロックが形成されるための凝集剤の添加量を迅速且つ簡単に判別することができる。

本実施の形態では、情報処理装置１０は急速混和池４２で凝集核が形成される様子を示す画像データとして原水に凝集剤が添加されて撹拌が開始されたときから３００秒以内に撮影された画像データを用いて予想カテゴリーを出力しているが、凝集核は原水に凝集剤が添加されて直ちに形成されるので、原水に凝集剤が添加されて撹拌が開始されたときから１２０秒以内に撮影された画像データを用いて予想カテゴリーを出力してよい。これにより、さらに迅速に凝集剤の適切な添加量を判別することができる。

また、本実施の形態では、撮像装置１７が急速混和池４２に設置されていることを前提としているが、撮像装置１７が急速混和池４２及びフロック形成池４３のいずれにも設置されてもよい。これにより、例えば、情報処理装置１０は急速混和池４２で凝集核が形成される様子を示す３００秒分の画像データだけでなく、フロック形成池４３でフロックが形成される初期の様子を示す更に１００秒分の画像データ、すなわち、凝集剤が添加されてから４００秒分の画像データも予想カテゴリーを出力する際に用いられるので、４００秒分の教師データを最大限に活用してより正確な予想カテゴリーを出力することができる。

以上、本発明の実施の形態について説明したが、本発明はこれらの実施の形態に何ら限定されるものではない。

本発明は上述の実施の形態の１以上の機能を実現するプログラムをネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１以上のプロセッサーがプログラムを読み出して実行する処理でも実現可能であり、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

１０ 情報処理装置
１１ ＣＰＵ
１５ データ入力部
１７ 撮像装置

Claims (8)

1. 濁質を有する水に凝集剤を添加することによって形成されるフロックを前記水から除去する上水処理に用いられる情報処理装置であって、
   前記凝集剤が添加されてから第１の時間以内に取得される画像データ及び前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を関連付けた教師データを学習する学習手段と、
   前記凝集剤が添加されてから第２の時間以内に取得され且つ前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を有しない画像データを入力する入力手段と、
   前記教師データを学習した学習結果及び前記入力された画像データに基づいて、前記画像データに含まれるフロックが前記水から除去される際に前記上水処理に悪影響を及ぼすか否かを判別する判別手段とを備えることを特徴とする情報処理装置。
2. 前記第１の時間は４００秒であることを特徴とする請求項１記載の情報処理装置。
3. 前記第２の時間は４００秒であることを特徴とする請求項１又は２記載の情報処理装置。
4. 前記第２の時間は３００秒であることを特徴とする請求項１又は２記載の情報処理装置。
5. 前記第２の時間は１２０秒であることを特徴とする請求項１又は２記載の情報処理装置。
6. 前記教師データを構成する画像データ及び前記入力された画像データは前記濁質が凝集する際の凝集核を示すことを特徴とする請求項１乃至５のいずれか１項に記載の情報処理装置。
7. 濁質を有する水に凝集剤を添加することによって形成されるフロックを前記水から除去する上水処理に用いられる情報処理方法であって、
   前記凝集剤が添加されてから第１の時間以内に取得される画像データ及び前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を関連付けた教師データを学習する学習ステップと、
   前記凝集剤が添加されてから第２の時間以内に取得され且つ前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を有しない画像データを入力する入力ステップと、
   前記教師データを学習した学習結果及び前記入力された画像データに基づいて、前記画像データに含まれるフロックが前記水から除去される際に前記上水処理に悪影響を及ぼすか否かを判別する判別ステップとを有することを特徴とする情報処理方法。
8. 濁質を有する水に凝集剤を添加することによって形成されるフロックを前記水から除去する上水処理に用いられる情報処理方法をコンピュータに実行させるプログラムであって、
   前記情報処理方法は、
   前記凝集剤が添加されてから第１の時間以内に取得される画像データ及び前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を関連付けた教師データを学習する学習ステップと、
   前記凝集剤が添加されてから第２の時間以内に取得され且つ前記除去されるフロックが前記上水処理に悪影響を及ぼすか否かの情報を有しない画像データを入力する入力ステップと、
   前記教師データを学習した学習結果及び前記入力された画像データに基づいて、前記画像データに含まれるフロックが前記水から除去される際に前記上水処理に悪影響を及ぼすか否かを判別する判別ステップとを有することを特徴とするプログラム。

Images