JP2022132331A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP2022132331A JP2022132331A JP2022108352A JP2022108352A JP2022132331A JP 2022132331 A JP2022132331 A JP 2022132331A JP 2022108352 A JP2022108352 A JP 2022108352A JP 2022108352 A JP2022108352 A JP 2022108352A JP 2022132331 A JP2022132331 A JP 2022132331A
- Authority
- JP
- Japan
- Prior art keywords
- waste
- quality
- data
- new image
- pit
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 239000002699 waste material Substances 0.000 title claims abstract description 302
- 238000000034 method Methods 0.000 title claims description 38
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000002485 combustion reaction Methods 0.000 claims description 37
- 239000010813 municipal solid waste Substances 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 25
- 238000003384 imaging method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims 1
- 230000010365 information processing Effects 0.000 description 21
- 235000019646 color tone Nutrition 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 239000000428 dust Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- HGUFODBRKLSHSI-UHFFFAOYSA-N 2,3,7,8-tetrachloro-dibenzo-p-dioxin Chemical compound O1C2=CC(Cl)=C(Cl)C=C2OC2=C1C=C(Cl)C(Cl)=C2 HGUFODBRKLSHSI-UHFFFAOYSA-N 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000010791 domestic waste Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000010806 kitchen waste Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- -1 pruned branches Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Landscapes
- Incineration Of Waste (AREA)
- Processing Of Solid Wastes (AREA)
- Refuse Collection And Transfer (AREA)
- Image Analysis (AREA)
- Control And Safety Of Cranes (AREA)
Abstract
Description
ラム、及び方法に関する。
を持った廃棄物がごみピット内に投入される。これらのさまざまな質を持った廃棄物は一
緒に焼却炉に投入されて、焼却炉内で焼却処理される。しかしながら、焼却炉内に投入さ
れる廃棄物の質が急激に変化すると、焼却の際に、焼却炉内部の温度が急変する、あるい
はダイオキシン等の有害ガスや物質が発生して環境問題になることがある。
より識別し、クレーンを制御してピット内の廃棄物を攪拌して廃棄物の質の均一化を図っ
ている。
チック類等の質が違うが色調が近いごみの識別や、布団類等の質が同じであるが色調が一
定でない廃棄物の質の識別は困難であった。
同じであるが色調が異なる廃棄物が混在していても、廃棄物の質を推定することのできる
装置、システム、プログラム、及び方法を提供することを目的の1つとする。
られた教師データを生成する、教師データ生成部と、前記教師データを用いた学習によっ
て、モデルを構築するモデル構築部と、ごみピット内に貯留される廃棄物を撮像した新た
な画像のデータを、前記モデルに入力して、前記新たな画像に対応する廃棄物の質を表す
値を取得する推定部と、を備える装置が提供される。
棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に
対応する廃棄物の質を表す値を出力し、出力された廃棄物の質を表す値を、前記ブロック
の各々に対応付けた推論マップを生成する。
論マップに基づいて、クレーンの制御を行うクレーン制御装置に対する指示、あるいは焼
却炉の制御を行う燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部を備
える。
る指示は、クレーンに対し前記ごみピット内の廃棄物を移動させる指示であり、前記燃焼
制御装置に対する指示は、焼却炉に投入された廃棄物を燃焼させるのに必要な指示である
。
師データは、廃棄物処理プラントの運転履歴に基づいて特定された廃棄物の特性を示す値
と、ごみピット内の廃棄物の画像データを元に作業者が廃棄物の質を分類したラベルとの
うち少なくとも一方から収集される。
棄物の質を表す値は、前記廃棄物の燃えやすさを示す指標である。
される廃棄物を撮像した画像に対応付けられた教師データを生成する、教師データ生成部
と、前記教師データを用いた学習によって、モデルを構築するモデル構築部と、ごみピッ
ト内に貯留される廃棄物を撮像した新たな画像を、複数のブロックに分割し、ブロック毎
の新たな画像のデータを、前記モデルに入力して、前記新たな画像に対応する廃棄物の質
を表す値を、各前記ブロックに対応付けた推論マップを生成する推定部と、前記推論マッ
プに基づいて、クレーンの制御を行うクレーン制御装置に対する指示、あるいは焼却炉の
制御を行う燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と、を備え
る、システムが提供される。
を推定する方法であって、ごみピット内に貯留される廃棄物を撮像した画像に対応付けら
れた教師データを生成するステップと、前記教師データを用いた学習によって、モデルを
構築するステップと、ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを
、前記モデルに入力して、前記新たな画像に対応する廃棄物の質を表す値を取得するステ
ップと、を備える方法が提供される。
たプロセッサに実行させるためのプログラムが提供される。
理プラント内のごみピット内に貯留される廃棄物の画像に対応する廃棄物の質を推定する
ために用いる、データ構造であって、当該データ構造は、前記廃棄物処理プラントの運転
履歴から生成された廃棄物の質を表す値と、当該廃棄物の質を表す値に対応する廃棄物の
画像とを含む教師データを含み、前記装置は、前記教師データを用いた学習によって、前
記ごみピット内に貯留される廃棄物の新たな画像に対応する廃棄物の質を推定することを
特徴とする、データ構造が提供される。
1は廃棄物を焼却する焼却炉、2は廃熱ボイラ、3はごみを貯留しておくピット、4はホ
ッパ、5はごみをピット3からホッパ4に移すためのクレーン、6はピット3内に貯留し
た廃棄物の表面を撮影する撮像装置である。また、図1において、21はプラットホーム
であり、該プラットホーム21からごみ収集車22で収集されたごみがごみピット3内に
投入される。
す。廃棄物処理プラントシステム100は、撮像装置6が撮影した画像データを用いて、
廃棄物の質を表す値を推定し、推定された廃棄物の質を表す値に基づいて、廃棄物処理プ
ラントの動作を制御するよう構成されたシステムである。廃棄物処理プラントシステム1
00は、情報処理装置200と、ごみピット3(図1に示す)内を撮影する撮像装置6と
、クレーン制御装置110と、燃焼制御装置120とを備える。情報処理装置200は、
例えば廃棄物処理プラント内に付設された構内LAN等のネットワークを介して、撮像装
置6と、クレーン制御装置110と、燃焼制御装置120とに、相互に通信可能に接続さ
れている。情報処理装置200は、例えば、パーソナルコンピュータや、ワークステーシ
ョン、サーバ装置で構成されてもよいし、タブレット端末などの携帯型コンピュータによ
って構成されてもよい。なお、この構成は一例であり、本発明を適用できる構成は図2に
示すものに限られない。例えば、撮像装置6、クレーン制御装置110と、燃焼制御装置
120と、情報処理装置200とは2つ以上あっても構わない。
ータを取得する装置である。撮像装置6は、例えば、廃棄物の形状及び色彩画像を撮影す
るRGBカメラ、廃棄物の近赤外線画像を撮影する近赤外線カメラ、廃棄物の3次元画像
を撮影する3DカメラまたはRGB-Dカメラである。
、通信インターフェース206と、ストレージ208とを備える。ある態様において、情
報処理装置200は、撮像装置6から送信されたごみピット3内の画像データに基づいて
、学習モデルに与える教師データを生成する。情報処理装置200において実行される機
能の詳細については、図3を用いて後述する。
た処理を実行するように構成される。プロセッサ202がメモリ204に格納されたプロ
グラムを実行することによって、後述する処理の各機能が実現される。ある態様において
、プロセッサ202は、CPU(Central Processing Unit)、
MPU(Micro Processor Unit)、FPGA(Field-Pro
grammable Gate Array)等のデバイスとして実現される。
ストレージ208からロードされる。データは、情報処理装置200に入力されたデータ
と、プロセッサ202によって生成されたデータと、ストレージ208からロードされた
データとを含む。ある態様において、メモリ204は、RAM(Random Acce
ss Memory)等の揮発性メモリとして実現される。メモリ204に格納されるデ
ータは、撮像装置6により撮影された廃棄物の画像データ、廃棄物の画像データに基づい
て生成される教師データ等を含む。
装置120と、情報処理装置200との間で信号を通信する。ある態様において、例えば
、通信インターフェース206は、撮像装置6から出力された画像データを受信する。別
の態様において、通信インターフェース206は、プロセッサ202が生成した指示を、
クレーン制御装置110、あるいは燃焼制御装置120へ送る。
、例えば、ROM(Read-Only Memory)、ハードディスク装置、フラッ
シュメモリ等の不揮発性記憶装置として実現される。ストレージ208に格納されるプロ
グラムは、例えば、撮像装置6により撮影された廃棄物の画像データに基づいて教師デー
タを生成させるためのプログラム、クレーン制御装置110、あるいは燃焼制御装置12
0に指示を与えためのプログラムを含む。ストレージ208には、例えば、廃棄物処理プ
ラントの運転履歴が時系列に記憶されている。廃棄物処理プラントの運転履歴は、廃棄物
処理プラントに取り付けられた複数のセンサ等のデバイス、例えば焼却炉1(図1に示す
)内の温度を感知する温度センサ、によって測定されたローデータを含む。また、ストレ
ージ208は、データベース209を備え、データベース209には、例えば、廃棄物処
理プラントの運転履歴に基づいて得られたプロセスデータが時系列に記憶されている。な
お、プロセスデータは、メモリ204に記憶されてもよい。
クレーン制御装置110は、情報処理装置200から送信された指示に従って、クレーン
5にごみピット3内の廃棄物を攪拌する動作を行わせる、あるいはごみピット3内の廃棄
物をホッパ4(図1に示す)に搬送させる。ごみピット3内の廃棄物の攪拌とは、ごみピ
ット3内のあるブロックに積まれている廃棄物の一部分をクレーン5で掴んで、ごみピッ
ト3内の別のブロックへ移動する、あるいはクレーン5で掴んだ廃棄物を再び同一ブロッ
クに落とすことである。廃棄物の攪拌を繰り返し行うことで、ごみピット3内のごみを均
質に混ぜることができる。これにより、焼却炉1での廃棄物の燃え方を均質にすることが
できる。
御装置120は、情報処理装置200から送信された指示に従って、焼却炉1における燃
焼時間や燃焼温度を制御する、あるいは焼却炉1内に送る空気量を制御する。
図である。本実施形態にかかる情報処理装置200は、教師データ生成部220と、モデ
ル構築部230と、画像取得部240と、推定部250と、指示部260とを備える。各
部220から260は、図2に示すプロセッサ202がメモリ204内のコンピュータプ
ログラムを読み出して実行することによって実現される機能を表す。
から教師データを生成し、当該廃棄物の画像データと、該教師データとのセットを複数収
集して、これらを機械学習することにより、学習モデルを構築する。そして、構築された
学習モデルに、推定対象となる廃棄物の画像データを入力して、出力(推論結果)を取得
し、該出力に基づいて推論マップを生成する。また、推論マップに基づいて、クレーン制
御装置110(図2に示す)、および燃焼制御装置120(図2に示す)へ指示を与える
。以下に、各部220~260の動作等について詳細に説明する。
成部220は、予め定められたデータベース209(図2に示す)に時系列に記憶された
廃棄物処理プラントの過去、あるいは現在の運転履歴から、教師データを生成する。デー
タベース209には、撮像装置6により撮像されたごみピット3内の廃棄物の画像データ
と、該廃棄物の画像データに対応するプロセスデータとが、時系列に格納されている。教
師データ生成部220は、データベース209から、ごみピット3内の廃棄物の画像デー
タに対応するプロセスデータを読み出しし、該プロセスデータから学習のための教師デー
タを生成する。ごみピット3内の廃棄物の画像データと、プロセスデータとは、例えば、
これらが取得される時刻で対応付けられる。すなわち、過去の廃棄物の画像データには、
過去のプロセスデータが対応付けられる。プロセスデータから生成される教師データは、
廃棄物の質を表す値を含む。廃棄物の質を表す値は、廃棄物の燃えやすさ、あるいは燃え
にくさを示す指標である。プロセスデータは、廃棄物処理プラントの運転履歴に基づいて
収集される廃棄物の特性を示すデータと、廃棄物処理プラントの運転履歴を元に作業者が
廃棄物の質を分類したラベルとのうち少なくとも一方を備える。
m/s2)、密度(kg/m3)、ピット3内に投入された廃棄物に含まれる水分量(k
g)、あるいは廃棄物を燃やしたときに発生する発熱量(kJ/kg)である。重量が小
さい、密度が低い、水分量が少ない、発熱量が大きいことは、廃棄物が燃えやすいことを
示す。一般に、密度が低いほど廃棄物は燃えやすい。従って、同じ体積を有するが、重量
が小さい廃棄物は燃えやすい。クレーン5が掴むことのできる廃棄物の体積はほぼ同じで
あるため、クレーン5が掴む廃棄物の重量が測定されれば、当該廃棄物の燃えやすさを判
定することができる。
く、廃棄物の特性を示すデータが予め記録されている。一例として、データベース209
には、過去の所定期間(例えば3年間)にわたる、廃棄物処理プラントの月ごとの発熱量
の情報が予め記憶されている。データベース209に記憶されている月ごとの発熱量の履
歴情報を参照することにより、ごみピット3内の廃棄物の画像に示される廃棄物が、ごみ
ピット3へ投入されたときの、実際の廃棄物の発熱量を特定することができる。
る廃棄物が、ごみピット3に投入されたときに特定された廃棄物の特性を示すデータに対
応付けられる。そして、教師データ生成部220は、特定された廃棄物の特性を示すデー
タを整形等して、廃棄物の画像データに対応する、当該廃棄物の質を表す教師データを生
成する。
の画像のデータを元に、作業者が、当該画像に示される廃棄物の質を目視により分類する
ことによって特定される。例えば、作業者が、画像に示される廃棄物が、高質ごみで構成
されると判断した場合、ラベル「H」を割り当て、基準ごみで構成されると判断した場合
、ラベル「M」を割り当て、低質ごみで構成されると判断した場合、ラベル「L」を割り
当てる。割り当てられたラベルは、不図示の入力インターフェースを介して、情報処理装
置200へ入力され、データベース209へ記憶される。
から、作業者が目視で廃棄物の質を分類したラベルが、教師データとして収集される。
ット3内の廃棄物の画像に対応するプロセスデータを取得し、該プロセスデータから教師
データを生成する。教師データ生成部220は、廃棄物の画像のデータと、該廃棄物の画
像に対応する、廃棄物の質を表す値を含む教師データとのセットを複数収集し、学習デー
タとしてメモリ204へ格納する。
像データの画像を複数のブロックに分割し、分割されたブロック毎に、当該画像に対応す
るプロセスデータを取得し、該取得されたプロセスデータから教師データを生成してもよ
い。この場合、教師データ生成部220は、一例として、分割されたブロック個々にブロ
ック番号を割り当てて、該ブロック番号と共に、廃棄物の質を表す値をメモリ204へ格
納する。従って、教師データ生成部220は、ピット3内のどのブロックにある廃棄物が
、どのくらい燃えやすいかを示す教師データのマップを生成することができる。
を構築する。モデルは、新しい入力が来たときに、それに対応する正しい出力をするよう
構築される。モデル構築部230は、所定の関数y=f(x、θ)を有している。ここで
、入力xは、ごみピット3内の廃棄物の画像データ、出力yは、廃棄物の質を表す値、θ
はこの関数の内部パラメータである。モデル構築部230は、入力xと出力yとのセット
を複数与えて、機械学習させることにより、正しい出力が得られるよう内部パラメータθ
を調整する。機械学習のために与えられる入力xは、教師データ生成部220により生成
された、廃棄物処理プラントの運転履歴から収集されたごみピット3内の廃棄物の画像デ
ータであり、出力yは、該入力xに対応する教師データである。機械学習のために入力x
として与えられるごみピット3内の廃棄物の画像データの画像には、様々な形状や様々な
色調を有する廃棄物が示される。モデル構築部230は、これらの様々な画像のデータと
、当該様々な画像のデータに対応する教師データとの複数のセットを機械学習することで
、画像データと、教師データとの関係を見つけ出し、モデルの内部パラメータθを調整す
る。これにより、モデルは、これまで与えられた入力xとは異なる新たな入力が与えられ
ても、新たな入力に対応する正しい出力をするよう構成される。なお、学習に用いるアル
ゴリズムとしては、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、深層学習の内の少なくとも1つがある。
画像データを取得する。画像取得部240は、撮像装置6からごみピット3内の廃棄物の
画像データを定期的に、若しくはクレーン5のピット3内への廃棄物の投入要求などをト
リガーとして、受信し、メモリ204へ格納する。
デルに、該新たな廃棄物の画像データを入力して、出力データを取得する。出力データは
、該新たな画像データに対応する、廃棄物の質を表す値であり、例えば廃棄物の特性を示
すデータである。
おける位置との対応を示す推論マップを生成してもよい。推定部250は、画像取得部2
40により取得された新たな画像を複数のブロックに分割し、該複数のブロックに分割さ
れた新たな画像のデータのそれぞれを、構築されたモデルに入力して、ブロックごとに出
力データを得る。図4は、ごみピット3の表面を複数のブロック402に分割して構成さ
れる推論マップ400の一例を示す。図4の例では、ごみピット3内の表面は横4、縦1
2に分割されており、推論マップ400は計48のブロック402から構成される。なお
、推定部250は、過去に生成されたマップを用いることで、推論マップを3次元的に生
成することもできる。
る。図4に示す例では、出力データは廃棄物の燃えやすさを示す指標(図4では無単位)で
ある。例えば、図4に示す指標の値が大きいほど、廃棄物が燃えやすいことを示す。各ブ
ロック402に記される出力データは、図4に示すものに限られず、他のもの、例えば、
廃棄物の重量(kg・m/s2)、密度(kg/m3)、廃棄物の水分量(kg)、発熱
量(kJ/kg)であってもよいし、これらの任意の組み合わせであってもよい。推論マ
ップ400を構成する各ブロック402に示される出力データは複数あってもよい。推論
マップ400は、画像取得部240により取得された画像データに変化がある度に、ある
いは、一定期間毎に更新/記録される。また、推論マップ400は不図示のディスプレイ
に視覚的に表示されてもよい。
く、出力データに基づいて抽出される値(ラベル、フラグなど)が示されてもよい。例え
ば、各ブロック402には、出力データの大きさに基づいて分類されたラベルが示される
。一例として、出力データが、廃棄物の水分量である場合、水分量が大きいものにラベル
「L(あるいは低質ゴミ)」、水分量が平均的なものにラベル「M(あるいは基準ごみ)
」、水分量が小さいものにラベル「H(あるいは高質ごみ)」を割り当てる。また、例え
ば、各ブロック402には、出力データの大きさに基づいて求められたフラグが示される
。一例として、出力データが、発熱量である場合、廃棄物の発熱量が一定以上であり焼却
炉1への投入に適すると判定された場合、フラグ「OK」、発熱量が一定未満であり焼却
炉1への投入に適さないと判定された場合、フラグ「NG」を割り当てる。また、1つの
ブロック402に対応する出力データが複数ある場合、これらの複数の出力データから、
各ブロック402に示される値を新たに抽出してもよい。
棄物の質を表す値)を出力するよう構築されたモデルを用いて、新たな画像データに対応
する廃棄物の質を推定する。従って、廃棄物の新しい画像データを収集して、これらの画
像データを学習モデルに入力することで、新しい画像データに対応する廃棄物の質の推定
を行うことができる。さらに、色調が近くても質が異なる廃棄物や、一定の色調を持たな
くても質が同じ廃棄物が、ピット3内に混在していても、色調のみから廃棄物の質を推定
する場合と比較して、より高い精度で廃棄物の質を推定することができる。また、本技術
によると、学習モデルを用いて機械的に廃棄物の質の推定を行うので、熟練の作業者がい
なくても、廃棄物の質の推定を行うことができる、あるいはこれまで廃棄物の質を目視で
行っていた作業員の判断の確からしさをサポートすることができる。さらに、新しい画像
データとそれに対応するプロセスデータを用いて定期的に追加学習、再学習を行うことで
、経年による廃棄物の質の変化に対応することもできる。
02毎に、廃棄物の質を表す値等が示された推論マップ400が生成される。作業者ある
いは情報処理装置200は、推論マップ400を参照することにより、ごみピット3内の
廃棄物が、ブロック402毎にどのような質を有しているかを把握することができる。従
って、廃棄物の質の位置的な分布を把握することができる。
)へ指示を与える。より具体的には、指示部260は、推論マップ400に基づいて、ご
みピット3内のどのブロックからどのブロックへ廃棄物を移動させるべきかを示す指示、
あるいはごみピット3内のどのブロックの廃棄物を焼却炉1(図1に示す)へ投入させる
べきかを示す指示を作成し、クレーン制御装置110へ送信する。クレーン制御装置11
0は、該指示に従って、クレーン5によるごみピット3内の廃棄物の移動を制御する。指
示部260は、推論マップ400に示される値を用いて、ピット3内の廃棄物の質が均一
になるように、あるいは、前回焼却炉1へ投入した廃棄物の質と近くなるように、廃棄物
の移動を指示する。
す)へ指示を与える。より具体的には、指示部260は、推論マップ400内のどのブロ
ックの廃棄物が焼却炉1へ投入されたかの投入情報と、当該ブロックに示される値、例え
ば出力データとを用いて、焼却炉1において、投入された廃棄物の燃焼に必要な指示を作
成し、燃焼制御装置120へ送信する。燃焼制御装置120は、該指示に従って、焼却炉
1に投入された廃棄物の質に適した燃焼温度、燃焼時間、空気量となるよう、焼却炉1の
燃焼制御を行う。
260は、情報処理装置200ではなく、他の装置、一例としてクレーン制御装置110
に備えられてもよい。この場合、情報処理装置200で生成される推論マップ400を、
クレーン制御装置110へ送信し、クレーン制御装置110が、推論マップ400上のど
のブロックにある廃棄物を焼却炉1へ投入するかの指示を生成して、クレーン5の動作を
制御する。そして、クレーン制御装置110は、廃棄物の焼却炉1へ投入された廃棄物の
ブロック位置情報と、ブロックに示される値とを用いて、燃焼制御装置120に対する制
御指示を生成する。
0の両方に備えられてもよい。この場合、情報処理装置200で生成される推論マップ4
00を、クレーン制御装置110へ送信し、クレーン制御装置110が、推論マップ40
0上のどのブロックにある廃棄物を焼却炉1へ投入するかの指示を生成して、クレーン5
の動作を制御する。そして、燃焼制御装置120は、情報処理装置200から推論マップ
400を受信し、クレーン制御装置110から焼却炉1へ投入された廃棄物のブロック位
置情報を受信する。燃焼制御装置120は、廃棄物の焼却炉1へ投入された廃棄物のブロ
ック位置情報と、ブロックに示される値とを用いて、焼却炉1の制御指示を生成する。
ート500である。
示す)に格納された廃棄物処理プラントの運転履歴を、メモリ204(図2に示す)へロ
ードする。そして、メモリ204にロードされた廃棄物処理プラントの運転履歴から、ご
みピット3内の廃棄物の画像データに対応するプロセスデータを収集し、該プロセスデー
タに基づいて教師データを生成する。
ータと、ステップS510で生成された当該画像データに対応する教師データとを用いた
教師ありの学習によって、モデル構築部230が有する関数の内部パラメータが調整され
たモデルを構築する。
ット3内の廃棄物の画像データを取得する。
ピット3内の廃棄物の画像データを、1以上のブロックに分割する。そして、推定部25
0は、分割された画像データのそれぞれを、ステップS520にて構築されたモデルに入
力して、ブロックごとに出力データを得る。
ク毎の出力データによって特定された廃棄物の質を表す値を、各ブロックに対応付けて、
推論マップ400を生成する。
ップ400に基づいて、クレーン制御装置110、あるいは燃焼制御装置120へ動作指
示を与える。
発明の理解を容易にするためのものであり、本発明を限定するものではない。本発明は、
その趣旨を逸脱することなく、変更、改良され得るとともに、本発明にはその均等物が含
まれることはもちろんである。また、上述した課題の少なくとも一部を解決できる範囲、
または、効果の少なくとも一部を奏する範囲において、実施形態および変形例の任意の組
み合わせが可能であり、特許請求の範囲および明細書に記載された各構成要素の任意の組
み合わせ、または、省略が可能である。
理プラントシステム、110…クレーン制御装置、120…燃焼制御装置、200…情報
処理装置、202…プロセッサ、204…メモリ、206…通信インターフェース、20
8…ストレージ、209…データベース、220…教師データ生成部、230…モデル構
築部、240…画像取得部、250…推定部、260…指示部、400…推論マップ
Claims (28)
- ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定部を備え、
前記推定部は、
前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力データとして出力し、
出力された廃棄物の質を表す値に応じた情報を、前記ブロックの各々に対応付けた推論マップを生成し、
前記新たな画像のデータに変化がある度に、あるいは、一定期間毎に、前記推論マップを更新および/または記録する、
ことを特徴とする装置。 - 前記推定部は、出力された廃棄物の質を表す値から、値の大きさに基づいて分類されたラベルと、値の大きさに基づいて求められた、焼却炉への投入適否を判定したフラグとのうちの少なくとも一方を抽出し、抽出されたラベルおよびフラグのうちの少なくとも一方を、前記ブロックの各々に対応付けることにより前記推論マップを生成する、
ことを特徴とする請求項1に記載の装置。 - 1つのブロックに対応する出力データが複数ある場合、前記推定部は、ブロック毎に、当該ブロックに対応する複数の出力データから、当該ブロックに示される前記ラベルおよび前記フラグのうちの少なくとも一方を抽出する、
ことを特徴とする請求項2に記載の装置。 - 前記推定部は、さらに、
過去に生成された前記推論マップに基づいて推論マップを3次元的に生成する、
ことを特徴とする請求項1から3のいずれか1項に記載の装置。 - 前記教師データを用いた学習によって、前記モデルを構築するモデル構築部
をさらに備えたことを特徴とする請求項1から4のいずれか1項に記載の装置。 - 前記モデル構築部は、前記廃棄物を撮像した新たな画像とそれに対応するプロセスデータを用いて定期的に追加学習または再学習する機能を有する、
ことを特徴とする請求項5に記載の装置。 - 前記装置は、さらに
前記推論マップに基づいて、クレーンの制御を行うクレーン制御装置に対する指示、あるいは焼却炉の制御を行う燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部を備える、請求項1から6のいずれか1項に記載の装置。 - 前記クレーン制御装置に対する指示は、クレーンに対し前記ごみピット内の廃棄物を移動させる指示であり、前記燃焼制御装置に対する指示は、焼却炉に投入された廃棄物を燃焼させるのに必要な指示である、請求項7に記載の装置。
- 前記教師データは、前記ごみピット内に貯留される廃棄物を撮像した画像を複数のブロックに分割し、分割されたブロック毎に取得された、当該画像に対応する廃棄物処理プラントのプロセスデータから生成される、
ことを特徴とする、請求項1から8のいずれか1項に記載の装置。 - 前記プロセスデータは、前記廃棄物処理プラントの運転履歴に基づいて収集される廃棄物の特性を示すデータと、廃棄物処理プラントの運転履歴を元に作業者が廃棄物の質を分類したラベルとのうち少なくとも一方を備える、
ことを特徴とする請求項9に記載の装置。 - 前記廃棄物の質を表す値は、前記廃棄物の燃えやすさを示す指標である、請求項1から10のいずれか1項に記載の装置。
- 前記ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた前記教師データを生成する、教師データ生成部
をさらに備えたことを特徴とする請求項1から11のいずれか1項に記載の装置。 - 廃棄物処理プラントシステムであって、
クレーンの制御を行うクレーン制御装置と、
焼却炉の制御を行う燃焼制御装置と、
ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像を複数のブロックに分割することによって得られた、ブロック毎の新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を、各前記ブロックに対応付けた推論マップを生成する推定部と、
前記推論マップに基づいて、前記クレーン制御装置に対する指示、あるいは前記燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と
を備え、
前記推定部は、前記新たな画像に対応する廃棄物の質を表す値から、値の大きさに基づいて分類されたラベルと、値の大きさに基づいて求められた、焼却炉への投入適否を判定したフラグとのうちの少なくとも一方を抽出し、抽出されたラベルおよびフラグのうちの少なくとも一方を、前記ブロックの各々に対応付けた推論マップを生成する、
ことを特徴とするシステム。 - ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定ステップを含み、
前記推定ステップでは、
前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力し、
出力された廃棄物の質を表す値を、前記ブロックの各々に対応付けた推論マップを生成し、さらに、
前記推定ステップでは、出力された廃棄物の質を表す値から、値の大きさに基づいて分類されたラベルと、値の大きさに基づいて求められた、焼却炉への投入適否を判定したフラグとのうちの少なくとも一方を抽出し、抽出されたラベルおよびフラグのうちの少なくとも一方を、前記ブロックの各々に対応付けた推論マップを生成する、
ことを特徴とする方法。 - 請求項14に記載の方法を、廃棄物処理プラントに備えられたプロセッサに実行させるためのプログラム。
- 請求項14に記載の方法をコンピュータに実行させるためのプログラム。
- 廃棄物処理プラントシステムであって、
クレーンの制御を行うクレーン制御装置と、
焼却炉の制御を行う燃焼制御装置と、
ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像を複数のブロックに分割することによって得られた、ブロック毎の新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を、各前記ブロックに対応付けた推論マップを生成する推定部と、
前記推論マップに基づいて、前記クレーン制御装置に対する指示、あるいは前記燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と
を備え、
前記推定部は、過去に生成された前記推論マップに基づいて推論マップを3次元的に生成する、
ことを特徴とするシステム。 - ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定ステップを含み、
前記推定ステップでは、
前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力データとして出力し、
出力された廃棄物の質を表す値を、前記ブロックの各々に対応付けた推論マップを生成し、さらに、
前記推定ステップでは、過去に生成された前記推論マップに基づいて推論マップを3次元的に生成する、
ことを特徴とする方法。 - 請求項18に記載の方法を、廃棄物処理プラントに備えられたプロセッサに実行させるためのプログラム。
- 請求項18に記載の方法をコンピュータに実行させるためのプログラム。
- 廃棄物処理プラントシステムであって、
クレーンの制御を行うクレーン制御装置と、
焼却炉の制御を行う燃焼制御装置と、
ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像を複数のブロックに分割することによって得られた、ブロック毎の新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値に応じた情報を、各前記ブロックに対応付けた推論マップを生成する推定部と、
前記推論マップに基づいて、前記クレーン制御装置に対する指示、あるいは前記燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と
を備え、
前記推定部は、前記新たな画像のデータに変化がある度に、あるいは、一定期間毎に、前記推論マップを更新および/または記録する、
ことを特徴とするシステム。 - ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定ステップを含み、
前記推定ステップでは、
前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力し、
出力された廃棄物の質を表す値に応じた情報を、前記ブロックの各々に対応付けた推論マップを生成し、
前記推論マップは、前記新たな画像のデータに変化がある度に、あるいは、一定期間毎に更新および/または記録される、
ことを特徴とする方法。 - 請求項22に記載の方法を、廃棄物処理プラントに備えられたプロセッサに実行させるためのプログラム。
- 請求項22に記載の方法をコンピュータに実行させるためのプログラム。
- 廃棄物処理プラントシステムであって、
クレーンの制御を行うクレーン制御装置と、
焼却炉の制御を行う燃焼制御装置と、
ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像を複数のブロックに分割することによって得られた、ブロック毎の新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を、各前記ブロックに対応付けた推論マップを生成する推定部と、
前記推論マップに基づいて、前記クレーン制御装置に対する指示、あるいは前記燃焼制御装置に対する指示のうち少なくとも一方を生成する指示部と、
前記教師データを用いた学習によって、前記モデルを構築するモデル構築部と
を備え、
前記モデル構築部は、前記廃棄物を撮像した新たな画像とそれに対応するプロセスデータを用いて定期的に追加学習または再学習する、
ことを特徴とするシステム。 - ごみピット内に貯留される廃棄物を撮像した画像に対応付けられた教師データを用いた学習によって構築されたモデルに、前記ごみピット内に貯留される廃棄物を撮像した新たな画像のデータを入力して、前記新たな画像に対応する廃棄物の質を表す値を取得する推定ステップを含み、
前記推定ステップでは、
前記廃棄物を撮像した新たな画像を複数のブロックに分割し、ブロック毎に、前記新たな画像に対応する廃棄物の質を表す値を出力データとして出力し、
出力された廃棄物の質を表す値を、前記ブロックの各々に対応付けた推論マップを生成し、
前記教師データを用いた学習によって、前記モデルを構築するモデル構築ステップをさらに含み、
前記モデル構築ステップでは、
前記廃棄物を撮像した新たな画像とそれに対応するプロセスデータを用いて定期的に追加学習または再学習する、
ことを特徴とする方法。 - 請求項26に記載の方法を、廃棄物処理プラントに備えられたプロセッサに実行させるためのプログラム。
- 請求項26に記載の方法をコンピュータに実行させるためのプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022108352A JP2022132331A (ja) | 2017-07-31 | 2022-07-05 | 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 |
JP2024036511A JP2024061802A (ja) | 2017-07-31 | 2024-03-11 | 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 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017148374A JP6554148B2 (ja) | 2017-07-31 | 2017-07-31 | 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造 |
JP2019125374A JP7311334B2 (ja) | 2017-07-31 | 2019-07-04 | 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 |
JP2022108352A JP2022132331A (ja) | 2017-07-31 | 2022-07-05 | 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 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019125374A Division JP7311334B2 (ja) | 2017-07-31 | 2019-07-04 | 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 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2024036511A Division JP2024061802A (ja) | 2017-07-31 | 2024-03-11 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022132331A true JP2022132331A (ja) | 2022-09-08 |
JP2022132331A5 JP2022132331A5 (ja) | 2023-04-26 |
Family
ID=87201227
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019125374A Active JP7311334B2 (ja) | 2017-07-31 | 2019-07-04 | 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 |
JP2022108352A Pending JP2022132331A (ja) | 2017-07-31 | 2022-07-05 | 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 |
JP2024036511A Pending JP2024061802A (ja) | 2017-07-31 | 2024-03-11 | 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 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019125374A Active JP7311334B2 (ja) | 2017-07-31 | 2019-07-04 | 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 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2024036511A Pending JP2024061802A (ja) | 2017-07-31 | 2024-03-11 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (3) | JP7311334B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7453872B2 (ja) | 2020-07-29 | 2024-03-21 | 三菱重工業株式会社 | バイオガス製造システム及びバイオガス製造方法 |
CN112132920B (zh) * | 2020-09-11 | 2023-10-31 | 上海交通大学 | 基于深度学习的放射性废物桶密度重建方法及*** |
CN113651245B (zh) * | 2021-08-16 | 2023-07-21 | 合肥市春华起重机械有限公司 | 一种起重机承载力监测*** |
CN114326624B (zh) * | 2021-12-28 | 2024-04-09 | 上海灏领科技集团有限公司 | 基于入炉前废弃物图像识别的园区内热解气化炉***工艺 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007126246A (ja) * | 2005-11-02 | 2007-05-24 | Hitachi Plant Technologies Ltd | ごみ処理工場用自動クレーンの制御装置 |
JP2011027349A (ja) * | 2009-07-27 | 2011-02-10 | Takuma Co Ltd | 燃焼炉に供給される燃焼対象物の処理システム、処理方法およびこれらを用いた燃焼炉の燃焼制御システム |
JP2018173248A (ja) * | 2017-03-31 | 2018-11-08 | 日立造船株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015143139A (ja) | 2014-01-31 | 2015-08-06 | 日立造船株式会社 | ごみピット内の攪拌状態検出装置及びごみピット内の攪拌状態検出方法 |
JP5969685B1 (ja) | 2015-12-15 | 2016-08-17 | ウエノテックス株式会社 | 廃棄物選別システム及びその選別方法 |
JP2017148374A (ja) * | 2016-02-26 | 2017-08-31 | 京セラ株式会社 | ジルコニア仮焼体およびジルコニア焼結体 |
-
2019
- 2019-07-04 JP JP2019125374A patent/JP7311334B2/ja active Active
-
2022
- 2022-07-05 JP JP2022108352A patent/JP2022132331A/ja active Pending
-
2024
- 2024-03-11 JP JP2024036511A patent/JP2024061802A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007126246A (ja) * | 2005-11-02 | 2007-05-24 | Hitachi Plant Technologies Ltd | ごみ処理工場用自動クレーンの制御装置 |
JP2011027349A (ja) * | 2009-07-27 | 2011-02-10 | Takuma Co Ltd | 燃焼炉に供給される燃焼対象物の処理システム、処理方法およびこれらを用いた燃焼炉の燃焼制御システム |
JP2018173248A (ja) * | 2017-03-31 | 2018-11-08 | 日立造船株式会社 | 情報処理装置、情報処理方法、および情報処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2019207099A (ja) | 2019-12-05 |
JP7311334B2 (ja) | 2023-07-19 |
JP2024061802A (ja) | 2024-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6554148B2 (ja) | 廃棄物の質を推定する装置、システム、プログラム、方法、及びデータ構造 | |
JP7311334B2 (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 | |
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 | |
CN106292600B (zh) | 一种多远程垃圾坑数据采集、记录*** | |
CN111301886B (zh) | 基于rbf神经网络的垃圾分类回收***及控制方法 | |
JP7310758B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP2019207099A5 (ja) | ||
JP2022132331A5 (ja) | ||
JP2024001337A (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
JP2021046288A (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 | |
Yusoff et al. | Neural network prediction for efficient waste management in Malaysia | |
Sasikanth et al. | An Efficient & Smart Waste Management System | |
JP2021138505A (ja) | 自動運転制御装置、自動運転制御システム、自動運転制御方法、および廃棄物処理施設 | |
CN113313204A (zh) | 基于深度学习的垃圾焚烧状态辨识方法和焚烧控制方法 | |
JP7391286B2 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
WO2023167127A1 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
CN117671922B (zh) | 一种基于酒厂环境参数的监测预警*** | |
JP2023161734A (ja) | 学習モデルの生成方法、学習モデル、情報処理装置、情報処理方法、プログラム、およびデータ拡張方法、ならびに状態推定装置および状態推定方法 | |
JP2021183891A5 (ja) | ||
Schwark et al. | The application of image recognition methods to improve the performance of waste-to-energy plantsplants | |
Sathana et al. | Revolutionizing Waste Management Through the Integration of IoT and Deep Learning Technology | |
Pan et al. | Flame Combustion State Identification Based on CNN in Municipal Solid Waste Incineration Process | |
Verma et al. | Segregation of Municipal Solid Waste With Use of Residual Network | |
CN116447603A (zh) | 一种垃圾焚烧给料方法、***、终端及存储介质 | |
Chen et al. | Diagnosis analysis of a small-scale incinerator by neural networks model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220705 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230418 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230426 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230509 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230706 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230829 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231212 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240311 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20240403 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240806 |