特開 2023-23312 電子機器又は基板の資源価値を推定するプログラム、方法及び情報処理システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023023312

(43)【公開日】2023-02-16

(54)【発明の名称】電子機器又は基板の資源価値を推定するプログラム、方法及び情報処理システム

(51)【国際特許分類】

   G06Q 50/10 20120101AFI20230209BHJP

   G06T 7/62 20170101ALI20230209BHJP

   G06T 7/00 20170101ALI20230209BHJP

【ＦＩ】

G06Q50/10

G06T7/62

G06T7/00 350B

G06T7/00 610Z

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2021128711

(22)【出願日】2021-08-05

【国等の委託研究の成果に係る記載事項】（出願人による申告）令和３年度、国立研究開発法人新エネルギー・産業技術総合開発機構「高効率な資源循環システムを構築するためのリサイクル技術の研究開発事業」委託研究、産業技術力強化法第１７条の適用を受ける特許出願

(71)【出願人】

【識別番号】301021533

【氏名又は名称】国立研究開発法人産業技術総合研究所

(72)【発明者】

【氏名】林 直人

(72)【発明者】

【氏名】古屋仲 茂樹

(72)【発明者】

【氏名】大木 達也

【テーマコード（参考）】

5L049

5L096

【Ｆターム（参考）】

5L049CC11

5L096AA06

5L096BA03

5L096BA18

5L096CA02

5L096DA02

5L096EA05

5L096EA43

5L096FA06

5L096FA32

5L096GA38

5L096GA55

5L096KA04

5L096MA03

(57)【要約】

【課題】より精度良く電子機器又はそれに含まれる基板の資源価値を推定できるようにする。
【解決手段】本推定方法は、（Ａ）電子機器のメーカを特定するステップと、（Ｂ）特定されたメーカに基づき、電子機器に含まれる基板上に実装される部品のうち着目すべき部品の種別を特定するステップと、（Ｃ）基板の画像から、着目すべき部品の種別に属する部品の領域を抽出する抽出ステップと、（Ｄ）抽出された部品の領域の合計面積及び上記メーカに基づき、電子機器又は基板の資源価値を推定するステップとを含む。
【選択図】図４

【特許請求の範囲】

【請求項1】

電子機器のメーカを特定するステップと、
特定された前記メーカに基づき、前記電子機器に含まれる基板上に実装される部品のうち着目すべき部品の種別を特定するステップと、
前記基板の画像から、前記着目すべき部品の種別に属する部品の領域を抽出する抽出ステップと、
抽出された前記部品の領域の合計面積及び前記メーカに基づき、前記電子機器又は前記基板の資源価値を推定するステップと、
を、コンピュータに実行させるためのプログラム。

【請求項2】

前記着目すべき部品の種別を特定するステップが、
メーカと着目すべき部品の１又は複数の種別との対応関係を格納したデータ格納部から、特定された前記メーカに対応付けられた着目すべき部品の１又は複数の種別を特定するステップ
を含む請求項１記載のプログラム。

【請求項3】

前記着目すべき部品の種別が、ＩＣ（Integrated Circuit）と、コネクタと、ＩＣ及びコネクタとのうちのいずれかである
請求項１又は２記載のプログラム。

【請求項4】

前記抽出ステップが、
前記着目すべき部品の種別毎に、抽出部品の特徴色のＨＳＬ（Hue/Saturation/Luminance）成分分布に基づくカラー二値化、平均化フィルタリング、及び部品形状の特徴に基づく所定のフィルタリングの組み合わせを含む
請求項１乃至３のいずれか１つ記載のプログラム。

【請求項5】

前記部品形状の特徴に基づく所定のフィルタリングが、長辺サイズに基づくフィルタリング、アスペクト比に基づくフィルタリング、及び稠密度に基づくフィルタリングを含む
請求項４記載のプログラム。

【請求項6】

前記抽出ステップが、
前記着目すべき部品の種別毎に、当該部品の種別に属する部品の領域を特定するように機械学習された学習済みモデルを用いて行われる
請求項１乃至３のいずれか１つ記載のプログラム。

【請求項7】

電子機器のメーカを特定するステップと、
特定された前記メーカに基づき、前記電子機器に含まれる基板上に実装される部品のうち着目すべき部品の種別を特定するステップと、
前記基板の画像から、前記着目すべき部品の種別に属する部品の領域を抽出する抽出ステップと、
抽出された前記部品の領域の合計面積及び前記メーカに基づき、前記電子機器又は前記基板の資源価値を推定するステップと、
を含み、コンピュータが実行する推定方法。

【請求項8】

電子機器のメーカを特定する手段と、
特定された前記メーカに基づき、前記電子機器に含まれる基板上に実装される部品のうち着目すべき部品の種別を特定する手段と、
前記基板の画像から、前記着目すべき部品の種別に属する部品の領域を抽出する抽出手段と、
抽出された前記部品の領域の合計面積及び前記メーカに基づき、前記電子機器又は前記基板の資源価値を推定する手段と、
を有する情報処理システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、電子機器又は基板の資源価値を推定する技術に関する。

【背景技術】

【0002】

廃棄される電子機器の資源価値を非破壊で推定する技術は既に幾つか存在している。例えば、特許文献１には、金、銀、銅、プラチナなどの資源（すなわち元素）毎に、基板に含まれる含有量を、電子部品の種別毎の、基板上の総面積と、対応する係数との積和で算出できることが記載されている。元素毎に含有量が分かれば、元素の単価から資源価値も算出することが出来る。しかしながら、従来技術では、電子機器のメーカによる差異について着目したものはない。すなわち、電子機器のメーカによって、電子部品の種別毎の、基板上の総面積と、資源価値との関係は大きく異なっており、電子機器のメーカというデータを無視していては、精度の良い資源価値の推定は出来ない。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１５－２２２５１１号公報

【特許文献2】特開２０１５－２３２４４９号公報

【特許文献3】特開２０１６－２１８９７９号公報

【特許文献4】特開２０１７－１０６７９２号公報

【特許文献5】特開２０１７－１３３８５０号公報

【特許文献6】特開２０２０－１９０８８１号公報

【特許文献7】特開２０１５－２２２５１０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

従って、本発明の目的は、一側面によれば、より精度良く電子機器又はそれに含まれる基板の資源価値を推定できるようにする技術を提供することである。

【課題を解決するための手段】

【0005】

本発明に係る推定方法は、（Ａ）電子機器のメーカを特定するステップと、（Ｂ）特定されたメーカに基づき、電子機器に含まれる基板上に実装される部品のうち着目すべき部品の種別を特定するステップと、（Ｃ）基板の画像から、着目すべき部品の種別に属する部品の領域を抽出する抽出ステップと、（Ｄ）抽出された部品の領域の合計面積及び上記メーカに基づき、電子機器又は基板の資源価値を推定するステップとを含む。

【発明の効果】

【0006】

一側面によれば、より精度良く電子機器又はそれに含まれる基板の資源価値を推定できるようになる。

【図面の簡単な説明】

【0007】

【図1】図１は、電子機器１機種（１基板）当たりのＡｕ価値と総資源価値との関係を表す図である。

【図2】図２は、各部品のＡｕ濃度と、部品搭載時に基板中に含まれるＡｕ量に占める割合（分配率）との関係を表す図である。

【図3A】図３Ａは、ＩＣの上面面積の和とＡｕ価値との関係を表す図である。

【図3B】図３Ｂは、コネクタの上面面積の和とＡｕ価値との関係を表す図である。

【図3C】図３Ｃは、ＩＣ＋コネクタの上面面積の和とＡｕ価値との関係を表す図である。

【図4】図４は、本実施の形態に係る情報処理装置の構成を示す図である。

【図5】図５は、種別選定テーブルの一例を示す図である。

【図6A】図６Ａは、本実施の形態に係る処理フローを示す図である。

【図6B】図６Ｂは、本実施の形態に係る処理フローを示す図である。

【図7】図７は、ＩＣ抽出処理の具体例を説明するための図である。

【図8】図８は、情報処理装置であるコンピュータの機能構成例を示す図である。

【発明を実施するための形態】

【0008】

［実施の形態の前提］
家庭電化製品などの電子機器は、複数の部品を実装した基板（一般的にはプリント基板）を含む。また、実装される部品には、メモリ、プロセッサその他のＩＣ（Integrated Circuit）、トランジスタやダイオード、各種コンデンサ、コイルやトランス、水晶振動子、コネクタ等が含まれる。このような基板は、様々な元素を含む。例えば、本願発明者は、廃デジタルカメラ２６機種（５メーカ、２０００年乃至２０１４年製）を収集した。それらを手解体して複数枚のプリント基板を取り出し、小型カッターミルで粉砕し、空気雰囲気下にて焙焼した後（４５０℃、４時間）、蛍光Ｘ線分析を行った。また微量元素分析用に加圧酸分解し、ＩＣＰ発光分光分析および質量分析を行った。元素分析後に得られた各元素重量に、２０２０年４月３０日当時の元素価格)をそれぞれ掛け合わせ、廃デジカメ１機種に含まれる基板の価格を算出した。（Ａｕ：６４１１円／ｇ，Ａｇ：５６．８円／ｇ，Ｃｕ：０．５６円／ｇ，Ｔａ：１６．４円／ｇ，Ｐｄ：７２０７円など）

【0009】

図１に、電子機器１機種（含まれる基板は１枚乃至５枚）当たりのＡｕの価値（Ａｕ元素価格×重量）と総資源価値との関係を示す。総資源価値は３０乃至４９２円の間でばらつきがあり、平均値は１８７円であった。プロットがほぼ直線上に分布しており（相関係数Ｒの二乗値（寄与率）Ｒ^２＝０．９９０）、Ａｕの価値と総資源価値との間に強い正相関が認められる。回帰直線の傾きが１．１１であることから、いずれの価値の基板においてもＡｕの価値が占める割合は、一律におよそ９０．０%と推定しても、全体として価値の誤差はほとんど生じない、ということが分かる。すなわち、Ａｕのみに着目しても精度上問題ない。

【0010】

また、本願発明者は、検証用に別に入手した廃デジタルカメラ１８機種に搭載されている電子部品を全て基板から剥離させ、部品種類毎に重量割合を測定し、上記の元素分析を実施した。元素分析の結果より、各部品のＡｕ濃度と、部品搭載時に基板中に含まれるＡｕ量に占める割合を分配率として計算した結果を図２に示す。重量割合の高い部品はアルミ電解コンデンサ（１９．３％）、ポート（９．３％）、ＩＣ・メモリ（８．６％）等であり、部品のない基板部分（ガラスエポキシ樹脂基板＋フレキシブル基板）は３３．８％を占める。Ａｕ濃度の高い部品は、ＩＣ・メモリ（８９６０ppm）、トランジスタ・ダイオード（５５００ppm）、水晶振動子（４０００ppm）の順となったが、重量割合を考慮した分配率に換算すると、ＩＣ・メモリの値が圧倒的に高く（６６．０％）、次にコネクタ（７．５２％）と続いた。基板部分を除いた部品のみの分配率を考慮すると、ＩＣ・メモリとコネクタの２種類で８割を超えた。このようにＡｕのみに着目するならば、ＩＣ（メモリやプロセッサを含む）とコネクタに着目すれば精度的に十分であることが分かる。

【0011】

さらに、本願発明者は、Ａｕ価値がＩＣやコネクタの個数のみならずサイズにも依存すると考えられるため、それぞれ上面の面積（すなわち基板上の面積）を計測し、総和を取ることにより、総資源価値を推定し得ると予測した。図３Ａ乃至図３Ｃに、５メーカ製造の廃デジタルカメラ２６機種について、それぞれに含まれる基板に搭載されているＩＣ、コネクタ、及びＩＣ＋コネクタの上面面積の和と、１機種当たりのＡｕ価値との関係をそれぞれ示す。なおＩＣ及びコネクタは、長辺サイズ２ｍｍ未満の個数が少なく、上面面積の和に占める割合も少ないと考えられたため、２ｍｍ以上のものを対象とした。

【0012】

図３Ａ乃至図３Ｃからすると、おおよそＩＣやコネクタの上面面積（合計面積とも呼ぶ）の和とＡｕ価値との間には正相関があり、面積和が大きければＡｕ価値が高いことを示した。具体的に、図３Ａに示すように、ＩＣ上面面積との相関は、メーカＡ及びＢの場合に寄与率（Ｒ^２）がそれぞれ０．９７、０．９４と非常に高く、メーカＣ及びＤの場合は０．６前後である程度示された。一方、メーカＥのＩＣ上面面積データは狭い範囲に留まり、相関が見い出せなかった。

【0013】

また、図３Ｂに示すように、コネクタ上面面積との相関はメーカＥの場合を除いてどれも高く、メーカＢの寄与率が０．９６、次いでメーカＡ、Ｃ及びＤが０．８５乃至０．９程度であった。一方、比較的広い範囲にデータがあったにもかかわらず、メーカＥのみ明確な正相関が見られなかった。さらに、図３Ｃに示すように、ＩＣ＋コネクタの上面面積との相関については、メーカＣの場合に寄与率がやや低くなったものの（０．６７）、メーカＡ、Ｂ及びＤで０．９４以上の極めて強い正相関を示すことが分かった。一方、メーカＥの場合は、どちらかというと負の相関が示唆された。

【0014】

以上のように、本願発明者によれば、メーカによって着目すべき部品の種別（ＩＣ／コネクタ／ＩＣ＋コネクタ）が異なるという新たな知見が得られた。特に、負の相関を表すようなメーカＥのような存在があるとすると、メーカというパラメータ無しでは高精度な資源価値の推定は不可能である。以下、上記のような前提に基づき、資源価値を算出するための構成について詳細に説明する。

【0015】

［実施の形態の構成例］
本実施の形態に係る処理を実行する情報処理装置１０００は、図４に示すように、画像取得部１０２と、画像格納部１０４と、メーカ特定部１０６と、種別選定部１０８と、種別選定テーブル格納部１１０と、ＩＣ抽出部１１２と、コネクタ抽出部１１４と、価値算出部１１６と、価値算出データベース（ＤＢ）１１８と、出力部１２０と、処理結果格納部１２２とを含む。

【0016】

画像取得部１０２は、例えばデジタルカメラなどから基板の画像を取得し、画像格納部１０４に格納する。メーカ特定部１０６は、基板を含む電子機器のメーカを、各種手法を用いて特定する。例えば、特開２０１９－８１９７１号公報記載の手法を採用しても良いし、電子機器又は基板の画像から特徴量を抽出してメーカ名又はメーカ識別子を特定したり、ユーザにメーカ名又はメーカ識別子を入力させるようにしても良い。さらに、電子機器又は基板の画像からメーカ識別子を出力するように機械学習された学習済みモデルを用いて特定するようにしても良い。

【0017】

種別選定部１０８は、電子機器のメーカに基づき、着目すべき部品の種別を、種別選定テーブル格納部１１０から選定する。種別選定テーブル格納部１１０には、例えば図５に示すようなテーブルを格納している。テーブルでは、メーカ名に対応付けて着目すべき部品種別が登録されている。図３Ａ乃至図３Ｃのような結果からすると寄与率に着目し、メーカＡに対応付けて部品種別「ＩＣ」が登録されており、メーカＢに対応付けて部品種別「ＩＣ＋コネクタ」が登録されており、メーカＣに対応付けて部品種別「コネクタ」が対応付けられており、メーカＤに対応付けて部品種別「ＩＣ＋コネクタ」が登録されており、メーカＥに対応付けて部品種別「ＩＣ＋コネクタ」が登録されている。なお、同一特性を有するメーカをグループ化する場合もあるし、メーカ不明の場合の汎用のデータを登録するようにしても良い。

【0018】

ＩＣ抽出部１１２は、種別選定部１０８の選定結果に基づき、着目すべき部品の種別にＩＣが含まれている場合には、画像格納部１０４に格納されている基板の画像から、ＩＣの領域を抽出して当該領域の総面積（合計面積とも呼ぶ）を算出する。コネクタ抽出部は、種別選定部１０８の選定結果に基づき、着目すべき部品の種別にコネクタが含まれている場合には、画像格納部１０４に格納されている基板の画像から、コネクタの領域を抽出して当該領域の総面積を算出する。

【0019】

価値算出部１１６は、特定されたメーカ名又はメーカ識別子とＩＣ抽出部１１２とコネクタ抽出部１１４と廃棄時の資源価値を算出し、処理結果格納部１２２に格納する。なお、価値算出ＤＢ１１８には、例えば、図３Ａ乃至図３Ｃに示すような総面積とＡｕ価値との関係を表す数式と、図１に示すようなＡｕ価値と基板の資源価値との関係を表す数式とをメーカ毎に保持しておく。但し、これらの数式を統合した数式や、数式に対応するテーブル等のデータを保持しておくようにしても良い。また、基板の資源価値だけではなく、電子機器全体の資源価値を算出する場合には、基板の資源価値から電子機器全体の資源価値を算出するような数式などを保持しておいても良い。なお、基板の資源価値は、電子機器全体の資源価値に対する所定割合（例えば９０％）であることが分かっているので、基板の資源価値から電子機器全体の資源価値を推定することは可能である。

【0020】

出力部１２０は、処理結果格納部１２２に格納された資源価値を、情報処理装置１０００の表示装置や印刷装置、ネットワークに接続された他のコンピュータ等に出力する。

【0021】

次に、図６Ａ乃至図７を用いて、情報処理装置１０００の処理内容について詳細に説明する。なお、図６Ａ及び図６Ｂの処理については、基板毎に実行される。
まず、画像取得部１０２は、デジタルカメラなどで撮影された処理対象基板の画像を取得し、画像格納部１０４に格納する（図６Ａ：ステップＳ１）。情報処理装置１０００がデジタルカメラに接続されていて当該デジタルカメラから画像を取得しても良いし、他のネットワークに接続されたコンピュータ等を経由して画像を取得するようにしても良い。

【0022】

次に、メーカ特定部１０６は、上でも述べたように各種手法を用いて、基板を含む電子機器のメーカを特定する（ステップＳ３）。例えば、資源価値を推定すべき基板の順番で、電子機器のメーカ名又はメーカ識別子のデータが登録されたファイルを用意して、当該ファイルから、図６Ａ及び図６Ｂの処理を実行する毎にメーカ名又はメーカ識別子を読み出すような形であっても良い。

【0023】

種別選定部１０８は、特定されたメーカで種別選定テーブルを参照することで、着目すべき部品の種別を選定する（ステップＳ５）。図５に示したような種別選定テーブルを保持していれば、メーカ名又はメーカ識別子から、ＩＣ、ＩＣ＋コネクタ（両方）、又はコネクタが、着目すべき部品の種別として特定される。

【0024】

そして、着目すべき部品の種別が、ＩＣ又は両方（ＩＣ＋コネクタ）である場合には（ステップＳ７：Ｙｅｓルート）、ＩＣ抽出部１１２は、画像格納部１０４に格納されている画像に対してＩＣ抽出処理を実行する（ステップＳ９）。ＩＣ抽出処理は、画像解析で行う場合もあれば、基板の画像からＩＣの領域を抽出するように機械学習された学習済みモデルによって行う場合もある。

【0025】

画像解析にてＩＣの領域を抽出する場合には、以下のような処理を行う。すなわち、ＩＣの特徴色のＨＳＬ（Hue/Saturation/Luminance）成分分布に基づくカラー二値化を行う。例えば、色相:２０乃至２００、彩度：０乃至７０、輝度：２５乃至９５の範囲を１に、それ以外を０にすることで、二値化を実施する。例えば、図７の上段左端に示すような基板の画像を処理する場合には、カラー二値化（Color binarization）を行うと、上段左から２番目の画像が得られる。点線で囲まれたＩＣはほぼ抽出されているが、多数のＩＣ以外の部品も含まれている。次に、所定サイズ（例えば７×７ピクセル）の画素領域における画素値をそれらの平均値に置換する平均化フィルタリング（Average filtering）を行う。図７の例では、上段左から２番目の画像に対して平均化フィルタリングを行うと、上段左から３番目の画像が得られる。これによりＩＣの輪郭を明確化でき、ＩＣ以外の端子などで生ずるノイズを除去することが出来る。

【0026】

次に、現段階でのＩＣの領域内部に含まれる微小な領域に対して穴埋め処理（Filling）を実行する。図７の上段左から３番目の画像ではＩＣ表面に印字されたＩＣ名などが見られるが、穴埋め処理を実行すると、図７の上段右端の画像では、ＩＣ名などが埋められて見えなくなっている。さらに、ＩＣ以外の細かい領域（粒子）を除去するため、２度目の平均化フィルタリングを実行する。図７の上段右端の画像に対して、所定サイズ（例えば９×９ピクセル）の画素領域における画素値をそれらの平均値に置換する２度目の平均化フィルタリングを実行すると、図７の下段左端の画像が得られる。

【0027】

その後、検出すべきＩＣの形状（サイズを含む）の特徴に基づくフィルタリングを行う。具体的には、長辺サイズの範囲（例えば、２－５ｍｍ、５－１０ｍｍ、１０－１５ｍｍ、１５ｍｍ－３０ｍｍ）を設定して、それ以外を除去する長辺サイズフィルタリングを行う。図７の下段左端の画像に対して長辺サイズフィルタリング（Long side size filtering）を実行すると、図７の下段左から２番目の画像が得られる。さらに、アスペクト比の範囲（例えば、１乃至３．５）を指定して、それ以外を除去するアスペクト比フィルタリングを実行する。図７の下段左から２番目の画像に対してアスペクト比フィルタリング（Aspect ratio filtering）を実行すると、図７の下段左から３番目の画像が得られる。さらに、稠密度（抽出領域面積とその外接長方形面積との比）の範囲（例えば０．６－１）を指定して、それ以外を除去する稠密度フィルタリングを実行する。図７の下段左から３番目の画像に対して、稠密度フィルタリング（Compactness filtering）を実行すると、図７の下段右端の画像が得られる。このような処理を行うことにより、あまりに大きな領域、アスペクト比の高い領域、稠密度の低いケーブル部分などの領域を除去できるようになる。

【0028】

このように抽出された領域の総面積を計算する。なお、上で述べた数値については、一例に過ぎず、処理すべき基板に基づき設定することになる。

【0029】

さらに、基板の画像からＩＣの領域を抽出するように機械学習された学習済みモデルの場合には、例えば、残差ネットワーク（Residual Network）に対して教師有りの学習処理を行って得られた学習済みモデルを用いる。より具体的には、ＲｅｓＮｅｔ５０という既知の残差ネットワークを用いる。なお、デジタルカメラのプリント基板上のＩＣ画像２３６７枚を学習させた上で未学習の基板の画像２６３枚に対してＩＣの検出を行わせたところ、検出率９７．３％、検出したＩＣの正解率９０．１％であった。なお、残差ネットワークではなく、他のタイプのニューラルネットワークを使用することも可能である。

【0030】

図６Ａの説明に戻って、ステップＳ９の後に、着目すべき部品の種別が両方（ＩＣ＋コネクタ）ではない場合（ステップＳ１１：Ｎｏルート）、端子Ａを介して図６Ｂの処理に移行する。一方、着目すべき部品の種別が、ＩＣ及び両方（ＩＣ＋コネクタ）ではない場合（ステップＳ７：Ｎｏルート）、又は着目すべき部品の種別が、両方（ＩＣ＋コネクタ）である場合（ステップＳ１１：Ｙｅｓルート）、コネクタ抽出部１１４は、画像格納部１０４に格納されている画像に対してコネクタ抽出処理を実行する（ステップＳ１３）。その後、処理は端子Ａを介して図６Ｂの処理に移行する。

【0031】

コネクタ抽出処理についても、ＩＣ抽出処理における処理の基本構造は同じである。すなわち、特徴色のＨＳＬ成分分布に基づくカラー二値化、平均化フィルタリング、穴埋め処理、２度目の平均化フィルタリング、長辺サイズフィルタリング、アスペクト比フィルタリング、及び稠密度フィルタリングを、コネクタについて適切なパラメータを設定して実行する。なお、コネクタの色は様々なので、色毎にコネクタ抽出処理を実行するようにしても良い。さらに、同じ色でもサイズなどが異なる場合には、色且つサイズ毎にコネクタ抽出処理を実行するようにしても良い。

【0032】

さらに、基板の画像からコネクタの領域を抽出するように機械学習された学習済みモデルの場合には、例えば、残差ネットワーク（Residual Network）に対して教師有りの学習処理を行って得られた学習済みモデルを用いる。より具体的には、ＲｅｓＮｅｔ５０という既知の残差ネットワークを用いる。なお、デジタルカメラのプリント基板のコネクタ画像１３５０枚を学習させた上で未学習の基板の画像１５０枚に対してＩＣの検出を行わせたところ、検出率９５．９％、検出したＩＣの正解率９７．３％であった。なお、残差ネットワークではなく、他のタイプのニューラルネットワークを使用することも可能である。

【0033】

図６Ｂの処理に移行して、価値算出部１１６は、ＩＣ抽出部１１２とコネクタ抽出部１１４とのうち抽出処理を実行したものが抽出した領域の面積を合計する（ステップＳ１５）。そして、価値算出部１１６は、特定されたメーカに対応する、資源価値算出のためのデータを価値算出ＤＢ１１８から読み出して、当該資源価値算出のためのデータにより合計面積に対応する資源価値を算出し、処理結果格納部１２２に格納する（ステップＳ１７）。資源価値算出のためのデータは、上で述べたように、基板の資源価値を算出するための数式などである場合もあれば、電子機器全体の資源価値を算出するための数式などである場合もある。

【0034】

そして、出力部１２０は、処理結果格納部１２２に格納されている資源価値のデータを、表示装置などの出力装置に出力する（ステップＳ１９）。このようにすることで、メーカによる傾向を反映させて、精度良く基板又は電子機器全体の資源価値を推定できるようになる。

【0035】

以上、本発明の実施の形態について説明したが、本発明はこれらに限定されるものではない。例えば、上記実施の形態において、任意の要素を除去して実施する場合もある。処理フローについては、処理結果が変わらない限り順番を入れ替えたり、複数のステップを並列に実行する場合もある。また、図４に示した情報処理装置の機能ブロック構成は、一例に過ぎず、プログラムモジュール構成やファイル構成などと異なる場合もある。

【0036】

なお、１台の情報処理装置で情報処理装置１０００の機能を実現するのではなく、複数台の情報処理装置が協働して情報処理装置１０００の機能を実現する場合もある。いずれの場合も、情報処理装置１０００を情報処理システムと呼ぶ場合がある。

【0037】

なお、上で述べた情報処理装置１０００は、例えばコンピュータ装置であって、図８に示すように、メモリ２５０１とＣＰＵ（Central Processing Unit）２５０３とハードディスク・ドライブ（ＨＤＤ：Hard Disk Drive）２５０５と表示装置２５０９に接続される表示制御部２５０７とリムーバブル・ディスク２５１１用のドライブ装置２５１３と入力装置２５１５とネットワークに接続するための通信制御部２５１７と周辺機器（イメージセンサ１００、減衰機構３００、冷却機構４００などを含む）と接続するための周辺機器接続部２５２１とがバス２５１９で接続されている。なお、ＨＤＤはソリッドステート・ドライブ（ＳＳＤ：Solid State Drive）などの記憶装置でもよい。オペレーティング・システム（ＯＳ：Operating System）及び本発明の実施の形態における処理を実施するためのアプリケーション・プログラムは、ＨＤＤ２５０５に格納されており、ＣＰＵ２５０３により実行される際にはＨＤＤ２５０５からメモリ２５０１に読み出される。ＣＰＵ２５０３は、アプリケーション・プログラムの処理内容に応じて表示制御部２５０７、通信制御部２５１７、ドライブ装置２５１３を制御して、所定の動作を行わせる。また、処理途中のデータについては、主としてメモリ２５０１に格納されるが、ＨＤＤ２５０５に格納されるようにしてもよい。例えば、上で述べた処理を実施するためのアプリケーション・プログラムはコンピュータ読み取り可能なリムーバブル・ディスク２５１１に格納されて頒布され、ドライブ装置２５１３からＨＤＤ２５０５にインストールされる。インターネットなどのネットワーク及び通信制御部２５１７を経由して、ＨＤＤ２５０５にインストールされる場合もある。このようなコンピュータ装置は、上で述べたＣＰＵ２５０３、メモリ２５０１などのハードウエアとＯＳ及びアプリケーション・プログラムなどのプログラムとが有機的に協働することにより、上で述べたような各種機能を実現する。

【0038】

以上述べた実施の形態をまとめると以下のようになる。

【0039】

本実施の形態に係る推定方法は、（Ａ）電子機器のメーカを特定するステップと、（Ｂ）特定されたメーカに基づき、電子機器に含まれる基板上に実装される部品のうち着目すべき部品の種別を特定するステップと、（Ｃ）基板の画像から、着目すべき部品の種別に属する部品の領域を抽出する抽出ステップと、（Ｄ）抽出された部品の領域の合計面積及び特定されたメーカに基づき、電子機器又は基板の資源価値を推定するステップとを含む。

【0040】

上でも述べたように、メーカによって着目すべき部品の種別が異なり、さらに基板上の領域の合計面積と資源価値との関係も異なってくるので、上記のような処理を行うことで、資源価値推定の精度が向上する。

【0041】

また、上で述べた着目すべき部品の種別を特定するステップが、メーカと着目すべき部品の１又は複数の種別との対応関係を格納したデータ格納部から、特定されたメーカに対応付けられた着目すべき部品の１又は複数の種別を特定するステップを含むようにしても良い。上記対応関係を事前に準備することで、より精度の高い資源価値推定が行われるようになる。

【0042】

さらに、上で述べた着目すべき部品の種別が、ＩＣ（Integrated Circuit）と、コネクタと、ＩＣ及びコネクタとのうちのいずれかである場合もある。Ａｕの価格に基づくとＩＣとコネクタとに着目することが好ましいが、価格変動があれば他の元素に着目するような場合もあり、そのような場合には、ＩＣとコネクタとに着目しない場合もあり得る。

【0043】

上で述べた抽出ステップが、着目すべき部品の種別毎に、抽出部品の特徴色のＨＳＬ（Hue/Saturation/Luminance）成分分布に基づくカラー二値化、平均化フィルタリング、及び部品形状の特徴に基づく所定のフィルタリングの組み合わせを含むようにしても良い。画像解析による抽出を行う場合には、適切なパラメータを設定した上でこのような処理を行うことで、適切な抽出が行われるようになる。

【0044】

なお、部品形状の特徴に基づく所定のフィルタリングが、長辺サイズに基づくフィルタリング、アスペクト比に基づくフィルタリング、及び稠密度に基づくフィルタリングを含むようにしても良い。これらにより抽出すべき部品に絞り込まれるようになる。

【0045】

さらに、上で述べた抽出ステップが、着目すべき部品の種別毎に、当該部品の種別に属する部品の領域を特定するように機械学習された学習済みモデルを用いて行われるようにしても良い。例えば、画像から特定種別の部品を抽出するように学習された残差ネットワーク等の学習済みモデルであっても良い。

【0046】

以上述べた方法をコンピュータに実行させるためのプログラムを作成することができて、そのプログラムは、様々な記憶媒体に記憶される。

【符号の説明】

【0047】

１０００ 情報処理装置
１０２ 画像取得部 １０４ 画像格納部
１０６ メーカ特定部 １０８ 種別選定部
１１０ 種別選定テーブル格納部
１１２ ＩＣ抽出部 １１４ コネクタ抽出部
１１６ 価値算出部 １１８ 価値算出ＤＢ
１２０ 出力部 １２２ 処理結果格納部

【図1】

【図2】

【図3A】

【図3B】

【図3C】

【図4】

【図5】

【図6A】

【図6B】

【図7】

【図8】