知財求人 - 知財ポータルサイト「IP Force」
(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】P2023050291
(43)【公開日】2023-04-11
(54)【発明の名称】学習モデル生成方法、プログラム及び空気比推定装置
(51)【国際特許分類】
F23N 5/00 20060101AFI20230404BHJP
G06N 20/00 20190101ALI20230404BHJP
【ＦＩ】
F23N5/00 H
G06N20/00 130
【審査請求】有
【請求項の数】4
【出願形態】ＯＬ
(21)【出願番号】P 2021160328
(22)【出願日】2021-09-30
(11)【特許番号】
(45)【特許公報発行日】2022-04-21
(71)【出願人】
【識別番号】000220262
【氏名又は名称】東京瓦斯株式会社
(74)【代理人】
【識別番号】100104880
【弁理士】
【氏名又は名称】古部 次郎
(74)【代理人】
【識別番号】100125346
【弁理士】
【氏名又は名称】尾形 文雄
(72)【発明者】
【氏名】山崎 将英
(72)【発明者】
【氏名】岡村 亮太
(72)【発明者】
【氏名】鎌田 裕也
【テーマコード（参考）】
3K003
【Ｆターム（参考）】
3K003EA08
3K003FA02
3K003GA03
3K003JA05
(57)【要約】
【課題】観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比の推定を可能にする。
【解決手段】学習モデル生成方法は、燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像した火炎画像データであって、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データとして取得し、教師データを用い、観察窓を通じて撮像された火炎画像データを入力、空気比を出力とする学習モデルを生成する。
【選択図】図１
【解決手段】学習モデル生成方法は、燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像した火炎画像データであって、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データとして取得し、教師データを用い、観察窓を通じて撮像された火炎画像データを入力、空気比を出力とする学習モデルを生成する。
【選択図】図１
【特許請求の範囲】
【請求項1】
燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像した火炎画像データであって、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データとして取得し、
前記教師データを用い、前記観察窓を通じて撮像された前記火炎画像データを入力、空気比を出力とする学習モデルを生成する、
学習モデル生成方法。
前記教師データを用い、前記観察窓を通じて撮像された前記火炎画像データを入力、空気比を出力とする学習モデルを生成する、
学習モデル生成方法。
【請求項2】
前記教師データに、撮影倍率が異なる複数の前記火炎画像データを含める、
請求項１に記載の学習モデル生成方法。
請求項１に記載の学習モデル生成方法。
【請求項3】
燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像された火炎画像データを取得し、
個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラム。
個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラム。
【請求項4】
前記火炎画像データは、現場の作業者により手持ちで撮像される、
請求項３に記載のプログラム。
請求項３に記載のプログラム。
【請求項5】
燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像された火炎画像データを取得する取得部と、
個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、
を有する空気比推定装置。
個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、
を有する空気比推定装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、学習モデル生成方法、プログラム及び空気比推定装置に関する。
【背景技術】
【0002】
工場等で使用される加熱炉では、複数の火炎が配列されるバーナーが使用される。この種のバーナーは、火炎が一列に配列される特徴から、ラインバーナーやリボンバーナーとも呼ばれる。
現在、加熱炉内の火炎の状態は、燃料ガスと空気が予め混合されたガス（以下「予混合ガス」という）の空気比を手動で調整している。具体的には、作業者は、加熱炉に設けた観察窓から炉内の火炎を観察し、自身の感覚やノウハウに基づいて空気比を調整している。
現在、加熱炉内の火炎の状態は、燃料ガスと空気が予め混合されたガス（以下「予混合ガス」という）の空気比を手動で調整している。具体的には、作業者は、加熱炉に設けた観察窓から炉内の火炎を観察し、自身の感覚やノウハウに基づいて空気比を調整している。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０２１－８３５５８号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかし、作業者による空気比の判断には個人差があり、判断の精度にも限界がある。また、技能の承継も問題になっている。更に、工場等では、数百本のラインバーナーが使用されることがあり、多くの時間と手間を必要とする。
【0005】
本発明は、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比の推定を可能にすることを目的とする。
【課題を解決するための手段】
【0006】
請求項１に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像した火炎画像データであって、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データとして取得し、前記教師データを用い、前記観察窓を通じて撮像された前記火炎画像データを入力、空気比を出力とする学習モデルを生成する、学習モデル生成方法である。
請求項２に記載の発明は、前記教師データに、撮影倍率が異なる複数の前記火炎画像データを含める、請求項１に記載の学習モデル生成方法である。
請求項３に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像された火炎画像データを取得し、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラムである。
請求項４に記載の発明は、前記火炎画像データは、現場の作業者により手持ちで撮像される、請求項３に記載のプログラムである。
請求項５に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像された火炎画像データを取得する取得部と、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、を有する空気比推定装置である。
請求項２に記載の発明は、前記教師データに、撮影倍率が異なる複数の前記火炎画像データを含める、請求項１に記載の学習モデル生成方法である。
請求項３に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像された火炎画像データを取得し、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラムである。
請求項４に記載の発明は、前記火炎画像データは、現場の作業者により手持ちで撮像される、請求項３に記載のプログラムである。
請求項５に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼するバーナーを備える炉内の火炎を、炉の外から観察窓を通じて撮像された火炎画像データを取得する取得部と、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、を有する空気比推定装置である。
【発明の効果】
【0007】
請求項１記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項２記載の発明によれば、空気比の推定精度を一段と高めることができる。
請求項３記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項４記載の発明によれば、様々な現場での撮像を可能にできる。
請求項５記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項２記載の発明によれば、空気比の推定精度を一段と高めることができる。
請求項３記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項４記載の発明によれば、様々な現場での撮像を可能にできる。
請求項５記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
【図面の簡単な説明】
【0008】
【図1】火炎画像と炉内の空気比の関係を学習したモデルの生成に使用する学習システムの一例を説明する図である。
【図2】火炎画像データの取得時におけるカメラと火炎との位置関係を説明する図である。（Ａ）は撮影距離Ｌと火炎を撮像する角度θを示し、（Ｂ）は角度θの具体例を示す。
【図3】機械学習装置に与えられる火炎画像の一例を説明する図である。（Ａ）～（Ｊ）は、各空気比に対応する火炎画像の例である。
【図4】機械学習装置のハードウェア構成の一例を説明する図である。
【図5】深層学習モデルの一例を説明する図である。
【図6】加熱炉の観察窓を通して撮像された火炎画像から炉内の空気比を推定する推定システムの構成例を説明する図である。
【図7】空気比推定装置のハードウェア構成の一例を説明する図である。
【図8】学習モデルの生成に使用した教師データの具体例を説明する図表である。
【図9】撮像された火炎画像を使用して学習した学習モデルを使用した空気比の推定結果の精度を説明する図である。（Ａ）は教師データとして使用した火炎画像を学習モデルに与えることで得られた空気比の正答率の推移を示し、（Ｂ）は教師データとして使用した火炎画像を学習モデルに与えることで得られた空気比の誤差の推移を示し、（Ｃ）はテストデータとしての火炎画像を学習モデルに与えることで得られた空気比の正答率の推移を示し、（Ｄ）はテストデータとしての火炎画像を学習モデルに与えることで得られた空気比の誤差の推移を示す。
【図10】カメラ一体型の空気比推定装置のハードウェア構成の一例を説明する図である。
【図11】加熱炉の観察窓を通して撮像された火炎画像から炉内の空気比を推定する他の推定システムの構成例を説明する図である。
【発明を実施するための形態】
【0009】
以下、図面を参照して、本発明の実施の形態を説明する。
＜実施の形態＞
＜学習システムの構成＞
図１は、火炎画像と炉内の空気比の関係を学習したモデル（以下「学習モデル」という）の生成に使用する学習システム１Ａの一例を説明する図である。
図１に示す学習システム１Ａが生成する学習モデルは、工場で使用する加熱炉１０における空気比の推定に使用される。
＜実施の形態＞
＜学習システムの構成＞
図１は、火炎画像と炉内の空気比の関係を学習したモデル（以下「学習モデル」という）の生成に使用する学習システム１Ａの一例を説明する図である。
図１に示す学習システム１Ａが生成する学習モデルは、工場で使用する加熱炉１０における空気比の推定に使用される。
【0010】
図１に示す加熱炉１０の構造は、説明のために簡略化されており、実際の加熱炉１０の構造とは必ずしも一致しない。また、図１に示す加熱炉１０の構造は、加熱炉１０を透過的に表現している。
図１に示す加熱炉１０の炉内には、リボンバーナー２０と、センサ３０と、コンベア４０が配置されている。
図１に示す加熱炉１０の炉内には、リボンバーナー２０と、センサ３０と、コンベア４０が配置されている。
【0011】
リボンバーナー２０は、中空管（すなわちパイプ）に１つ又は複数のノズル列を形成した構造を有している。１つのノズル列には、例えば複数のノズルが一列に形成されている。この構造により、リボンバーナー２０は、中空管の軸方向に沿って配列された火炎列を形成する。
リボンバーナー２０には、燃料ガスと空気を事前に混合した予混合ガスが導入される。予混合ガスを構成する燃料ガスと空気の流量は、燃料ガス用のバルブ２０Ａと空気用のバルブ２０Ｂの開度により調整される。バルブの調整は、作業者が手動で行う。
リボンバーナー２０には、燃料ガスと空気を事前に混合した予混合ガスが導入される。予混合ガスを構成する燃料ガスと空気の流量は、燃料ガス用のバルブ２０Ａと空気用のバルブ２０Ｂの開度により調整される。バルブの調整は、作業者が手動で行う。
【0012】
本実施の形態の場合、燃料ガスには、例えばＬＰＧ（＝Liquefied Petroleum Gas）、都市ガス、低カロリーガスが使用される。
ＬＰＧは、例えばプロパンやブタンを主成分とする液化石油ガスである。都市ガスは、例えばメタンを主成分とする天然ガスである。低カロリーガスは、例えば水素と一酸化炭素を主成分とするガスである。
ＬＰＧは、例えばプロパンやブタンを主成分とする液化石油ガスである。都市ガスは、例えばメタンを主成分とする天然ガスである。低カロリーガスは、例えば水素と一酸化炭素を主成分とするガスである。
【0013】
ところで、加熱炉１０内における燃料ガスと空気との比率（すなわち空気比）は、必ずしも予混合ガスとして導入される燃料ガスと空気との混合比に一致しない。その原因には、例えばバルブ２０Ａ及び２０Ｂの経年劣化、ノズルの目詰まり、炉壁１０Ａに存在する隙間や開口からの空気の流入がある。
【0014】
そこで、学習システム１Ａで使用する加熱炉１０にはセンサ３０を配置し、炉内の空気比を正確に測定する。
本実施の形態の場合、センサ３０には、例えば酸素濃度計やガスクロマトグラフィーを使用する。
センサ３０は、火炎画像と空気比の紐付けのために使用するので、学習用の火炎画像を取得した後は、加熱炉１０から取り外してもよい。
本実施の形態の場合、センサ３０には、例えば酸素濃度計やガスクロマトグラフィーを使用する。
センサ３０は、火炎画像と空気比の紐付けのために使用するので、学習用の火炎画像を取得した後は、加熱炉１０から取り外してもよい。
【0015】
図１に示すコンベア４０は、焼成の対象である被加熱物を矢印の方向に搬送する。図１の場合、被加熱物は、火炎の先端より上空位置を水平方向に移動する。もっとも、図１は一例であり、被加熱物が火炎の下方位置を移動する場合もある。
図１に示すコンベア４０は、被加熱物を矢印の方向に搬送するが、被加熱物を紙面の法線方向に搬送してもよい。紙面の法線方向に被加熱物を搬送する場合、図１に示すリボンバーナー２０が、紙面の法線方向に複数配列される。
図１に示すコンベア４０は、被加熱物を矢印の方向に搬送するが、被加熱物を紙面の法線方向に搬送してもよい。紙面の法線方向に被加熱物を搬送する場合、図１に示すリボンバーナー２０が、紙面の法線方向に複数配列される。
【0016】
加熱炉１０の炉壁１０Ａの一部には、炉内の火炎を観察するための窓（以下「観察窓」という）１０Ｂが設けられている。
観察窓１０Ｂは、少なくとも１つリボンバーナー２０に対応して設けられる。観察窓１０Ｂは、例えば耐熱ガラスで構成される。
カメラ５０は、観察窓１０Ｂから炉内の火炎の撮像に用いられる撮像装置である。本実施の形態の場合、カメラ５０には、単焦点レンズを使用する。
観察窓１０Ｂは、少なくとも１つリボンバーナー２０に対応して設けられる。観察窓１０Ｂは、例えば耐熱ガラスで構成される。
カメラ５０は、観察窓１０Ｂから炉内の火炎の撮像に用いられる撮像装置である。本実施の形態の場合、カメラ５０には、単焦点レンズを使用する。
【0017】
単焦点レンズを使用することで、カメラ５０から焦点位置までの距離（以下「撮影距離」という）Ｌは、使用する単焦点レンズの光学特性により概略一定に定まる。なお、被写界深度の範囲内であれば、撮影距離Ｌが異なってもピントがあった火炎画像の撮像が可能である。撮影距離Ｌが異なる火炎画像を撮像する場合には、ピントが合う距離が異なる他の単焦点レンズを交換する。本実施の形態では、撮影距離Ｌが異なる複数の単焦点レンズを使用して火炎画像を撮像する。
【0018】
本実施の形態で使用するカメラ５０には、カラー画像を撮像できるカラーカメラを使用する。ただし、カメラ５０には、火炎画像のデータ（以下「火炎画像データ」という）を色補正せずに出力する機能が求められる。色補正された火炎画像を学習しても、学習モデル６０Ａの汎用性が損なわれるためである。
このため、カメラ５０が色補正機能を有する場合には、色補正機能をオフした状態で火炎画像を撮像する。本実施の形態の場合、火炎の全体を含む画像を「火炎画像」という。
このため、カメラ５０が色補正機能を有する場合には、色補正機能をオフした状態で火炎画像を撮像する。本実施の形態の場合、火炎の全体を含む画像を「火炎画像」という。
【0019】
火炎画像は、カメラ５０を不図示の取付台等に取り付けた状態で撮像してもよいし、作業者がカメラ５０を手で持った状態で撮像してもよい。
本実施の形態の場合、火炎画像を撮像する際の火炎とカメラ５０の位置関係を記録する。
ここでの位置関係は、撮影距離Ｌと、レンズの光軸と撮像される火炎とがなす角（以下「角度」という）θを含む。
本実施の形態の場合、火炎画像を撮像する際の火炎とカメラ５０の位置関係を記録する。
ここでの位置関係は、撮影距離Ｌと、レンズの光軸と撮像される火炎とがなす角（以下「角度」という）θを含む。
【0020】
図２は、火炎画像データの取得時におけるカメラ５０と火炎との位置関係を説明する図である。（Ａ）は撮影距離Ｌと火炎を撮像する角度θを示し、（Ｂ）は角度θの具体例を示す。
前述したように、撮影距離Ｌは、火炎画像の撮像に使用する単焦点レンズの光学特性に応じて決定される。
本実施の形態では、火炎画像に紐付けて撮影距離Ｌを記録するが、１つの空気比について、複数の単焦点レンズを使用して火炎画像を撮像すれば、撮影距離Ｌの記録は必ずしも必要ない。
前述したように、撮影距離Ｌは、火炎画像の撮像に使用する単焦点レンズの光学特性に応じて決定される。
本実施の形態では、火炎画像に紐付けて撮影距離Ｌを記録するが、１つの空気比について、複数の単焦点レンズを使用して火炎画像を撮像すれば、撮影距離Ｌの記録は必ずしも必要ない。
【0021】
また、本実施の形態では、１つの空気比について、複数の角度θで火炎画像を撮像し、撮像時の角度θを記録する。もっとも、撮影距離Ｌと同様、１つの空気比について複数の角度θで火炎画像が撮像すれば、角度θの記録は必ずしも必要ない。
図２（Ｂ）に示す丸印は、火炎画像を撮像する際における単焦点レンズの中心位置の例を示している。
図２（Ｂ）に示す丸印は、火炎画像を撮像する際における単焦点レンズの中心位置の例を示している。
【0022】
換言すると、個々の丸印は、カメラ５０の撮像位置を表している。火炎画像の撮像に使用する中心位置の集合は、複数の空気比で共通でもよいが、異なってもよい。例えば空気比「０．６」に紐付けられる火炎画像の撮像に使用した中心位置の集合と、空気比「１．０」に紐付けられる火炎画像の撮像に使用した中心位置の集合は異なってもよい。
【0023】
なお、同じ同心円上に位置する複数の丸印に対応する角度θの絶対値はいずれも同じになる。
本実施の形態では、１つの角度θについて、火炎を斜め左方から撮像する丸印の位置、斜め上方から撮像する丸印の位置、斜め右方から撮像する丸印の位置など、複数の方向から火炎画像を撮像する。
本実施の形態では、１つの角度θについて、火炎を斜め左方から撮像する丸印の位置、斜め上方から撮像する丸印の位置、斜め右方から撮像する丸印の位置など、複数の方向から火炎画像を撮像する。
【0024】
図１の説明に戻る。
本実施の形態では、１つの空気比について、複数の撮影距離Ｌ×複数の角度θで火炎画像が撮像される。例えば空気比「０．６」について、１０個の撮影距離Ｌと、各撮影距離Ｌについて１０個の角度θ（角度の大きさは同じで方向が違う場合を含む）とで１００個の火炎画像を撮像する。
空気比と火炎画像との紐付けには、例えば時刻データを使用する。
本実施の形態では、１つの空気比について、複数の撮影距離Ｌ×複数の角度θで火炎画像が撮像される。例えば空気比「０．６」について、１０個の撮影距離Ｌと、各撮影距離Ｌについて１０個の角度θ（角度の大きさは同じで方向が違う場合を含む）とで１００個の火炎画像を撮像する。
空気比と火炎画像との紐付けには、例えば時刻データを使用する。
【0025】
機械学習装置６０には、１つの空気比について、複数の撮影距離Ｌと複数の角度θとの組み合わせで撮像された複数枚の火炎画像が与えられる。
撮影距離Ｌが異なる火炎画像は、カメラ５０に取り付けられる単焦点レンズを交換することで撮像が可能である。
具体的には、１つの空気比について、１つの単焦点レンズで複数の角度θで火炎画像を撮像すると、別の単焦点レンズに交換後、改めて複数の角度θで火炎画像を撮像する。
撮影距離Ｌが異なる複数の単焦点レンズによる火炎画像の撮像が終了すると、空気比を別の値に調整して、火炎画像の撮像を繰り返す。
撮影距離Ｌが異なる火炎画像は、カメラ５０に取り付けられる単焦点レンズを交換することで撮像が可能である。
具体的には、１つの空気比について、１つの単焦点レンズで複数の角度θで火炎画像を撮像すると、別の単焦点レンズに交換後、改めて複数の角度θで火炎画像を撮像する。
撮影距離Ｌが異なる複数の単焦点レンズによる火炎画像の撮像が終了すると、空気比を別の値に調整して、火炎画像の撮像を繰り返す。
【0026】
図３は、機械学習装置６０に与えられる火炎画像の一例を説明する図である。（Ａ）～（Ｊ）は、各空気比に対応する火炎画像の例である。
因みに、図３（Ａ）に示す火炎画像は空気比が０．６の例、図３（Ｂ）に示す火炎画像は空気比が０．７の例、図３（Ｃ）に示す火炎画像は空気比が０．７５の例、図３（Ｄ）に示す火炎画像は空気比が０．８の例、図３（Ｅ）に示す火炎画像は空気比が０．８５の例、図３（Ｆ）に示す火炎画像は空気比が０．９の例、図３（Ｇ）に示す火炎画像は空気比が０．９５の例、図３（Ｈ）に示す火炎画像は空気比が１．０の例、図３（Ｉ）に示す火炎画像は空気比が１．０５の例、図３（Ｊ）に示す火炎画像は空気比が１．１の例である。
因みに、図３（Ａ）に示す火炎画像は空気比が０．６の例、図３（Ｂ）に示す火炎画像は空気比が０．７の例、図３（Ｃ）に示す火炎画像は空気比が０．７５の例、図３（Ｄ）に示す火炎画像は空気比が０．８の例、図３（Ｅ）に示す火炎画像は空気比が０．８５の例、図３（Ｆ）に示す火炎画像は空気比が０．９の例、図３（Ｇ）に示す火炎画像は空気比が０．９５の例、図３（Ｈ）に示す火炎画像は空気比が１．０の例、図３（Ｉ）に示す火炎画像は空気比が１．０５の例、図３（Ｊ）に示す火炎画像は空気比が１．１の例である。
【0027】
図３に示す例は、学習の対象として１０個の空気比を選択しているが、学習の対象とする空気比の数は１０個に限らない。例えば空気比の数は１０個より少なくてもよいし、１０個より多くてもよい。
１つの空気比については、複数の撮影距離Ｌと複数の角度θの組み合わせで特定される火炎画像を撮像するが、前述したように、１つの角度θについて撮像の方向が異なる複数の火炎画像を撮像してもよい。
１つの空気比については、複数の撮影距離Ｌと複数の角度θの組み合わせで特定される火炎画像を撮像するが、前述したように、１つの角度θについて撮像の方向が異なる複数の火炎画像を撮像してもよい。
【0028】
機械学習装置６０（図１参照）は、１つの空気比について撮影距離Ｌと角度θの組み合わせを変えて撮像された複数枚の火炎画像を入力とし、空気比を出力とする関係を学習した学習モデル６０Ａを機械学習により生成する。
本実施の形態では、火炎画像と、火炎画像の撮像時に測定された空気比とを教師データとして機械学習装置６０に与える。
本実施の形態では、火炎画像と、火炎画像の撮像時に測定された空気比とを教師データとして機械学習装置６０に与える。
【0029】
すなわち、機械学習装置６０は、教師あり学習により、火炎画像と空気比の関係を学習した学習モデル６０Ａを生成する。具体的には、機械学習装置６０は、火炎画像に含まれる火炎の特徴（色味や形状）と空気比との関係を学習する。
図４は、機械学習装置６０のハードウェア構成の一例を説明する図である。機械学習装置６０は、例えばコンピュータにより構成される。
図４は、機械学習装置６０のハードウェア構成の一例を説明する図である。機械学習装置６０は、例えばコンピュータにより構成される。
【0030】
図４に示す機械学習装置６０は、プログラムを実行するプロセッサ６１と、ＢＩＯＳ（＝Basic Input Output System）を記憶するＲＯＭ（＝Read Only Memory）６２と、ワークエリアとして用いるＲＡＭ（＝Random Access Memory）６３と、ハードディスク装置６４と、火炎画像や空気比の入力に使用するインタフェース６５で構成されている。
【0031】
プロセッサ６１は、例えばＣＰＵ（Central Processing Unit）やＧＰＵ（Graphical Processing Unit）であり、機械学習プログラムを実行する。
ここでの機械学習プログラムは、火炎画像を入力とし、空気比を出力とする関係を機械学習するプログラムである。
機械学習プログラムは、補助記憶装置であるハードディスク装置６４に記憶されている。
ここでの機械学習プログラムは、火炎画像を入力とし、空気比を出力とする関係を機械学習するプログラムである。
機械学習プログラムは、補助記憶装置であるハードディスク装置６４に記憶されている。
【0032】
機械学習プログラムは、教師データに基づいて、深層学習モデルを構成する各階層の変数を調整し、入力として火炎画像が与えられると、火炎画像の撮像時の空気比が出力されるように学習を進める。
図５は、深層学習モデルの一例を説明する図である。図５においては、深層学習モデルの一例として、畳み込みニューラルネットワーク(CNN：Convolutional Neural Network)を例示している。
図５は、深層学習モデルの一例を説明する図である。図５においては、深層学習モデルの一例として、畳み込みニューラルネットワーク(CNN：Convolutional Neural Network)を例示している。
【0033】
畳み込みネットワークは、火炎画像から特徴を抽出する畳み込み層と、抽出された特徴の平均や最大値を抽出するプーリング層と、全結合層とで構成される。
畳み込みネットワークは、畳み込み層とプーリング層とで構成される単位構造を多段階に接続した多層構造を有し、全結合層は、それらの最終段に配置される。
図５の例では、全結合層の出力として、空気比が０～１．５のいずれかの値が出力される。
畳み込みネットワークは、畳み込み層とプーリング層とで構成される単位構造を多段階に接続した多層構造を有し、全結合層は、それらの最終段に配置される。
図５の例では、全結合層の出力として、空気比が０～１．５のいずれかの値が出力される。
【0034】
＜推定システム＞
図６は、加熱炉１０の観察窓１０Ｂを通して撮像された火炎画像から炉内の空気比を推定する推定システム１Ｂの構成例を説明する図である。
図６には、図１との対応部分に対応する符号を付して示している。図６では、推定システム１Ｂに加熱炉１０も含めているが、狭義の推定システム１Ｂは、空気比推定装置７０のみで構成される。
図６は、加熱炉１０の観察窓１０Ｂを通して撮像された火炎画像から炉内の空気比を推定する推定システム１Ｂの構成例を説明する図である。
図６には、図１との対応部分に対応する符号を付して示している。図６では、推定システム１Ｂに加熱炉１０も含めているが、狭義の推定システム１Ｂは、空気比推定装置７０のみで構成される。
【0035】
推定システム１Ｂでは、作業者が手持ちでカメラ５０Ａを構え、観察窓１０Ｂから観察される火炎の画像（すなわち火炎画像）を撮像する。
ただし、火炎画像の撮像に使用されるカメラ５０Ａの光学特性等は、学習モデル６０Ａの学習に用いた火炎画像の撮像に用いたカメラ５０（図１参照）の光学特性と同等であることが要求される。
ただし、火炎画像の撮像に使用されるカメラ５０Ａの光学特性等は、学習モデル６０Ａの学習に用いた火炎画像の撮像に用いたカメラ５０（図１参照）の光学特性と同等であることが要求される。
【0036】
具体的には、カメラ５０Ａの撮影距離Ｌが、学習時に使用した撮影距離Ｌの範囲内であること、カメラ５０Ａのレンズの光学特性が、学習時に使用したカメラ５０（図１参照）のレンズの特性の範囲内であることが要求される。これらの光学特性を満たすカメラ５０Ａは、例えば学習モデル６０Ａを生成した事業者等によって指定される。
【0037】
また、火炎画像を撮像する場合、撮像された火炎画像を色補正する機能を有しないカメラ５０Ａを使用するか、カメラ５０Ａが有する色補正の機能をオフに設定することが求められる。
例えばカメラ５０Ａには、学習モデル６０Ａを生成した事業者が提供する専用のアプリケーションプログラム（以下「専用アプリ」という）をインストールする。専用アプリがインストールされている場合、専用アプリを起動して火炎画像を撮像すれば、作業者は、色補正の設定等を気にすることなく、火炎画像の撮像に専念できる。
例えばカメラ５０Ａには、学習モデル６０Ａを生成した事業者が提供する専用のアプリケーションプログラム（以下「専用アプリ」という）をインストールする。専用アプリがインストールされている場合、専用アプリを起動して火炎画像を撮像すれば、作業者は、色補正の設定等を気にすることなく、火炎画像の撮像に専念できる。
【0038】
専用アプリを起動して火炎画像を撮像すれば、学習モデル６０Ａの学習時と同じ条件で処理された火炎画像が出力される。
もっとも、撮像条件が満たされれば、専用アプリの使用は必須ではない。すなわち、作業者が、学習モデル６０Ａを生成した事業者等が指定するカメラ５０Ａを用い、同事業者が指定する処理モード等の撮像条件を満たした状態で火炎画像を撮像できるのであれば、専用アプリの使用は必須ではない。
もっとも、撮像条件が満たされれば、専用アプリの使用は必須ではない。すなわち、作業者が、学習モデル６０Ａを生成した事業者等が指定するカメラ５０Ａを用い、同事業者が指定する処理モード等の撮像条件を満たした状態で火炎画像を撮像できるのであれば、専用アプリの使用は必須ではない。
【0039】
図６の例では、任意の撮影距離Ｌと任意の角度θで撮像された火炎画像がカメラ５０Ａから空気比推定装置７０に与えられる。因みに、撮影距離Ｌと角度θは、学習モデル６０Ａの学習時に使用した範囲内であればよい。
空気比推定装置７０は、カメラ５０Ａで撮像された火炎画像を学習モデル６０Ａに入力として与え、学習モデル６０Ａから出力される空気比を推定値として、作業者が使用するスマートフォン８０に出力する。
空気比推定装置７０は、カメラ５０Ａで撮像された火炎画像を学習モデル６０Ａに入力として与え、学習モデル６０Ａから出力される空気比を推定値として、作業者が使用するスマートフォン８０に出力する。
【0040】
図６では、推定された空気比の通知先としてスマートフォン８０を例示しているが、空気比の通知先となる情報端末はスマートフォンに限らない。例えばデスクトップ型のコンピュータ、ノート型のコンピュータ、タブレット型のコンピュータ、スマートグラスやスマートウォッチ等のウェアラブルコンピュータでもよい。
【0041】
本実施の形態の場合、空気比の通知を確認した作業者は、バルブ２０Ａ及び２０Ｂのいずれか又は両方を手動で操作し、加熱炉１０内の空気比が目標値に一致するように調整する。加熱炉１０内の空気比が目標値に一致したことは、調整後に撮像した火炎画像から推定された空気比の数値により確認される。
【0042】
本実施の形態の場合、空気比推定装置７０は、例えばクラウドサーバとして実現される。この運用形式の場合、カメラ５０Ａで撮像された火炎画像は、カメラ５０Ａや作業者が操作するコンピュータ等を通じ、空気比推定装置７０にアップロードされる。
この場合、空気比推定装置７０は、学習モデル６０Ａを生成した事業者等により運用され、火炎画像から推定された空気比は、サービスとして空気比推定装置７０からスマートフォン８０に提供される。
この場合、空気比推定装置７０は、学習モデル６０Ａを生成した事業者等により運用され、火炎画像から推定された空気比は、サービスとして空気比推定装置７０からスマートフォン８０に提供される。
【0043】
図７は、空気比推定装置７０のハードウェア構成の一例を説明する図である。空気比推定装置７０は、例えばコンピュータにより構成される。
図７に示す空気比推定装置７０は、プログラムを実行するプロセッサ７１と、ＢＩＯＳを記憶するＲＯＭ７２と、ワークエリアとして用いるＲＡＭ７３と、ハードディスク装置７４と、火炎画像や空気比の入出力に使用するインタフェース７５で構成されている。
図７に示す空気比推定装置７０は、プログラムを実行するプロセッサ７１と、ＢＩＯＳを記憶するＲＯＭ７２と、ワークエリアとして用いるＲＡＭ７３と、ハードディスク装置７４と、火炎画像や空気比の入出力に使用するインタフェース７５で構成されている。
【0044】
プロセッサ７１は、例えばＣＰＵやＧＰＵであり、学習モデル６０Ａを使用して、カメラ５０Ａで撮像された火炎画像から加熱炉１０内の現時点の空気比を推定する。このため、プロセッサ７１は、火炎画像データを取得する火炎画像取得部７１Ａと、推定された空気比を出力する空気比出力部７１Ｂとして機能する。ここでの火炎画像取得部７１Ａは取得部の一例であり、空気比出力部７１Ｂは出力部の一例である。
【0045】
火炎画像取得部７１Ａは、カメラ５０Ａで撮像された火炎画像データが取得されると、取得された火炎画像データを学習モデル６０Ａに入力する。
空気比出力部７１Ｂは、学習モデル６０Ａから出力された空気比を、スマートフォン８０に送信する。
図７の場合、学習モデル６０Ａは、補助記憶装置であるハードディスク装置７４に記憶されている。
空気比出力部７１Ｂは、学習モデル６０Ａから出力された空気比を、スマートフォン８０に送信する。
図７の場合、学習モデル６０Ａは、補助記憶装置であるハードディスク装置７４に記憶されている。
【0046】
本実施の形態の場合、インタフェース７５は、通信インタフェースである。
インタフェース７５は、加熱炉１０側から火炎画像を受信すると共に、推定された空気比をスマートフォン８０に送信する。
なお、火炎画像が記憶された半導体メモリを受け取った場合、半導体メモリに記憶されている火炎画像はインタフェース７５を通じて読み出される。また、空気比を半導体メモリに記憶する場合には、インタフェース７５を通じて空気比の書き込みが実行される。
インタフェース７５は、加熱炉１０側から火炎画像を受信すると共に、推定された空気比をスマートフォン８０に送信する。
なお、火炎画像が記憶された半導体メモリを受け取った場合、半導体メモリに記憶されている火炎画像はインタフェース７５を通じて読み出される。また、空気比を半導体メモリに記憶する場合には、インタフェース７５を通じて空気比の書き込みが実行される。
【0047】
＜具体例＞
図８は、学習モデルの生成に使用した教師データの具体例を説明する図表である。
教師データとして使用する火炎画像は、加熱炉１０（図１参照）内の空気比を、「０．６」、「０．７」、［０．７５］、「０．８」、「０．８５」、「０．９」、「０．９５」、「１．０」、「１．０５」、「１．１」に制御した状態で行った。
因みに、空気比の「０．６」は、加熱炉１０内に、予混合ガス量を１０－２１［ＮＬ／ｍｉｎ］で供給することで実現した。他の空気比については、図８の図表に示す通りである。
図８は、学習モデルの生成に使用した教師データの具体例を説明する図表である。
教師データとして使用する火炎画像は、加熱炉１０（図１参照）内の空気比を、「０．６」、「０．７」、［０．７５］、「０．８」、「０．８５」、「０．９」、「０．９５」、「１．０」、「１．０５」、「１．１」に制御した状態で行った。
因みに、空気比の「０．６」は、加熱炉１０内に、予混合ガス量を１０－２１［ＮＬ／ｍｉｎ］で供給することで実現した。他の空気比については、図８の図表に示す通りである。
【0048】
図８の場合、空気比の「０．６」について、撮影距離Ｌと角度θの組み合わせが異なる５２２枚の火炎画像を撮像した。空気比の「０．７」～「１．０」については、図８の図表に示す通りである。図８の場合、合計３２２０枚の火炎画像が撮像されている。
図９は、撮像された火炎画像を使用して学習した学習モデル６０Ａ（図６参照）を使用した空気比の推定結果の精度を説明する図である。
図９は、撮像された火炎画像を使用して学習した学習モデル６０Ａ（図６参照）を使用した空気比の推定結果の精度を説明する図である。
【0049】
（Ａ）は教師データとして使用した火炎画像を学習モデル６０Ａに与えることで得られた空気比の正答率の推移を示し、（Ｂ）は教師データとして使用した火炎画像を学習モデル６０Ａに与えることで得られた空気比の誤差の推移を示し、（Ｃ）はテストデータとしての火炎画像を学習モデル６０Ａに与えることで得られた空気比の正答率の推移を示し、（Ｄ）はテストデータとしての火炎画像を学習モデル６０Ａに与えることで得られた空気比の誤差の推移を示す。
【0050】
図９の場合、教師データとして使用した火炎画像は３２２０枚のうちの一部である。また、テストデータとしての火炎画像は、３２２０枚の火炎画像のうち教師データに用いなかった残りである。
図９（Ａ）～（Ｄ）の横軸は、反復回数（Epoch）である。
図９（Ａ）及び（Ｃ）の縦軸は、正答率であり、次式で計算される。
正答率（Accuracy）＝（ＴＰ＋ＴＮ）／（ＴＰ＋ＦＰ＋ＴＮ＋ＦＮ）
図９（Ｂ）及び（Ｄ）の縦軸は、誤差である。
図９（Ａ）～（Ｄ）の横軸は、反復回数（Epoch）である。
図９（Ａ）及び（Ｃ）の縦軸は、正答率であり、次式で計算される。
正答率（Accuracy）＝（ＴＰ＋ＴＮ）／（ＴＰ＋ＦＰ＋ＴＮ＋ＦＮ）
図９（Ｂ）及び（Ｄ）の縦軸は、誤差である。
【0051】
ＴＰは、推定値が正解で実際も正解の場合、すなわち真陽性（True Positive）を意味する。
ＴＮは、推定値は不正解だが実際も不正解である場合、すなわち真陰性（True Negative）を意味する。
ＦＰは、推定値は正解であるが実際は不正解の場合、すなわち偽陽性（False Positive）を意味する。
ＦＮは、推定値は不正解であるが実際は正解の場合、すなわち偽陰性（False Negative）を意味する。
ＴＮは、推定値は不正解だが実際も不正解である場合、すなわち真陰性（True Negative）を意味する。
ＦＰは、推定値は正解であるが実際は不正解の場合、すなわち偽陽性（False Positive）を意味する。
ＦＮは、推定値は不正解であるが実際は正解の場合、すなわち偽陰性（False Negative）を意味する。
【0052】
図９（Ａ）～（Ｄ）には、４種類の深層学習モデルによる学習を繰り返した場合の結果の推移をグラフとして表している。
４種類の深層学習モデルは、シンプルな畳み込みニューラルネットワーク（Simple CNN）、深さが１６層の畳み込みニューラルネットワーク（VGG16）、深さが１９層の畳み込みニューラルネットワーク（VGG19）、深さが５０層の畳み込みニューラルネットワーク（ResNet50）である。
４種類の深層学習モデルは、シンプルな畳み込みニューラルネットワーク（Simple CNN）、深さが１６層の畳み込みニューラルネットワーク（VGG16）、深さが１９層の畳み込みニューラルネットワーク（VGG19）、深さが５０層の畳み込みニューラルネットワーク（ResNet50）である。
【0053】
図９（Ａ）及び（Ｂ）に示すように、教師データに用いた火炎画像を学習モデル６０Ａに入力した場合の空気比の推定値は、いずれの深層学習モデルを用いる場合にも、学習を繰り返すほど正答率は高く、誤差は少なくなる傾向が認められた。
一方、図９（Ｃ）及び（Ｄ）に示すように、テストデータとしての火炎画像を与えた場合には、ＶＧＧ１６やＶＧＧ１９では、学習を繰り返すほど、正答率が高く、誤差が少なくなり、教師データと同等の結果が得られることが分かった。このことは、実用上も高い精度での空気比の推定が可能なことを意味する。
一方、図９（Ｃ）及び（Ｄ）に示すように、テストデータとしての火炎画像を与えた場合には、ＶＧＧ１６やＶＧＧ１９では、学習を繰り返すほど、正答率が高く、誤差が少なくなり、教師データと同等の結果が得られることが分かった。このことは、実用上も高い精度での空気比の推定が可能なことを意味する。
【0054】
一方で、Ｓｉｍｐｌｅ ＣＮＮやＲｅｓＮｅｔ５０の場合、学習を繰り返しても正答率は若干低く、誤差も低下しなかった。
今回の結果に限れば、学習モデル６０Ａの生成には、ＶＧＧ１６やＶＧＧ１９の採用が望ましいことが分かった。
今回の結果に限れば、学習モデル６０Ａの生成には、ＶＧＧ１６やＶＧＧ１９の採用が望ましいことが分かった。
【0055】
＜まとめ＞
本実施の形態で説明した学習システム１Ａ（図１参照）を採用して、１つの空気比について、様々な撮影距離Ｌと角度θの組み合わせで撮像された火炎画像を学習した学習モデル６０Ａを生成することにより、空気比の推定精度が高い学習モデル６０Ａを生成することができる。
このため、現場の作業者は、任意の位置から火炎画像を撮像するだけで（換言すると、任意の撮影距離Ｌや角度θで火炎画像を撮像するだけで）、０．０５刻みという高い精度で空気比の推定結果を得ることができる。
本実施の形態で説明した学習システム１Ａ（図１参照）を採用して、１つの空気比について、様々な撮影距離Ｌと角度θの組み合わせで撮像された火炎画像を学習した学習モデル６０Ａを生成することにより、空気比の推定精度が高い学習モデル６０Ａを生成することができる。
このため、現場の作業者は、任意の位置から火炎画像を撮像するだけで（換言すると、任意の撮影距離Ｌや角度θで火炎画像を撮像するだけで）、０．０５刻みという高い精度で空気比の推定結果を得ることができる。
【0056】
結果的に、空気比の測定作業の効率が向上し、短時間のうちに数多くの加熱炉１０の空気比を高い精度で測定することができる。
また、学習モデル６０Ａを用いて推定された空気比を用いることにより、従前のように、火炎の状態を熟練作業者が観察して判断する手法に比べ、加熱炉１０内の空気比を正確に把握することができる。
このため、手動によるバルブ２０Ａやバルブ２０Ｂの調整を通じて予混合ガスの空気比を調整する場合でも、火炎画像を撮像するだけで調整の結果を確認できる。また、高い精度で加熱炉１０内の空気比を調整できる結果、加熱炉１０の省エネ化も達成できる。
また、学習モデル６０Ａを用いて推定された空気比を用いる手法は、作業者の技量によらないため、技能承継の問題も解消できる。
また、学習モデル６０Ａを用いて推定された空気比を用いることにより、従前のように、火炎の状態を熟練作業者が観察して判断する手法に比べ、加熱炉１０内の空気比を正確に把握することができる。
このため、手動によるバルブ２０Ａやバルブ２０Ｂの調整を通じて予混合ガスの空気比を調整する場合でも、火炎画像を撮像するだけで調整の結果を確認できる。また、高い精度で加熱炉１０内の空気比を調整できる結果、加熱炉１０の省エネ化も達成できる。
また、学習モデル６０Ａを用いて推定された空気比を用いる手法は、作業者の技量によらないため、技能承継の問題も解消できる。
【0057】
＜他の実施の形態＞
（１）以上、本発明の実施の形態について説明したが、本発明の技術的範囲は、前述の実施の形態に記載の範囲に限定されない。前述した実施の形態に、種々の変更又は改良を加えたものも、本発明の技術的範囲に含まれることは、特許請求の範囲の記載から明らかである。
（１）以上、本発明の実施の形態について説明したが、本発明の技術的範囲は、前述の実施の形態に記載の範囲に限定されない。前述した実施の形態に、種々の変更又は改良を加えたものも、本発明の技術的範囲に含まれることは、特許請求の範囲の記載から明らかである。
【0058】
（２）例えば前述の実施の形態においては、空気比推定装置７０（図６参照）がクラウドサーバとして実現される場合を例示したが、空気比推定装置７０は、加熱炉１０（図６参照）を管理する作業者が操作するコンピュータとして実現してもよい。この場合、作業者が操作するコンピュータには、学習モデル６０Ａを使用して火炎画像から空気比を推定するプログラムがインストールされている。
【0059】
ここでの空気比推定装置７０は、火炎画像を撮像するカメラ５０Ａと一体型のコンピュータとして実現してもよい。例えばスマートフォン８０やタブレット型のコンピュータとして実現してもよい。
図１０は、カメラ一体型の空気比推定装置７０Ａのハードウェア構成の一例を説明する図である。図１０には、図６及び図７との対応部分に対応する符号を付して示している。
図１０は、カメラ一体型の空気比推定装置７０Ａのハードウェア構成の一例を説明する図である。図１０には、図６及び図７との対応部分に対応する符号を付して示している。
【0060】
図１０に示す空気比推定装置７０Ａでは、ハードディスク装置７４（図７参照）に代えて記憶容量が大きいメモリカード７４Ａを使用する。メモリカード７４Ａには、学習モデル６０Ａが記憶されている。
また、図１０に示す空気比推定装置７０Ａには、タッチパネル７６とカメラ５０Ａが実装されている。
タッチパネル７６は、例えば液晶ディスプレイと静電容量式タッチセンサとで構成される。
勿論、カメラ５０Ａには、学習モデル６０Ａの生成時に使用したカメラ５０（図１参照）と同等の光学特性が要求される。
また、図１０に示す空気比推定装置７０Ａには、タッチパネル７６とカメラ５０Ａが実装されている。
タッチパネル７６は、例えば液晶ディスプレイと静電容量式タッチセンサとで構成される。
勿論、カメラ５０Ａには、学習モデル６０Ａの生成時に使用したカメラ５０（図１参照）と同等の光学特性が要求される。
【0061】
（３）前述の実施の形態においては、空気比推定装置７０で推定された空気比を確認した作業者がバルブ２０Ａ等を調整しているが、バルブ２０Ａ等の調整を自動化してもよい。
図１１は、加熱炉１０の観察窓１０Ｂを通して撮像された火炎画像から炉内の空気比を推定する他の推定システム１Ｃの構成例を説明する図である。図１１には、図６との対応部分に対応する符号を付して示している。
図１１は、加熱炉１０の観察窓１０Ｂを通して撮像された火炎画像から炉内の空気比を推定する他の推定システム１Ｃの構成例を説明する図である。図１１には、図６との対応部分に対応する符号を付して示している。
【0062】
図１１に示す推定システム１Ｃの場合、空気比推定装置７０で推定された空気比は、流量調整装置９０に出力される。流量調整装置９０は、推定された空気比が目標値に一致するように、バルブ２０Ａ及び２０Ｂの両方又は一方の開度を調整する。この場合、作業者は、加熱炉１０内の火炎を、観察窓１０Ｂを通して撮像するだけで、加熱炉１０内の空気比を目標値に一致させることができる。
【0063】
（４）前述の実施の形態では、リボンバーナー２０（図１参照）を使用する加熱炉１０を例示したが、カーテン状の幅広の火炎を形成するピアンラインバーナーを使用する加熱炉１０や耐熱金属繊維をニット状に編み込んだメタルニットバーナーを使用する加熱炉１０にも使用が可能である。なお、リボンバーナー２０、ピアンラインバーナー、メタルニットバーナーは一例であり、他の種類のバーナーを使用する加熱炉１０でもよい。
【0064】
（５）前述の実施の形態では、学習モデル６０Ａ（図１参照）の学習に使用する火炎画像の撮像や空気比の推定のための火炎画像の撮像に、単焦点レンズを装着したカメラ５０（図１参照）やカメラ５０Ａ（図６参照）を使用したが、撮影距離Ｌが可変のズームレンズを使用して撮像してもよい。
ズームレンズを用いる場合、撮影倍率の変更が可能であり、加熱炉１０内の火炎を観察窓１０Ｂから離れた位置から撮像することができる。この場合、学習モデル６０Ａの学習に使用する教師データに撮影倍率が異なる複数の火炎画像を含めることができる。
ズームレンズを用いる場合、撮影倍率の変更が可能であり、加熱炉１０内の火炎を観察窓１０Ｂから離れた位置から撮像することができる。この場合、学習モデル６０Ａの学習に使用する教師データに撮影倍率が異なる複数の火炎画像を含めることができる。
【0065】
【符号の説明】
【0066】
１Ａ…学習システム、１Ｂ、１Ｃ…推定システム、１０…加熱炉、１０Ａ…炉壁、１０Ｂ…観察窓、２０…リボンバーナー、２０Ａ、２０Ｂ…バルブ、３０…センサ、４０…コンベア、５０、５０Ａ…カメラ、６０…機械学習装置、６０Ａ…学習モデル、７０、７０Ａ…空気比推定装置、８０…スマートフォン、９０…流量調整装置
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【手続補正書】
【提出日】2022-01-27
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
燃料ガスと空気を予め混合した予混合ガスを燃焼するノズル列を備える炉内の火炎を、炉の外の地点から観察窓を通じて撮像した火炎画像データであって、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データとして取得し、
前記教師データを用い、前記観察窓を通じて撮像された前記火炎画像データを入力、空気比を出力とする学習モデルを生成する、
学習モデル生成方法。
前記教師データを用い、前記観察窓を通じて撮像された前記火炎画像データを入力、空気比を出力とする学習モデルを生成する、
学習モデル生成方法。
【請求項2】
前記教師データに、撮影倍率が異なる複数の前記火炎画像データを含める、
請求項１に記載の学習モデル生成方法。
請求項１に記載の学習モデル生成方法。
【請求項3】
燃料ガスと空気を予め混合した予混合ガスを燃焼する複数列のバーナーを備える炉内の火炎を、炉の外の地点から観察窓を通じ、作業者が都度撮像した火炎画像データを取得し、
個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラム。
個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラム。
【請求項4】
燃料ガスと空気を予め混合した予混合ガスを燃焼する複数列のバーナーを備える炉内の火炎を、炉の外の地点から観察窓を通じ、作業者が都度撮像した火炎画像データを取得する取得部と、
個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、
を有する空気比推定装置。
個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、
を有する空気比推定装置。
【手続補正2】
【補正対象書類名】明細書
【補正対象項目名】０００２
【補正方法】変更
【補正の内容】
【0002】
工場等で使用される加熱炉では、複数の火炎が配列されるバーナーが使用される。この種のバーナーは、火炎が一列に配列される特徴から、ラインバーナーとも呼ばれる。
現在、加熱炉内の火炎の状態は、燃料ガスと空気が予め混合されたガス（以下「予混合ガス」という）の空気比を手動で調整している。具体的には、作業者は、加熱炉に設けた観察窓から炉内の火炎を観察し、自身の感覚やノウハウに基づいて空気比を調整している。
現在、加熱炉内の火炎の状態は、燃料ガスと空気が予め混合されたガス（以下「予混合ガス」という）の空気比を手動で調整している。具体的には、作業者は、加熱炉に設けた観察窓から炉内の火炎を観察し、自身の感覚やノウハウに基づいて空気比を調整している。
【手続補正3】
【補正対象書類名】明細書
【補正対象項目名】０００６
【補正方法】変更
【補正の内容】
【0006】
請求項１に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼するノズル列を備える炉内の火炎を、炉の外の地点から観察窓を通じて撮像した火炎画像データであって、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データとして取得し、前記教師データを用い、前記観察窓を通じて撮像された前記火炎画像データを入力、空気比を出力とする学習モデルを生成する、学習モデル生成方法である。
請求項２に記載の発明は、前記教師データに、撮影倍率が異なる複数の前記火炎画像データを含める、請求項１に記載の学習モデル生成方法である。
請求項３に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼する複数列のバーナーを備える炉内の火炎を、炉の外の地点から観察窓を通じ、作業者が都度撮像した火炎画像データを取得し、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラムである。
請求項４に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼する複数列のバーナーを備える炉内の火炎を、炉の外の地点から観察窓を通じ、作業者が都度撮像した火炎画像データを取得する取得部と、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、を有する空気比推定装置である。
請求項２に記載の発明は、前記教師データに、撮影倍率が異なる複数の前記火炎画像データを含める、請求項１に記載の学習モデル生成方法である。
請求項３に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼する複数列のバーナーを備える炉内の火炎を、炉の外の地点から観察窓を通じ、作業者が都度撮像した火炎画像データを取得し、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する処理をコンピュータに実行させるプログラムである。
請求項４に記載の発明は、燃料ガスと空気を予め混合した予混合ガスを燃焼する複数列のバーナーを備える炉内の火炎を、炉の外の地点から観察窓を通じ、作業者が都度撮像した火炎画像データを取得する取得部と、個々の空気比について、火炎を撮像する角度と火炎までの距離の組み合わせが異なる複数の火炎画像データを教師データに用いて学習させた学習モデルに、取得した前記火炎画像データを入力して、対応する空気比を出力する出力部と、を有する空気比推定装置である。
【手続補正4】
【補正対象書類名】明細書
【補正対象項目名】０００７
【補正方法】変更
【補正の内容】
【0007】
請求項１記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項２記載の発明によれば、空気比の推定精度を一段と高めることができる。
請求項３記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項４記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項２記載の発明によれば、空気比の推定精度を一段と高めることができる。
請求項３記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
請求項４記載の発明によれば、観察窓から加熱炉内の火炎画像を撮像するだけで高い精度で空気比を推定できる。
【手続補正5】
【補正対象書類名】明細書
【補正対象項目名】００１０
【補正方法】変更
【補正の内容】
【0010】
図１に示す加熱炉１０の構造は、説明のために簡略化されており、実際の加熱炉１０の構造とは必ずしも一致しない。また、図１に示す加熱炉１０の構造は、加熱炉１０を透過的に表現している。
図１に示す加熱炉１０の炉内には、ラインバーナー２０と、センサ３０と、コンベア４０が配置されている。
図１に示す加熱炉１０の炉内には、ラインバーナー２０と、センサ３０と、コンベア４０が配置されている。
【手続補正6】
【補正対象書類名】明細書
【補正対象項目名】００１１
【補正方法】変更
【補正の内容】
【0011】
ラインバーナー２０は、中空管（すなわちパイプ）に１つ又は複数のノズル列を形成した構造を有している。１つのノズル列には、例えば複数のノズルが一列に形成されている。この構造により、ラインバーナー２０は、中空管の軸方向に沿って配列された火炎列を形成する。
ラインバーナー２０には、燃料ガスと空気を事前に混合した予混合ガスが導入される。予混合ガスを構成する燃料ガスと空気の流量は、燃料ガス用のバルブ２０Ａと空気用のバルブ２０Ｂの開度により調整される。バルブの調整は、作業者が手動で行う。
ラインバーナー２０には、燃料ガスと空気を事前に混合した予混合ガスが導入される。予混合ガスを構成する燃料ガスと空気の流量は、燃料ガス用のバルブ２０Ａと空気用のバルブ２０Ｂの開度により調整される。バルブの調整は、作業者が手動で行う。
【手続補正7】
【補正対象書類名】明細書
【補正対象項目名】００１５
【補正方法】変更
【補正の内容】
【0015】
図１に示すコンベア４０は、焼成の対象である被加熱物を矢印の方向に搬送する。図１の場合、被加熱物は、火炎の先端より上空位置を水平方向に移動する。もっとも、図１は一例であり、被加熱物が火炎の下方位置を移動する場合もある。
図１に示すコンベア４０は、被加熱物を矢印の方向に搬送するが、被加熱物を紙面の法線方向に搬送してもよい。紙面の法線方向に被加熱物を搬送する場合、図１に示すラインバーナー２０が、紙面の法線方向に複数配列される。
図１に示すコンベア４０は、被加熱物を矢印の方向に搬送するが、被加熱物を紙面の法線方向に搬送してもよい。紙面の法線方向に被加熱物を搬送する場合、図１に示すラインバーナー２０が、紙面の法線方向に複数配列される。
【手続補正8】
【補正対象書類名】明細書
【補正対象項目名】００１６
【補正方法】変更
【補正の内容】
【0016】
加熱炉１０の炉壁１０Ａの一部には、炉内の火炎を観察するための窓（以下「観察窓」という）１０Ｂが設けられている。
観察窓１０Ｂは、少なくとも１つラインバーナー２０に対応して設けられる。観察窓１０Ｂは、例えば耐熱ガラスで構成される。
カメラ５０は、観察窓１０Ｂから炉内の火炎の撮像に用いられる撮像装置である。本実施の形態の場合、カメラ５０には、単焦点レンズを使用する。
観察窓１０Ｂは、少なくとも１つラインバーナー２０に対応して設けられる。観察窓１０Ｂは、例えば耐熱ガラスで構成される。
カメラ５０は、観察窓１０Ｂから炉内の火炎の撮像に用いられる撮像装置である。本実施の形態の場合、カメラ５０には、単焦点レンズを使用する。
【手続補正9】
【補正対象書類名】明細書
【補正対象項目名】００６３
【補正方法】変更
【補正の内容】
【0063】
（４）前述の実施の形態では、ラインバーナー２０（図１参照）を使用する加熱炉１０を例示したが、カーテン状の幅広の火炎を形成するピアンラインバーナーを使用する加熱炉１０や耐熱金属繊維をニット状に編み込んだメタルニットバーナーを使用する加熱炉１０にも使用が可能である。なお、ラインバーナー２０、ピアンラインバーナー、メタルニットバーナーは一例であり、他の種類のバーナーを使用する加熱炉１０でもよい。
【手続補正10】
【補正対象書類名】明細書
【補正対象項目名】００６６
【補正方法】変更
【補正の内容】
【0066】
１Ａ…学習システム、１Ｂ、１Ｃ…推定システム、１０…加熱炉、１０Ａ…炉壁、１０Ｂ…観察窓、２０…ラインバーナー、２０Ａ、２０Ｂ…バルブ、３０…センサ、４０…コンベア、５０、５０Ａ…カメラ、６０…機械学習装置、６０Ａ…学習モデル、７０、７０Ａ…空気比推定装置、８０…スマートフォン、９０…流量調整装置