ホーム > 特許ランキング > 荏原環境プラント株式会社
▶ 荏原環境プラント株式会社の特許一覧 ▶ 株式会社Ｒｉｄｇｅ−ｉの特許一覧
(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】P2024001337
(43)【公開日】2024-01-09
(54)【発明の名称】情報処理装置、情報処理方法、および情報処理プログラム
(51)【国際特許分類】
F23G 5/50 20060101AFI20231226BHJP
【ＦＩ】
F23G5/50 L
【審査請求】未請求
【請求項の数】21
【出願形態】ＯＬ
(21)【出願番号】P 2023188291
(22)【出願日】2023-11-02
(62)【分割の表示】P 2022031773の分割
【原出願日】2022-03-02
(71)【出願人】
【識別番号】308024395
【氏名又は名称】荏原環境プラント株式会社
(71)【出願人】
【識別番号】518301154
【氏名又は名称】株式会社Ｒｉｄｇｅ－ｉ
(74)【代理人】
【識別番号】230104019
【弁護士】
【氏名又は名称】大野 聖二
(74)【代理人】
【識別番号】230112025
【弁護士】
【氏名又は名称】小林 英了
(74)【代理人】
【識別番号】230117802
【弁護士】
【氏名又は名称】大野 浩之
(74)【代理人】
【識別番号】100106840
【弁理士】
【氏名又は名称】森田 耕司
(74)【代理人】
【識別番号】100131451
【弁理士】
【氏名又は名称】津田 理
(74)【代理人】
【識別番号】100167933
【弁理士】
【氏名又は名称】松野 知紘
(74)【代理人】
【識別番号】100174137
【弁理士】
【氏名又は名称】酒谷 誠一
(74)【代理人】
【識別番号】100184181
【弁理士】
【氏名又は名称】野本 裕史
(72)【発明者】
【氏名】町田 隼也
(72)【発明者】
【氏名】松岡 慶
(72)【発明者】
【氏名】伊藤 和也
(72)【発明者】
【氏名】坂井 美穂子
(72)【発明者】
【氏名】市來 和樹
(72)【発明者】
【氏名】伊澤 遼平
(72)【発明者】
【氏名】メクトビ ヤシン
(72)【発明者】
【氏名】神宮司 正成
(72)【発明者】
【氏名】ナタリ ジョイ スクガン
(57)【要約】 （修正有）
【課題】焼却炉内の燃焼状態をより精度よく分類・予測・推定する技術を提供する。
【解決手段】情報処理装置は、赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな赤外線撮像データを入力として前記第１評価軸での評価を行う第１画像解析部と、前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定する燃焼状態判定部と、を備える。
【選択図】図２
【解決手段】情報処理装置は、赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな赤外線撮像データを入力として前記第１評価軸での評価を行う第１画像解析部と、前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定する燃焼状態判定部と、を備える。
【選択図】図２
【特許請求の範囲】
【請求項1】
焼却炉内の撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな撮像データを入力として前記第１評価軸での評価を行う第１画像解析部と、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定する燃焼状態判定部と、
を備えたことを特徴とする情報処理装置。
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定する燃焼状態判定部と、
を備えたことを特徴とする情報処理装置。
【請求項2】
前記撮像データは、赤外線撮像装置で撮像した焼却炉内の赤外線撮像データである、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項3】
前記第１評価軸は、被燃焼物の量、被燃焼物の質、被燃焼物の種類、被燃焼物の温度、燃焼ガス発生量、焼却炉の壁の温度のうちの少なくとも１つを含む、
ことを特徴とする請求項２に記載の情報処理装置。
ことを特徴とする請求項２に記載の情報処理装置。
【請求項4】
前記撮像データは、可視光撮像装置で撮像した焼却炉内の可視光撮像データである、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項5】
前記第１評価軸は、火炎状態、燃焼完結点の位置、燃焼完結点の形状、被燃焼物の量、被燃焼物の質、被燃焼物の種類、未燃物の量、焼却灰の量のうちの少なくとも１つを含む、
ことを特徴とする請求項４に記載の情報処理装置。
ことを特徴とする請求項４に記載の情報処理装置。
【請求項6】
前記撮像データは、６０秒以内の動画像データである、
ことを特徴とする請求項１～５のいずれかに記載の情報処理装置。
ことを特徴とする請求項１～５のいずれかに記載の情報処理装置。
【請求項7】
前記撮像データは、５秒以上の動画像データである、
ことを特徴とする請求項１～６のいずれかに記載の情報処理装置。
ことを特徴とする請求項１～６のいずれかに記載の情報処理装置。
【請求項8】
前記分類ラベルは、あらかじめ定められた複数の分類項目のうちどれに該当するかを示すラベルと、複数の撮像データの間での相対的な順序、のうち少なくとも一方である、
ことを特徴とする請求項１～７のいずれかに記載の情報処理装置。
ことを特徴とする請求項１～７のいずれかに記載の情報処理装置。
【請求項9】
前記第１画像解析部は、焼却炉内の撮像データと、施設内に設置されたセンサから得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせに対して、前記第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな撮像データと、新たなプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせを入力として前記第１評価軸での評価を行う、
ことを特徴とする請求項１～８のいずれかに記載の情報処理装置。
ことを特徴とする請求項１～８のいずれかに記載の情報処理装置。
【請求項10】
前記プロセスデータは、前記撮像データの撮像時刻と前記センサの応答時刻との間のタイムラグを考慮したデータであり、
前記タイムラグは前記センサの応答速度、施設内での前記センサの設置位置、実験、シミュレーション、運転員の経験則のうち少なくとも１つに基づいて決定される、
ことを特徴とする請求項９に記載の情報処理装置。
前記タイムラグは前記センサの応答速度、施設内での前記センサの設置位置、実験、シミュレーション、運転員の経験則のうち少なくとも１つに基づいて決定される、
ことを特徴とする請求項９に記載の情報処理装置。
【請求項11】
前記第１画像解析部は、焼却炉内の撮像データに対して、燃焼状態を判断する要素となる２つ以上の前記第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行い、
前記燃焼状態判定部は、２つ以上の前記第１評価軸の各々での評価結果を、２つ以上の前記第１評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定する、
ことを特徴とする請求項１～１０のいずれかに記載の情報処理装置。
前記燃焼状態判定部は、２つ以上の前記第１評価軸の各々での評価結果を、２つ以上の前記第１評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定する、
ことを特徴とする請求項１～１０のいずれかに記載の情報処理装置。
【請求項12】
可視光撮像装置で撮像した焼却炉内の可視光撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習した第２学習済みモデルを用いて、前記焼却炉内の新たな可視光撮像データを入力として前記第２評価軸での評価を行う第２画像解析部をさらに備え、
前記燃焼状態判定部は、前記第１評価軸および第２評価軸の各々での評価結果を、前記第１評価軸および第２評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定する、
ことを特徴とする請求項２、３および請求項２を引用する請求項６～１０のいずれかに記載の情報処理装置。
前記燃焼状態判定部は、前記第１評価軸および第２評価軸の各々での評価結果を、前記第１評価軸および第２評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定する、
ことを特徴とする請求項２、３および請求項２を引用する請求項６～１０のいずれかに記載の情報処理装置。
【請求項13】
前記第２評価軸は、火炎状態、燃焼完結点の位置、燃焼完結点の形状、被燃焼物の量、被燃焼物の質、被燃焼物の種類、未燃物の量、焼却灰の量のうちの少なくとも１つを含む、
ことを特徴とする請求項１２に記載の情報処理装置。
ことを特徴とする請求項１２に記載の情報処理装置。
【請求項14】
前記燃焼状態判定部は、燃焼状態の判定結果を、施設内に設置されたセンサから得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量に応じて補正する、
ことを特徴とする請求項１～１３のいずれかに記載の情報処理装置。
ことを特徴とする請求項１～１３のいずれかに記載の情報処理装置。
【請求項15】
前記燃焼状態判定部は、燃焼状態の判定結果に応じてアラートの表示または発報を行う、
ことを特徴とする請求項１～１４のいずれかに記載の情報処理装置。
ことを特徴とする請求項１～１４のいずれかに記載の情報処理装置。
【請求項16】
前記燃焼状態判定部の判定結果に基づいて、クレーン制御装置および／または燃焼制御装置へ操作指示を送信する指示部をさらに備えた
ことを特徴とする請求項１～１５のいずれかに記載の情報処理装置。
ことを特徴とする請求項１～１５のいずれかに記載の情報処理装置。
【請求項17】
前記機械学習に用いられるアルゴリズムは、最尤分類法、ボルツマンマシン、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、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、ブースティング、強化学習、ディープラーニングのうちの少なくとも１つを含む、
ことを特徴とする請求項１～１６のいずれかに記載の情報処理装置。
ことを特徴とする請求項１～１６のいずれかに記載の情報処理装置。
【請求項18】
焼却炉内の撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習することにより、前記第１学習済みモデルを生成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１～１７のいずれかに記載の情報処理装置。
ことを特徴とする請求項１～１７のいずれかに記載の情報処理装置。
【請求項19】
請求項１６に記載の情報処理装置と、
前記情報処理装置から送信された操作指示に基づいて、廃棄物の攪拌または搬送を行うクレーンを制御する前記クレーン制御装置、および／または、焼却炉での廃棄物の燃焼を制御する前記燃焼制御装置と、
を備えたことを特徴とするシステム。
前記情報処理装置から送信された操作指示に基づいて、廃棄物の攪拌または搬送を行うクレーンを制御する前記クレーン制御装置、および／または、焼却炉での廃棄物の燃焼を制御する前記燃焼制御装置と、
を備えたことを特徴とするシステム。
【請求項20】
コンピュータが実行する情報処理方法であって、
焼却炉内の撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな撮像データを入力として前記第１評価軸での評価を行うステップと、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定するステップと、
を含むことを特徴とする情報処理方法。
焼却炉内の撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな撮像データを入力として前記第１評価軸での評価を行うステップと、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定するステップと、
を含むことを特徴とする情報処理方法。
【請求項21】
コンピュータに、
焼却炉内の撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな撮像データを入力として前記第１評価軸での評価を行うステップと、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定するステップと、
を実行させることを特徴とする情報処理プログラム。
焼却炉内の撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな撮像データを入力として前記第１評価軸での評価を行うステップと、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定するステップと、
を実行させることを特徴とする情報処理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、焼却炉内の燃焼状態を判定する情報処理装置、情報処理方法、および情報処理プログラムに関する。
【背景技術】
【0002】
廃棄物焼却施設では、燃焼排ガスから熱を効率的に回収するだけでなく有害物（ＣＯやダイオキシン類、ＮＯｘなど）の排出を抑制するため、廃棄物の燃焼を安定させることを目的に、自動燃焼制御（ＡＣＣ）が導入されている。
【0003】
しかし、ごみ質の著しい変動などにより焼却炉内の燃焼状態の維持がＡＣＣにて対応できない場合には、熟練オペレータが手動介入することがある。このとき、熟練オペレータは、各種センサから得られたプロセス値や燃焼状態を撮影した燃焼映像をもとに手動介入の判断を行っている。
【0004】
上記燃焼映像の情報は非常に重要な指標であり、主にディープラーニングを用いた画像認識技術により、燃焼映像から燃焼状態の分類やプロセス値の予測を行う技術の特許が各社から出願されている。たとえば、特許文献１では、燃焼映像を入力として燃焼状態を例えば８通りに分類する分類モデルを使用することが提案されている。また、特許文献２では、燃焼映像を入力として燃焼状態に応じた推定値（ＣＯ濃度、ＮＯｘ濃度、灰中未燃分など）を予測する推定モデルを作成することが提案されている。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０２１－８９９１号
【特許文献2】特許第６８２４８５９号
【発明の概要】
【発明が解決しようとする課題】
【0006】
燃焼映像には主に焼却炉内の主燃焼領域の火炎（廃棄物の熱分解や部分酸化により発生した可燃ガスの燃焼に伴って生じる火炎）が写っており、燃焼映像からは火炎の強弱などの情報が分かる。
【0007】
しかし、燃焼状態には火炎の状態だけではなく被燃焼物に関する情報（たとえば、被燃焼物の量や質、種類）も影響する。たとえば、同じ火炎の強度で燃えていても、そのときに燃えている被燃焼物の量が異なる場合、実際の排ガス濃度（ＣＯ濃度など）などの数値は異なる可能性が高い。また、燃焼映像から燃焼状態の分類やプロセス値の予測を行う技術についても、火炎の状況しか把握できない燃焼映像だけでは、たとえば被燃焼物の量の違いから実際は異なる燃焼状態であったとしても、同様の燃焼状態であると分類される可能性が高くなるため、プロセス値の予測・推定や燃焼状態の分類・予測・推定がうまくできない可能性がある。
【0008】
本発明は、以上のような点を考慮してなされたものである。本発明の目的は、焼却炉内の燃焼状態をより精度よく分類・予測・推定する技術を提供することにある。
【課題を解決するための手段】
【0009】
本発明の第１の態様に係る情報処理装置は、
赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、燃焼状態を判断する
要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな赤外線撮像データを入力として前記第１評価軸での評価を行う第１画像解析部と、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定する燃焼状態判定部と、を備える。
赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、燃焼状態を判断する
要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな赤外線撮像データを入力として前記第１評価軸での評価を行う第１画像解析部と、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定する燃焼状態判定部と、を備える。
【0010】
このような態様によれば、赤外線撮像装置は、撮像波長を適切に選択することで、焼却炉内の赤外線撮像データとして、火炎の影響を取り除いた焼却炉上流側から実際に燃焼している被燃焼物の像までを含む画像を取得することができるため、焼却炉内の赤外線撮像データを用いて、燃焼状態を判断する要素となる少なくとも１つの第１評価軸での評価を行い、その評価結果に基づいて燃焼状態を判定することで、火炎の状況しか把握できない燃焼映像だけから燃焼状態の分類・予測・推定やプロセス値の予測・推定を行う場合に比べて、焼却炉内の燃焼状態をより精度よく分類・予測・推定することができる。
【0011】
本発明の第２の態様に係る情報処理装置は、第１の態様に係る情報処理装置であって、
前記第１評価軸は、被燃焼物の量、被燃焼物の質、被燃焼物の種類、被燃焼物の温度、燃焼ガス発生量（ＣＯ等）、焼却炉の壁の温度、のうちの少なくとも１つを含む。
前記第１評価軸は、被燃焼物の量、被燃焼物の質、被燃焼物の種類、被燃焼物の温度、燃焼ガス発生量（ＣＯ等）、焼却炉の壁の温度、のうちの少なくとも１つを含む。
【0012】
本発明の第３の態様に係る情報処理装置は、第１または２の態様に係る情報処理装置であって、
前記赤外線撮像データは、６０秒以内の動画像データである。
前記赤外線撮像データは、６０秒以内の動画像データである。
【0013】
本件発明者らの知見によれば、焼却炉内の燃焼状態は５～１０秒で変化する。したがって、このような態様によれば、焼却炉内の赤外線撮像データとして、６０秒以内の動画像データを１区切りとして用いることで、焼却炉内の燃焼状態をより精度よく分類・予測・推定することができる。
【0014】
本発明の第４の態様に係る情報処理装置は、第１～３のいずれかの態様に係る情報処理装置であって、
前記赤外線撮像データは、５秒以上の動画像データである。
前記赤外線撮像データは、５秒以上の動画像データである。
【0015】
このような態様によれば、焼却炉内の燃焼状態が５～１０秒で変化するのに対し、焼却炉内の赤外線撮像データとして、５秒以上の動画像データを１区切りとして用いることで、焼却炉内の燃焼状態をより精度よく分類・予測・推定することができる。
【0016】
本発明の第５の態様に係る情報処理装置は、第１～４のいずれかの態様に係る情報処理装置であって、
前記分類ラベルは、あらかじめ定められた分類項目のうちどれに該当するかを示すラベルと、複数の赤外線撮像データの間での相対的な順序、のうち少なくとも一方である。
前記分類ラベルは、あらかじめ定められた分類項目のうちどれに該当するかを示すラベルと、複数の赤外線撮像データの間での相対的な順序、のうち少なくとも一方である。
【0017】
本件発明者らが実際に検証したところ、赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、複数の赤外線撮像データの間での第１評価軸における相対的な順序が付与されることにより生成された第１教師データを機械学習（ランキング学習）した第１学習済みモデルを用いて第１評価軸での評価を行い、その評価結果に基づいて燃焼状態を判定することで、焼却炉内の燃焼状態をより精度よく分類・予測・推定できることが確認された。したがって、このような態様によれば、焼却炉内の燃焼状態をより精度よく分類・予測・推定することができる。
【0018】
本発明の第６の態様に係る情報処理装置は、第１～５のいずれかの態様に係る情報処理装置であって、
前記第１画像解析部は、焼却炉内の赤外線撮像データと、施設内に設置されたセンサから得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせに対して、前記第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな赤外線撮像データと、新たなプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせを入力として前記第１評価軸での評価を行う。
前記第１画像解析部は、焼却炉内の赤外線撮像データと、施設内に設置されたセンサから得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせに対して、前記第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな赤外線撮像データと、新たなプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせを入力として前記第１評価軸での評価を行う。
【0019】
本発明の第７の態様に係る情報処理装置は、第６の態様に係る情報処理装置であって、
前記プロセスデータは、前記赤外線撮像データの撮像時刻と前記センサの応答時刻との間のタイムラグを考慮したデータである。タイムラグは前記センサの応答速度、施設内での前記センサの設置位置、実験、シミュレーション、運転員の経験則に基づいて適宜決定されてよい。
前記プロセスデータは、前記赤外線撮像データの撮像時刻と前記センサの応答時刻との間のタイムラグを考慮したデータである。タイムラグは前記センサの応答速度、施設内での前記センサの設置位置、実験、シミュレーション、運転員の経験則に基づいて適宜決定されてよい。
【0020】
本発明の第８の態様に係る情報処理装置は、第１～７のいずれかの態様に係る情報処理装置であって、
前記第１画像解析部は、焼却炉内の赤外線撮像データに対して、燃焼状態を判断する要素となる２つ以上の前記第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな赤外線撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行い、
前記燃焼状態判定部は、２つ以上の前記第１評価軸の各々での評価結果を、２つ以上の前記第１評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定する。
前記第１画像解析部は、焼却炉内の赤外線撮像データに対して、燃焼状態を判断する要素となる２つ以上の前記第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな赤外線撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行い、
前記燃焼状態判定部は、２つ以上の前記第１評価軸の各々での評価結果を、２つ以上の前記第１評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定する。
【0021】
このような態様によれば、焼却炉内の赤外線撮像データを用いて、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々での評価を行い、２つ以上の第１評価軸の各々での評価結果に基づいて燃焼状態を判定するため、１つの評価軸での評価結果に基づいて燃焼状態を判定する場合に比べて、燃焼状態を精度よく分類・予測・推定できる。また、２つ以上の第１評価軸の各々での評価結果を燃焼状態判定マップ上へマッピングすることにより燃焼状態を判定するため、２つ以上の第１評価軸の各々での評価結果と判定結果である燃焼状態との関係性を直感的に把握することが可能であり、また燃焼状態の判定を高速に行うことが可能である。
【0022】
本発明の第９の態様に係る情報処理装置は、第１～７のいずれかの態様に係る情報処理装置であって、
可視光撮像装置で撮像した焼却炉内の可視光撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習した第２学習済みモデルを用いて、前記焼却炉内の新たな可視光撮像データを入力として前記第２評価軸での評価を行う第２画像解析部をさらに備え、
前記燃焼状態判定部は、前記第１評価軸および第２評価軸の各々での評価結果を、前記第１評価軸および第２評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定する。
可視光撮像装置で撮像した焼却炉内の可視光撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習した第２学習済みモデルを用いて、前記焼却炉内の新たな可視光撮像データを入力として前記第２評価軸での評価を行う第２画像解析部をさらに備え、
前記燃焼状態判定部は、前記第１評価軸および第２評価軸の各々での評価結果を、前記第１評価軸および第２評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定する。
【0023】
このような態様によれば、焼却炉内の赤外線撮像データを用いて、燃焼状態を判断する要素となる第１評価軸での評価を行うことに加えて、焼却炉内の可視光撮像データを用いて、燃焼状態を判断する要素となる第２評価軸での評価を行い、第１評価軸と第２評価軸の各々での評価結果に基づいて燃焼状態を判定するため、１つの評価軸での評価結果に基づいて燃焼状態を判定する場合に比べて、燃焼状態を精度よく分類・予測・推定できる。また、第１評価軸と第２評価軸の各々での評価結果を燃焼状態判定マップ上へマッピング
することにより燃焼状態を判定するため、第１評価軸と第２評価軸の各々での評価結果と判定結果である燃焼状態との関係性を直感的に把握することが可能であり、また燃焼状態の判定を高速に行うことが可能である。
することにより燃焼状態を判定するため、第１評価軸と第２評価軸の各々での評価結果と判定結果である燃焼状態との関係性を直感的に把握することが可能であり、また燃焼状態の判定を高速に行うことが可能である。
【0024】
本発明の第１０の態様に係る情報処理装置は、第９の態様に係る情報処理装置であって、
前記第２評価軸は、火炎状態、燃焼完結点の位置、燃焼完結点の形状、被燃焼物の量、被燃焼物の質、被燃焼物の種類、未燃物の量、焼却灰の量、のうちの少なくとも１つを含む。
前記第２評価軸は、火炎状態、燃焼完結点の位置、燃焼完結点の形状、被燃焼物の量、被燃焼物の質、被燃焼物の種類、未燃物の量、焼却灰の量、のうちの少なくとも１つを含む。
【0025】
本発明の第１１の態様に係る情報処理装置は、第１～１０のいずれかの態様に係る情報処理装置であって、
前記燃焼状態判定部は、燃焼状態の判定結果を、施設内に設置されたセンサから得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量に応じて補正する。
前記燃焼状態判定部は、燃焼状態の判定結果を、施設内に設置されたセンサから得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量に応じて補正する。
【0026】
本発明の第１２の態様に係る情報処理装置は、第１～１１のいずれかの態様に係る情報処理装置であって、
前記燃焼状態判定部は、燃焼状態の判定結果に応じてアラートの表示または発報を行う。
前記燃焼状態判定部は、燃焼状態の判定結果に応じてアラートの表示または発報を行う。
【0027】
本発明の第１３の態様に係る情報処理装置は、第１～１２のいずれかの態様に係る情報処理装置であって、
前記燃焼状態判定部の判定結果に基づいて、クレーン制御装置および／または燃焼制御装置へ操作指示を送信する指示部をさらに備える。
前記燃焼状態判定部の判定結果に基づいて、クレーン制御装置および／または燃焼制御装置へ操作指示を送信する指示部をさらに備える。
【0028】
本発明の第１４の態様に係る情報処理装置は、第１～１３のいずれかの態様に係る情報処理装置であって、
前記機械学習に用いられるアルゴリズムは、最尤分類法、ボルツマンマシン、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、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、ブースティング、強化学習、ディープラーニングのうちの少なくとも１つを含む。
前記機械学習に用いられるアルゴリズムは、最尤分類法、ボルツマンマシン、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、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、ブースティング、強化学習、ディープラーニングのうちの少なくとも１つを含む。
【0029】
本発明の第１５の態様に係る情報処理装置は、第１～１４のいずれかの態様に係る情報処理装置であって、
赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、燃焼状態を判断する要素となる第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習することにより、前記第１学習済みモデルを生成するモデル構築部をさらに備える。
赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、燃焼状態を判断する要素となる第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習することにより、前記第１学習済みモデルを生成するモデル構築部をさらに備える。
【0030】
本発明の第１６の態様に係るシステムは、
第１３の態様に係る情報処理装置と、
前記情報処理装置から送信された操作指示に基づいて、廃棄物の攪拌または搬送を行うクレーンを制御する前記クレーン制御装置、および／または、焼却炉での廃棄物の燃焼を制御する前記燃焼制御装置と、
を備える。
第１３の態様に係る情報処理装置と、
前記情報処理装置から送信された操作指示に基づいて、廃棄物の攪拌または搬送を行うクレーンを制御する前記クレーン制御装置、および／または、焼却炉での廃棄物の燃焼を制御する前記燃焼制御装置と、
を備える。
【0031】
本発明の第１７の態様に係る情報処理方法は、コンピュータが実行する情報処理方法であって、
赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、燃焼状態を判断する
要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな赤外線撮像データを入力として前記第１評価軸での評価を行うステップと、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定するステップと、
を含む。
赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、燃焼状態を判断する
要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな赤外線撮像データを入力として前記第１評価軸での評価を行うステップと、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定するステップと、
を含む。
【0032】
本発明の第１８の態様に係るプログラムは、コンピュータに、
赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな赤外線撮像データを入力として前記第１評価軸での評価を行うステップと、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定するステップと、
を実行させる。
赤外線撮像装置で撮像した焼却炉内の赤外線撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、前記焼却炉内の新たな赤外線撮像データを入力として前記第１評価軸での評価を行うステップと、
前記第１評価軸での評価結果に基づいて現在の燃焼状態を判定するステップと、
を実行させる。
【発明の効果】
【0033】
本発明によれば、焼却炉内の燃焼状態をより精度よく分類・予測・推定できる。
【図面の簡単な説明】
【0034】
【発明を実施するための形態】
【0035】
以下に、添付の図面を参照して、本発明の実施の形態を詳細に説明する。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。
【0036】
本明細書において「Ａおよび／またはＢ」とは、ＡおよびＢのうちの一方または両方を意味する。また、本明細書において「可視光」とは、波長が３６０ｎｍ～８３０ｎｍの電磁波をいい、「赤外線」とは、波長が８３０ｎｍ～１４０００ｎｍの電磁波をいう。
【0037】
（第１の実施形態）
図１は、第１の実施形態に係る焼却施設１の構成を示す概略図である。
図１は、第１の実施形態に係る焼却施設１の構成を示す概略図である。
【0038】
図１に示すように、焼却施設１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６と、焼却炉６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６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あなく、２段ピットも含まれる。また、焼却施設１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６内での廃棄物（被燃焼物）の燃焼を制御する燃焼制御装置２０とが設けられている。
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６と、焼却炉６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６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あなく、２段ピットも含まれる。また、焼却施設１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６内での廃棄物（被燃焼物）の燃焼を制御する燃焼制御装置２０とが設けられている。
【0039】
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６内部へと投入され、焼却炉６内部にて焼却されて処理される。
【0040】
図１に示すように、本実施の形態に係る焼却施設１には、焼却炉６内を撮像する赤外線撮像装置７１および可視光撮像装置７２と、焼却炉６内の燃焼状態を判定する情報処理装置１０とが設けられている。
【0041】
図示された例では、赤外線撮像装置７１は、焼却炉６の下流側の上方に設置されている。赤外線撮像装置７１は、焼却炉６の下流側の上方に複数台設置されていてもよい。なお、赤外線撮像装置７１の設置位置は、焼却炉６の下流側の上方に限定されるものではなく、赤外線撮像装置７１は焼却炉６の下流側の水平方向や上流側の上方または水平方向に設置されてもよい。赤外線撮像装置７１は、火炎の波長（たとえば４．１μｍ～４．５μｍ）をカットするよう、撮像波長（たとえば３．７μｍ～４．０μｍ）があらかじめ適切に選択されており、赤外線撮像データ（動画像データ）として、火炎の影響を取り除いた、焼却炉６の上流側から実際に燃焼している被燃焼物の像までを含む画像を取得できるようになっている。赤外線撮像装置７１は、火炎の波長に加えて、ＣＯ2および水蒸気の波長
（たとえば４．０μｍ～４．２μｍ）をさらにカットするよう、撮像波長（たとえば３．７μｍ～４．０μｍ）があらかじめ適切に選択されており、赤外線撮像データ（動画像データ）として、火炎ならびにＣＯ2と水蒸気の影響を取り除いた、焼却炉６の上流側から
実際に燃焼している被燃焼物像までを含む画像を取得できるようになっていてもよい。赤外線撮像装置７１のフレームレートは、特に高フレームレートである必要はなく、一般的なフレームレート（３０ｆｐｓ程度）であってもよいし、低フレームレート（５～１０ｆｐｓ程度）であってもよい。
（たとえば４．０μｍ～４．２μｍ）をさらにカットするよう、撮像波長（たとえば３．７μｍ～４．０μｍ）があらかじめ適切に選択されており、赤外線撮像データ（動画像データ）として、火炎ならびにＣＯ2と水蒸気の影響を取り除いた、焼却炉６の上流側から
実際に燃焼している被燃焼物像までを含む画像を取得できるようになっていてもよい。赤外線撮像装置７１のフレームレートは、特に高フレームレートである必要はなく、一般的なフレームレート（３０ｆｐｓ程度）であってもよいし、低フレームレート（５～１０ｆｐｓ程度）であってもよい。
【0042】
図示された例では、可視光撮像装置７２は、焼却炉６の下流側の上方に設置されており、火格子上の被燃焼物の火炎状態（燃焼状態）の可視光撮像データ（動画像データ）を取得できるようになっている。可視光撮像装置７２は、焼却炉６の下流側の上方に複数台設置されていてもよい。なお、可視光撮像装置７２の設置位置は、焼却炉６の下流側の上方に限定されるものではなく、可視光撮像装置７２は焼却炉６の下流側の水平方向や上流側の上方または水平方向に設置されてもよい。可視光撮像装置７２は、ＲＧＢカメラ、３Ｄカメラ、ＲＧＢ－Ｄカメラのいずれかであってもよいし、これらのうちの２つ以上の組み合わせであってもよい。可視光撮像装置７２のフレームレートは、特に高フレームレートである必要はなく、一般的なフレームレート（３０ｆｐｓ程度）であってもよいし、低フレームレート（５～１０ｆｐｓ程度）であってもよい。
【0043】
次に、本実施の形態に係る情報処理装置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台または複数台のコンピュータによって構成されている。
【0044】
図２に示すように、情報処理装置１０は、通信部１１と、制御部１２と、記憶部１３とを有している。各部は、バスやネットワークを介して互いに通信可能に接続されている。
【0045】
このうち通信部１１は、赤外線撮像装置７１、可視光撮像装置７２、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１１は、赤外線撮像装置７１、可視光撮像装置７２、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。
【0046】
記憶部１３は、たとえばハードディスクやフラッシュメモリ等の不揮発性データストレージである。記憶部１３には、制御部１２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モデル構築部１２ｃ１が機械学習に用いる第１アルゴリズム１３ａ１と、第１モデル構築部１２ｃ１が機械学習に用いる第２アルゴリズム１３ａ２と、第１撮像データ取得部１２ａ１により取得された第１撮像データ１３ｂ１と、第２撮像データ取得部１２ａ２により取得された第２撮像データ１３ｂ２と、第１教師データ生成部１２ｂにより生成された第１教師データ１３ｃ１と、第２教師データ生成部１２ｂにより生成された第２教師データ１３ｃ２と、燃焼状態判定部１２ｅにより用いられる燃焼状態判定マップ１３ｄと、が記憶される。各情報１３ａ１～１３ｄの詳細は後述する。
【0047】
制御部１２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撮像データ取得部１２ａ１と、第２撮像データ取得部１２ｂ１と、第１教師データ生成部１２ｂ１と、第２教師データ生成部１２ｂ２と、第１モデル構築部１２ｃ１と、第２モデル構築部１２ｃ２と、第１画像解析部１２ｄ１と、第２画像解析部１２ｄ２と、燃焼状態判定部１２ｅと、指示部１２ｆと、プロセスデータ取得部１２ｇ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。
【0048】
第１撮像データ取得部１２ａ１は、赤外線撮像装置７１が撮像した焼却炉６内の赤外線撮像データを第１撮像データ１３ｂ１として取得する。第１撮像データ１３ｂ１は、記憶部１３に記憶される。
【0049】
第２撮像データ取得部１２ａ２は、可視光撮像装置７２が撮像した焼却炉６内の可視光撮像データを第２撮像データ１３ｂ２として取得する。第２撮像データ１３ｂ２は、記憶部１３に記憶される。
【0050】
プロセスデータ取得部１２ｇは、焼却施設１内に設置されている各種センサ（不図示）で計測されたプロセスデータ（たとえば、炉出口温度や蒸発量）、および／または、当該プロセスデータから演算により得られる演算データを取得する。プロセスデータおよび／または演算データは、記憶部１３に記憶されてもよい。演算データは、実測値ＰＶと設定値ＳＶの差分値（差分値の絶対値でもよい）や所定期間（たとえば1分間、10分間、20分
間、1時間）における移動平均値、最大値、最小値、中央値、積分値、微分値、標準偏差
、所定時間前の値との差分値（差分値の絶対値でもよい）のうちの１つまたは２つ以上を含んでいてもよい。
間、1時間）における移動平均値、最大値、最小値、中央値、積分値、微分値、標準偏差
、所定時間前の値との差分値（差分値の絶対値でもよい）のうちの１つまたは２つ以上を含んでいてもよい。
【0051】
第１教師データ生成部１２ｂ１は、第１撮像データ１３ｂ１に対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルを紐づけることにより、第１教師データ１３ｃ１を生成する。第１教師データ生成部１２ｂ１は、第１撮像データ１３ｂ１を複数のブロック（たとえば、燃焼プロセスにおける乾燥領域、ガス化燃焼領域、おき燃焼領域）に分割し、ブロック単位のデータに対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルを紐づけることにより
、第１教師データ１３ｃ１を生成してもよい。第１教師データ１３ｃ１は、記憶部１３に記憶される。ここで、分類ラベルは、第１評価軸における絶対的な分類情報（予め定められた絶対的な基準（閾値）に対する関係で定まる分類）であってもよいし、複数の赤外線撮像データの間での第１評価軸における相対的な順序（複数の赤外線撮像データからなるグループ内での相対的な順序関係）であってもよい。第１評価軸は、被燃焼物の量、被燃焼物の質、被燃焼物の種類、被燃焼物の温度、燃焼ガス発生量（ＣＯ等）、焼却炉の壁の温度、のうちの少なくとも１つを含んでもよい。被燃焼物の量とは、たとえば被燃焼物の容積、重量、密度、断面積などに対応する値である。被燃焼物の質とは、たとえば被燃焼物の燃えやすさ、発熱量、水分、密度などに対応する値である。被燃焼物の種類は、たとえばごみ袋未破袋ごみ、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情報の廃棄物に圧縮され水分含有量が多いごみのこと）、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、陶磁器、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、活性炭である。被燃焼物の温度とは、たとえば被燃焼物の温度に対応する値である。燃焼ガス発生量とは、たとえばＣＯや水素、炭化水素、ＮＯｘ、ＳＯｘ、ＨＣｌ、ダイオキシンなどの燃焼プロセスの過程で発生するガス発生量に対応する値である。焼却炉の壁の温度とは、たとえば焼却炉の壁や天井の温度に対応する値である。
、第１教師データ１３ｃ１を生成してもよい。第１教師データ１３ｃ１は、記憶部１３に記憶される。ここで、分類ラベルは、第１評価軸における絶対的な分類情報（予め定められた絶対的な基準（閾値）に対する関係で定まる分類）であってもよいし、複数の赤外線撮像データの間での第１評価軸における相対的な順序（複数の赤外線撮像データからなるグループ内での相対的な順序関係）であってもよい。第１評価軸は、被燃焼物の量、被燃焼物の質、被燃焼物の種類、被燃焼物の温度、燃焼ガス発生量（ＣＯ等）、焼却炉の壁の温度、のうちの少なくとも１つを含んでもよい。被燃焼物の量とは、たとえば被燃焼物の容積、重量、密度、断面積などに対応する値である。被燃焼物の質とは、たとえば被燃焼物の燃えやすさ、発熱量、水分、密度などに対応する値である。被燃焼物の種類は、たとえばごみ袋未破袋ごみ、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情報の廃棄物に圧縮され水分含有量が多いごみのこと）、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、陶磁器、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、活性炭である。被燃焼物の温度とは、たとえば被燃焼物の温度に対応する値である。燃焼ガス発生量とは、たとえばＣＯや水素、炭化水素、ＮＯｘ、ＳＯｘ、ＨＣｌ、ダイオキシンなどの燃焼プロセスの過程で発生するガス発生量に対応する値である。焼却炉の壁の温度とは、たとえば焼却炉の壁や天井の温度に対応する値である。
【0052】
一例として、被燃焼物の量を第１評価軸とした場合、分類ラベルは、多い・正常・少ない（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）し、複数の第１撮像データに対して被燃焼物の量の大小を順序付けしたもの（相対的な情報）であってもよい。別例として、被燃焼物の質を評価軸とした場合、分類ラベルは、普通ごみ・高質ごみ（すなわち高カロリーごみ）・低質ごみ（すなわち低カロリーごみ）（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）し、複数の第１撮像データに対して被燃焼物の質の優劣を順序付けしたもの（相対的な情報）であってもよい。別例として、被燃焼物の種類を第１評価軸とした場合、分類ラベルは、ごみ袋未破袋ごみ・剪定枝・布団（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）。別例として、燃焼ガス発生量（ＣＯ等）を評価軸とした場合、分類ラベルは、多い・正常・少ない（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）し、複数の第１撮像データに対して燃焼ガス発生量（ＣＯ等）の大小を順序付けしたもの（相対的な情報）であってもよい。別例として、焼却炉の壁の温度を第１評価軸とした場合、分類ラベルは、高い・正常・低いであってもよい（ラベルの種類は増やしてもよい）し、複数の第１撮像データに対して焼却炉の壁の温度の高低を順序付けしたもの（相対的な情報）であってもよい。
【0053】
第１教師データ生成部１２ｂ１は、第１撮像データ１３ｂ１と、焼却施設１内に設置された各種センサ（不図示）から得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせに対して、運転員により経験則に基づき人為的に付与された第１評価軸における分類ラベルを紐づけることにより、第１教師データ１３ｃ１を生成してもよい。ここで、プロセスデータは、第１撮像データの撮像時刻とセンサの応答時刻との間のタイムラグを考慮したデータである。タイムラグはセンサの応答速度、施設内でのセンサの設置位置、実験、シミュレーション、運転員の経験則に基づいて適宜決定されてよい。
【0054】
第２教師データ生成部１２ｂ２は、第２撮像データ１３ｂ１に対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルを紐づけることにより、第２教師データ１３ｃ２を生成する。第２教師データ生成部１２ｂ２は、第２撮像データ１３ｂ１を複数のブロック（たとえば、燃焼プロセスにおける乾燥領域、ガス化燃焼領域、おき燃焼領域）に分割し、ブロック
単位のデータに対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルを紐づけることにより、第２教師データ１３ｃ２を生成してもよい。第２教師データ１３ｃ２は、記憶部１３に記憶される。ここで、分類ラベルは、第２評価軸における絶対的な分類情報（予め定められた絶対的な基準（閾値）に対する関係で定まる分類）であってもよいし、複数の可視光撮像データの間での第２評価軸における相対的な順序（複数の可視光撮像データからなるグループ内での相対的な順序関係）であってもよい。第２評価軸は、火炎状態、燃焼完結点の位置（燃え切り点）、燃焼完結点の形状、被燃焼物の量、被燃焼物の質、被燃焼物の種類、未燃物の量、焼却灰の量、のうちの少なくとも１つを含んでもよい。火炎状態とは、たとえば火炎の強弱、火炎の輝度などに対応する値である。燃焼完結点の位置とは、たとえば焼却炉を構成する火格子上の位置に対応する値である。燃焼完結点の形状とは、たとえば燃焼完結点の曲率や曲率半径などに対応する値である。被燃焼物の量とは、たとえば被燃焼物の容積、重量、密度、断面積などに対応する値である。被燃焼物の質とは、たとえば被燃焼物の燃えやすさ、発熱量、水分、密度などに対応する値である。被燃焼物の種類は、たとえばごみ袋未破袋ごみ、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情報の廃棄物に圧縮され水分含有量が多いごみのこと）、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、陶磁器、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、活性炭である。未燃物の量とは、たとえば未燃物の容積、重量、密度、断面積、多少などに対応する値である。焼却灰の量とは、たとえば焼却灰の容積、重量、密度、断面積などに対応する値である。
単位のデータに対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルを紐づけることにより、第２教師データ１３ｃ２を生成してもよい。第２教師データ１３ｃ２は、記憶部１３に記憶される。ここで、分類ラベルは、第２評価軸における絶対的な分類情報（予め定められた絶対的な基準（閾値）に対する関係で定まる分類）であってもよいし、複数の可視光撮像データの間での第２評価軸における相対的な順序（複数の可視光撮像データからなるグループ内での相対的な順序関係）であってもよい。第２評価軸は、火炎状態、燃焼完結点の位置（燃え切り点）、燃焼完結点の形状、被燃焼物の量、被燃焼物の質、被燃焼物の種類、未燃物の量、焼却灰の量、のうちの少なくとも１つを含んでもよい。火炎状態とは、たとえば火炎の強弱、火炎の輝度などに対応する値である。燃焼完結点の位置とは、たとえば焼却炉を構成する火格子上の位置に対応する値である。燃焼完結点の形状とは、たとえば燃焼完結点の曲率や曲率半径などに対応する値である。被燃焼物の量とは、たとえば被燃焼物の容積、重量、密度、断面積などに対応する値である。被燃焼物の質とは、たとえば被燃焼物の燃えやすさ、発熱量、水分、密度などに対応する値である。被燃焼物の種類は、たとえばごみ袋未破袋ごみ、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情報の廃棄物に圧縮され水分含有量が多いごみのこと）、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、陶磁器、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、活性炭である。未燃物の量とは、たとえば未燃物の容積、重量、密度、断面積、多少などに対応する値である。焼却灰の量とは、たとえば焼却灰の容積、重量、密度、断面積などに対応する値である。
【0055】
一例として、火炎状態を第２評価軸とした場合、分類ラベルは、良い・正常・悪い（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）し、複数（たとえば２つ）の第２撮像データに対して、火炎状態の優劣を順序付けしたもの（相対的な情報）であってもよい。別例として、燃焼完結点（燃え切り点）の位置を評価軸とした場合、分類ラベルは、手前・やや手前・正常・やや奥・奥であってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して、燃焼完結点の位置の遠近を順序付けしたものであってもよい。別例として、燃焼完結点の形状を評価軸とした場合、分類ラベルは良い・正常・悪いであってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して、燃焼完結点の形状の優劣を順序付けしたものであってもよい。別例として、被燃焼物の量を第２評価軸とした場合、分類ラベルは、多い・正常・少ないであってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して被燃焼物の量の大小を順序付けしたものであってもよい。別例として、被燃焼物の質を第２評価軸とした場合、分類ラベルは、普通ごみ・高質ごみ（すなわち高カロリーごみ）・低質ごみ（すなわち低カロリーごみ）であってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して被燃焼物の質の優劣を順序付けしたものであってもよい。別例として、被燃焼物の種類を第２評価軸とした場合、分類ラベルは、ごみ袋未破袋ごみ・剪定枝・布団であってもよい（ラベルの種類は増やしてもよい）。別例として、未燃物の量を第２評価軸とした場合、分類ラベルは、多い・正常・少ないであってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して未燃物の量の大小を順序付けしたものであってもよい。別例として、焼却灰の量を第２評価軸とした場合、分類ラベルは、多い・正常・少ないであってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して焼却灰の量の大小を順序付けしたものであってもよい。
【0056】
第２教師データ生成部１２ｂ２は、第２撮像データ１３ｂ２と、焼却施設１内に設置された各種センサ（不図示）から得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせに対して、運転員により経験則に基づき
人為的に付与された第２評価軸における分類ラベルを紐づけることにより、第２教師データ１３ｃ２を生成してもよい。ここで、プロセスデータは、第２撮像データの撮像時刻とセンサの応答時刻との間のタイムラグを考慮したデータである。タイムラグはセンサの応答速度、施設内でのセンサの設置位置、実験、シミュレーション、運転員の経験則に基づいて適宜決定されてよい。
人為的に付与された第２評価軸における分類ラベルを紐づけることにより、第２教師データ１３ｃ２を生成してもよい。ここで、プロセスデータは、第２撮像データの撮像時刻とセンサの応答時刻との間のタイムラグを考慮したデータである。タイムラグはセンサの応答速度、施設内でのセンサの設置位置、実験、シミュレーション、運転員の経験則に基づいて適宜決定されてよい。
【0057】
第１撮像データ１３ｂ１および／または第２撮像データ１３ｂ２は、６０秒以内の動画像データであってもよいし、３０秒以内の動画像データであってもよい。本件発明者らの知見によれば、焼却炉６内の燃焼状態は５～１０秒で変化する。したがって、第１撮像データ１３ｂ１および／または第２撮像データ１３ｂ２として、たとえば６０秒以内（または３０秒以内）の動画像データを１区切りとして用いることで、焼却炉６内の燃焼状態をより精度よく分類・予測・推定することが可能となる。
【0058】
また、第１撮像データ１３ｂ１および／または第２撮像データ１３ｂ２は、５秒以上の動画像データであってもよいし、７秒以上であってもよい。焼却炉６内の燃焼状態が５～１０秒で変化するのに対し、第１撮像データ１３ｂ１および／または第２撮像データ１３ｂ２として、たとえば５秒以上（または７秒以上）の動画像データを１区切りとして用いることで、焼却炉６内の燃焼状態をより精度よく分類・予測・推定することが可能となる。
【0059】
第１モデル構築部１３ｃ１は、第１教師データ生成部１２ｂ１により生成された第１教師データ１３ｂ１を、第１アルゴリズム１３ａ１を用いて機械学習することにより、第１学習済みモデルを生成する。機械学習に用いられる第１アルゴリズム１３ａ１は、最尤分類法、ボルツマンマシン、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、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、ブースティング、強化学習、ディープラーニングのうちの少なくとも１つを含んでいてよい。
【0060】
同様に、第２モデル構築部１３ｃ２は、第２教師データ生成部１２ｂ２により生成された第２教師データ１３ｂ２を、第２アルゴリズム１３ａ２を用いて機械学習することにより、第２学習済みモデルを生成する。機械学習に用いられる第２アルゴリズム１３ａ２は、最尤分類法、ボルツマンマシン、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、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、ブースティング、強化学習、ディープラーニングのうちの少なくとも１つを含んでいてよい。
【0061】
第１画像解析部１３ｄ１は、第１撮像データ取得部１３ａ１により取得された焼却炉６内の新たな第１撮像データ（赤外線撮像データ）を入力として、第１モデル構築部１３ｃ１により生成された第１学習済みモデルを利用して、第１評価軸（たとえば被燃焼物量）での評価結果を出力データとして取得する。第１画像解析部１３ｄ１は、第１評価軸での評価結果をたとえば０～１００の数値範囲に正規化（スコア化）し、当該範囲内の数値（スコア）を出力データとして取得してもよい。
【0062】
第２画像解析部１３ｄ２は、第２撮像データ取得部１３ａ２により取得された焼却炉６内の新たな第２撮像データ（可視光撮像データ）を入力として、第２モデル構築部１３ｃ２により生成された第２学習済みモデルを利用して、第２評価軸（たとえば火炎状態）での評価結果を出力データとして取得する。第２画像解析部１３ｄ２は、第２評価軸での評価結果をたとえば０～１００の数値範囲に正規化（スコア化）し、当該範囲内の数値（スコア）を出力データとして取得してもよい。
【0063】
燃焼状態判定部１２ｅは、第１画像解析部１３ｄ１による第１評価軸での評価結果（スコア）および第２画像解析部１３ｄ２による第２評価軸での評価結果（スコア）に基づいて、焼却炉６内の現在の燃焼状態を判定する。燃焼状態の判定結果は、燃焼状態の特性を示すラベル（過燃焼・ごみ層厚燃焼・ごみ層薄燃焼・ごみ枯れ・低質ごみ燃焼など）であってもよいし、当該ラベルを数値変更したものであってもよい。過燃焼とは、たとえば被燃焼物の中に質の高い（燃えやすい）ごみが大量に存在し、燃焼温度が非常に高温となるなど燃焼が活発な燃焼状態のことである。ごみ層厚燃焼とは、たとえば被燃焼物の量が通常時よりも多い燃焼状態のことである。ごみ層薄燃焼とは、たとえば被燃焼物の量が通常時よりも少ない燃焼状態のことである。ごみ枯れとは、たとえば被燃焼物の量が通常時よりも極端に少なく燃焼温度が低くなる燃焼状態のことである。低質ごみ燃焼とは、たとえば被燃焼物の中に質の低い（低カロリーなごみなど）ごみが大量に存在し、燃焼温度が低温になるなど燃焼が弱い燃焼状態のことである。
【0064】
燃焼状態判定部１２ｅは、第１評価軸での評価結果（Ｘ）および第２評価軸での評価結果（Ｙ）からなる組（Ｘ，Ｙ）を、第１評価軸をＸ座標軸および第２評価軸をＹ座標軸とする予め定められた燃焼状態判定マップ１３ｄ上へマッピングすることにより、焼却炉６内の現在の燃焼状態を判定してもよい。燃焼状態判定部１２ｅは、１つ以上の第１評価軸での評価結果および１つ以上の第２評価軸での評価結果からなる組（Ｘ，Ｙ，Ｚ，・・）を、例えば第１評価軸のうち１つをＸ座標軸、第１評価軸のうち別の１つをＹ座標軸、および第２評価軸のうち１つをＺ座標軸とする予め定められたＮ次元空間（Ｎは３以上の整数）の燃焼状態判定マップ１３ｄ上へマッピングすることにより、焼却炉６内の現在の燃焼状態を判定してもよい。
【0065】
図４は、燃焼状態判定マップ１３ｄの一例を示す図である。図４に示す燃焼状態判定マップ１３ｄでは、被燃焼物量をＸ座標軸、火炎状態をＹ座標軸とするＸＹ座標平面が、複数の領域（図示された例では、ごみ枯れゾーン、過燃焼ゾーン、ごみ層薄燃焼ゾーン、燃焼良好（正常）ゾーン、ごみ層厚燃焼ゾーン、低質ごみ燃焼ゾーンの６領域）に分割されている。燃焼状態判定部１２ｅは、被燃焼物量を第１評価軸、火炎状態を第２評価軸としたときの第１評価軸での評価結果（Ｘ）および第２評価軸での評価結果（Ｙ）からなる組（Ｘ，Ｙ）を、この燃焼状態判定マップ１３ｄ上にマッピングする。たとえば、図４に示すように、第１評価軸での評価結果（Ｘ）および第２評価軸での評価結果（Ｙ）からなる組（Ｘ，Ｙ）を示す点Ｐが燃焼良好（正常）ゾーン内にマッピングされる場合には、燃焼状態判定部１２ｅは、現在の燃焼状態が「燃焼良好（正常）」であると判定する。上記領域の範囲（閾値（境界線の位置、長さ及び形状））は、運転員の経験則から決定されてもよいし、第１評価軸での評価結果（Ｘ）および第２評価軸での評価結果（Ｙ）とプロセスデータとの対応関係を最尤分類法、ボルツマンマシン、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、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、カルマンフィルタ、自己回帰、ブースティング、強化学習、ディープラーニングのうちの少なくとも１つを含むアルゴリズムを用いて機械学習することにより決定されてもよい。
【0066】
燃焼状態判定部１２ｅは、燃焼状態の判定結果を、施設内に設置された各種センサ（不図示）から得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量に応じて補正してもよい。たとえば、燃焼状態の判定結果が「低質ごみ燃焼」であり、その際の炉出口温度または蒸発量の差分値ＰＶ－ＳＶがあらかじめ定められた条件を満たしている場合は、燃焼状態の判定結果を「燃焼良好（正常）」に補正してもよい。
【0067】
燃焼状態判定部１２ｅは、燃焼状態の判定結果に応じて、性能管理指標値を所定の範囲内に保つことが困難などのアラートを、不図示のディスプレイに表示してもよいし、音声
や振動、光などで発報してもよい。
や振動、光などで発報してもよい。
【0068】
指示部１２ｆは、燃焼状態判定部１２ｅの判定結果に基づいて、クレーン制御装置５０および／または燃焼制御装置２０へ操作指示を送信する。たとえば、指示部１２ｆは、燃焼状態判定部１２ｅの判定結果に基づいて、燃焼状態判定マップ上の各ゾーンごとに予め定義された操作指示をクレーン制御装置５０および／または燃焼制御装置２０へ送信する。具体的には、たとえば、指示部１２ｆは、現在の燃焼状態に適した操作指示（燃焼温度の上げまたは下げ、燃焼時間の増加または減少、空気量の増加または減少、ごみの送り量の増加または減少）を燃焼制御装置２０へ送信する。一例として、指示部１２ｆは、現在の燃焼状態が「過燃焼」の場合には、空気量の減少、ごみ送り量の減少などの操作指示を燃焼制御装置２０へ送信してもよい。別の一例として、指示部１２ｆは、現在の燃焼状態が「ごみ層厚燃焼」の場合には、ごみの層を薄くするために、ごみ送り量の減少などの操作指示を燃焼制御装置２０へ送信してもよい。また、別の一例として、指示部１２ｆは、現在の燃焼状態が「ごみ層薄燃焼」の場合には、ごみ層を厚くするために、空気量の減少やごみ送り量の減少などの操作指示を燃焼制御装置２０へ送信してもよい。また、別の一例として、指示部１２ｆは、現在の燃焼状態が「ごみ枯れ」の場合には、焼却炉内へのごみ量を増やすために、空気量の減少やごみ送量の増加などの操作指示を燃焼制御装置２０へ送信してもよい。また、別の一例として、指示部１２ｆは、現在の燃焼状態が「低質ごみ燃焼」の場合には、今あるごみをしっかり燃やすために、空気量の増加、ごみ送り量の減少などの操作指示を燃焼制御装置２０へ送信してもよい。
【0069】
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。
【0070】
図３に示すように、まず、焼却施設１の運転前に、第１教師データ生成部１２ｂ１が、赤外線撮像装置７１により撮像された焼却炉６内の過去の赤外線撮像データ（第１撮像データ１３ｂ１）に対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルを紐づけることにより、第１教師データ１３ｃ１を生成する。また、第２教師データ生成部１２ｂ２が、可視光撮像装置７２により撮像された焼却炉６内の過去の可視光撮像データ（第２撮像データ１３ｂ２）に対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルを紐づけることにより、第２教師データ１３ｃ２を生成する（ステップＳ１１）。
【0071】
次に、第１モデル構築部１３ｃ１が、第１教師データ生成部１２ｂ１により生成された第１教師データ１３ｂ１を、第１アルゴリズム１３ａ１を用いて機械学習することにより、第１学習済みモデルを生成する。また、第２モデル構築部１３ｃ２が、第２教師データ生成部１２ｂ２により生成された第２教師データ１３ｂ２を、第２アルゴリズム１３ａ２を用いて機械学習することにより、第２学習済みモデルを生成する（ステップＳ１２）。
【0072】
次に、焼却施設１の運転中に、第１撮像データ取得部１２ａ１が、赤外線撮像装置７１が撮像した焼却炉６内の新たな赤外線撮像データを第１撮像データ１３ｂ１として取得するとともに、第２撮像データ取得部１２ａ２が、可視光撮像装置７２が撮像した焼却炉６内の可視光撮像データを第２撮像データ１３ｂ２として取得する（ステップＳ１３）。
【0073】
次いで、第１画像解析部１３ｄ１が、第１撮像データ取得部１３ａ１により取得された焼却炉６内の新たな第１撮像データ（赤外線撮像データ）を入力として、第１モデル構築部１３ｃ１により生成された第１学習済みモデルを利用して、第１評価軸（たとえば被燃焼物量）での評価結果を出力データとして取得する。また、第２画像解析部１３ｄ２が、第２撮像データ取得部１３ａ２により取得された焼却炉６内の新たな第２撮像データ（可
視光撮像データ）を入力として、第２モデル構築部１３ｃ２により生成された第２学習済みモデルを利用して、第２評価軸（たとえば火炎状態）での評価結果を出力データとして取得する（ステップＳ１４）。
視光撮像データ）を入力として、第２モデル構築部１３ｃ２により生成された第２学習済みモデルを利用して、第２評価軸（たとえば火炎状態）での評価結果を出力データとして取得する（ステップＳ１４）。
【0074】
そして、燃焼状態判定部１２ｅが、第１画像解析部１３ｄ１による第１評価軸での評価結果と第２画像解析部１３ｄ２による第２評価軸での評価結果とに基づいて、焼却炉６内の現在の燃焼状態を判定する（ステップ１５）。
【0075】
ステップＳ１５において、燃焼状態判定部１２ｅは、第１評価軸での評価結果（Ｘ）および第２評価軸での評価結果（Ｙ）からなる組（Ｘ，Ｙ）を、第１評価軸をＸ座標軸および第２評価軸をＹ座標軸とする予め定められた燃焼状態判定マップ１３ｄ上へマッピングすることにより、焼却炉６内の現在の燃焼状態を判定してもよい（図４参照）。
【0076】
その後、指示部１２ｆが、燃焼状態判定部１２ｅの判定結果に基づいて、クレーン制御装置５０および／または燃焼制御装置２０へ操作指示を送信する（ステップＳ１６）。
【0077】
以上のような本実施の形態によれば、赤外線撮像装置７１は、撮像波長を適切に選択することで、焼却炉６内の赤外線撮像データ（第１撮像データ）として、火炎の影響を取り除いた焼却炉６上流側から実際に燃焼している被燃焼物の像までを含む画像を取得することができるため、焼却炉６内の赤外線撮像データを用いて、燃焼状態を判断する要素となる少なくとも１つの第１評価軸での評価を行い、その評価結果に基づいて燃焼状態を判定することで、火炎の状況しか把握できない燃焼映像だけから燃焼状態の分類・予測・推定やプロセス値の予測・推定を行う場合に比べて、焼却炉６内の燃焼状態をより精度よく分類・予測・推定することができる。
【0078】
また、本実施の形態によれば、第１評価軸Ｘと第２評価軸Ｙの各々での評価結果に基づいて燃焼状態を判定することで、１つの評価軸での評価結果に基づいて燃焼状態を判定する場合に比べて、焼却炉６内の燃焼状態を精度よく分類・予測・推定できる。また、第１評価軸Ｘと第２評価軸Ｙの各々での評価結果を燃焼状態判定マップ１３ｄ上へマッピングすることにより燃焼状態を判定することで、第１評価軸Ｘと第２評価軸Ｙの各々での評価結果と判定結果である燃焼状態との関係性を直感的に把握することが可能であり、また燃焼状態の判定を高速に行うことが可能である。
【0079】
【0080】
図５に示すように、第２の実施形態に係る焼却施設１では、焼却炉６内を撮像する可視光撮像装置７２が省略されている点のみが第１の実施形態と異なっており、その他の構成は第１の実施形態と同様である。
【0081】
図６は、第２の実施形態に係る情報処理装置１０の構成を示すブロック図である。情報処理装置１０は、１台または複数台のコンピュータによって構成されている。
【0082】
図６に示すように、情報処理装置１０は、通信部１１と、制御部１２と、記憶部１３とを有している。各部は、バスやネットワークを介して互いに通信可能に接続されている。
【0083】
このうち通信部１１は、赤外線撮像装置７１、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１１は、赤外線撮像装置７１、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。
処理装置１０との間で情報を送受信する。
【0084】
記憶部１３は、たとえばハードディスクやフラッシュメモリ等の不揮発性データストレージである。記憶部１３には、制御部１２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モデル構築部１２ｃ１が機械学習に用いる第１アルゴリズム１３ａ１と、第１撮像データ取得部１２ａ１により取得された第１撮像データ１３ｂ１と、第１教師データ生成部１２ｂ１により生成された第１教師データ１３ｃ１と、燃焼状態判定部１２ｅにより用いられる燃焼状態判定マップ１３ｄと、が記憶される。各情報１３ａ１～１３ｄの詳細は後述する。
【0085】
制御部１２は、情報処理装置１０の各種処理を行う制御手段である。図６に示すように、制御部１１は、第１撮像データ取得部１２ａ１と、第１教師データ生成部１２ｂ１と、第１モデル構築部１２ｃ１と、第１画像解析部１２ｄ１と、燃焼状態判定部１２ｅと、指示部１２ｆと、プロセスデータ取得部１２ｇ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。
【0086】
このうち第１撮像データ取得部１２ａ１、プロセスデータ取得部１２ｇ、および指示部１２ｆの構成は、第１の実施形態と同様であり、説明を省略する。
【0087】
第１教師データ生成部１２ｂ１は、第１撮像データ１３ｂ１に対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルを紐づけることにより、第１教師データ１３ｃ１を生成する。第１教師データ１３ｃ１は、記憶部１３に記憶される。ここで、分類ラベルは、第１評価軸における絶対的な分類情報（予め定められた絶対的な基準（閾値）に対する関係で定まる分類）であってもよいし、複数の赤外線撮像データの間での第１評価軸における相対的な順序（複数の赤外線撮像データからなるグループ内での相対的な順序関係）であってもよい。第１評価軸は、火炎状態、被燃焼物の量、被燃焼物の質、被燃焼物の種類、被燃焼物の温度、燃焼ガス発生量（ＣＯ等）、焼却炉の壁の温度のうちの２つ以上を含んでもよい。火炎状態は、第１撮像データ１３ｂ１（赤外線撮像データ）に写るガス状の揺らぎの量から判断できる。
【0088】
一例として、火炎状態を１つの第１評価軸とした場合、分類ラベルは、良い・正常・悪い（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）し、複数の第１撮像データに対して火炎状態の優劣を順序付けしたもの（相対的な情報）であってもよい。別例として、被燃焼物の量を１つの第１評価軸とした場合、分類ラベルは、多い・正常・少ない（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）し、複数の第１撮像データに対して被燃焼物の量の大小を順序付けしたもの（相対的な情報）であってもよい。別例として、被燃焼物の質を１つの第１評価軸とした場合、分類ラベルは、普通ごみ・高質ごみ（すなわち高カロリーごみ）・低質ごみ（すなわち低カロリーごみ）（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）し、複数の第１撮像データに対して被燃焼物の質の優劣を順序付けしたもの（相対的な情報）であってもよい。別例として、被燃焼物の種類を１つの第１評価軸とした場合、分類ラベルは、ごみ袋未破袋ごみ・剪定枝・布団（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）。別例として、燃焼ガス発生量（ＣＯ等）を１つの第１評価軸とした場合、分類ラベルは、多い・正常・少ない（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）し、複数の第１撮像データに対して燃焼ガス発生量（ＣＯ等）の大小を順序付けしたもの（相対的な情報）であってもよい。別例として、焼却炉の壁の温度を１つの第１評価軸とした場合、分類ラベルは、高い・正常・低いであってもよい（ラベルの種類は増やしてもよい）し、複数の第１撮像データに対して焼却炉の壁の温度の高低を順序付けしたもの
（相対的な情報）であってもよい。
（相対的な情報）であってもよい。
【0089】
第１教師データ生成部１２ｂ１は、第１撮像データ１３ｂ１と、焼却施設１内に設置された各種センサ（不図示）から得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせに対して、運転員により経験則に基づき人為的に付与された２つ以上の第１評価軸の各々における分類ラベルを紐づけることにより、第１教師データ１３ｃ１を生成してもよい。ここで、プロセスデータは、第１撮像データの撮像時刻とセンサの応答時刻との間のタイムラグを考慮したデータである。タイムラグはセンサの応答速度、施設内でのセンサの設置位置、実験、シミュレーション、運転員の経験則に基づいて適宜決定されてよい。
【0090】
第１撮像データ１３ｂ１は、６０秒以内の動画像データであってもよいし、３０秒以内の動画像データであってもよい。本件発明者らの知見によれば、焼却炉６内の燃焼状態は５～１０秒で変化する。したがって、第１撮像データ１３ｂ１として、たとえば６０秒以内（または３０秒以内）の動画像データを１区切りとして用いることで、焼却炉６内の燃焼状態をより精度よく分類・予測・推定することが可能となる。
【0091】
また、第１撮像データ１３ｂ１は、５秒以上の動画像データであってもよいし、７秒以上であってもよい。焼却炉６内の燃焼状態が５～１０秒で変化するのに対し、第１撮像データ１３ｂ１として、たとえば５秒以上（または７秒以上）の動画像データを１区切りとして用いることで、焼却炉６内の燃焼状態をより精度よく分類・予測・推定することが可能となる。
【0092】
第１モデル構築部１３ｃ１は、第１教師データ生成部１２ｂ１により生成された第１教師データ１３ｂ１を、第１アルゴリズム１３ａ１を用いて機械学習することにより、第１学習済みモデルを生成する。機械学習に用いられる第１アルゴリズム１３ａ１は、最尤分類法、ボルツマンマシン、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、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、ブースティング、強化学習、ディープラーニングのうちの少なくとも１つを含んでいてよい。
【0093】
第１画像解析部１３ｄ１は、第１撮像データ取得部１３ａ１により取得された焼却炉６内の新たな第１撮像データ（赤外線撮像データ）を入力として、第１モデル構築部１３ｃ１により生成された第１学習済みモデルを利用して、２つ以上の第１評価軸（たとえば火炎状態と被燃焼物量）の各々での評価結果を出力データとして取得する。第１画像解析部１３ｄ１は、２つ以上の第１評価軸の各々での評価結果をたとえば０～１００の数値範囲に正規化（スコア化）し、当該範囲内の数値（スコア）を出力データとして取得してもよい。
【0094】
燃焼状態判定部１２ｅは、第１画像解析部１３ｄ１による２つ以上の第１評価軸の各々での評価結果（スコア）に基づいて、焼却炉６内の現在の燃焼状態を判定する。燃焼状態の判定結果は、燃焼状態の特性を示すラベル（過燃焼・ごみ層厚燃焼・ごみ層薄燃焼・ごみ枯れ・低質ごみ燃焼など）であってもよいし、当該ラベルを数値変更したものであってもよい。
【0095】
燃焼状態判定部１２ｅは、２つ以上の第１評価軸の各々での評価結果からなる組を、当該２つ以上の第１評価軸を座標軸とする予め定められた燃焼状態判定マップ１３ｄ上へマッピングすることにより、焼却炉６内の現在の燃焼状態を判定してもよい。
【0096】
図４は、燃焼状態判定マップ１３ｄの一例を示す図である。図４に示す燃焼状態判定マ
ップ１３ｄでは、被燃焼物量をＸ座標軸、火炎状態をＹ座標軸とするＸＹ座標平面が、複数の領域（図示された例では、ごみ枯れゾーン、過燃焼ゾーン、ごみ層薄燃焼ゾーン、燃焼良好（正常）ゾーン、ごみ層厚燃焼ゾーン、低質ごみ燃焼ゾーンの６領域）に分割されている。燃焼状態判定部１２ｅは、被燃焼物量と火炎状態とを互いに異なる２つの第１評価軸としたときの各第１評価軸での評価結果からなる組（Ｘ，Ｙ）を、この燃焼状態判定マップ１３ｄ上にマッピングする。たとえば、図４に示すように、被燃焼物量を第１評価軸としたときの評価結果（Ｘ）および火炎状態を第１評価軸としたときの評価結果（Ｙ）からなる組（Ｘ，Ｙ）を示す点Ｐが、燃焼良好（正常）ゾーン内にマッピングされる場合には、燃焼状態判定部１２ｅは、現在の燃焼状態が「燃焼良好（正常）」であると判定する。
ップ１３ｄでは、被燃焼物量をＸ座標軸、火炎状態をＹ座標軸とするＸＹ座標平面が、複数の領域（図示された例では、ごみ枯れゾーン、過燃焼ゾーン、ごみ層薄燃焼ゾーン、燃焼良好（正常）ゾーン、ごみ層厚燃焼ゾーン、低質ごみ燃焼ゾーンの６領域）に分割されている。燃焼状態判定部１２ｅは、被燃焼物量と火炎状態とを互いに異なる２つの第１評価軸としたときの各第１評価軸での評価結果からなる組（Ｘ，Ｙ）を、この燃焼状態判定マップ１３ｄ上にマッピングする。たとえば、図４に示すように、被燃焼物量を第１評価軸としたときの評価結果（Ｘ）および火炎状態を第１評価軸としたときの評価結果（Ｙ）からなる組（Ｘ，Ｙ）を示す点Ｐが、燃焼良好（正常）ゾーン内にマッピングされる場合には、燃焼状態判定部１２ｅは、現在の燃焼状態が「燃焼良好（正常）」であると判定する。
【0097】
燃焼状態判定部１２ｅは、燃焼状態の判定結果を、施設内に設置された各種センサ（不図示）から得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量に応じて補正してもよい。たとえば、燃焼状態の判定結果が「低質ごみ燃焼」であり、その際の炉出口温度または蒸発量の差分値ＰＶ－ＳＶがあらかじめ定められた条件を満たしている場合は、燃焼状態の判定結果を「燃焼良好（正常）」に補正してもよい。
【0098】
燃焼状態判定部１２ｅは、燃焼状態の判定結果に応じて、性能管理指標値を所定の範囲内に保つことが困難などのアラートを、不図示のディスプレイに表示してもよいし、音声や振動、光などで発報してもよい。
【0099】
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７は、情報処理方法の一例を示すフローチャートである。
【0100】
図７に示すように、まず、焼却施設１の運転前に、第１教師データ生成部１２ｂ１が、赤外線撮像装置７１により撮像された焼却炉６内の過去の赤外線撮像データ（第１撮像データ１３ｂ１）に対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる２つ以上の第１評価軸における分類ラベルを紐づけることにより、第１教師データ１３ｃ１を生成する（ステップＳ２１）。
【0101】
次に、第１モデル構築部１３ｃ１が、第１教師データ生成部１２ｂ１により生成された第１教師データ１３ｂ１を、第１アルゴリズム１３ａ１を用いて機械学習することにより、第１学習済みモデルを生成する（ステップＳ２２）。
【0102】
次に、焼却施設１の運転中に、第１撮像データ取得部１２ａ１が、赤外線撮像装置７１が撮像した焼却炉６内の新たな赤外線撮像データを第１撮像データ１３ｂ１として取得する（ステップＳ２３）。
【0103】
次いで、第１画像解析部１３ｄ１が、第１撮像データ取得部１３ａ１により取得された焼却炉６内の新たな第１撮像データ（赤外線撮像データ）を入力として、第１モデル構築部１３ｃ１により生成された第１学習済みモデルを利用して、２つ以上の第１評価軸（たとえば被燃焼物量と火炎状態）の各々での評価結果を出力データとして取得する（ステップＳ２４）。
【0104】
そして、燃焼状態判定部１２ｅが、第１画像解析部１３ｄ１による第１評価軸での評価結果に基づいて、焼却炉６内の現在の燃焼状態を判定する（ステップ２５）。
【0105】
ステップＳ２５において、燃焼状態判定部１２ｅは、２つ以上の第１評価軸の各々での評価結果からなる組を、２つ以上の第１評価軸を座標軸とする予め定められた燃焼状態判
定マップ１３ｄ上へマッピングすることにより、焼却炉６内の現在の燃焼状態を判定してもよい（図４参照）。
定マップ１３ｄ上へマッピングすることにより、焼却炉６内の現在の燃焼状態を判定してもよい（図４参照）。
【0106】
その後、指示部１２ｆが、燃焼状態判定部１２ｅの判定結果に基づいて、クレーン制御装置５０および／または燃焼制御装置２０へ操作指示を送信する（ステップＳ１６）。
【0107】
以上のような本実施の形態によれば、赤外線撮像装置７１は、撮像波長を適切に選択することで、焼却炉６内の赤外線撮像データ（第１撮像データ）として、火炎の影響を取り除いた焼却炉６上流側から実際に燃焼している被燃焼物の像までを含む画像を取得することができるため、焼却炉６内の赤外線撮像データを用いて、燃焼状態を判断する要素となる２つ以上の第１評価軸での評価を行い、その評価結果に基づいて燃焼状態を判定することで、火炎の状況しか把握できない燃焼映像だけから燃焼状態の分類・予測・推定やプロセス値の予測・推定を行う場合に比べて、焼却炉６内の燃焼状態をより精度よく分類・予測・推定することができる。
【0108】
また、本実施の形態によれば、２つ以上の第１評価軸の各々での評価結果に基づいて燃焼状態を判定することで、１つの評価軸での評価結果に基づいて燃焼状態を判定する場合に比べて、焼却炉６内の燃焼状態を精度よく分類・予測・推定できる。また、２つ以上の第１評価軸の各々での評価結果を燃焼状態判定マップ１３ｄ上へマッピングすることにより燃焼状態を判定することで、２つ以上の第１評価軸の各々での評価結果と判定結果である燃焼状態との関係性を直感的に把握することが可能であり、また燃焼状態の判定を高速に行うことが可能である。
【0109】
【0110】
図８に示すように、第３の実施形態に係る焼却施設１では、焼却炉６内を撮像する赤外線撮像装置７１が省略されている点のみが第１の実施形態と異なっており、その他の構成は第１の実施形態と同様である。
【0111】
図９は、第３の実施形態に係る情報処理装置１０の構成を示すブロック図である。情報処理装置１０は、１台または複数台のコンピュータによって構成されている。
【0112】
図９に示すように、情報処理装置１０は、通信部１１と、制御部１２と、記憶部１３とを有している。各部は、バスやネットワークを介して互いに通信可能に接続されている。
【0113】
このうち通信部１１は、可視光撮像装置７２、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１１は、可視光撮像装置７２、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。
【0114】
記憶部１３は、たとえばハードディスクやフラッシュメモリ等の不揮発性データストレージである。記憶部１３には、制御部１２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２モデル構築部１２ｃ２が機械学習に用いる第２アルゴリズム１３ａ２と、第２撮像データ取得部１２ａ２により取得された第２撮像データ１３ｂ２と、第２教師データ生成部１２ｂ２により生成された第２教師データ１３ｃ２と、燃焼状態判定部１２ｅにより用いられる燃焼状態判定マップ１３ｄと、が記憶される。各情報１３ａ２～１３ｄの詳細は後述する。
【0115】
制御部１２は、情報処理装置１０の各種処理を行う制御手段である。図９に示すように、制御部１１は、第２撮像データ取得部１２ａ２と、第２教師データ生成部１２ｂ２と、第２モデル構築部１２ｃ２と、第２画像解析部１２ｄ２と、燃焼状態判定部１２ｅと、指示部１２ｆと、プロセスデータ取得部１２ｇ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。
【0116】
このうち第２撮像データ取得部１２ａ２、プロセスデータ取得部１２ｇ、および指示部１２ｆの構成は、第１の実施形態と同様であり、説明を省略する。
【0117】
第２教師データ生成部１２ｂ２は、第２撮像データ１３ｂ２に対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる２つ以上の第２評価軸の各々における分類ラベルを紐づけることにより、第２教師データ１３ｃ２を生成する。第２教師データ１３ｃ２は、記憶部１３に記憶される。ここで、分類ラベルは、第２評価軸における絶対的な分類情報（予め定められた絶対的な基準（閾値）に対する関係で定まる分類）であってもよいし、複数の可視光撮像データの間での第２評価軸における相対的な順序（複数の可視光撮像データからなるグループ内での相対的な順序関係）であってもよい。第２評価軸は、火炎状態、燃焼完結点の位置、燃焼完結点の形状、被燃焼物の量、被燃焼物の質、被燃焼物の種類、未燃物の量、焼却灰の量のうちの２つ以上を含んでもよい。
【0118】
一例として、火炎状態を１つの第２評価軸とした場合、分類ラベルは、良い・正常・悪い（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して火炎状態の優劣を順序付けしたもの（相対的な情報）であってもよい。別例として、燃焼完結点（燃え切り点）の位置を１つの第２評価軸とした場合、分類ラベルは、手前・やや手前・正常・やや奥・奥であってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して、燃焼完結点の位置の遠近を順序付けしたものであってもよい。別例として、燃焼完結点の形状を１つの第２評価軸とした場合、分類ラベルは良い・正常・悪いであってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して、燃焼完結点の形状の優劣を順序付けしたものであってもよい。別例として、被燃焼物の量を１つの第２評価軸とした場合、分類ラベルは、多い・正常・少ない（絶対的な情報）であってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して被燃焼物の量の大小を順序付けしたもの（相対的な情報）であってもよい。別例として、被燃焼物の質を１つの第２評価軸とした場合、分類ラベルは、普通ごみ・高質ごみ（すなわち高カロリーごみ）・低質ごみ（すなわち低カロリーごみ）であってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して被燃焼物の質の優劣を順序付けしたものであってもよい。別例として、被燃焼物の種類を１つの第２評価軸とした場合、分類ラベルは、ごみ袋未破袋ごみ・剪定枝・布団であってもよい（ラベルの種類は増やしてもよい）。別例として、未燃物の量を第２評価軸とした場合、分類ラベルは、多い・正常・少ないであってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して未燃物の量の大小を順序付けしたものであってもよい。別例として、焼却灰の量を１つの第２評価軸とした場合、分類ラベルは、多い・正常・少ないであってもよい（ラベルの種類は増やしてもよい）し、複数の第２撮像データに対して焼却灰の量の大小を順序付けしたものであってもよい。
【0119】
第２教師データ生成部１２ｂ２は、第２撮像データ１３ｂ２と、焼却施設１内に設置された各種センサ（不図示）から得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせに対して、運転員により経験則に基づき人為的に付与された２つ以上の第２評価軸の各々における分類ラベルを紐づけることにより、第２教師データ１３ｃ２を生成してもよい。ここで、プロセスデータは、第１撮像デ
ータの撮像時刻とセンサの応答時刻との間のタイムラグを考慮したデータである。タイムラグはセンサの応答速度、施設内でのセンサの設置位置、実験、シミュレーション、運転員の経験則に基づいて適宜決定されてよい。
ータの撮像時刻とセンサの応答時刻との間のタイムラグを考慮したデータである。タイムラグはセンサの応答速度、施設内でのセンサの設置位置、実験、シミュレーション、運転員の経験則に基づいて適宜決定されてよい。
【0120】
第２撮像データ１３ｂ２は、６０秒以内の動画像データであってもよいし、３０秒以内の動画像データであってもよい。本件発明者らの知見によれば、焼却炉６内の燃焼状態は５～１０秒で変化する。したがって、第２撮像データ１３ｂ１として、たとえば６０秒以内（または３０秒以内）の動画像データを１区切りとして用いることで、焼却炉６内の燃焼状態をより精度よく分類・予測・推定することが可能となる。
【0121】
また、第２撮像データ１３ｂ２は、５秒以上の動画像データであってもよいし、７秒以上であってもよい。焼却炉６内の燃焼状態が５～１０秒で変化するのに対し、第２撮像データ１３ｂ２として、たとえば５秒以上（または７秒以上）の動画像データを１区切りとして用いることで、焼却炉６内の燃焼状態をより精度よく分類・予測・推定することが可能となる。
【0122】
第２モデル構築部１３ｃ２は、第２教師データ生成部１２ｂ２により生成された第２教師データ１３ｂ２を、第２アルゴリズム１３ａ２を用いて機械学習することにより、第２学習済みモデルを生成する。機械学習に用いられる第２アルゴリズム１３ａ２は、最尤分類法、ボルツマンマシン、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、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、ブースティング、強化学習、ディープラーニングのうちの少なくとも１つを含んでいてよい。
【0123】
第２画像解析部１３ｄ２は、第２撮像データ取得部１３ａ２により取得された焼却炉６内の新たな第２撮像データ（可視光撮像データ）を入力として、第２モデル構築部１３ｃ２により生成された第２学習済みモデルを利用して、２つ以上の第２評価軸（たとえば火炎状態と被燃焼物量）の各々での評価結果を出力データとして取得する。第２画像解析部１３ｄ２は、２つ以上の第２評価軸の各々での評価結果をたとえば０～１００の数値範囲に正規化（スコア化）し、当該範囲内の数値（スコア）を出力データとして取得してもよい。
【0124】
燃焼状態判定部１２ｅは、第２画像解析部１３ｄ２による２つ以上の第２評価軸の各々での評価結果（スコア）に基づいて、焼却炉６内の現在の燃焼状態を判定する。燃焼状態の判定結果は、燃焼状態の特性を示すラベル（過燃焼・ごみ層厚燃焼・ごみ層薄燃焼・ごみ枯れ・低質ごみ燃焼など）であってもよいし、当該ラベルを数値変更したものであってもよい。
【0125】
燃焼状態判定部１２ｅは、２つ以上の第２評価軸の各々での評価結果からなる組を、当該２つ以上の第２評価軸を座標軸とする予め定められた燃焼状態判定マップ１３ｄ上へマッピングすることにより、焼却炉６内の現在の燃焼状態を判定してもよい。
【0126】
図４は、燃焼状態判定マップ１３ｄの一例を示す図である。図４に示す燃焼状態判定マップ１３ｄでは、被燃焼物量をＸ座標軸、火炎状態をＹ座標軸とするＸＹ座標平面が、複数の領域（図示された例では、ごみ枯れゾーン、過燃焼ゾーン、ごみ層薄燃焼ゾーン、燃焼良好（正常）ゾーン、ごみ層厚燃焼ゾーン、低質ごみ燃焼ゾーンの６領域）に分割されている。燃焼状態判定部１２ｅは、被燃焼物量と火炎状態とを互いに異なる２つの第２評価軸としたときの各第２評価軸での評価結果からなる組（Ｘ，Ｙ）を、この燃焼状態判定マップ１３ｄ上にマッピングする。たとえば、図４に示すように、被燃焼物量を第２評価軸としたときの評価結果（Ｘ）および火炎状態を第２評価軸としたときの評価結果（Ｙ）
からなる組（Ｘ，Ｙ）を示す点Ｐが、燃焼良好（正常）ゾーン内にマッピングされる場合には、燃焼状態判定部１２ｅは、現在の燃焼状態が「燃焼良好（正常）」であると判定する。
からなる組（Ｘ，Ｙ）を示す点Ｐが、燃焼良好（正常）ゾーン内にマッピングされる場合には、燃焼状態判定部１２ｅは、現在の燃焼状態が「燃焼良好（正常）」であると判定する。
【0127】
燃焼状態判定部１２ｅは、燃焼状態の判定結果を、施設内に設置された各種センサ（不図示）から得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量に応じて補正してもよい。たとえば、燃焼状態の判定結果が「低質ごみ燃焼」であり、その際の炉出口温度または蒸発量の差分値ＰＶ－ＳＶがあらかじめ定められた条件を満たしている場合は、燃焼状態の判定結果を「燃焼良好（正常）」に補正してもよい。
【0128】
燃焼状態判定部１２ｅは、燃焼状態の判定結果に応じて、性能管理指標値を所定の範囲内に保つことが困難などのアラートを、不図示のディスプレイに表示してもよいし、音声や振動、光などで発報してもよい。
【0129】
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１０は、情報処理方法の一例を示すフローチャートである。
【0130】
図１０に示すように、まず、焼却施設１の運転前に、第２教師データ生成部１２ｂ２が、可視光撮像装置７２により撮像された焼却炉６内の過去の可視光撮像データ（第２撮像データ１３ｂ２）に対して、運転員により経験則に基づき人為的に付与された、燃焼状態を判断する要素となる２つ以上の第２評価軸における分類ラベルを紐づけることにより、第２教師データ１３ｃ２を生成する（ステップＳ３１）。
【0131】
次に、第２モデル構築部１３ｃ２が、第２教師データ生成部１２ｂ２により生成された第２教師データ１３ｂ２を、第２アルゴリズム１３ａ２を用いて機械学習することにより、第２学習済みモデルを生成する（ステップＳ３２）。
【0132】
次に、焼却施設１の運転中に、第２撮像データ取得部１２ａ２が、可視光撮像装置７２が撮像した焼却炉６内の新たな可視光撮像データを第２撮像データ１３ｂ２として取得する（ステップＳ３３）。
【0133】
次いで、第２画像解析部１３ｄ２が、第２撮像データ取得部１３ａ２により取得された焼却炉６内の新たな第２撮像データ（可視光撮像データ）を入力として、第２モデル構築部１３ｃ２により生成された第２学習済みモデルを利用して、２つ以上の第２評価軸（たとえば被燃焼物量と火炎状態）の各々での評価結果を出力データとして取得する（ステップＳ３４）。
【0134】
そして、燃焼状態判定部１２ｅが、第２画像解析部１３ｄ２による第２評価軸での評価結果に基づいて、焼却炉６内の現在の燃焼状態を判定する（ステップ３５）。
【0135】
ステップＳ３５において、燃焼状態判定部１２ｅは、２つ以上の第２評価軸の各々での評価結果からなる組を、２つ以上の第２評価軸を座標軸とする予め定められた燃焼状態判定マップ１３ｄ上へマッピングすることにより、焼却炉６内の現在の燃焼状態を判定してもよい（図４参照）。
【0136】
その後、指示部１２ｆが、燃焼状態判定部１２ｅの判定結果に基づいて、クレーン制御装置５０および／または燃焼制御装置２０へ操作指示を送信する（ステップＳ１６）。
【0137】
以上のような本実施の形態によれば、２つ以上の第２評価軸の各々での評価結果に基づ
いて燃焼状態を判定することで、１つの評価軸での評価結果に基づいて燃焼状態を判定する場合に比べて、焼却炉６内の燃焼状態を精度よく分類・予測・推定できる。また、２つ以上の第２評価軸の各々での評価結果を燃焼状態判定マップ１３ｄ上へマッピングすることにより燃焼状態を判定することで、２つ以上の第２評価軸の各々での評価結果と判定結果である燃焼状態との関係性を直感的に把握することが可能であり、また燃焼状態の判定を高速に行うことが可能である。
いて燃焼状態を判定することで、１つの評価軸での評価結果に基づいて燃焼状態を判定する場合に比べて、焼却炉６内の燃焼状態を精度よく分類・予測・推定できる。また、２つ以上の第２評価軸の各々での評価結果を燃焼状態判定マップ１３ｄ上へマッピングすることにより燃焼状態を判定することで、２つ以上の第２評価軸の各々での評価結果と判定結果である燃焼状態との関係性を直感的に把握することが可能であり、また燃焼状態の判定を高速に行うことが可能である。
【0138】
なお、上述した実施の形態において、制御部１２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とは別のクラウドサーバ上で行われてもよい。記憶部１３の一部は、情報処理装置１０ではなく、情報処理装置１０とは別のクラウドサーバ上にあってもよい。
【0139】
たとえば、第１教師データ生成部１２ｄ１および／または第２教師データ生成部１２ｄ２の処理がクラウドサーバ上で実行され、第１教師データ１３ｃ１および／または第２教師データ１３ｃ２が生成されてもよいし、第１モデル構築部１２ｃ１および／または第２モデル構築部１２ｃ２の処理がクラウドサーバ上で実行され、学習済みモデルが構築されてもよい。また、クラウドサーバ上で構築された学習済みモデルを利用して第１画像解析部１２ｄ１および／または第２画像解析部１２ｄ２の処理がクラウドサーバ上で実行されてもよいし、上記学習済みモデル（学習済みパラメータ）を情報処理装置１０が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内で利用して第１画像解析部１２ｄ１および／または第２画像解析部１２ｄ２の処理が実行されてもよい。
【0140】
以上、本発明の実施の形態および変形例を例示により説明したが、本発明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。
【0141】
また、本発明の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コンピュータ読取可能な記録媒体も、本件の保護対象である。
【符号の説明】
【0142】
１ 焼却施設
２ ボイラ
３ ごみピット
４ ホッパ
５ クレーン
６ 焼却炉
７１ 赤外線撮像装置
７２ 可視光撮像装置
１０ 情報処理装置
１１ 通信部
１２ 制御部
１２ａ１ 第１撮像データ取得部
１２ａ２ 第２撮像データ取得部
１２ｂ１ 第１教師データ生成部
１２ｂ２ 第２教師データ生成部
１２ｃ１ 第１モデル構築部
１２ｃ２ 第２モデル構築部
１２ｄ１ 第１画像解析部
１２ｄ２ 第２画像解析部
１２ｅ 燃焼状態判定部
１２ｆ 指示部
１２ｇ プロセスデータ取得部
１３ 記憶部
１３ａ１ 第１アルゴリズム
１３ａ２ 第２アルゴリズム
１３ｂ１ 第１撮像データ
１３ｂ２ 第２撮像データ
１３ｃ１ 第１教師データ
１３ｃ２ 第２教師データ
１３ｄ 燃焼状態判定マップ
２０ 燃焼制御装置
２１ プラットホーム
２２ 搬送車両
５０ クレーン制御装置
２ ボイラ
３ ごみピット
４ ホッパ
５ クレーン
６ 焼却炉
７１ 赤外線撮像装置
７２ 可視光撮像装置
１０ 情報処理装置
１１ 通信部
１２ 制御部
１２ａ１ 第１撮像データ取得部
１２ａ２ 第２撮像データ取得部
１２ｂ１ 第１教師データ生成部
１２ｂ２ 第２教師データ生成部
１２ｃ１ 第１モデル構築部
１２ｃ２ 第２モデル構築部
１２ｄ１ 第１画像解析部
１２ｄ２ 第２画像解析部
１２ｅ 燃焼状態判定部
１２ｆ 指示部
１２ｇ プロセスデータ取得部
１３ 記憶部
１３ａ１ 第１アルゴリズム
１３ａ２ 第２アルゴリズム
１３ｂ１ 第１撮像データ
１３ｂ２ 第２撮像データ
１３ｃ１ 第１教師データ
１３ｃ２ 第２教師データ
１３ｄ 燃焼状態判定マップ
２０ 燃焼制御装置
２１ プラットホーム
２２ 搬送車両
５０ クレーン制御装置
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
