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】P2024165756
(43)【公開日】2024-11-28
(54)【発明の名称】水質判定方法および水質判定装置
(51)【国際特許分類】
C02F 3/12 20230101AFI20241121BHJP
G06T 7/00 20170101ALI20241121BHJP
G06V 10/82 20220101ALI20241121BHJP
【ＦＩ】
C02F3/12 Z
G06T7/00 610
G06T7/00 350C
G06V10/82
【審査請求】未請求
【請求項の数】14
【出願形態】ＯＬ
(21)【出願番号】P 2023082237
(22)【出願日】2023-05-18
(71)【出願人】
【識別番号】000004123
【氏名又は名称】ＪＦＥエンジニアリング株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】牧田 晟洋
(72)【発明者】
【氏名】戸村 啓二
(72)【発明者】
【氏名】江川 拓也
【テーマコード（参考）】
4D028
5L096
【Ｆターム（参考）】
4D028CA04
4D028CA05
4D028CA07
4D028CA09
4D028CA11
4D028CA12
4D028CB01
4D028CC01
4D028CC02
4D028CC04
4D028CC05
4D028CC06
4D028CC07
4D028CC09
4D028CC12
4D028CC14
4D028CC15
4D028CD01
4D028CE02
4D028CE03
5L096BA03
5L096CA04
5L096GA30
5L096GA51
5L096HA11
5L096KA04
5L096MA07
(57)【要約】
【課題】処理水の画像を用いた画像解析によって処理水の水質の良否を高精度に判定すること。
【解決手段】活性汚泥を含む処理水の水質を判定する水質判定方法であって、処理水を撮像して複数の汚泥画像データを第１入力パラメータとして取得する撮像ステップと、処理水の処理施設のプラントデータを第２入力パラメータとして取得するプラントデータ取得ステップと、複数の記汚泥画像データを第１入力パラメータとして沈降性判定モデルに入力して、処理水の水質の良否を第１出力パラメータとして出力する沈降性判定ステップと、プラントデータを第２入力パラメータとして処理水ＳＳ予測モデルに入力して、処理水の水質の良否を第２出力パラメータとして出力する処理水ＳＳ予測ステップと、を含む。
【選択図】図８
【解決手段】活性汚泥を含む処理水の水質を判定する水質判定方法であって、処理水を撮像して複数の汚泥画像データを第１入力パラメータとして取得する撮像ステップと、処理水の処理施設のプラントデータを第２入力パラメータとして取得するプラントデータ取得ステップと、複数の記汚泥画像データを第１入力パラメータとして沈降性判定モデルに入力して、処理水の水質の良否を第１出力パラメータとして出力する沈降性判定ステップと、プラントデータを第２入力パラメータとして処理水ＳＳ予測モデルに入力して、処理水の水質の良否を第２出力パラメータとして出力する処理水ＳＳ予測ステップと、を含む。
【選択図】図８
【特許請求の範囲】
【請求項1】
取得した活性汚泥を含む処理水の水質を判定する水質判定方法であって、
活性汚泥を含む処理水を採取して撮像することにより複数の汚泥画像データを第１入力パラメータとして取得する撮像ステップと、
活性汚泥を含む処理水を処理する処理施設におけるプラントデータを第２入力パラメータとして取得するプラントデータ取得ステップと、
複数の前記汚泥画像データを第１入力パラメータとして沈降性判定モデルに入力して、前記処理水の水質の良否を第１出力パラメータとして出力する沈降性判定ステップと、
前記プラントデータを第２入力パラメータとして処理水ＳＳ予測モデルに入力して、前記処理水の水質の良否を第２出力パラメータとして出力する処理水ＳＳ予測ステップと、を含み、
前記沈降性判定モデルは、あらかじめ採取した活性汚泥の汚泥画像データを学習用入力パラメータとし、前記汚泥画像データに対応した、あらかじめ汚泥の沈降性の良否と、前記汚泥の沈降性の良否に基づいて前記処理水の良否を判定した良否の判定結果を学習用出力パラメータとして、機械学習によってあらかじめ生成された学習モデルであり、
前記処理水ＳＳ予測モデルは、あらかじめ取得したプラントデータを学習用入力パラメータとし、前記プラントデータに対応した処理水のＳＳ濃度またはＳＳクラスと、前記ＳＳ濃度またはＳＳクラスに基づいた前記処理水の水質の良否とを学習用出力パラメータとし、機械学習によってあらかじめ生成された学習モデルである
水質判定方法。
活性汚泥を含む処理水を採取して撮像することにより複数の汚泥画像データを第１入力パラメータとして取得する撮像ステップと、
活性汚泥を含む処理水を処理する処理施設におけるプラントデータを第２入力パラメータとして取得するプラントデータ取得ステップと、
複数の前記汚泥画像データを第１入力パラメータとして沈降性判定モデルに入力して、前記処理水の水質の良否を第１出力パラメータとして出力する沈降性判定ステップと、
前記プラントデータを第２入力パラメータとして処理水ＳＳ予測モデルに入力して、前記処理水の水質の良否を第２出力パラメータとして出力する処理水ＳＳ予測ステップと、を含み、
前記沈降性判定モデルは、あらかじめ採取した活性汚泥の汚泥画像データを学習用入力パラメータとし、前記汚泥画像データに対応した、あらかじめ汚泥の沈降性の良否と、前記汚泥の沈降性の良否に基づいて前記処理水の良否を判定した良否の判定結果を学習用出力パラメータとして、機械学習によってあらかじめ生成された学習モデルであり、
前記処理水ＳＳ予測モデルは、あらかじめ取得したプラントデータを学習用入力パラメータとし、前記プラントデータに対応した処理水のＳＳ濃度またはＳＳクラスと、前記ＳＳ濃度またはＳＳクラスに基づいた前記処理水の水質の良否とを学習用出力パラメータとし、機械学習によってあらかじめ生成された学習モデルである
水質判定方法。
【請求項2】
前記沈降性判定モデルの生成における前記機械学習のニューラルネットワークは、畳み込みニューラルネットワークである
請求項１に記載の水質判定方法。
請求項１に記載の水質判定方法。
【請求項3】
前記沈降性判定ステップにおいて、前記活性汚泥の沈降性が良であると判定した場合に前記処理水ＳＳ予測ステップを実行する
請求項１に記載の水質判定方法。
請求項１に記載の水質判定方法。
【請求項4】
前記プラントデータは、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量から選択された少なくとも１つのデータを含む
請求項１に記載の水質判定方法。
請求項１に記載の水質判定方法。
【請求項5】
前記プラントデータは、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量のデータを含む
請求項１に記載の水質判定方法。
請求項１に記載の水質判定方法。
【請求項6】
前記沈降性判定モデルにおける前記学習用入力パラメータとして用いる前記汚泥画像データに対して、学習用出力パラメータとして、前記汚泥画像データに対応した処理水の基準値の８０％以下の汚泥画像データにおける水質の判定結果を良とし、前記処理水の基準値の２００％以上の汚泥画像データにおける水質の判定結果を不良とする
請求項１に記載の水質判定方法。
請求項１に記載の水質判定方法。
【請求項7】
前記沈降性判定モデルは、採取された汚泥画像データの数のうち、クラス所属確率が所定の第１閾値以上の数と、クラス所属確率が所定の第２閾値以下の数との合計に対する、クラス所属確率が所定の第１閾値以上の数の割合を、不良度とし、前記不良度に基づいて、処理水の沈降性を判定する
請求項１に記載の水質判定方法。
請求項１に記載の水質判定方法。
【請求項8】
取得した活性汚泥を含む処理水の水質を判定する制御部を有する水質判定装置であって、
前記制御部は、
活性汚泥を含む処理水を採取して撮像することにより複数の汚泥画像データを第１入力パラメータとして取得して、複数の前記汚泥画像データを第１入力パラメータとして沈降性判定モデルに入力して、前記処理水の水質の良否を第１出力パラメータとして出力可能であり、
活性汚泥を含む処理水を処理する処理施設におけるプラントデータを第２入力パラメータとして取得して、前記プラントデータを第２入力パラメータとして処理水ＳＳ予測モデルに入力して、前記処理水の水質の良否を第２出力パラメータとして出力可能であり、
前記沈降性判定モデルは、あらかじめ採取した活性汚泥の汚泥画像データを学習用入力パラメータとし、前記汚泥画像データに対応した、あらかじめ汚泥の沈降性の良否と、前記汚泥の沈降性の良否に基づいて前記処理水の良否を判定した良否の判定結果を学習用出力パラメータとして、機械学習によってあらかじめ生成された学習モデルであり、
前記処理水ＳＳ予測モデルは、あらかじめ取得したプラントデータを学習用入力パラメータとし、前記プラントデータに対応した処理水のＳＳ濃度またはＳＳクラスと、前記ＳＳ濃度またはＳＳクラスに基づいた前記処理水の水質の良否とを学習用出力パラメータとし、機械学習によってあらかじめ生成された学習モデルである
水質判定装置。
前記制御部は、
活性汚泥を含む処理水を採取して撮像することにより複数の汚泥画像データを第１入力パラメータとして取得して、複数の前記汚泥画像データを第１入力パラメータとして沈降性判定モデルに入力して、前記処理水の水質の良否を第１出力パラメータとして出力可能であり、
活性汚泥を含む処理水を処理する処理施設におけるプラントデータを第２入力パラメータとして取得して、前記プラントデータを第２入力パラメータとして処理水ＳＳ予測モデルに入力して、前記処理水の水質の良否を第２出力パラメータとして出力可能であり、
前記沈降性判定モデルは、あらかじめ採取した活性汚泥の汚泥画像データを学習用入力パラメータとし、前記汚泥画像データに対応した、あらかじめ汚泥の沈降性の良否と、前記汚泥の沈降性の良否に基づいて前記処理水の良否を判定した良否の判定結果を学習用出力パラメータとして、機械学習によってあらかじめ生成された学習モデルであり、
前記処理水ＳＳ予測モデルは、あらかじめ取得したプラントデータを学習用入力パラメータとし、前記プラントデータに対応した処理水のＳＳ濃度またはＳＳクラスと、前記ＳＳ濃度またはＳＳクラスに基づいた前記処理水の水質の良否とを学習用出力パラメータとし、機械学習によってあらかじめ生成された学習モデルである
水質判定装置。
【請求項9】
前記沈降性判定モデルの生成における前記機械学習のニューラルネットワークは、畳み込みニューラルネットワークである
請求項８に記載の水質判定装置。
請求項８に記載の水質判定装置。
【請求項10】
前記制御部は、前記沈降性判定モデルから前記第１出力パラメータとして前記活性汚泥の沈降性が良であると出力された場合に、前記処理水ＳＳ予測モデルから前記第２出力パラメータとして前記処理水の水質の良否を出力する
請求項８に記載の水質判定装置。
請求項８に記載の水質判定装置。
【請求項11】
前記プラントデータは、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量から選択された少なくとも１つのデータを含む
請求項８に記載の水質判定装置。
請求項８に記載の水質判定装置。
【請求項12】
前記プラントデータは、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量のデータを含む
請求項８に記載の水質判定装置。
請求項８に記載の水質判定装置。
【請求項13】
前記沈降性判定モデルにおける前記学習用入力パラメータとして用いる前記汚泥画像データに対して、学習用出力パラメータとして、前記汚泥画像データに対応した処理水の基準値の８０％以下の汚泥画像データにおける水質の判定結果を良とし、前記処理水の基準値の２００％以上の汚泥画像データにおける水質の判定結果を不良とする
請求項８に記載の水質判定装置。
請求項８に記載の水質判定装置。
【請求項14】
前記沈降性判定モデルは、採取された汚泥画像データの数のうち、クラス所属確率が所定の第１閾値以上の数と、クラス所属確率が所定の第２閾値以下の数との合計に対する、クラス所属確率が所定の第１閾値以上の数の割合を、不良度とし、前記不良度に基づいて、処理水の沈降性を判定する
請求項８に記載の水質判定装置。
請求項８に記載の水質判定装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、水質判定方法および水質判定装置に関する。
【背景技術】
【0002】
従来、排水処理システムによる有機物を含む排水に対する排水処理には、微生物を使用した生物処理が用いられる場合が多い。生物処理において、下水や排水中に含まれる有機物を基質として人為的に培養された微生物の集合体を活性汚泥と称する。活性汚泥中においては、細菌（従属栄養生物）、糸状菌、酵母、原生生物、後生生物などの多様な生物種が相互作用することによって、水中の有機物、窒素（Ｎ2）、およびリン（Ｐ）などが処理される。
【0003】
この排水処理システムの運転支援ツールとして、各種プラントデータを入力値として、経験式や人工知能などによって、処理水水質の１つである浮遊物質量（ＳＳ：Suspended Solids）の濃度（ＳＳ濃度）を予測する手法が提案されている（特許文献１，２参照）。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特許第７１２２９８９号公報
【特許文献2】特開平６－３２８０９１号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
排水などの処理水のＳＳ濃度の悪化の要因の中には、糸状菌が優占することによって汚泥が浮上することなどがある。しかしながら、限られたプラントデータのみでは処理水の悪化の予兆を広範に捉えることが困難な場合がある。そのため、処理水の水質に関する良否の判定を行うために、処理水の画像を用いた画像解析によって処理水の水質の良否を高精度に判定できる方法が求められていた。
【0006】
本発明は、上記に鑑みてなされたものであって、その目的は、処理水の画像を用いた画像解析によって処理水の水質の良否を高精度に判定可能な水質判定方法および水質判定装置を提供することにある。
【課題を解決するための手段】
【0007】
上述した課題を解決し、目的を達成するために、本発明の一態様に係る水質判定方法は、取得した活性汚泥を含む処理水の水質を判定する水質判定方法であって、活性汚泥を含む処理水を採取して撮像することにより複数の汚泥画像データを第１入力パラメータとして取得する撮像ステップと、活性汚泥を含む処理水を処理する処理施設におけるプラントデータを第２入力パラメータとして取得するプラントデータ取得ステップと、複数の前記汚泥画像データを第１入力パラメータとして沈降性判定モデルに入力して、前記処理水の水質の良否を第１出力パラメータとして出力する沈降性判定ステップと、前記プラントデータを第２入力パラメータとして処理水ＳＳ予測モデルに入力して、前記処理水の水質の良否を第２出力パラメータとして出力する処理水ＳＳ予測ステップと、を含み、前記沈降性判定モデルは、あらかじめ採取した活性汚泥の汚泥画像データを学習用入力パラメータとし、前記汚泥画像データに対応した、あらかじめ汚泥の沈降性の良否と、前記汚泥の沈降性の良否に基づいて前記処理水の良否を判定した良否の判定結果を学習用出力パラメータとして、機械学習によってあらかじめ生成された学習モデルであり、前記処理水ＳＳ予測モデルは、あらかじめ取得したプラントデータを学習用入力パラメータとし、前記プラントデータに対応した処理水のＳＳ濃度またはＳＳクラスと、前記ＳＳ濃度またはＳＳクラスに基づいた前記処理水の水質の良否とを学習用出力パラメータとし、機械学習によってあらかじめ生成された学習モデルである。
【0008】
本発明の一態様に係る水質判定方法は、上記の発明において、前記沈降性判定モデルの生成における前記機械学習のニューラルネットワークは、畳み込みニューラルネットワークである。
【0009】
本発明の一態様に係る水質判定方法は、上記の発明において、前記沈降性判定ステップにおいて、前記活性汚泥の沈降性が良であると判定した場合に前記処理水ＳＳ予測ステップを実行する。
【0010】
本発明の一態様に係る水質判定方法は、上記の発明において、前記プラントデータは、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量から選択された少なくとも１つのデータを含む。
【0011】
本発明の一態様に係る水質判定方法は、上記の発明において、前記プラントデータは、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量のデータを含む。
【0012】
本発明の一態様に係る水質判定方法は、上記の発明において、前記沈降性判定モデルにおける前記学習用入力パラメータとして用いる前記汚泥画像データに対して、学習用出力パラメータとして、前記汚泥画像データに対応した処理水の基準値の８０％以下の汚泥画像データにおける水質の判定結果を良とし、前記処理水の基準値の２００％以上の汚泥画像データにおける水質の判定結果を不良とする。
【0013】
本発明の一態様に係る水質判定方法は、上記の発明において、前記沈降性判定モデルは、採取された汚泥画像データの数のうち、クラス所属確率が所定の第１閾値以上の数と、クラス所属確率が所定の第２閾値以下の数との合計に対する、クラス所属確率が所定の第１閾値以上の数の割合を、不良度とし、前記不良度に基づいて、処理水の沈降性を判定する。
【0014】
本発明の一態様に係る水質判定装置は、取得した活性汚泥を含む処理水の水質を判定する制御部を有する水質判定装置であって、前記制御部は、活性汚泥を含む処理水を採取して撮像することにより複数の汚泥画像データを第１入力パラメータとして取得して、複数の前記汚泥画像データを第１入力パラメータとして沈降性判定モデルに入力して、前記処理水の水質の良否を第１出力パラメータとして出力可能であり、活性汚泥を含む処理水を処理する処理施設におけるプラントデータを第２入力パラメータとして取得して、前記プラントデータを第２入力パラメータとして処理水ＳＳ予測モデルに入力して、前記処理水の水質の良否を第２出力パラメータとして出力可能であり、前記沈降性判定モデルは、あらかじめ採取した活性汚泥の汚泥画像データを学習用入力パラメータとし、前記汚泥画像データに対応した、あらかじめ汚泥の沈降性の良否と、前記汚泥の沈降性の良否に基づいて前記処理水の良否を判定した良否の判定結果を学習用出力パラメータとして、機械学習によってあらかじめ生成された学習モデルであり、前記処理水ＳＳ予測モデルは、あらかじめ取得したプラントデータを学習用入力パラメータとし、前記プラントデータに対応した処理水のＳＳ濃度またはＳＳクラスと、前記ＳＳ濃度またはＳＳクラスに基づいた前記処理水の水質の良否とを学習用出力パラメータとし、機械学習によってあらかじめ生成された学習モデルである。
【0015】
本発明の一態様に係る水質判定装置は、上記の発明において、前記沈降性判定モデルの生成における前記機械学習のニューラルネットワークは、畳み込みニューラルネットワークである。
【0016】
本発明の一態様に係る水質判定装置は、上記の発明において、前記制御部は、前記沈降性判定モデルから前記第１出力パラメータとして前記活性汚泥の沈降性が良であると出力された場合に、前記処理水ＳＳ予測モデルから前記第２出力パラメータとして前記処理水の水質の良否を出力する。
【0017】
本発明の一態様に係る水質判定装置は、上記の発明において、前記プラントデータは、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量から選択された少なくとも１つのデータを含む。
【0018】
本発明の一態様に係る水質判定装置は、上記の発明において、前記プラントデータは、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量のデータを含む。
【0019】
本発明の一態様に係る水質判定装置は、上記の発明において、前記沈降性判定モデルにおける前記学習用入力パラメータとして用いる前記汚泥画像データに対して、学習用出力パラメータとして、前記汚泥画像データに対応した処理水の基準値の８０％以下の汚泥画像データにおける水質の判定結果を良とし、前記処理水の基準値の２００％以上の汚泥画像データにおける水質の判定結果を不良とする。
【0020】
本発明の一態様に係る水質判定装置は、上記の発明において、前記沈降性判定モデルは、採取された汚泥画像データの数のうち、クラス所属確率が所定の第１閾値以上の数と、クラス所属確率が所定の第２閾値以下の数との合計に対する、クラス所属確率が所定の第１閾値以上の数の割合を、不良度とし、前記不良度に基づいて、処理水の沈降性を判定する。
【発明の効果】
【0021】
本発明に係る水質判定方法および水質判定装置によれば、処理水の画像を用いた画像解析によって処理水の水質の良否を高精度に判定することが可能になる。
【図面の簡単な説明】
【0022】
【発明を実施するための形態】
【0023】
以下、本発明の一実施形態について図面を参照しつつ説明する。なお、以下の一実施形態の全図においては、同一または対応する部分には同一の符号を付す。また、本発明は以下に説明する一実施形態によって限定されるものではない。なお、本発明の一実施形態においては例えば、下水処理施設の処理水水質を予測する予測方法や予測装置に適用可能であり、特に、活性汚泥画像を用いた画像解析と、プラントデータを用いた処理水のＳＳ濃度予測とによって、下水処理施設の処理水水質を高精度に予測する処理方法に適用して好適なものである。
【0024】
図１は、本発明の一実施形態による下水処理施設の基本的な下水処理フローの一例を示す図である。図１に示すように、一実施形態による下水処理施設１は、最初沈殿池１０と、生物反応槽２０と、最終沈殿池３０とを備える。最初沈殿池１０は、下水ラインから流入する下水から、例えばトイレットペーパーなどの固形性汚濁物や砂などを除去する施設である。生物反応槽２０は、微生物群の作用によって、アンモニアに含まれる窒素やリン酸や有機物などを除去するための施設である。最終沈殿池３０は、例えば自然沈降によって活性汚泥と処理水とを固液分離するための施設である。
【0025】
一実施形態による下水処理施設１における主要な処理対象物および項目は、以下の例を挙げることができる。すなわち、有機物に関しては、生物学的酸素要求量（ＢＯＤ）、化学的酸素要求量（ＣＯＤ）、および浮遊状固形物（ＳＳ）である。窒素に関しては、全窒素（有機体窒素＋無機窒素）（Ｔ－Ｎ）、アンモニア性窒素（ＮＨ4－Ｎ）、硝酸性窒素（ＮＯ3－Ｎ）、亜硝酸性窒素（ＮＯ2－Ｎ）などである。リン（Ｐ）に関しては、全リン（有機体リン＋無機リン）Ｔ－Ｐ、リン酸性リン（ＰＯ4－Ｐ）などである。
【0026】
また、活性汚泥による下水処理において、有機物、窒素、リンなどの汚濁物質の処理に最も貢献しているのは、ズーグレア（Zoogloea）属、バシラス（Bacillus）属、シュードモナス（Pseudomonas）属、フラボバクテリウム（Flavobacterium）属などの細菌類である。これらの細菌類は下水処理施設において用いられる顕微鏡による観察などの光学的な観察においては、フロックとして観察される。これらのフロックは、細菌が体外に放出する細胞外高分子物質や糸状菌の存在により、大きさ、濃淡、色などの様々な特徴を有する複雑形状を有する。活性汚泥の性能の大半を占める細菌の集合体であるフロックや糸状菌を対象として画像解析を行うことにより、その性能を定量的に評価可能である。
【0027】
上述した活性汚泥を利用した下水処理施設においては、安定した操業のために活性汚泥のモニタリングが必要になる。そのため、下水処理施設においては、顕微鏡などによって生物反応槽の活性汚泥が観察されている。ここで、処理水の観察によって得られる活性汚泥の画像データや撮像画像データから得られる情報に基づく判定は、撮像画像データを観察する観察者の技量に依存することが多い。また、顕微鏡による光学的な観察においては、多様な生物種が複雑に関係している生物反応を定量的に判断することが困難である。そのため、処理水の水質に関する良否の判定を行うために、処理水の画像を用いた画像解析によって処理水の水質の良否を高精度に判定できる方法が求められていた。
【0028】
そこで、本発明者は、上述した要請に基づいて種々検討を行い、活性汚泥の画像データからニューラルネットワークによって活性汚泥の画像から汚泥沈降性の良否を判定する沈降性判定モデルに加え、機械学習によって種々のセンサ値などのプラントデータに基づいて処理水のＳＳ濃度を予測する処理水ＳＳ予測モデルを用いる方法を案出した。沈降性判定モデルからの出力パラメータと、処理水ＳＳ予測モデルからの出力パラメータとを用いて、下水処理施設の処理水を解析することによって、広範な悪化要因に対して処理水のＳＳ濃度の悪化を予測して、悪化の予兆を予測することが可能になる。以下に説明する一実施形態は本発明者による以上の鋭意検討により案出されたものである。
【0029】
図２は、本実施形態による下水処理施設の全体構成の例を示す構成図である。図２に示すように、下水処理施設１は、最初沈殿池１０、生物反応槽２０、および最終沈殿池３０を備える。最初沈殿池１０には下水ライン８から下水が流入される。生物反応槽２０は、最初沈殿池１０と流入ライン１２を介して接続されている。流入ライン１２には、水量センサ１４が設けられる。水量センサ１４の計測値のデータは情報処理装置６０に出力される。最終沈殿池３０は、活性汚泥と処理水とを固液分離する。なお、最初沈殿池１０の流入側に沈砂池（図示せず）を設けても良い。沈砂池は、大きな重い夾雑物を除去して、ポンプなど（図示せず）を保護する。
【0030】
生物反応槽２０は、嫌気槽２２、無酸素槽２４、および好気槽２６を備える。嫌気槽２２においては、下水に含まれる微生物の細胞内におけるリン（Ｐ）が放出されてポリヒドロキシアルカノエイト（ＰＨＡ）が細胞内に合成される。無酸素槽２４においては、硝酸（ＮＯ3）内の酸素（Ｏ）によって有機物が酸化分解されることによって、硝酸（ＮＯ3）が窒素（Ｎ2）ガスに還元される。好気槽２６においては、溶存酸素によって有機物が酸化分解されて、アンモニア（ＮＨ3）を硝酸化してＰＨＡを分解し、リン酸（Ｈ3ＰＯ4）を細胞内に過剰蓄積させることによってリン（Ｐ）が除去される。
【0031】
最終沈殿池３０の流出側には、処理水ライン３２、汚泥返送ライン３４、および余剰汚泥ライン３６が設けられている。処理水ライン３２は、処理水を消毒して河川など放流するためのラインである。汚泥返送ライン３４は、汚泥の一部を生物反応槽２０の入側に返送するためのラインである。余剰汚泥ライン３６は、余剰汚泥を脱水して排出するためのラインである。
【0032】
汚泥返送ライン３４には、返送ポンプ３８および流量計３９が設けられる。汚泥返送ライン３４によって、最終沈殿池３０に蓄積した汚泥の一部が生物反応槽２０の流入側に戻される。返送ポンプ３８による返送汚泥量の調整によって、ＭＬＳＳ濃度（汚泥濃度）の維持や調整が行われる。
【0033】
余剰汚泥ライン３６には、余剰汚泥ポンプ４０および流量計４１が設けられる。余剰汚泥ライン３６において余剰汚泥が脱水されて排出される。余剰汚泥ポンプ４０による余剰汚泥量の調整によって、系内の汚泥量の調整や汚泥の新陳代謝を整えて、汚泥滞留時間が制御される。流量計４１により計測される余剰汚泥の引き抜き量（余剰汚泥引抜量）の計測値のデータは情報処理装置６０に供給される。
【0034】
好気槽２６には、空気ブロワ４２および空気量計４３が設けられる。好気槽２６は、外部から処理水に対して空気を吹き込み可能に構成される。空気ブロワ４２の空気量は、ＤＯ（溶存酸素濃度）の維持および制御に用いられる。
【0035】
生物反応槽２０の好気槽２６の流出側には、硝化液循環ライン４４が設けられる。硝化液循環ライン４４は、硝化液を無酸素槽２４に循環させるためのラインである。硝化液循環ライン４４には、硝化液循環ポンプ４６が設けられる。硝化液循環ポンプ４６による硝化液循環量は、無酸素槽２４への硝酸性窒素の供給量を調整して、窒素を除去するために用いられる。
【0036】
嫌気槽２２には、例えば溶存酸素濃度センサ（ＤＯセンサ）、ｐＨセンサ、温度センサ、および酸化還元電位センサ（ＯＲＰセンサ）を含むセンサ群５２が設けられる。無酸素槽２４には、例えばＤＯセンサ、ｐＨセンサ、ＯＲＰセンサ、温度センサ、および硝酸濃度センサを含むセンサ群５４が設けられる。好気槽２６には、例えばＤＯセンサ、ＭＬＳＳ濃度（汚泥濃度）センサ、ｐＨセンサ、ＯＲＰセンサ、および温度センサを含むセンサ群５６が設けられる。処理水ライン３２には水質センサ５８が設けられる。それぞれのセンサ群５２，５４，５６、および水質センサ５８による計測値のデータは、プラントデータとして情報処理装置６０に入力される。
【0037】
ここで、プラントデータは、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量から選択された少なくとも１つのデータを含む。プラントデータは、好適には、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量の全てのデータを含む。なお、有機物濃度は、化学的酸素要求量（ＣＯＤｍｎ、ＣＯＤｃｒ）、生物化学的酸素要求量（ＢＯＤ）などを含む。また、プラントデータは、活性汚泥を採取する位置におけるプラントデータのみならず、その他の位置において計測されたプラントデータを採用することが可能である。例えば、送風量は好気槽２６において計測される。情報処理装置６０は、取得したプラントデータに基づいて画像処理および演算処理を行い、処理結果に基づいてそれぞれのポンプやブロワなどのアクチュエータを制御する。
【0038】
例えば、ｐＨセンサにより計測されたｐＨの計測値は、環境条件の管理に用いられる。情報処理装置６０は、嫌気槽２２および無酸素槽２４において例えばｐＨ７～８、好気槽２６において例えばｐＨ６～７に維持するように制御する。また、酸化還元電位（ＯＲＰ）も環境条件の管理に用いられる。ＯＲＰは、嫌気槽２２において所定電位未満、具体的に例えば－３００ｍＶ未満、好適には－４００ｍＶ未満に維持され、無酸素槽２４においては、所定電位未満、具体的に例えば０～－２００ｍＶ未満に維持される。溶存酸素濃度（ＤＯ）も環境条件の管理に用いられる。ＤＯは、嫌気槽２２や無酸素槽２４においては例えば０．２ｍｇ／Ｌ未満、好気槽２６においては、例えば１．０～２．０ｍｇ／Ｌに維持される。さらに汚泥濃度（ＭＬＳＳ）は、活性汚泥中の微生物量の管理に用いられる。ＭＬＳＳは、遠心分離汚泥の乾燥重量で全体的に例えば２０００～３０００ｍｇ／Ｌに維持される。汚泥性状としては、例えばＭＬＳＳ、１Ｌメスシリンダで３０分沈殿させた場合の汚泥界面の目盛である活性汚泥沈殿率ＳＶ３０、および３０分沈降後の質量が１ｇの汚泥が占める容積である汚泥沈降目標ＳＶＩ（＝ＳＶ３０×１００００／ＭＬＳＳ）が分析される。
【0039】
（情報処理装置）
情報処理装置６０は、通常のコンピュータなどから構成される。すなわち、情報処理装置６０は、制御部、記憶部、入出力部、および通信部（いずれも図示せず）を備える。制御部は、具体的に、ＧＰＵ（Graphics Processing Unit）を含み、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field-Programmable Gate Array）などのプロセッサ、およびＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などの主記憶部（いずれも図示せず）を備える。記憶部は、ＲＡＭなどの揮発性メモリ、ＲＯＭなどの不揮発性メモリ、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（ＨＤＤ、Hard Disk Drive）、およびリムーバブルメディアなどから選ばれた記憶媒体から構成される。なお、リムーバブルメディアは、例えば、ＵＳＢ（Universal Serial Bus）メモリ、または、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、もしくはＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体である。また、外部から装着可能なメモリカードなどのコンピュータ読み取り可能な記録媒体を用いて記憶部を構成しても良い。記憶部には、情報処理装置６０の動作を実行するための、オペレーティングシステム（Operating System :ＯＳ）、各種プログラム、各種テーブル、各種データベースなどが記憶可能である。ここで、各種プログラムには、本実施形態による学習モデルに基づいた処理を実現する自動判定プログラムも含まれる。これらの各種プログラムは、ハードディスク、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、フレキシブルディスクなどのコンピュータ読み取り可能な記録媒体に記録して広く流通させることも可能である。
情報処理装置６０は、通常のコンピュータなどから構成される。すなわち、情報処理装置６０は、制御部、記憶部、入出力部、および通信部（いずれも図示せず）を備える。制御部は、具体的に、ＧＰＵ（Graphics Processing Unit）を含み、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field-Programmable Gate Array）などのプロセッサ、およびＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などの主記憶部（いずれも図示せず）を備える。記憶部は、ＲＡＭなどの揮発性メモリ、ＲＯＭなどの不揮発性メモリ、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（ＨＤＤ、Hard Disk Drive）、およびリムーバブルメディアなどから選ばれた記憶媒体から構成される。なお、リムーバブルメディアは、例えば、ＵＳＢ（Universal Serial Bus）メモリ、または、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、もしくはＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体である。また、外部から装着可能なメモリカードなどのコンピュータ読み取り可能な記録媒体を用いて記憶部を構成しても良い。記憶部には、情報処理装置６０の動作を実行するための、オペレーティングシステム（Operating System :ＯＳ）、各種プログラム、各種テーブル、各種データベースなどが記憶可能である。ここで、各種プログラムには、本実施形態による学習モデルに基づいた処理を実現する自動判定プログラムも含まれる。これらの各種プログラムは、ハードディスク、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、フレキシブルディスクなどのコンピュータ読み取り可能な記録媒体に記録して広く流通させることも可能である。
【0040】
制御部は、記憶部に格納されたプログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて、後述するモデル構築部１００，１００Ａ、汚泥沈降性判定部２００、および処理水ＳＳ予測部３００の機能を実現できる。また、プログラムは、沈降性判定モデルや処理水ＳＳ予測モデルなどの、モデル構築部によって例えば畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）などの機械学習などによって生成された学習モデルを含む。なお、学習モデルは、学習済みモデルやモデルなどとも称される。学習モデルは、所定の入力パラメータと出力パラメータとの入出力データセットを教師データとして、例えばニューラルネットワークを用いた深層学習（ディープラーニング）などの機械学習により生成できる。
【0041】
入出力部は、例えば、タッチパネルディスプレイ、スピーカマイクロホン、ボタン、スイッチ、ジョグダイヤルなどから構成しても良い。出力部としての入出力部は、制御部による制御に従って、液晶ディスプレイ、有機ＥＬディスプレイ、またはプラズマディスプレイなどのディスプレイの画面上に、文字や図形などを表示したり、スピーカから音声を出力したりして、所定の情報を外部に通知するように構成される。入出力部は、印刷用紙などに所定の情報を印刷することによって出力するプリンタを含む。記憶部に格納された各種情報は、例えば所定の事務所などに設置された入出力部のディスプレイなどで確認することができる。入力部としての入出力部は、例えば、キーボードや入出力部の内部に組み込まれて表示パネルのタッチ操作を検出するタッチパネル式キーボード、外部との間の通話を可能とする音声入力デバイス、スイッチ、またはジョグダイヤルなどから選択されて構成される。情報処理装置６０の入出力部から所定の情報を入力することにより、下水処理施設１におけるそれぞれのポンプやブロワなどのアクチュエータを制御することができる。
【0042】
通信部は、例えば、ＬＡＮ（Local Area Network）インターフェースボード、無線通信のための無線通信回路、または専用線やケーブルなどによる通信が可能な有線通信回路である。ＬＡＮインターフェースボードや無線通信回路は、公衆通信網であるインターネットなどのネットワークに接続することができる。通信部は、ネットワークに接続して、下水処理施設１との間で通信を行うことができ、種々の制御信号などの信号や画像データやプラントデータなどの情報を送受信する。
【0043】
次に、情報処理装置６０による、本実施形態による画像解析を用いた活性汚泥判定方法について説明する。図３は、本実施形態による水質判定処理の概念を示す一部流れ図を含むブロック図である。図３に示すように、情報処理装置６０は、モデル構築部１００および汚泥沈降性判定部２００を有して構成される。
【0044】
モデル構築部１００においては、活性汚泥を採取し（ステップＳＴ１１）、画像を撮像し（ステップＳＴ１２）、画像ラベリングし（ステップＳＴ１３）、教師あり学習を行い（ステップＳＴ１４）、モデルを構築する（ステップＳＴ１５）。ステップＳＴ１４の教師あり学習においては、入力画像、畳み込み層とプーリング層との繰り返し、全結合層、および出力層を有する畳み込みニューラルネットワーク（ＣＮＮ）を用いている。
【0045】
一方、汚泥沈降性判定部２００においては、新たな活性汚泥を採取し（ステップＳＴ２１）、採取した活性汚泥の画像を撮像し（ステップＳＴ２２）、モデル構築部１００のステップＳＴ１５において構築された学習モデルを用いて処理し（ステップＳＴ２３）、各画像のクラス所属確率を出力し（ステップＳＴ２４）、各出力結果に対する統計処理を行い（ステップＳＴ２５）、採取汚泥の例えば沈降性に対する判定結果を出力する（ステップＳＴ２６）。
【0046】
ここで、モデル構築部１００のステップＳＴ１１～ＳＴ１３による画像ラベリングの方法について説明する。すなわち、活性汚泥を採取（ステップＳＴ１１）し、汚泥画像を撮像する（ステップＳＴ１２）。活性汚泥は設定された汚泥滞留時間（ＳＲＴ）の間、処理施設内に滞留する。そこで汚泥採取時刻を基準として、ＳＲＴ内に処理水を取得して取得された処理水のＳＳ濃度Ｘを汚泥画像に紐付ける。活性汚泥は常に入れ替わるため、紐付ける処理水のＳＳ濃度は、汚泥採取時刻の近傍で採取された処理水のＳＳ濃度であることが望ましく、汚泥採取時刻を開始時刻として水理学的滞留時間（ＨＲＴ）に相当する時間の経過までの間に採取された処理水のＳＳ濃度であることがより望ましい。
【0047】
次に、ステップＳＴ１３において、画像に紐づけられた処理水水質を元に画像をラベリングする。ここで、ラベリングにおける教師画像のクラス分類数は２以上のクラスであればよく、「良」、「不良」の２通りとしたり、クラスＡ，Ｂ，Ｃ，Ｄの４通りとしたり、種々に設定可能である。
【0048】
ここで、処理水の水質（ＳＳ濃度Ｘ）に基づいて画像にラベリングを行う際のクラスとして、画像に紐付けられた処理水のＳＳ濃度の基準値Ｔとの関係からクラス分類することが可能である。具体的に例えば、クラス分類をクラスＡ，Ｂ，Ｃ，Ｄの４通りとした場合、以下の（１－１）式、（１－２）式、（１－３）式、および（１－４）式のようにクラス分類することが可能である。なお、処理水のＳＳ濃度の基準値Ｔは、例えば１００ｍｇ／Ｌである。
クラスＡ：Ｘ≦０．８Ｔ ………（１－１）
クラスＢ：０．８Ｔ＜Ｘ≦Ｔ …（１－２）
クラスＣ：Ｔ＜Ｘ＜２Ｔ ………（１－３）
クラスＤ：２Ｔ≦Ｘ ……………（１－４）
クラスＡ：Ｘ≦０．８Ｔ ………（１－１）
クラスＢ：０．８Ｔ＜Ｘ≦Ｔ …（１－２）
クラスＣ：Ｔ＜Ｘ＜２Ｔ ………（１－３）
クラスＤ：２Ｔ≦Ｘ ……………（１－４）
【0049】
本実施形態においては、活性汚泥の画像データのうちの、クラスＡの状態の画像データを沈降性が「良」の画像とし、クラスＤの状態の画像データを沈降性が「不良」の画像データとする。なお、クラスＢ，Ｃの画像データは教師データとして採用しないようにする。クラスＡとクラスＤの分類については、ＣＮＮを利用した画像解析を利用する。
【0050】
すなわち、本実施形態におけるＣＮＮを利用した解析手順としては、まず、沈降性の良いクラスＡの画像と沈降性の悪いクラスＤの画像を得て学習用の教師画像とする。ここで、図４Ａおよび図４Ｂはそれぞれ、本実施形態による水質判定処理の撮像画像データにおける沈降性が「不良」（クラスＤ）および「良」（クラスＡ）の汚泥の例を示す図である。図４Ａに示すように、沈降性が不良の汚泥は、フロック２が比較的小さく、フロック２が緻密でなく、糸状菌４の量が多く、微小粒子６が多いなどである。一方、図４Ｂに示すように、沈降性が良の汚泥は、フロック２が比較的大きく、フロック２が緻密であり、糸状菌４の量が少なく、微小粒子６が少ないなどである。
【0051】
情報処理装置６０は、教師データとして、上述したクラスＡ，Ｄの画像データ（図４Ａ、図４Ｂ参照）を学習用入力パラメータとして用い、汚泥の沈降性の良否を学習用出力パラメータとして用いて、例えばＣＮＮによって教師画像データを学習する。これにより、学習済みモデルである沈降性判定モデルが生成される。情報処理装置６０は、生物反応槽２０から流出される活性汚泥を例えば顕微鏡などを用いて撮像して得られた汚泥画像データを入力パラメータとして沈降性判定モデルに入力し、出力パラメータとして沈降性の良否の判定を出力する（ステップＳＴ２６）。
【0052】
汚泥沈降性判定部２００の統計処理ステップにおいて、同一の汚泥サンプルから撮像された複数枚の汚泥画像に対して、学習済みＣＮＮモデルを使用して、画像解析を実施し、各画像のクラス所属確率を出力する。図５は、本実施形態による水質判定処理における画像解析結果の統計的な処理による画像のクラス所属確率分布の例を示すグラフである。
【0053】
通常、活性汚泥中にはミクロ的に種々の特徴を有する汚泥が存在する。そのため、汚泥のクラス所属確率は広がりを有することになる。汚泥のサンプルのマクロ的な評価のためには例えば次の指標を用いることができる。
（Ｉ）第１評価値＝それぞれの画像のクラス所属確率の中央値
（II）採取された汚泥画像データの数のうち、クラス所属確率が所定の第１閾値ｙ％（例えば７０％）以上の数Ａと、クラス所属確率が所定の第２閾値ｘ％（例えば３０％）以下の数Ｂとの合計の数（Ａ＋Ｂ）に対する、クラス所属確率が所定の第１閾値（例えば７０％）以上の数Ａの割合を、第２評価値（不良度）とする。具体的には以下の（２）式で表される。
第２評価値＝不良度［ｘ％，ｙ％］＝Ａ／（Ａ＋Ｂ）×１００（％）…（２）
（Ｉ）第１評価値＝それぞれの画像のクラス所属確率の中央値
（II）採取された汚泥画像データの数のうち、クラス所属確率が所定の第１閾値ｙ％（例えば７０％）以上の数Ａと、クラス所属確率が所定の第２閾値ｘ％（例えば３０％）以下の数Ｂとの合計の数（Ａ＋Ｂ）に対する、クラス所属確率が所定の第１閾値（例えば７０％）以上の数Ａの割合を、第２評価値（不良度）とする。具体的には以下の（２）式で表される。
第２評価値＝不良度［ｘ％，ｙ％］＝Ａ／（Ａ＋Ｂ）×１００（％）…（２）
【0054】
具体的に例えば、図５に示す例は、汚泥画像データの数が５００枚であるとした場合の、クラス所属確率分布である。図５においては、５００枚の汚泥画像データのそれぞれに関して沈降性判定モデルから沈降性の不良度が出力され、それぞれの画像データの不良度を例えば１０％ごとに分類した結果がヒストグラム化されている。なお、汚泥画像データの枚数は一例であり、必要な枚数であれば種々の枚数を選択可能である。
【0055】
図５において、クラス所属確率が３０％以下で沈降性が「良」と判定できる汚泥画像データの数Ｂが９１枚（図５中、太縦線左側）であった。また、クラス所属確率が７０％以上で沈降性が「不良」と判定できる汚泥画像データの数Ａが３１５枚（図５中、太縦線右側）であった。なお、クラス所属確率（スコア）が３０％より高く７０％未満の場合は、沈降性が「良」であるとも「不良」であるとも判定することが困難であって判別ができず採用されない汚泥画像データの数（５００－Ａ－Ｂ＝）１９４枚であった。この場合、第２評価値としての不良度［３０％，７０％］は（２）式から、３１５／（９１＋３１５）×１００＝７７．６％と導出できる。
【0056】
ここで、クラス所属確率で統計的な処理が必要な理由は、活性汚泥の性能が、微生物群の活性によって決定することに起因する。顕微鏡による観察像のようなミクロな視点では、沈降性の良い汚泥（沈降性「良」）と沈降性の悪い汚泥（沈降性「不良」）とが混在している。活性汚泥全体の性質は、いずれの汚泥が占有しているかに依存する。そこで、同じサンプルに対して撮像した汚泥画像データのそれぞれに対してクラス所属確率を算出することによって、ミクロな視点からの良否を判定可能である。これに対して統計的な処理を行うことによって、全体の汚泥の沈降性の良否を判定することができる。
【0057】
図６は、本実施形態による水質判定方法における活性汚泥の不良度（０．７）および処理水のＳＳ濃度の実測値に関して、日ごとの測定結果の一例を示すグラフである。なお、図６において「不良度（０．７）」は、上述した（２）式において第２評価値としての不良度［３０％，７０％］を意味する。
【0058】
図６から、例えばＮ年８月～９月の部分（図６中、囲みＳ１）においては、不良度（０．７）が大きく増加した後に処理水のＳＳ濃度が大きく増加していることが分かる。具体的に図６から、８月～９月においては不良度が５％程度から３０％以上にまで増加していることが分かる。その後、処理水のＳＳ濃度が１２０ｍｇ／Ｌ程度、すなわち基準値Ｔ（１００ｍｇ／Ｌ）を超過する程度まで増加したことが分かる。同様に、例えばＮ年１０月の部分（図６中、囲みＳ２）において、不良度が３０％程度から５０％程度にまで増加した後、処理水のＳＳ濃度は一旦低下したものの、その後は基準値Ｔを大幅に超過する３６０ｍｇ／Ｌ程度にまで増加したことが分かる。すなわち、処理水のＳＳ濃度を測定しているだけでは予測不能な処理水の水質の悪化を、沈降性判定モデルを用いた統計的分類に基づいた不良度の導出によって判定可能となることが分かる。以上のように、不良度を用いた評価を行うことによって、処理水のＳＳ濃度の悪化を早期かつ鋭敏に予測することができることが分かる。
【0059】
（処理水ＳＳ濃度予測方法）
次に、情報処理装置６０によるプラントデータから処理水のＳＳ濃度値またはＳＳ濃度クラスを予測する方法について説明する。図７は、本実施形態による情報処理装置におけるモデル構築部および処理水ＳＳ予測部の概念を示す一部流れ図を含むブロック図である。
次に、情報処理装置６０によるプラントデータから処理水のＳＳ濃度値またはＳＳ濃度クラスを予測する方法について説明する。図７は、本実施形態による情報処理装置におけるモデル構築部および処理水ＳＳ予測部の概念を示す一部流れ図を含むブロック図である。
【0060】
図７に示すように、情報処理装置６０は、図３に示すモデル構築部１００と同様のモデル構築部１００Ａ、および処理水ＳＳ予測部３００を有する。モデル構築部１００Ａにおいては、各種センサからのプラントデータを取得し（ステップＳＴ１１１）、処理水のＳＳ濃度を取得し（ステップＳＴ１１２）、プラントデータに対して処理水のＳＳ濃度を対応させてクラスをラベリングし（ステップＳＴ１１３）、教師あり学習を行い（ステップＳＴ１１４）、モデルを構築する（ステップＳＴ１１５）。一方、処理水ＳＳ予測部３００においては、各種センサから新たなプラントデータを取得し（ステップＳＴ１２１）、モデル構築部１００のステップＳＴ１１５で構築された学習モデルを用いて処理し（ステップＳＴ１２２）、処理水のＳＳ濃度値（ＳＳ値）またはＳＳ濃度クラス（ＳＳクラス）を出力する（ステップＳＴ１２３）。
【0061】
（水質判定方法）
次に、上述した情報処理装置６０における汚泥沈降性判定部２００および処理水ＳＳ予測部３００による水質判定方法について説明する。図８は、本実施形態による水質判定方法を説明するためのフローチャートである。
次に、上述した情報処理装置６０における汚泥沈降性判定部２００および処理水ＳＳ予測部３００による水質判定方法について説明する。図８は、本実施形態による水質判定方法を説明するためのフローチャートである。
【0062】
図８に示すように、情報処理装置６０における汚泥沈降性判定部２００は、撮像ステップとして、採取した活性汚泥を撮像することにより、複数データ、例えば５００枚以上の汚泥画像データを取得する（ステップＳＴ３１）。汚泥沈降性判定部２００は、取得した汚泥画像データを第１入力パラメータとして沈降性判定モデルに入力する（ステップＳＴ３２）。沈降性判定モデルは、上述した不良度［ｘ％，ｙ％］を導出して活性汚泥を含む処理水の水質の「良」または「不良」を判定して、判定結果を第１出力パラメータとして出力する（ステップＳＴ３３）。これにより、沈降性判定ステップが実行される。
【0063】
汚泥沈降性判定部２００が、処理水の水質は「不良」であると判定した場合（ステップＳＴ３３：Ｎｏ）、情報処理装置６０の制御部は、処理水の水質が不良であると最終判定を行う（ステップＳＴ３９）。以上により、本実施形態による水質判定処理は終了する。
【0064】
一方、汚泥沈降性判定部２００が、処理水の水質は「良」であると判定した場合（ステップＳＴ３３：Ｙｅｓ）、処理水ＳＳ予測部３００は、プラントデータ取得ステップＳＴとして、下水処理施設１の各所に設けられたセンサからプラントデータを取得する（ステップＳＴ３４）。なお、処理水ＳＳ予測部３００によるプラントデータの取得は、他の処理と並行させたり、適時または常時行ったりすることが可能であり、プラントデータの取得のタイミングは限定されない。また、プラントデータとしては、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量から選択された少なくとも１つのデータを含み、これらの全てのデータを含むことが好ましい。さらに、プラントデータとして、例示したデータ以外の他のデータを含めても良い。
【0065】
処理水ＳＳ予測部３００は、取得したプラントデータを第２入力パラメータとして、処理水ＳＳ予測モデルに入力する（ステップＳＴ３５）。処理水ＳＳ予測モデルは、処理水のＳＳ濃度またはＳＳ濃度のクラス（以下、ＳＳクラス）を導出する（ステップＳＴ３６）。処理水ＳＳ予測部３００は、処理水のＳＳ濃度またはＳＳクラスに基づいて、処理水の水質の「良」または「不良」を判定して、判定結果を第２出力パラメータとして出力する（ステップＳＴ３７）。以上により、処理水ＳＳ予測ステップが実行される。
【0066】
処理水ＳＳ予測部３００が、処理水の水質は「不良」であると判定した場合（ステップＳＴ３７：Ｎｏ）、情報処理装置６０の制御部は、処理水の水質が不良であると最終判定を行う（ステップＳＴ３９）。一方、処理水ＳＳ予測部３００が、処理水の水質は「良」であると判定した場合（ステップＳＴ３７：Ｙｅｓ）、情報処理装置６０の制御部は、処理水の水質が良であると最終判定を行う（ステップＳＴ３８）。以上により、本実施形態による水質判定処理が終了する。
【0067】
（水質判定方法の第１変形例）
次に、上述した情報処理装置６０における汚泥沈降性判定部２００および処理水ＳＳ予測部３００による水質判定方法の第１変形例について説明する。図９は、本実施形態の変形例による水質判定方法を説明するためのフローチャートである。
次に、上述した情報処理装置６０における汚泥沈降性判定部２００および処理水ＳＳ予測部３００による水質判定方法の第１変形例について説明する。図９は、本実施形態の変形例による水質判定方法を説明するためのフローチャートである。
【0068】
図９に示すように、情報処理装置６０における汚泥沈降性判定部２００は、採取した活性汚泥を撮像して、複数の汚泥画像データを取得する（ステップＳＴ４１）。汚泥沈降性判定部２００は、取得した汚泥画像データを入力パラメータとして沈降性判定モデルに入力する（ステップＳＴ４２）。沈降性判定モデルは、上述した不良度［ｘ％，ｙ％］を導出して活性汚泥を含む処理水の水質の「良」または「不良」を判定して、判定結果を出力パラメータとして出力する（ステップＳＴ４３）。
【0069】
一方、処理水ＳＳ予測部３００は並行して、下水処理施設１の各所に設けられたセンサからプラントデータを取得する（ステップＳＴ４４）。なお、プラントデータの取得のタイミングは限定されない。また、プラントデータとしては、硝酸濃度、ＭＬＳＳ濃度、流入水量、余剰汚泥引抜量、処理水の温度、全窒素濃度、アンモニア濃度、有機物濃度、および送風量から選択された少なくとも１つのデータを含み、好適には全てのデータを含む。さらに、プラントデータとして、他のデータを含めても良い。処理水ＳＳ予測部３００は、取得したプラントデータを入力パラメータとして、処理水ＳＳ予測モデルに入力する（ステップＳＴ４５）。処理水ＳＳ予測モデルは、処理水のＳＳ濃度またはＳＳクラスを導出し、処理水の水質の「良」または「不良」を判定して、判定結果を出力パラメータとして出力する（ステップＳＴ４６）。
【0070】
情報処理装置６０の制御部は、汚泥沈降性判定部２００が処理水の水質は「良」であると判定、かつ処理水ＳＳ予測部３００が処理水の水質は「良」であると判定した場合（ステップＳＴ４７）、処理水の水質が良であると最終判定を行って出力する（ステップＳＴ４８）。他方、情報処理装置６０の制御部は、汚泥沈降性判定部２００が処理水の水質は「不良」であると判定、および処理水ＳＳ予測部３００が処理水の水質は「不良」であると判定の少なくとも一方の判定が行われた場合（ステップＳＴ４７：Ｎｏ）、処理水の水質が不良であると最終判定を行う（ステップＳＴ４９）。以上により、本実施形態の変形例による水質判定処理が終了する。
【0071】
（水質判定方法の第２変形例）
次に、上述した情報処理装置６０における汚泥沈降性判定部２００および処理水ＳＳ予測部３００による水質判定方法の第２変形例について説明する。図１０は、本実施形態の変形例による水質判定方法を説明するための一部流れ図を含むブロック図である。
次に、上述した情報処理装置６０における汚泥沈降性判定部２００および処理水ＳＳ予測部３００による水質判定方法の第２変形例について説明する。図１０は、本実施形態の変形例による水質判定方法を説明するための一部流れ図を含むブロック図である。
【0072】
図１０に示すように、情報処理装置６０における汚泥沈降性判定部２００の沈降性判定モデルから出力される不良度の出力値（％）および汚泥沈降性判定部２００が判定した処理水の水質の判定結果（良または不良）の少なくとも一方を入力パラメータの１つとして、プラントデータとともに処理水ＳＳ予測部３００の処理水ＳＳ予測モデルに入力する。処理水ＳＳ予測部３００は、取得したプラントデータ、および汚泥沈降性判定部２００から入力された不良度と判定結果との少なくとも一方のデータを入力パラメータとして、処理水ＳＳ予測モデルに入力する。処理水ＳＳ予測モデルは、処理水のＳＳ値またはＳＳクラスを導出して出力パラメータとして出力する。その他の構成は、上述した実施形態と同様である。以上により、本実施形態の第２変形例による水質判定処理が終了する。
【0073】
以上説明した一実施形態によれば、顕微鏡などを用いて活性汚泥のミクロの状態を撮像した汚泥画像データを、ニューラルネットワークの沈降性判定モデルに入力して、汚泥沈降性の良否を出力する一方、取得したプラントデータを機械学習により生成された処理水ＳＳ予測モデルに入力して、処理水のＳＳ濃度またはＳＳクラスを出力し、処理水の水質の良否を判定していることにより、処理水におけるＳＳの悪化の予兆を検知することができる。また、沈降性判定モデルのみを用いて処理水の水質を判定する場合や、処理水ＳＳ予測モデルのみを用いて処理水の水質を判定する場合に比して、処理水の水質の状態をより正確に判定することができ、さらに処理水の水質、特にＳＳ濃度の悪化の有無を的確に予測可能となる。
【0074】
（記録媒体）
上述の一実施形態において、情報処理装置に実行させるプログラムを、コンピュータその他の機械や装置（以下、コンピュータなど、という）が読み取り可能な記録媒体に記録することができる。コンピュータなどに、この記録媒体のプログラムを読み込ませて実行させることにより、当該コンピュータなどが移動体制御装置として機能する。ここで、コンピュータなどが読み取り可能な記録媒体とは、データやプログラムなどの情報を電気的、磁気的、光学的、機械的、または化学的作用によって蓄積し、コンピュータなどから読み取ることができる非一時的な記録媒体をいう。このような記録媒体のうちのコンピュータ等から取り外し可能なものとしては、例えばフレキシブルディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＣＤ－Ｒ／Ｗ、ＤＶＤ、ＢＤ、ＤＡＴ、磁気テープ、フラッシュメモリなどのメモリカードなどがある。また、コンピュータなどに固定された記録媒体としてハードディスク、ＲＯＭなどがある。さらに、ＳＳＤは、コンピュータなどから取り外し可能な記録媒体としても、コンピュータなどに固定された記録媒体としても利用可能である。
上述の一実施形態において、情報処理装置に実行させるプログラムを、コンピュータその他の機械や装置（以下、コンピュータなど、という）が読み取り可能な記録媒体に記録することができる。コンピュータなどに、この記録媒体のプログラムを読み込ませて実行させることにより、当該コンピュータなどが移動体制御装置として機能する。ここで、コンピュータなどが読み取り可能な記録媒体とは、データやプログラムなどの情報を電気的、磁気的、光学的、機械的、または化学的作用によって蓄積し、コンピュータなどから読み取ることができる非一時的な記録媒体をいう。このような記録媒体のうちのコンピュータ等から取り外し可能なものとしては、例えばフレキシブルディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＣＤ－Ｒ／Ｗ、ＤＶＤ、ＢＤ、ＤＡＴ、磁気テープ、フラッシュメモリなどのメモリカードなどがある。また、コンピュータなどに固定された記録媒体としてハードディスク、ＲＯＭなどがある。さらに、ＳＳＤは、コンピュータなどから取り外し可能な記録媒体としても、コンピュータなどに固定された記録媒体としても利用可能である。
【0075】
また、一実施形態による情報処理装置に実行させるプログラムは、インターネットなどのネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成しても良い。
【0076】
以上、本開示の一実施形態について具体的に説明したが、本開示は、上述の一実施形態に限定されるものではなく、本開示の技術的思想に基づく各種の変形が可能である。例えば、上述の一実施形態において挙げた仮想画像や動作はあくまでも例に過ぎず、これと異なる仮想画像や動作であっても良い。
【0077】
（その他の実施形態）
上述した一実施形態においては、上述してきた「部」を、「回路」などに読み替えることができる。例えば、制御部は、制御回路に読み替えることができる。
上述した一実施形態においては、上述してきた「部」を、「回路」などに読み替えることができる。例えば、制御部は、制御回路に読み替えることができる。
【0078】
なお、本明細書におけるフローチャートの説明においては、「まず」、「その後」、「続いて」などの表現を用いてステップ間の処理の前後関係を明示していたが、上述した実施形態を実施するために必要な処理の順序は、それらの表現によって一意的に定められるわけではない。すなわち、本明細書で記載したフローチャートにおける処理の順序は、矛盾のない範囲で変更することができる。
【0079】
以上、本発明の一実施形態について具体的に説明したが、本発明は、上述の一実施形態に限定されるものではなく、本発明の技術的思想に基づく各種の変形が可能である。上述した各構成要素を適宜組み合わせて構成したものも本発明に含まれる。また、さらなる効果や変形例は、当業者によって容易に導き出すことができる。本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付のクレームおよびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。例えば、上述の一実施形態において挙げた数値や情報の種類はあくまでも例に過ぎず、必要に応じてこれと異なる数値や情報の種類を用いてもよく、上述の一実施形態による本発明の開示の一部をなす記述および図面により本発明は限定されることはない。
【0080】
上述した一実施形態においては、処理水ＳＳについて予測対象としたが、下水処理施設にて管理されるその他の処理水の水質についても同様にして予測対象とすることができる。そのほかの処理水の水質としては、例えば化学的酸素要求量（ＣＯＤ）、アンモニア性窒素、硝酸性窒素、全窒素、全リンなどである。
【0081】
なお、上述した実施形態においては、本発明を、嫌気－無酸素－好気法により有機物、窒素、リン（Ｐ）を除去するための、生物反応槽２０が、嫌気槽２２、無酸素槽２４、および好気槽２６を備えた下水処理施設１に適用したが、本発明の適用対象はこれに限定されず、例えば無酸素－好気法（循環式硝化脱窒素法）により有機物と窒素を除去するための、生物反応槽が嫌気槽を含まない下水処理施設や、嫌気－好気法により有機物とリンを除去するための、生物反応槽が無酸素槽を含まず、嫌気槽と好気槽を備えた下水処理施設や、標準活性汚泥法により有機物を除去するための、生物反応槽が好気槽のみからなる下水処理施設にも適用できることは明らかである。
【符号の説明】
【0082】
１ 下水処理施設
２ フロック
４ 糸状菌
６ 微小粒子
８ 下水ライン
１０ 最初沈殿池
１２ 流入ライン
１４ 水量センサ
２０ 生物反応槽
２２ 嫌気槽
２４ 無酸素槽
２６ 好気槽
３０ 最終沈殿池
３２ 処理水ライン
３４ 汚泥返送ライン
３６ 余剰汚泥ライン
３８ 返送ポンプ
３９，４１ 流量計
４０ 余剰汚泥ポンプ
４２ 空気ブロワ
４３ 空気量計
４４ 硝化液循環ライン
４６ 硝化液循環ポンプ
５２，５４，５６ センサ群
５８ 水質センサ
６０ 情報処理装置
１００，１００Ａ モデル構築部
２００ 汚泥沈降性判定部
３００ 処理水ＳＳ予測部
２ フロック
４ 糸状菌
６ 微小粒子
８ 下水ライン
１０ 最初沈殿池
１２ 流入ライン
１４ 水量センサ
２０ 生物反応槽
２２ 嫌気槽
２４ 無酸素槽
２６ 好気槽
３０ 最終沈殿池
３２ 処理水ライン
３４ 汚泥返送ライン
３６ 余剰汚泥ライン
３８ 返送ポンプ
３９，４１ 流量計
４０ 余剰汚泥ポンプ
４２ 空気ブロワ
４３ 空気量計
４４ 硝化液循環ライン
４６ 硝化液循環ポンプ
５２，５４，５６ センサ群
５８ 水質センサ
６０ 情報処理装置
１００，１００Ａ モデル構築部
２００ 汚泥沈降性判定部
３００ 処理水ＳＳ予測部
【図1】
【図2】
【図3】
【図4A】
【図4B】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】