特開 2024-179730 積雪判定装置、積雪判定方法及び積雪判定プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024179730

(43)【公開日】2024-12-26

(54)【発明の名称】積雪判定装置、積雪判定方法及び積雪判定プログラム

(51)【国際特許分類】

   G01W 1/14 20060101AFI20241219BHJP

   G06T 7/00 20170101ALI20241219BHJP

【ＦＩ】

G01W1/14 Q

G06T7/00 350C

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2023098791

(22)【出願日】2023-06-15

(71)【出願人】

【識別番号】000003078

【氏名又は名称】株式会社東芝

(71)【出願人】

【識別番号】317015294

【氏名又は名称】東芝エネルギーシステムズ株式会社

(74)【代理人】

【識別番号】100120031

【弁理士】

【氏名又は名称】宮嶋 学

(74)【代理人】

【識別番号】100107582

【弁理士】

【氏名又は名称】関根 毅

(74)【代理人】

【識別番号】100124372

【弁理士】

【氏名又は名称】山ノ井 傑

(72)【発明者】

【氏名】田副 佑典

(72)【発明者】

【氏名】三浦 崇広

(72)【発明者】

【氏名】笹川 剛

(72)【発明者】

【氏名】坂本 直弥

(72)【発明者】

【氏名】藪井 謙

(72)【発明者】

【氏名】有森 恭子

(72)【発明者】

【氏名】坪内 菜津子

【テーマコード（参考）】

5L096

【Ｆターム（参考）】

5L096AA06

5L096BA02

5L096BA18

5L096CA02

5L096DA01

5L096DA02

5L096DA03

5L096FA19

5L096FA25

5L096FA54

5L096FA66

5L096GA51

5L096HA11

5L096KA04

(57)【要約】

【課題】学習データに含まれないカメラ視点の画像に対して、太陽光パネル上の積雪状態を高精度に判定する積雪判定装置、積雪判定方法及び積雪判定プログラムを提供する。
【解決手段】一つの実施形態によれば、積雪判定装置は、第１の時刻における太陽光パネルを含む画像を取得する取得部を備える。さらに、積雪判定装置は、第１の時刻における太陽光パネルを含む画像を入力とし、第１の時刻における太陽光パネルを含む画像上にて積雪が存在する領域を特定した結果を出力とする学習モデルを備える。さらに、積雪判定装置は、第２の時刻における太陽光パネルを含む画像の画素を積雪に相当する画素に変換した疑似積雪画像と、対応する被写体のラベルが付与された疑似クラスラベル画像とを用いて、学習モデルを学習させる学習部を備える。さらに、積雪判定装置は、領域を特定した結果に基づいて、太陽光パネル上における積雪の状態を判定する判定部を備える。
【選択図】図３

【特許請求の範囲】

【請求項1】

第１の時刻における太陽光パネルを含む画像を取得する取得部と、
前記第１の時刻における太陽光パネルを含む画像を入力とし、前記第１の時刻における太陽光パネルを含む画像上にて積雪が存在する領域を特定した結果を出力とする学習モデルと、
前記第１の時刻よりも前の時刻である第２の時刻における前記太陽光パネルを含む画像の画素を積雪に相当する画素に変換した疑似積雪画像と、その画像を構成する画素に対して、対応する被写体のラベルが付与された疑似クラスラベル画像とを用いて、前記学習モデルを学習させる学習部と、
前記領域を特定した結果に基づいて、前記太陽光パネル上における積雪の状態を判定する判定部とを備える、
積雪判定装置。

【請求項2】

前記判定部は、前記太陽光パネルに該当する画素の領域に対する、前記太陽光パネル上に存在する積雪に該当する画素の領域の割合である積雪率に基づいて、前記太陽光パネル上における積雪の状態を判定する、請求項１に記載の積雪判定装置。

【請求項3】

前記判定部は、前記積雪率と、閾値とを比較することで、前記太陽光パネル上における積雪の状態を判定する、請求項２に記載の積雪判定装置。

【請求項4】

前記第２の時刻における前記太陽光パネルを含む画像と、その画像を構成する画素に対して、対応する被写体のラベルが付与されたクラスラベル画像とを取得する変換元画像取得部と、
前記第２の時刻における前記太陽光パネルを含む画像のうち、前記クラスラベル画像中にて所定のラベルが付与された画素に対応する画素について、積雪に相当する画素に変換し、前記疑似積雪画像を生成する生成部とをさらに備える、
請求項１に記載の積雪判定装置。

【請求項5】

前記生成部は、前記クラスラベル画像中の所定のラベルを積雪に関するラベルに変換し、疑似クラスラベル画像をさらに生成する、請求項４に記載の積雪判定装置。

【請求項6】

前記所定のラベルは、前記太陽光パネルとして付与されたラベルまたは地面として付与されたラベルを含む、請求項４に記載の積雪判定装置。

【請求項7】

前記第２の時刻における前記太陽光パネルを含む画像または前記疑似積雪画像に疑似的に光を照射し、第２の疑似積雪画像を生成する、ライティング部をさらに備える、請求項４に記載の積雪判定装置。

【請求項8】

前記ライティング部は、時間または天気を含むパラメータに応じて、異なる光を照射する、請求項７に記載の積雪判定装置。

【請求項9】

前記第２の時刻における前記太陽光パネルを含む画像のうち、前記クラスラベル画像中の所定のラベルが付与された画素に対応する各々の画素について、積雪に相当する画素に変換するか否かを判定する変換判定部と、
変換後の画素の輝度を設定する輝度設定部とをさらに備える、
請求項４に記載の積雪判定装置。

【請求項10】

前記疑似積雪画像及び前記疑似クラスラベル画像を生成する疑似カメラ画像生成部をさらに備え、前記疑似カメラ画像生成部は、ＧＡＮ（Generative Adversarial Network）を用いて前記疑似積雪画像及び前記疑似クラスラベル画像を生成する、請求項１に記載の積雪判定装置。

【請求項11】

前記疑似カメラ画像生成部は、
潜在変数を入力とし、前記疑似積雪画像及び前記疑似クラスラベル画像を出力する生成モデルと、
前記疑似積雪画像及び前記疑似クラスラベル画像と、前記第２の時刻における前記太陽光パネルを含む画像及びその画像に対応する被写体のラベルが付与されたクラスラベル画像とを入力とし、入力された画像が前記第２の時刻における前記太陽光パネルを含む画像であるか、または疑似積雪画像であるかを識別する識別結果を出力する識別モデルとを含む、
請求項１０に記載の積雪判定装置。

【請求項12】

取得部が、第１の時刻における太陽光パネルを含む画像を取得し、
学習モデルが、前記第１の時刻における太陽光パネルを含む画像を入力とし、前記第１の時刻における太陽光パネルを含む画像上にて積雪が存在する領域を特定した結果を出力し、
学習部が、前記第１の時刻よりも前の時刻である第２の時刻における前記太陽光パネルを含む画像の画素を積雪に相当する画素に変換した疑似積雪画像と、前記疑似積雪画像を構成する画素に対して、対応する被写体のラベルが付与された疑似クラスラベル画像とを用いて、前記学習モデルを学習させ、
判定部が、前記領域を特定した結果に基づいて、前記太陽光パネル上における積雪の状態を判定する、
ことを含む積雪判定方法。

【請求項13】

取得部が、第１の時刻における太陽光パネルを含む画像を取得し、
学習モデルが、前記第１の時刻における太陽光パネルを含む画像を入力とし、前記第１の時刻における太陽光パネルを含む画像上にて積雪が存在する領域を特定した結果を出力し、
学習部が、前記第１の時刻よりも前の時刻である第２の時刻における前記太陽光パネルを含む画像の画素を積雪に相当する画素に変換した疑似積雪画像と、前記疑似積雪画像を構成する画素に対して、対応する被写体のラベルが付与された疑似クラスラベル画像とを用いて、前記学習モデルを学習させ、
判定部が、前記領域を特定した結果に基づいて、前記太陽光パネル上における積雪の状態を判定する、
ことを含む積雪判定方法をコンピュータに実行させる積雪判定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、積雪判定装置、積雪判定方法及び積雪判定プログラムに関する。

【背景技術】

【0002】

太陽光発電は、運転計画時の発電量予測に対し、発電所の実運転時の発電量を保証することが求められる。降雪のある地域では、太陽光パネル上の積雪により、発電量は不安定となるため、積雪時は出力保証から除外することが望ましい。

【0003】

積雪を判定する手段として積雪計が用いられることがあるが、導入時のコストが高額となるため、気象データによる判定が広く行われている。しかし、太陽光パネル上の積雪は降雪後も残留し、晴天時であっても残留する積雪のために発電量が不安定となることから、気象データによる判断では確実性に欠ける。

【0004】

現在、太陽光パネル上の積雪を判定する手段として、太陽光パネル上の発電量を比較し、積雪を判定するシステムや、カメラ画像を用いて屋根や路面の積雪状態について判定するシステムが知られている。後者のシステムは、画像上の輝度情報から対象となる屋根や路面上の積雪を判定する。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０１９－１５４３２１号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

このほか、機械学習を用いて太陽光パネル上に存在する積雪の状態を判定する技術も開発が進められており、より精度の良い判定が行える技術が求められている。

【0007】

そこで、本発明の実施形態は、学習データに含まれないカメラ視点の画像に対して、太陽光パネル上の積雪状態を高精度に判定する積雪判定装置、積雪判定方法及び積雪判定プログラムを提供する。

【課題を解決するための手段】

【0008】

一つの実施形態によれば、積雪判定装置は、第１の時刻における太陽光パネルを含む画像を取得する取得部を備える。さらに、前記積雪判定装置は、前記第１の時刻における太陽光パネルを含む画像を入力とし、前記第１の時刻における太陽光パネルを含む画像上にて積雪が存在する領域を特定した結果を出力とする学習モデルを備える。さらに、前記積雪判定装置は、前記第１の時刻よりも前の時刻である第２の時刻における前記太陽光パネルを含む画像の画素を積雪に相当する画素に変換した疑似積雪画像と、その画像を構成する画素に対して、対応する被写体のラベルが付与された疑似クラスラベル画像とを用いて、前記学習モデルを学習させる学習部を備える。さらに、前記積雪判定装置は、前記領域を特定した結果に基づいて、前記太陽光パネル上における積雪の状態を判定する判定部を備える。

【図面の簡単な説明】

【0009】

【図1】第１実施形態における積雪判定装置の概略構成図である。

【図2】第１実施形態における積雪判定装置の別の概略構成図である。

【図3】第１実施形態における積雪判定装置の機能ブロック図である。

【図4】第１実施形態における疑似積雪画像生成部の詳細を示すブロック図である。

【図5】第１実施形態における積雪判定のフローチャートの例である。

【図6】第１実施形態における疑似積雪画像生成時のフローチャートの例である。

【図7】第１実施形態における過去画像と、過去画像に対応するクラスラベル画像との比較例である。

【図8】第１実施形態における疑似積雪画像と、疑似積雪画像に対応する疑似クラスラベル画像との比較例である。

【図9】第１実施形態の変形例における疑似積雪画像生成部の詳細を示すブロック図である。

【図10】第２実施形態における疑似積雪画像生成部の詳細を示すブロック図である。

【図11】第２実施形態における第２の疑似積雪画像生成時のフローチャートの例である。

【図12】第３実施形態における積雪判定装置のハードウェア構成図である。

【発明を実施するための形態】

【0010】

以下、本開示の実施形態を、図面を参照して説明する。本実施形態は、本発明を限定するものではない。図面は模式的または概念的なものであり、各部分の比率などは、必ずしも現実のものと同一とは限らない。明細書と図面において、既出の図面に関して前述したものと同様の要素には同一の符号を付して詳細な説明は適宜省略する。

【0011】

（第１実施形態）
図１は、第１実施形態における積雪判定装置の概略構成図である。

【0012】

本実施形態における積雪判定装置２は、例えば、太陽光発電所１の建屋４００に設置され、太陽光発電所１内の太陽光パネル１００上の積雪状況について、機械学習を用いて積雪判定を行う。積雪判定装置２は、太陽光発電所１の運開前等、撮像装置６によって撮像された、太陽光パネル１００上の積雪を含む画像を学習データとして含まない場合であっても、画像を用いた積雪判定を行うことができる。

【0013】

図１では、太陽光パネル１００のストリング構成５００が、互いに直列に接続された複数の太陽光パネル１００を含んでいる。さらに図１では、太陽光パネル１００のアレイ構成７００が、互いに並列に接続された複数のストリング構成５００を含んでいる。図１に示すアレイ構成７００は、横方向に延び奥行き方向に隣り合う複数のストリング構成５００を含んでおり、各ストリング構成５００は、横方向に一列または複数列に並ぶ複数の太陽光パネル１００を含んでいる。本実施形態における積雪判定は、例えば、アレイ構成７００に対して一部分を撮像装置６で撮像した画像を用いて解析を行う。本実施形態における積雪の解析は、アレイ構成７００の一部分を撮像装置６で撮像した画像だけではなく、太陽光パネル１００単位またはストリング構成５００について、一部分を撮像装置６で撮像した画像についても適用が可能である。

【0014】

撮像装置６は、例えば、家屋の屋上や太陽光発電所１に配置される少なくとも１台以上の監視カメラである。また、撮像装置６は、例えば、ロボットやドローンのような移動体などに設置される。その場合、撮像装置６と積雪判定装置２は、無線接続によって電気的に接続される構成としてもよい。また、撮像装置６は、例えば、レンズ及びイメージセンサを備える単眼カメラまたは魚眼カメラである。また、撮像装置６は、例えば、可視光による反射光を撮影する可視光カメラのほか、赤外カメラやデプスマップを取得可能なカメラ及び距離センサなどを用いて撮影するカメラである。

【0015】

撮像装置６により撮影される画像は、動画像または静止画像いずれであってもよい。動画像を撮影する場合は、フレーム毎にその後の処理が実行されてもよく、または複数のフレームのうち、少なくとも1フレーム以上の任意の１フレームに基づいてその後の処理が実行されてもよい。また、複数のフレームに平均化処理等の演算処理を施した画像や、複数台の監視カメラから取得した複数枚の画像にパノラマ合成等の演算処理を施した画像に基づいて、その後の処理が実行されてもよい。また、撮像装置６によって撮影した画像は、Ｒ画像、Ｇ画像及びＢ画像で構成された３チャネルのカラー画像のほか、表色系変換処理によってＲＧＢ表色系とは異なる表色系であってもよい。異なる表色系とは、例えばＨＬＳ表色系であってよい。もしくは、カラー画像の各チャネル情報に所定の係数を掛け合わせて１チャネル化したモノクロ画像であってよく、モノクロ画像を構成する画素Ｙは、例えば式（１）によって求めてよい。
Ｙ＝０．２１２６×Ｒ＋０．７５１２×Ｇ＋０．０７２２×Ｂ （１）

【0016】

また、積雪判定装置２は、撮像装置６について、監視システム３で用いるものを共用して用いてもよい。この場合、積雪判定装置２は、ネットワーク機器２０を通じて、撮像装置６から撮像した画像を取得してもよく、また、監視システム３の記憶部４に格納された撮像装置６の画像を取得してもよい。積雪判定装置２は、撮像装置６等の設備を共用して用いることにより、設備の導入コストを抑えることができる。

【0017】

この例では、積雪判定装置２が判定した積雪判定の結果は、監視システム３の表示装置５に表示する例を示しているが、例えば、積雪判定装置２に表示装置を接続して表示してもよい。

【0018】

図２は、第１実施形態における積雪判定装置の別の概略構成図である。

【0019】

積雪判定装置２、監視システム３は、例えば、太陽光発電所１から離れた管理所６００に設置されてもよい。この場合、撮像装置６によって撮像された映像または画像は、ネットワーク３０を通じて伝送される。

【0020】

ネットワーク３０は、例えば、ネットワーク機器２０の他、光ケーブルやメタルケーブルといった有線回線や、衛星回線やマイクロ無線といった無線回線による伝送媒体により構築される。また、ネットワーク機器２０は、例えば、ルータ、スイッチ、メディアコンバータなど、伝送媒体の種類に応じて、映像や画像を伝送するために必要な設備により構築される。以下、図２の構成を用いて説明する。

【0021】

図３は、第１実施形態における積雪判定装置の機能ブロック図である。

【0022】

積雪判定装置２は、取得部１１、記憶部１２、学習モデル１３、検出部１４、判定部１５、疑似積雪画像生成部１７及び学習部１８を備える。また積雪判定装置２は、例えばＰＣ（Personal Computer）に積雪判定装置２用のプログラムをインストールすることで実現できる。積雪判定装置２内のＣＰＵ（Central Processing Unit）が、積雪判定装置２のプログラムを実行することにより、取得部１１、記憶部１２、学習モデル１３、検出部１４、判定部１５、疑似積雪画像生成部１７及び学習部１８の機能が実現される。また、例えば、記憶部１２は、ＨＤＤ（Hard Disk Drive）等の補助記憶装置上にデータベースとして構築される。

【0023】

また、本実施形態では、積雪判定装置２は、例えば太陽光発電所１の運開前や撮像装置６の撮像位置を変更した場合等、撮像対象箇所における太陽光パネル１００上の積雪を含む画像が記憶部１２に蓄積されていない状態で、太陽光パネル１００上に存在する積雪判定を行う例を取り上げて説明する。

【0024】

取得部１１は、撮像装置６から、撮像対象箇所の第１の時刻における太陽光パネル１００を含む１枚の画像を取得する。ここで取得する画像は、太陽光パネル１００上に積雪が存在するか否かを判定する対象となる画像である。また、取得部１１は、ネットワーク３０を介して画像を取得する。なお、この図では、ネットワーク機器２０の記載は省略している。また、第１の時刻は基準となる時刻である。

【0025】

疑似積雪画像生成部１７は、第１の時刻よりも前の時刻である第２の時刻における撮像対象箇所の太陽光パネル１００を含む画像（以下、単に過去画像とも呼ぶ）と、この画像に対応するクラスラベル画像に基づいて、１枚または複数枚の太陽光パネル１００を含む画像の画素を積雪に相当する画素に変換した疑似積雪画像、及び対応する疑似クラスラベル画像を生成する。また、疑似積雪画像生成部１７は、生成された疑似積雪画像及び疑似クラスラベル画像を記憶部１２に格納する。疑似積雪画像の生成方法等については後述する。

【0026】

クラスラベルとは、画像中に含まれる被写体に関するデータであり、領域分割（例えば、セマンティックセグメンテーション）を実施するための学習データとして用いられる。被写体は、例えば、「太陽光パネル１００」、「架台」、「空、地面等の背景」といった画像取得時に撮像装置６の撮影状況によらず存在するものを指す。また被写体は、例えば、「白飛び、ゴースト、レンズフレア、ハレーションまたは影等の外乱」といった撮像時の環境に依存して画像に生じる情報を指す。これらの被写体は、互いに独立してクラスとしてユーザが定義してもよく、後者は前者に包含してもよい。この場合、「白飛び、ゴースト、レンズフレア、ハレーションまたは影等の外乱」等のクラスは定義しない。

【0027】

クラスラベル画像とは、画像中に含まれる被写体をクラスとして分類し、その画像を構成する画素に対して対応するクラスのラベルを付与した画像である。クラスラベル画像は、各クラスについて、ＲＧＢによって色情報で表現してもよく、また各クラスをＩＤによって管理する等、インデックス化した情報を用いてもよい。クラスラベル画像は、各クラスを色情報で表現する場合、例えば、Ｒ＝２５５、Ｇ＝０、Ｂ＝０といった情報によって、１つのクラスを表現する。また、クラスラベル画像は、各クラスをインデックス化した情報で表現する場合、例えば、ＩＤ＝１を付与した１つのクラスについて、Ｒ＝１、Ｇ＝１、Ｂ＝１といった色情報で表現してもよい。以下、疑似クラスラベル画像も同様に、疑似積雪画像に含まれる被写体をクラスとして分類し、その画像を構成する画素に対して対応するクラスのラベルを付与した画像のことを指す。

【0028】

クラスラベル画像は、どのクラスにも属さない画素があってもよい。例えば、監視カメラによって撮影された画像の中に、時刻を示す画素が含まれている場合等、クラスとしての分類が難しく、かつ、太陽光パネル１００上の積雪が存在する領域の検出に依存しない領域について、どのクラスにも属さない画素（Void）としてもよい。

【0029】

また、本実施形態では、３チャネルのカラー画像の例を取り上げて説明するが、用いる画像は、例えば１チャネルの画像でもよい。例えば、グレースケール画像であれば、Ｇ＝２５５といった階調に関する情報や、インデックス画像であれば、Ｇ＝１といったパレットのインデックスに関する情報によって１つのクラスを表現することが考えられる。

【0030】

学習部１８は、記憶部１２から読み出した疑似積雪画像及び疑似クラスラベル画像を用いて学習モデル１３を学習させる。この処理は、疑似積雪画像及び疑似クラスラベル画像の対ごとに行われる。また、学習部１８は、過去画像及びクラスラベル画像を用いて学習モデル１３を学習させてもよい。

【0031】

学習モデル１３は、疑似積雪画像と、この画像に対応する、太陽光パネル１００上に存在する積雪等を教示対象とする教示データとを用いて学習する。この例では、太陽光パネル１００上に存在する積雪を教示対象とする教示データは、疑似クラスラベル画像を用いる。学習モデル１３は、疑似積雪画像に対して畳み込み演算を行い、畳み込み演算結果である特徴マップに基づき、疑似積雪画像上の各画素がどのクラスに属するかを確率で表現する。学習モデル１３は、最も確率の高いクラスとして出力したクラスと教示データが示すクラスとの間に生じる誤差に基づいて、畳み込み演算時に使用するカーネルやバイアスなどのパラメータを更新する。疑似積雪画像の特徴マップは、カーネルのサイズ、数及びバイアスの有無など、演算式を任意に変更して求めてよい。また、学習モデル１３は、畳み込み演算の際にパディングを行ってもよく、最大プーリングや平均プーリングなどのプーリング演算を行ってもよい。また、３チャネルのカラー画像の場合、学習モデル１３は、畳み込み演算をＲ画像、Ｇ画像及びＢ画像それぞれに対して行い、例えば、各要素の総和を取るなど、各演算結果を組み合わせてもよい。太陽光パネル１００上の積雪が存在する領域は、特徴マップに基づいて、例えば転置畳み込み演算を行うことで検出可能である。これらの領域は画素単位で特定することができる。

【0032】

本実施形態では、学習モデル１３は、疑似積雪画像等に対して、畳み込み演算を行って学習する例を示したが、Vision Transformer等のベクトル相関性解析に基づく手法によって学習を行ってもよい。

【0033】

学習モデル１３は、上記の学習結果に基づいて、第１の時刻における太陽光パネル１００を含む１枚の画像を入力として受け付け、この画像における太陽光パネル１００上の積雪が存在する領域を特定し出力する。例えば、学習モデル１３は、入力した画像に対して、領域分割を行うことで、画像中の積雪が存在する領域を示す画像を出力する。また、学習モデル１３は、出力結果として、太陽光パネル１００上に存在する積雪の領域を示す画素数を出力してもよい。

【0034】

検出部１４は、取得部１１が取得した第１の時刻における太陽光パネル１００を含む１枚の画像を学習モデル１３に出力する。また、検出部１４は学習モデル１３から出力された領域分割の結果を入力として受け付ける。

【0035】

判定部１５は、検出部１４から領域分割の結果を入力として受け付けて、太陽光パネル１００上の積雪の状態を判定する。例えば、太陽光パネル１００上の積雪の状態は、積雪率に基づいて判定される。太陽光パネル１００上の積雪率は、太陽光パネル１００に該当する画素の領域に対する、太陽光パネル１００上に存在する積雪に該当する画素の領域の割合である。太陽光パネル１００上に存在する積雪に該当する画素の領域は、取得画像に対して領域分割を行うことにより算出される。一方で、固定式の撮像装置６において、太陽光パネル１００に該当する画素の領域は、例えば、人による教示作業やアフィン変換を用いて、あらかじめ積雪判定装置２に認識させ、記憶部１２に格納することで算出することができる。判定部１５は、これら２つの値により積雪率を算出することができる。例えば、判定部１５は、算出した積雪率と閾値を比較し、積雪率が閾値を超えた場合に、太陽光パネル１００上に積雪があるものと判定することができる。

【0036】

また、判定部１５は、積雪判定装置２により、太陽光パネル１００上に積雪があると判定された場合、積雪の状態の判定に基づく信号を出力する構成としてもよい。積雪の発生に基づく信号の例は、警報信号である。出力された警報信号は、表示装置５に表示してもよい。また、出力された警報信号は、表示装置５に表示する代わりに、インジケータや警告灯などの画面に表示する以外の警報装置（不図示）に出力してもよい。

【0037】

図４は、第１実施形態における疑似積雪画像生成部の詳細を示すブロック図である。

【0038】

疑似積雪画像生成部１７は、変換元画像取得部２１、変換判定部２２、輝度設定部２３、生成部２４及び保存部２５を備える。疑似積雪画像生成部１７は、少なくとも１枚以上の過去画像と、この画像に対応するクラスラベル画像とに基づいて、１枚または複数枚の太陽光パネル１００を含む画像の画素を積雪に相当する画素に変換した疑似積雪画像と、対応する疑似クラスラベル画像とを生成する。

【0039】

疑似積雪画像生成部１７は、例えば、ユーザによってあらかじめ設定された基準に基づいて疑似積雪画像を網羅的に生成する。学習モデル１３は、これらのデータを用いて学習することで、実際の積雪に関する学習データを用いなくても積雪検出を実施可能となる。

【0040】

変換元画像取得部２１は、少なくとも１枚以上の過去画像と、この画像に対応するクラスラベル画像とを取得する。例えば、これらのデータは、太陽光発電所１の運開前に１日程度、撮像装置６で撮像した画像を用いることが考えられる。過去画像は、太陽光発電所１の運開前に撮像された画像用いて、またクラスラベル画像は、例えば、ユーザの入力によってこの画像に教示を与えて作成することが考えられる。

【0041】

例えば、表示装置５に表示されたユーザインタフェースを介して、ｊｐｇ形式やｂｍｐ形式等のファイル形式でユーザがこれらの画像をアップロードすることで、変換元画像取得部２１は、これらの画像ファイルを取得することが考えられる。

【0042】

変換判定部２２は、ユーザによってあらかじめ設定された判定基準によって、過去画像のうち、クラスラベル画像中の所定のラベルが付与された画素に対応する各々の画素について、積雪に相当する画素に変換するか否かを判定する。変換判定部２２は、例えば、表示装置５に表示されたユーザインタフェースから、ユーザによる判定基準の設定の入力を受け付けることが考えられる。例えば、ユーザは、積雪判定装置の初期設定時または運用開始後の設定変更時に、これらの設定の入力を行うことが考えられる。

【0043】

また、ユーザは、積雪に相当する画素へ変換するか否かの判定基準として、クラスラベル間で定義してもよいし、クラスラベル内で定義してもよい。クラスラベル間での定義とは、所定のラベルが付与された画素については、積雪に相当する画素に変換を実施し、所定のラベル以外のラベルが付与された画素については、変換を実施しないことを言う。例えば、変換判定部２２は、「太陽光パネル１００」というラベルが付与された画素に対しては、対応する過去画像の画素を積雪に相当する画素に変換し、「空」というラベルが付与された画素に対しては、変換を実施しないと判定する。また、以下では、「太陽光パネル１００」というラベルが付与された画素に対して、変換を行う例について説明するが、この例以外にも、例えば、「地面」のラベルが付与された画素に対して、対応する過去画像中の画素を積雪に変換することが考えられる。これにより、積雪判定装置２は、生成する疑似積雪画像のバリエーションを増やすことができ、学習モデル１３の学習データ量を増加させることができる。

【0044】

クラスラベル内での定義とは、所定のラベルが付与された画素において、所定の条件を具備する画素については、積雪に相当する画素に変換を実施し、所定の条件を具備しない画素については、変換を実施しないことを言う。例えば、変換判定部２２は、太陽光パネル１００というラベルが付与された画素のうち、所定範囲内の輝度値を有する画素に対しては変換を実施し、所定範囲内の輝度値を有さない画素に対しては変換を実施しないと判定する。

【0045】

また、変換判定部２２は、上述したクラスラベル内定義においては、さらに詳細な条件として、変換する画素について、どのように変換するかをユーザに設定させてもよい。例えば、変換判定部２２は、該当する画素全体の中で何パーセントの画素を積雪として変換するか、該当する画素全体を均一に変換するか、または太陽光パネル１００下部に存在する画素のみを変換するか等、より詳細な基準をユーザに設定させてもよい。太陽光パネル１００上の積雪は、太陽光パネル１００の設置場所に加え、雪の降り方や風向きによって積もり方が異なる。そのため、変換判定部２２は、これらの詳細な条件をユーザに入力させることで、太陽光パネル１００を設置した場所の環境や気候条件を反映した疑似積雪画像を生成することができる。

【0046】

また、変換判定部２２は、変換する画素について、複数の基準で複数の疑似積雪画像を生成すると判定してもよい。例えば、変換判定部２２は、該当する画素全体の中で１０パーセントの画素を均一に積雪として変換すると判定し、さらに該当する画素全体の中で２０パーセントの画素を均一に積雪として変換すると判定してもよい。判定基準の設定は、システムの設計事項である。このように、変換判定部２２が複数の基準で複数の疑似積雪画像を生成すると判定することによって、疑似積雪画像生成部１７は、網羅的に疑似積雪画像を生成することができる。

【0047】

輝度設定部２３は、積雪に相当する画素に変換する際、変換後の画素の輝度値を設定する。積雪として変換する画素の輝度値は、例えば、１枚または複数枚の過去画像を用いて、積雪が写っている領域から求めてもよく、輝度設定部２３は、積雪というラベルが付与された画素の輝度値の平均から求めてもよい。また、積雪を含む過去画像がない場合は、輝度値をユーザの入力によって定めてもよい。また、輝度設定部２３は、積雪として変換する画素の輝度値を所定の範囲として求めてもよい。例えば、輝度設定部２３は、積雪というラベルが付与された画素の輝度値の分散を求め、分散の範囲から輝度範囲を設定してもよい。

【0048】

また、輝度設定部２３が設定した輝度値または輝度範囲は、記憶部１２に格納してもよい。これにより、疑似積雪画像生成部１７は、一度設定した輝度値または輝度範囲について、２回目以降の疑似積雪画像生成する際に活用することができる。

【0049】

生成部２４は、入力された過去画像と、クラスラベル画像とを比較し、クラスラベル画像中にて所定のラベルが付与された画素に対応する過去画像中の画素について、積雪に相当する画素に変換し、疑似積雪画像を生成する。

【0050】

また、生成部２４は、クラスラベル画像中の所定のラベルについて、積雪のラベルに変換した疑似クラスラベル画像を生成する。例えば、クラスラベル画像にて、「太陽光パネル１００」のラベルが付与された画素に対応する過去画像中の画素を変換した場合、生成部２４は、そのラベルを「太陽光パネル１００上のパネル」としてラベル名称を変換する。また、ラベル名称を変換した場合、クラスが変わるため、生成部２４は、ラベル名称の変換に加え、ラベルの画素値を変換してもよい。

【0051】

保存部２５は、生成された疑似積雪画像及び疑似クラスラベル画像を記憶部１２に格納する。また、記憶部１２には、疑似積雪画像及び疑似クラスラベル画像は１対１に対応付けて保存される。

【0052】

図５は、第１実施形態における積雪判定のフローチャートの例である。

【0053】

このフローチャートでは、主に積雪判定のフローについて説明する。このフローチャートでは、学習モデル１３は、過去画像及びクラスラベル画像を用いて学習を行った学習済みモデルであるものとして説明する。

【0054】

ステップＳ１では、取得部１１は、ネットワーク３０を介して、撮像対象箇所の第１の時刻における太陽光パネル１００を含む１枚の画像を取得する。取得部１１は、所定のタイミングで繰り返し画像を取得してもよい。この場合、積雪判定装置２は、取得部１１が画像を取得するごとに、積雪判定を行う。ステップＳ２では、検出部１４は、取得部１１が取得した画像を学習モデル１３に入力する。

【0055】

ステップＳ３では、学習モデルは、領域分割の結果を出力し、検出部１４がこの結果を入力としてとして受け付ける。ステップＳ４では、判定部１５は、領域分割の結果から、積雪率を算出し、積雪判定を行う。例えば、判定部１５は、領域分割の結果から太陽光パネル１００上に存在する積雪に該当する領域を画素数として算出する。また、判定部１５は、太陽光パネル１００に該当する領域の画素数として、記憶部１２に格納された値を読み出す。判定部１５は、これら２つの値を用いて積雪率を算出する。また、判定部１５は、太陽光パネル１００に該当する画素の領域に対する、太陽光パネル１００上に存在する積雪に該当する画素の領域の割合を算出し、積雪率を算出する。また、判定部１５は、積雪率と、閾値とを比較し、積雪率が閾値以上であった場合、表示装置５に警報信号を出力する。太陽光パネル１００に該当する画素の領域の画素数や閾値等の必要なデータはプログラムの実行時に記憶部１２からメモリにロードされてもよい。

【0056】

ステップＳ５では、判定部１５は、算出した積雪率を積雪判定の結果として表示装置５に出力する。また、判定部１５は、算出した積雪率が閾値以上であった場合、表示装置５に警報として出力してもよい。

【0057】

図６は、第１実施形態における疑似積雪画像生成時のフローチャートの例である。

【0058】

このフローチャートでは、主に疑似積雪画像生成のフローについて説明する。このフローチャートでは、積雪判定装置２は、太陽光発電所１の運開前に撮像装置６で撮像された、積雪を含まない複数の過去画像を用いて疑似積雪画像を生成する例を想定して説明する。また、過去画像に対応するクラスラベル画像は、あらかじめユーザによる教示によって作成されたものとして説明する。

【0059】

また、変換判定部２２が過去画像を疑似積雪画像に変換するか判定するにあたり、ユーザによって事前に判定基準が入力された例を想定して説明する。この判定基準は、過去画像中に「太陽光パネル１００」に該当する画素が含まれていた場合、「太陽光パネル１００上に存在する積雪」として変換するという基準である。また、変換判定部２２は、変換を行う場合、「太陽光パネル１００」に該当する画素のうち、全体の２０パーセントの画素を均一に積雪に該当する画素に変換するものとして判定する。また、記憶部１２には、１日程度で取得した種々の時間帯における過去画像が格納されたものとして説明する。

【0060】

ステップＳ２１では、変換元画像取得部２１は、過去画像及びクラスラベル画像を取得する。例えば、表示装置５に表示されたユーザインタフェースとして、画像アップロード用ボタンをユーザが押下することによって、変換元画像取得部２１は過去画像及びクラスラベル画像を取得する。ステップＳ２２では、変換判定部２２は、クラスラベル画像と、過去画像とを比較し、過去画像を疑似積雪画像に変換するかを判定する。変換元画像取得部２１は、クラスラベル画像に「太陽光パネル１００」のラベルが含まれていた場合、このラベルが付与された画素を「太陽光パネル１００上に存在する積雪」として変換するものとして判定する。また、変換元画像取得部２１は、「太陽光パネル１００」を「太陽光パネル１００上に存在する積雪」として変換するにあたり、該当するラベルが付与された画素全体のうち、２０パーセントを積雪に該当する画素として変換し、また、該当する画素全体を均一に変換するものとして判定する。

【0061】

ステップＳ２２で、変換元画像取得部２１が過去画像を疑似積雪画像に変換すると判定した場合、ステップＳ２３では、輝度設定部２３は、変換後の画素の輝度値を設定する。この例では、輝度設定部２３は、記憶部１２に格納されたその他の過去画像を用いて、積雪というクラスラベルが付与された画素の輝度値の平均を算出する。ステップＳ２２で、変換判定部２２が過去画像を疑似積雪画像に変換しないと判定した場合、積雪判定装置２は、疑似積雪画像を生成せずに処理を終了する。

【0062】

ステップＳ２４では、生成部２４は、変換判定部２２の判定した条件及び輝度設定部２３によって設定された輝度値に基づいて、過去画像から疑似積雪画像を生成する。具体的には、生成部２４は、クラスラベル画像の「太陽光パネル１００」のラベルが付与された画素に対応する過去画像中の画素について、積雪に相当する画素に変換する。また生成部２４は、これらの画素のうち全体の２０パーセントを均一に積雪に相当する画素として変換する。また、生成部２４は、変換を実施した過去画像に対応するクラスラベル画像について、「太陽光パネル１００」のラベルを「太陽光パネル１００上の積雪」に変換し、疑似クラスラベル画像を生成する。ステップＳ２５では、保存部２５は、疑似積雪画像及び疑似クラスラベル画像を一対一に対応付けて記憶部１２に格納する。

【0063】

図７は、第１実施形態における過去画像と、過去画像に対応するクラスラベル画像との比較例である。

【0064】

図７では、説明の単純化のため、太陽光パネル１００のアレイ構成７００ではなく、１枚の太陽光パネル１００が撮像された画像を取り上げて説明する。

【0065】

図７Ａは、変換元画像取得部２１が取得した過去画像の例である。過去画像は、太陽光パネル１００、地面１３０、空１４０及び架台１５０が撮像されている。図７Ｂは、過去画像に対応するクラスラベル画像の例である。この例では、クラスラベル画像は、太陽光パネル１００が緑色に色分けされ、地面１３０がピンク色に色分けされ、空１４０が青色に色分けされ、架台１５０が黒色に色分けされている。説明のために、緑色の色分け部分は、グレーの単色で表し、ピンク色の色分け部分は、細い斜線のハッチングで表し、青色の色分け部分は、太い斜線のハッチングで表し、黒の色分け部分は、ドットのハッチングで表す。

【0066】

変換元画像取得部２１は、図７Ａ及び７Ｂで示すような過去画像及びクラスラベル画像を取得する。また、生成部２４は、取得された過去画像及びクラスラベル画像に基づいて、疑似積雪画像及び疑似クラスラベル画像を生成する。

【0067】

図８は、第１実施形態における疑似積雪画像と、疑似積雪画像に対応する疑似クラスラベル画像との比較例である。

【0068】

図８Ａは、生成部２４によって生成された疑似積雪画像の例である。この例では、図８Ａは、図７Ａの過去画像から疑似積雪画像を生成し、太陽光パネル１００に相当する画素全体を積雪に相当する画素に変換した例を示している。図７Ｂは、疑似積雪画像に対応する疑似クラスラベル画像の例である。この例では、太陽光パネル上の積雪１１０を水色に色分けしており、説明のため、この水色の色分け部分を白の単色で表している。この例では、図７Ｂと比較して、太陽光パネル１００としてラベル付けされた画素、つまり緑色に色分けされた画素は、太陽光パネル上の積雪１１０、つまり水色に色分けされた画素としてラベルが変更されている。

【0069】

この例では、生成部２４は、太陽光パネル１００に該当する画素全体を積雪に相当する画素に変換した例を示したが、太陽光パネル１００に該当する画素の一部を積雪に相当する画素に変換してもよい。また、生成部２４は、太陽光パネル１００以外にも、例えば、地面１３０に該当する画素の一部または全部について、積雪に相当する画素に変換してもよい。これにより、生成部２４は、網羅的に疑似積雪画像を生成することができる。

【0070】

図９は、第１実施形態の変形例における疑似積雪画像生成部の詳細を示すブロック図である。

【0071】

本変形例では、積雪判定装置２は、疑似カメラ画像生成部２９によって疑似積雪画像及び疑似クラスラベル画像を生成する。疑似カメラ画像生成部２９は、例えば、ＧＡＮ（Generative Adversarial Network：敵対的生成ネットワーク）を用いて、複数枚の疑似積雪画像及び疑似クラスラベル画像を生成する。疑似カメラ画像生成部２９は、ＧＡＮを用いて疑似積雪画像及び疑似クラスラベル画像を生成するため、大量の画像を生成することができる。また、疑似積雪画像生成部１７以外の構成は、第１実施形態と同様であるため説明を省略する。

【0072】

例えば、疑似カメラ画像生成部２９は、潜在変数を入力として、疑似積雪画像及び疑似クラスラベル画像を出力する生成モデル２７を備える。また疑似カメラ画像生成部２９は、過去画像及びクラスラベル画像と、疑似積雪画像及び疑似クラスラベル画像とを入力として受け付け、入力された画像が過去画像であるか、または疑似積雪画像であるかの識別結果を出力する識別モデル２８を備える。識別モデル２８は、例えば入力された画像の組が生成モデル２７によって生成された疑似積雪画像及び疑似クラスラベル画像であれば、疑似的な画像であるとして「０」を出力し、過去画像及びクラスラベル画像であれば、本物の画像であるとして「１」を出力する。生成モデル２７は、生成した画像の組について、識別モデル２８が本物の画像であるとして出力するよう学習を行う。一方、識別モデル２８は、入力された画像の組が生成モデル２７によって生成された疑似積雪画像及び疑似クラスラベル画像であれば、疑似的な画像であるとして「０」を出力し、過去画像及びクラスラベル画像であれば、本物の画像であるとして「１」を出力するよう学習を行う。

【0073】

生成モデル２７は、例えば、入力された潜在変数に転置畳み込み演算を行うことで、疑似積雪画像及び疑似クラスラベル画像を生成する。また、識別モデル２８は、例えば、入力された疑似積雪画像または過去画像に対して、畳み込み演算を行うことで特徴マップを生成し、特徴マップと疑似クラスラベル画像またはクラスラベル画像とを比較することにより疑似的な画像であるかまたは本物の画像であるかを判定する。

【0074】

保存部２５は、生成された全ての疑似積雪画像及び疑似クラスラベル画像をそれぞれ一対一に対応付けて記憶部１２に格納する。

【0075】

本実施形態によれば、積雪判定装置２は、撮像装置６で撮像された第１の時刻における画像を取得し、その画像中の太陽光パネル１００上の積雪率を算出する。そのため、ユーザは太陽光パネル１００上の積雪の状態を定量的に判定することができる。また、ユーザは判定結果について、積雪時において発電量保証から除外するための判断材料として活用することができる。また、同様に、ユーザは、判定結果を除雪作業の判断材料として活用することができる。

【0076】

また、本実施形態によれば、積雪判定装置２は、画像の取得にあたり、撮像装置６等の既設の設備を利用することにより、積雪判定装置２の導入費用を抑えることができる。また、積雪判定装置２は、既設の設備を利用することにより、設備数の増加を抑えることができるため、保守費用を抑えることができる。

【0077】

また、本実施形態によれば、生成部２４は、過去画像に基づいて、疑似積雪画像及び疑似クラスラベル画像を生成する。また、学習モデル１３は、疑似クラスラベル画像を教示データとして疑似積雪画像の学習を行う。これにより、学習モデル１３は、学習データに現実の積雪画像が含まれていない場合であっても、疑似積雪画像等を用いて積雪の領域を検出する学習を行うことができ、精度の高い積雪判定を実施することができる。

【0078】

また、本実施形態によれば、変換判定部２２は、ユーザが設定した判定基準に基づいて、過去画像を疑似積雪画像に変換するか否かを判定する。疑似積雪画像生成部１７は、疑似積雪画像への変換にあたり、ユーザの設定を反映させることによって、太陽光パネル１００を設置した場所の環境や気候条件を反映した疑似積雪画像を生成することができる。また、生成部２４は、ユーザが設定した判定基準に基づいて、網羅的に疑似積雪画像を生成することができる。

【0079】

また、本実施形態の変形例によれば、生成モデル２７は、非撮影画像から、敵対的学習によって大量の疑似積雪画像及び疑似クラスラベル画像を生成すことができる。これにより、積雪判定装置２は、学習部１８が学習不足となることを抑制し、精度の高い積雪判定を実施することができる。

【0080】

（第２実施形態）
図１０は、第２実施形態における疑似積雪画像生成部の詳細を示すブロック図である。

【0081】

本実施形態では、疑似積雪画像生成部１７以外のブロック図の構成は第１実施形態と同様であるため、説明を省略する。

【0082】

本実施形態の疑似積雪画像生成部１７は、変換元画像取得部２１が取得した過去画像または生成部２４が生成した疑似積雪画像に疑似的に光を照射しライティングを行うライティング部２６を備える。

【0083】

ライティング部２６は、過去画像または疑似積雪画像に、疑似的に光を照射（ライティング処理）し、第２の疑似積雪画像を生成する。ライティング処理は、コンピュータグラフィクスによって実行可能である。ライティング部２６は、１枚の過去画像または疑似積雪画像から、光源の位置、強さまたは数等を変化させて、複数枚の第２の疑似積雪画像を生成してもよい。また、ライティング部２６は、過去画像及び疑似積雪画像の両方から第２の疑似積雪画像を生成してもよい。

【0084】

また、積雪判定装置２のユーザは、光源の位置、数または強さに応じて、過去画像または疑似積雪画像内の領域に照射される光の当たり方を変えるため、過去画像または疑似積雪画像における各画素に対する奥行きを教示したデータを合わせて準備してもよい。奥行きを教示したデータは、例えばデプスマップである。デプスマップに格納される奥行きは、単位を有する絶対的なスケールであってもよく、またある奥行きを１とした相対的なスケールであってもよい。例えば、デプスマップは、３ＤＬｉＤＡＲといった奥行きを測定可能なセンサを用いて取得することができる。また、デプスマップは、センサを用いず、画像認識技術を過去画像に適用し、奥行きを推定し、この推定結果をデプスマップとして用いてもよい。また、デプスマップは、例えば、変換元画像取得部２１がユーザからの過去画像等と併せて入力を受け付けることが考えられる。

【0085】

現実には、天候や時間帯によって、光の強さや角度等が異なる光が物体に照射される。そのため、ライティング部２６は、天気や時間帯等のパラメータをユーザに設定させて、このパラメータに応じて過去画像または疑似積雪画像に異なる光を照射してもよい。例えば、ライティング部２６は、天気や時間帯によって、光の強さや角度を変更することが考えられる。天気が晴れで、正午の時間帯であれば、太陽が南中する時間帯であるため、ライティング部２６は、晴れの天気に応じた強い光源を、画像の真上から照射することが考えられる。また、ライティング部２６は、表示装置５にパラメータ設定用のユーザインタフェースを表示し、ユーザから入力を受け付けることが考えられる。

【0086】

また、第２の疑似積雪画像は、疑似積雪画像にライティング処理を施した画像であるため、疑似積雪画像と同一のクラスラベル画像を用いることができる。

【0087】

図１１は、第２実施形態における第２の疑似積雪画像生成時のフローチャートの例である。

【0088】

この例では、ライティング部２６は、１枚の疑似積雪画像から複数枚の第２の疑似積雪画像を生成するフローについて説明する。また、ステップＳ３１～Ｓ３４は、ステップＳ２１～Ｓ２４と同様なフローであるため、説明を省略する。

【0089】

ステップＳ３５では、ライティング部２６は、疑似積雪画像を入力として受け付け、この画像に、ライティング処理を行い、第２の疑似積雪画像を生成する。また、ライティング部２６は、光源の位置、強さまたは数を変化させて、複数枚の第２の疑似積雪画像を生成する。ステップＳ３６では、保存部２５は、疑似積雪画像及び疑似クラスラベル画像を対応付けて記憶部１２に格納する。また、保存部２５は、第２の疑似積雪画像及び疑似クラスラベル画像を対応付けて記憶部１２に格納する。この例では、疑似積雪画像及び疑似クラスラベル画像は、記憶部１２上に構築されるデータベーステーブル上に同一のレコードとして格納される。また、第２の疑似積雪画像及び疑似クラスラベル画像も同様に、同一のレコードとして格納される。

【0090】

本実施形態によれば、ライティング部２６は、過去画像または疑似積雪画像に対してライティング処理を行い、第２の疑似積雪画像を生成する。これにより、積雪判定装置２は、学習モデル１３に対する学習データ量を増加させることができる。また、学習データ量の増加に伴い、学習モデル１３の出力精度を向上させることができるため、積雪判定装置２は、より精度の高い積雪判定を行うことができる。

【0091】

（第３実施形態）
図１２は、第３実施形態における積雪判定装置のハードウェア構成図である。

【0092】

図１２の積雪判定装置２は、ＣＰＵ等のプロセッサ５２と、ＲＡＭ等の主記憶装置５３と、ＨＤＤ等の補助記憶装置５４と、ＬＡＮ（Local Area Network）ボード等のネットワークインタフェース５５と、メモリスロットやメモリポート等のデバイスインタフェース５６と、これらの機器を互いに接続するバス５７とを備えている。積雪判定装置２は例えば、ＰＣ等のコンピュータであり、キーボードやマウス等の入力装置や、ＬＣＤ（Liquid Crystal Display）モニタ等の出力装置を備えている。

【0093】

本実施形態においては、第１～第２実施形態のうち、いずれかにおける積雪判定装置２の情報処理をコンピュータに実行させるためのプログラムが、補助記憶装置５４内にインストールされている。積雪判定装置２は、このプログラムを主記憶装置５３に展開して、プロセッサ５２により実行する。これにより、図３、４等に示す各ブロックの機能を積雪判定装置２内で実現し、第１～第２実施形態で説明した積雪判定が可能となる。

【0094】

このプログラムは例えば、このプログラムを記録した外部装置５８をデバイスインタフェース５６に装着し、このプログラムを外部装置５８から補助記憶装置５４に格納することでインストール可能である。外部装置５８の例は、コンピュータ読み取り可能な記録媒体や、このような記録媒体を内蔵する記録装置である。記録媒体の例はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、ＣＤ－Ｒ（Compact Disk Recordable）、フレキシブルディスク、ＤＶＤ－ＲＯＭ(Digital Versatile Disk Read Only Memory)、ＤＶＤ－Ｒ (Digital Versatile Disk Recordable)であり、記録装置の例はＨＤＤである。また、このプログラムは、例えば、ネットワークインタフェース５５を介してダウンロードすることでインストール可能である。

【0095】

本実施形態によれば、第１～第２実施形態のうち、いずれかにおける積雪判定装置２の機能をソフトウェアにより実現することが可能となる。

【0096】

以上、いくつかの実施形態を説明したが、これらの実施形態は、例としてのみ提示したものであり、発明の範囲を限定することを該当する画素全体の中で１０パーセントの画素を積雪として変換すると判定し、意図したものではない。本明細書で説明した新規な積雪判定装置２は、その他の様々な形態で実施することができる。また、本明細書で説明した積雪判定装置２の形態に対し、発明の要旨を逸脱しない範囲内で、種々の省略、置換、変更を行うことができる。添付の特許請求の範囲及びこれに均等な範囲は、発明の範囲や要旨に含まれるこのような形態や変形例を含むように意図されている。

【符号の説明】

【0097】

１：太陽光発電所、２：積雪判定装置、３：監視システム、４：記憶部、
５：表示装置、６：撮像装置、１１：取得部、１２：記憶部、
１３：学習モデル、１４：検出部、１５：判定部、１７：疑似積雪画像生成部、
１８：学習部、２０：ネットワーク機器、２１：変換元画像取得部、
２２：変換判定部、２３：輝度設定部、２４：生成部、２５：保存部、
２６：ライティング部、２７：生成モデル、２８：識別モデル、
２９：疑似カメラ画像生成部、３０：ネットワーク、５２：プロセッサ、
５３：主記憶装置、５４：補助記憶装置、５５：ネットワークインタフェース、
５６：デバイスインタフェース、５７：バス、５８：外部装置、
１００：太陽光パネル、１１０：太陽光パネル上の積雪、１３０：地面、
１４０：空、１５０：架台、４００：建屋、５００：ストリング構成、
７００：アレイ構成

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】