特許 7535874 情報処理装置、情報処理プログラム、および情報処理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-08-08

(45)【発行日】2024-08-19

(54)【発明の名称】情報処理装置、情報処理プログラム、および情報処理方法

(51)【国際特許分類】

   F23G 5/50 20060101AFI20240809BHJP

   G01N 21/3554 20140101ALI20240809BHJP

【ＦＩ】

F23G5/50 Q

G01N21/3554

【請求項の数】 15

(21)【出願番号】P 2020089568

(22)【出願日】2020-05-22

(65)【公開番号】P2021183891

(43)【公開日】2021-12-02

【審査請求日】2023-02-28

(73)【特許権者】

【識別番号】308024395

【氏名又は名称】荏原環境プラント株式会社

(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】松岡 慶

(72)【発明者】

【氏名】町田 隼也

【審査官】大谷 光司

(56)【参考文献】

【文献】国際公開第２０１９／０２６５５１（ＷＯ，Ａ１）

【文献】特開２００６－０４６６８０（ＪＰ，Ａ）

【文献】特開２０１９－１４８４０９（ＪＰ，Ａ）

【文献】特開２００８－０６４３６１（ＪＰ，Ａ）

【文献】欧州特許出願公開第０１０４８９００（ＥＰ，Ａ１）

【文献】特開２０１７－１８０９６４（ＪＰ，Ａ）

【文献】特開平０９－１７８１４１（ＪＰ，Ａ）

【文献】国際公開第２０２０／０４０１１０（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｆ２３Ｇ ５／５０

Ｇ０１Ｎ ２１／３５５４

(57)【特許請求の範囲】

【請求項1】

ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するデータ取得部と、
前記データ取得部により過去に取得されたごみの表面の１つの領域に含まれる複数の点の計測データと、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得されたごみの表面の１つの領域に含まれる複数の点の計測データを入力として、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルを推定して出力する推定部と、
を備えたことを特徴とする情報処理装置。

【請求項2】

前記レーザー式レベルセンサは、ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度および高さを計測し、
前記推定部は、前記データ取得部により過去に取得されたごみの表面の１つの領域に含まれる複数の点の反射強度、または反射強度および高さの計測データと、当該領域でのごみの特性を示す値またはごみの質を分類したラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得されたごみの表面の１つの領域に含まれる複数の点の反射強度、または反射強度および高さの計測データを入力として、当該領域でのごみの特性を示す値またはごみの質を分類したラベルを推定して出力する、
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】

前記推定部は、前記データ取得部により取得されたごみの表面の計測データを複数のブロックに分割し、分割されたブロック単位の計測データであって、１つのブロックに含まれる複数の点の計測データを前記学習済みモデルに入力し、当該ブロックでのごみの特性を示す値またはごみの質を分類したラベルをブロック単位で推定して出力する、
ことを特徴とする請求項１または２に記載の情報処理装置。

【請求項4】

前記推定部により推定されたごみの特性を示す値またはごみの質を分類するラベルに基づいて、前記ごみの攪拌または搬送を行うクレーンを制御するクレーン制御装置へ操作指示を送信する、または前記ごみの燃焼を制御する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１～３のいずれかに記載の情報処理装置。

【請求項5】

前記ごみの特性は、重量、密度、水分量、発熱量のうちの少なくとも１つである、
ことを特徴とする請求項１～４のいずれかに記載の情報処理装置。

【請求項6】

前記機械学習のアルゴリズムは、最尤分類法、ボルツマンマシン、ニューラルネットワーク、サポートベクターマシン、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、強化学習、ディープラーニングのうちの少なくとも１つである、
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。

【請求項7】

ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサと、
請求項１～６のいずれかに記載の情報処理装置と、
を備えたことを特徴とするごみ処理プラント。

【請求項8】

前記レーザー式レベルセンサは、クレーンガーダに設置されている、
ことを特徴とする請求項７に記載のごみ処理プラント。

【請求項9】

コンピュータを、
ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するデータ取得部と、
前記データ取得部により過去に取得されたごみの表面の１つの領域に含まれる複数の点の計測データと、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得されたごみの表面の１つの領域に含まれる複数の点の計測データを入力として、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルを推定して出力する推定部と、
として機能させることを特徴とする情報処理プログラム。

【請求項10】

コンピュータが実行する情報処理方法であって、
ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するステップと、
前記レーザー式レベルセンサから過去に取得されたごみの表面の１つの領域に含まれる複数の点の計測データと、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルとの関係性を機械学習している学習済みモデルを用いて、前記レーザー式レベルセンサから新たに取得されたごみの表面の１つの領域に含まれる複数の点の計測データを入力として、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルを推定して出力するステップと、
を含むことを特徴とする情報処理方法。

【請求項11】

ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサにより計測されたごみの表面の１つの領域に含まれる複数の点の計測データに、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルを正解として関係づけて教師データを生成する教師データ生成部
を備えたことを特徴とする情報処理装置。

【請求項12】

前記教師データ生成部により生成された教師データを機械学習することにより学習済みモデルを構築するモデル構築部
をさらに備えたことを特徴とする請求項１１に記載の情報処理装置。

【請求項13】

投入ホッパに投入されたごみの表面に赤外線レーザーを照射してごみの表面の１つの領域に含まれる複数の点の反射強度を計測するレーザー式レベルセンサから計測データを取得するデータ取得部と、
前記データ取得部により過去に取得されたごみの表面の１つの領域に含まれる複数の点の計測データと、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得されたごみの表面の１つの領域に含まれる複数の点の計測データを入力として、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルを推定して出力する推定部と、
を備えたことを特徴とする情報処理装置。

【請求項14】

投入扉近傍に設置され、ごみ搬入車両から搬出されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するデータ取得部と、
前記データ取得部により過去に取得されたごみの表面の１つの領域に含まれる複数の点の計測データと、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得されたごみの表面の１つの領域に含まれる複数の点の計測データを入力として、当該領域でのごみの特性を示す１つの値またはごみの質を分類した１つのラベルを推定して出力する推定部と、
を備えたことを特徴とする情報処理装置。

【請求項15】

灰ピット内に貯留された焼却灰の表面に赤外線レーザーを照射して焼却灰の表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するデータ取得部と、
前記データ取得部により過去に取得された焼却灰の表面の１つの領域に含まれる複数の点の計測データと、当該領域での焼却灰の特性を示す１つの値または焼却灰の質を分類した１つのラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得された焼却灰の表面の１つの領域に含まれる複数の点の計測データを入力として、当該領域での焼却灰の特性を示す１つの値または焼却灰の質を分類した１つのラベルを推定して出力する推定部と、
を備えたことを特徴とする情報処理装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理プログラム、および情報処理方法に関する。

【背景技術】

【0002】

従来、廃棄物焼却施設において、特に、厨芥ごみやごみピット底部に位置し圧密されたごみ、汚泥などの水分量の多いごみは、発熱量が低い低質ごみであり、不安定燃焼の原因となっている。

【0003】

ところで、近赤外線波長域の水の吸収スペクトルには、９７０ｎｍ付近、１１９０ｎｍ付近、１４５０ｎｍ付近、および１９４０ｎｍ付近にピークが表れる。

【0004】

特許文献１では、ごみピットを撮像して水の吸収帯の分光画像と水の非吸収帯の分光画像を取得し、各分光画像の輝度値ヒストグラムの歪度の差分等を水分指標とし、ごみ表層の水分量を特定する方法が提案されている。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０１９－１５８２５６号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、分光画像を用いる方法では、光量を考慮すると、赤外線カメラおよび赤外線照射装置が必要である。

【0007】

また、分光画像を用いる方法では、固定カメラで撮像するため、ごみピット内に崖や凹凸（すなわち光が当たらない部分）ができたり、画像中にクレーン等のごみ以外のものが写ったりした場合、その部分が死角となり、正確な水分量を測定できないことがある。

【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、分光画像を用いる方法が有する上記課題の少なくとも１つを解決でき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、
ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するデータ取得部と、
前記データ取得部により過去に取得されたごみの表面の計測データと、当該ごみの特性を示す値またはごみの質を分類したラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得されたごみの表面の計測データを入力として、当該ごみの特性を示す値またはごみの質を分類したラベルを推定して出力する推定部と、
を備える。

【0010】

このような態様によれば、自らが光源となって照射した赤外線レーザーを直接する計測するレーザー式レベルセンサを利用するため、赤外線カメラおよび赤外線照射装置をそれぞれ用意する必要がなく、経済的である。また、赤外線照射装置が光源となって赤外線が照射される場合、ごみピット内に貯留されたごみの表面に凹凸があると光源とは逆側に影ができて死角となり、正確な水分量を測定できないことになり、影ができないようにするためにはカメラの周囲に複数の赤外線照射装置を設置する必要があるのに対し、このような態様によれば、自らが光源となって照射した赤外線レーザーを直接する計測するレーザー式レベルセンサを利用するため、光源とは逆側にできる影によって死角となることがなく、ごみの特性を示す値またはごみの質を分類したラベルをより正確に推定できる。

【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、
前記レーザー式レベルセンサは、ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度および高さを計測する。

【0012】

このような態様によれば、ごみの表面の反射強度および高さの両方をレーザー式レベルセンサにより同時に計測でき、ごみの表面の高さを計測するために高さ計測装置を別途設置する必要がないため、経済的である。また、ごみの表面の反射強度および高さの両方を入力として、学習済みモデルを用いて、ごみの特性を示す値またはごみの質を分類したラベルを推定することで、より正確な推定が可能である。

【0013】

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、
前記推定部は、前記データ取得部により取得されたごみの表面の計測データを複数のブロックに分割し、分割された計測データを前記学習済みモデルに入力し、当該ごみの特性を示す値またはごみの質を分類したラベルをブロック単位で推定して出力する。

【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、
前記推定部により推定されたごみの特性を示す値またはごみの質を分類するラベルに基づいて、前記ごみの攪拌または搬送を行うクレーンを制御するクレーン制御装置へ操作指示を送信する、または前記ごみの燃焼を制御する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。

【0015】

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、
前記レーザー式レベルセンサは、クレーンガーダーに設置されている。

【0016】

このような態様によれば、センサの下方を２次元的に測定する２Ｄタイプのレーザー式レベルセンサであっても、クレーンの走行に合わせて都度計測を行うことで、ごみピット内の領域全体の計測が可能である。

【0017】

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、
前記ごみの特性は、重量、密度、水分量、発熱量のうちの少なくとも１つである。

【0018】

本発明の第７の態様に係る情報処理装置は、第１～６のいずれかの態様に係る情報処理装置であって、
前記機械学習のアルゴリズムは、最尤分類法、ボルツマンマシン、ニューラルネットワーク、サポートベクターマシン、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、強化学習、ディープラーニングのうちの少なくとも１つである。

【0019】

本発明の第８の態様に係るごみ処理プラントは、
ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサと、
第１～７のいずれかの態様に係る情報処理装置と、
を備える。

【0020】

本発明の第９の態様に係る情報処理プログラムは、
コンピュータを、
ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するデータ取得部と、
前記データ取得部により過去に取得されたごみの表面の計測データと、当該ごみの特性を示す値またはごみの質を分類したラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得されたごみの表面の計測データを入力として、当該ごみの特性を示す値またはごみの質を分類したラベルを推定して出力する推定部と、
として機能させる。

【0021】

本発明の第１０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、
ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するステップと、
前記レーザー式レベルセンサから過去に取得されたごみの表面の計測データと、当該ごみの特性を示す値またはごみの質を分類したラベルとの関係性を機械学習している学習済みモデルを用いて、前記レーザー式レベルセンサから新たに取得されたごみの表面の計測データを入力として、当該ごみの特性を示す値またはごみの質を分類したラベルを推定して出力するステップと、
を含む。

【0022】

本発明の第１１の態様に係る情報処理装置は、
ごみピット内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサにより計測されたごみの表面の計測データに、当該ごみの特性を示す値またはごみの質を分類したラベルを正解として関係づけて教師データを生成する教師データ生成部
を備える。

【0023】

本発明の第１２の態様に係る情報処理装置は、第１１の態様に係る情報処理装置であって、
前記教師データ生成部により生成された教師データを機械学習することにより学習済みモデルを構築するモデル構築部
をさらに備える。

【0024】

本発明の第１３の態様に係る情報処理装置は、
投入ホッパに投入されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するデータ取得部と、
前記データ取得部により過去に取得されたごみの表面の計測データと、当該ごみの特性を示す値またはごみの質を分類したラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得されたごみの表面の計測データを入力として、当該ごみの特性を示す値またはごみの質を分類したラベルを推定して出力する推定部と、
を備える。

【0025】

このような態様によれば、自らが光源となって照射した赤外線レーザーを直接する計測するレーザー式レベルセンサを利用するため、赤外線カメラおよび赤外線照射装置をそれぞれ用意する必要がなく、経済的である。また、赤外線照射装置が光源となって赤外線が照射される場合、投入ホッパに投入されたごみの表面に凹凸があると光源とは逆側に影ができて死角となり、正確な水分量を測定できないことになり、影ができないようにするためにはカメラの周囲に複数の赤外線照射装置を設置する必要があるのに対し、このような態様によれば、自らが光源となって照射した赤外線レーザーを直接する計測するレーザー式レベルセンサを利用するため、光源とは逆側にできる影によって死角となることがなく、ごみの特性を示す値またはごみの質を分類したラベルをより正確に推定できる。

【0026】

本発明の第１４の態様に係る情報処理装置は、
投入扉近傍に設置され、ごみ搬入車両、例えばパッカー車から搬出されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するデータ取得部と、
前記データ取得部により過去に取得されたごみの表面の計測データと、当該ごみの特性を示す値またはごみの質を分類したラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得されたごみの表面の計測データを入力として、当該ごみの特性を示す値またはごみの質を分類したラベルを推定して出力する推定部と、
を備える。

【0027】

このような態様によれば、自らが光源となって照射した赤外線レーザーを直接する計測するレーザー式レベルセンサを利用するため、赤外線カメラおよび赤外線照射装置をそれぞれ用意する必要がなく、経済的である。また、赤外線照射装置が光源となって赤外線が照射される場合、ごみ搬入車両（たとえばパッカー車）から搬出されたごみの表面に凹凸があると光源とは逆側に影ができて死角となり、正確な水分量を測定できないことになり、影ができないようにするためにはカメラの周囲に複数の赤外線照射装置を設置する必要があるのに対し、このような態様によれば、自らが光源となって照射した赤外線レーザーを直接する計測するレーザー式レベルセンサを利用するため、光源とは逆側にできる影によって死角となることがなく、ごみの特性を示す値またはごみの質を分類したラベルをより正確に推定できる。

【0028】

本発明の第１５の態様に係る情報処理装置は、
灰ピット内に貯留された焼却灰の表面に赤外線レーザーを照射して焼却灰の表面の反射強度を計測するレーザー式レベルセンサから計測データを取得するデータ取得部と、
前記データ取得部により過去に取得された焼却灰の表面の計測データと、当該焼却灰の特性を示す値または焼却灰の質を分類したラベルとの関係性を機械学習している学習済みモデルを用いて、前記データ取得部により新たに取得された焼却灰の表面の計測データを入力として、当該焼却灰の特性を示す値または灰の質を分類したラベルを推定して出力する推定部と、
を備える。

【0029】

このような態様によれば、自らが光源となって照射した赤外線レーザーを直接する計測するレーザー式レベルセンサを利用するため、赤外線カメラおよび赤外線照射装置をそれぞれ用意する必要がなく、経済的である。また、赤外線照射装置が光源となって赤外線が照射される場合、灰ピット内に貯留された焼却灰の表面に凹凸があると光源とは逆側に影ができて死角となり、正確な水分量を測定できないことになり、影ができないようにするためにはカメラの周囲に複数の赤外線照射装置を設置する必要があるのに対し、このような態様によれば、自らが光源となって照射した赤外線レーザーを直接する計測するレーザー式レベルセンサを利用するため、光源とは逆側にできる影によって死角となることがなく、焼却灰の特性を示す値または焼却灰の質を分類したラベルをより正確に推定できる。

【発明の効果】

【0030】

本発明によれば、分光画像を用いる方法が有する上記課題の少なくとも１つを解決できる。

【図面の簡単な説明】

【0031】

【図1】図１は、一実施の形態に係るごみ焼却プラントの構成を示す概略図である。

【図2】図２は、一実施の形態に係る情報処理装置の構成を示すブロック図である。

【図3】図３は、一実施の形態に係る情報処理装置による情報処理方法の一例を示すフローチャートである。

【図4】図４は、推定部の動作の一例を説明するための図である。

【図5】図５は、一実施の形態の第１変形例に係るごみ焼却プラントの構成を示す概略図である。

【図6】図６は、一実施の形態の第２変形例に係るごみ焼却プラントの構成を示す概略図である。

【図7】図７は、一実施の形態の第３変形例に係るごみ焼却プラントの構成を示す概略図である。

【発明を実施するための形態】

【0032】

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。

【0033】

図１は、一実施の形態に係るごみ焼却プラント１００の構成を示す概略図である。

【0034】

図１に示すように、ごみ焼却プラント１００は、廃棄物であるごみを積載するごみ搬入車両（たとえばパッカー車）２２が停車するプラットホーム２１と、プラットホーム２１から投入されるごみが貯留されるごみピット３と、ごみピット３内に貯留されるごみを攪拌および搬送するクレーン５と、クレーン５により搬送されるごみが投入される投入ホッパ４と、投入ホッパ４から投入されたごみを焼却する焼却炉１と、焼却炉１内で生じる排ガスから排熱を回収する排熱ボイラ２と、焼却灰が貯留される灰ピット７とを備えている。焼却炉１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、ごみ焼却プラント１００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１内での廃棄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。

【0035】

ごみ搬入車両（たとえばパッカー車）２２に積載された状態で搬入されるごみは、投入扉近傍のプラットホーム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内に貯留されるごみは、クレーン５によって攪拌されるとともに、クレーン５によって投入ホッパ４へと搬送され、投入ホッパ４を介して焼却炉１内部へと投入され、焼却炉１内部にて焼却されて処理される。

【0036】

図１に示すように、ごみ焼却プラント１００には、ごみピット３内に貯留されたごみの表面に赤外線レーザーを照射して計測を行うレーザー式レベルセンサ６と、当該ごみの特性を示す値またはごみの質を分類したラベルを推定する情報処理装置１０とが設けられている。

【0037】

レーザー式レベルセンサ６は、ごみピット３の上方に設置されており、ごみピット３内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度を計測する。レーザー式レベルセンサ６は、ごみピット３内に貯留されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度および高さ（レベル）を同時に計測してもよい。なお、本明細書において、赤外線レーザーとは、中心波長が近赤外線波長域（７００～２０００ｎｍ）にあるレーザー光をいう。レーザー式レベルセンサ６は、照射する赤外線レーザーの中心波長が、近赤外線波長域の水の吸収スペクトルにおいてピークが表れる９７０ｎｍ付近、１１９０ｎｍ付近、１４５０ｎｍ付近または１９４０ｎｍ付近であるものが好ましい。レーザー式レベルセンサ６は、複数個設置されてもよい。

【0038】

レーザー式レベルセンサ６としては、ＬＩＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ Ａｎｄ Ｒａｎｇｉｎｇ）タイプのセンサが用いられてもよい。レーザー式レベルセンサ６は、センサの下方を２次元的に測定する２Ｄタイプであってもよいし、センサの下方を３次元的に測定する３Ｄタイプであってもよい。

【0039】

レーザー式レベルセンサ６は、図示された例ではクレーンガーダー（クレーン５を吊り下げて移動する構造体）に設置されているが、これに限定されるものではなく、ごみピット３の天井や側壁上部に設定されもよい。レーザー式レベルセンサ６がクレーンガーダー上に設置されている場合には、クレーン５の走行に合わせてごみピット３内に貯留されたごみの表面を都度計測することが可能である。

【0040】

次に、ごみピット３内のごみの特性を示す値またはごみの質を分類したラベルを推定する情報処理装置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つまたは複数のコンピュータによって構成されている。

【0041】

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、バスを介して互いに通信可能に接続されている。

【0042】

このうち通信部１１は、レーザー式レベルセンサ６、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、レーザー式レベルセンサ６、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。

【0043】

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１３には、後述する教師データ生成部１２ｄにより生成された教師データ１３ｂと、モデル構築部１２ｅにより構築された学習済みモデル１３ａと、データ取得部１２ａにより取得された計測データ１３ｃとが記憶される。

【0044】

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１２は、データ取得部１２ａと、推定部１２ｂと、指示部１２ｃと、教師データ生成部１２ｄと、モデル構築部１２ｅ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。

【0045】

データ取得部１２ａは、レーザー式レベルセンサ６により計測されたごみの表面の反射強度（または反射強度および高さ）を計測データ１３ｃとして取得する。取得された計測データ１３ｃは、記憶部１３に記憶される。

【0046】

教師データ生成部１２ｄは、レーザー式レベルセンサ６により計測されたごみの表面の計測データ１３ｃ（１つの領域に含まれる複数点の計測データ）に、当該領域でのごみの特性を示す値（１つの値）またはごみの質を分類したラベル（１つのラベル）を正解として関係づけて教師データ１３ｂを生成する。生成された教師データ１３ｂは、記憶部１３に記憶される。

【0047】

ここで、ごみの特性とは、たとえば、ごみの重量、密度、水分量、発熱量のうちの少なくとも１つであってもよい。ごみの特性を示す値のうち、たとえば、重量および密度は、レーザー式レベルセンサ６によって計測されたごみを投入ホッパ４へ投入した際のごみ焼却プラント１００の運転履歴に基づいて特定され得る。水分量および発熱量は、レーザー式レベルセンサ６によって計測されたごみを投入ホッパ４へ投入してから燃焼状態に影響が出るタイムラグを考慮した時刻におけるごみ焼却プラント１００の運転履歴に基づいて特定され得る。投入ホッパ４へ投入してから燃焼状態に影響が出るまでのタイムラグは、実験またはシミュレーション、運転員の経験値に基づいて適宜決定されてもよい。

【0048】

ごみの質を分類したラベルとは、たとえば、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）の３段階に分類したラベルであってもよいし、２段階、または４段階以上に分類したラベルであってもよい。ごみの質を分類したラベルは、レーザー式レベルセンサ６による計測が行われた時刻と同じ時刻に撮像されたごみの表面の撮像画像を運転員が目視で確認して経験則に基づいて特定され得る。

【0049】

教師データ生成部１２ｄは、ごみピット３内に貯留されたごみの表面を複数のブロックに分割し、ブロック単位の計測データ１３ｃ（ブロックに含まれる複数点の計測データ）に、当該ブロックのごみの特性を示す値（１つの値）またはごみの質を分類したラベル（１つのラベル）を正解として関係づけて、ブロック単位の教師データ１３ｂを生成してもよい。

【0050】

モデル構築部１２ｅは、教師データ生成部に１２ｄより生成された教師データ１３ｂを機械学習することにより学習済みモデル１３ａを構築する。モデル構築部１２ｅは、教師データ生成部に１２ｄより生成されたブロック単位の教師データ１３ｂを機械学習することにより学習済みモデル１３ａを構築してもよい。構築された学習済みモデル１３ａ（プログラム構造において学習済みモデル１３ａを実現するための学習済みパラメータ）は、記憶部１３に記憶される。

【0051】

機械学習のアルゴリズムは、最尤分類法、ボルツマンマシン、ニューラルネットワーク、サポートベクターマシン、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、強化学習、ディープラーニングのうちの少なくとも１つであってもよい。

【0052】

モデル構築の具体的な方法について説明する。すなわち、モデル構築部１２ｅは、ブロック単位の教師データ１３ｂのうち、ブロックに含まれる複数点（たとえば５×４＝２０点）の計測データ１３ｃを入力値、当該ブロックに対応するごみの特性を示す値（１つの値）またはごみの質を分類したラベル（１つのラベル）を出力値として、入力値と出力値の関係性を、上述した機械学習のアルゴリズムによって機械学習することで、入力値と出力値を関係づけるパラメータを求める。

【0053】

たとえば、機械学習のアルゴリズムとして、ディープラーニング手法の一つである畳み込みニューラルネットワーク（ＣＮＮ）を用いる場合、モデル構築部１２ｅは、当該ブロックの教師データ１３ｂに含まれる複数の計測データ１３ｃを畳み込みニューラルネットワークの入力値とし、当該ブロックに対応するごみの特性を示す値またはごみの質を分類したラベルを出力値として、入力値と出力値の関係性を勾配降下法や誤差逆伝播法などの手法により機械学習し、ネットワークの各ノードのパラメータを最適化することで、入力値と出力値を関係づけるパラメータ、すなわち学習済みパラメータとしてのモデル１３ａを得ることができる。

【0054】

図４は、推定部１２ｂの動作の一例を説明するための図である。図４に示すように、推定部１２ｂは、データ取得部１２ａにより新たに取得されたごみの表面の計測データ（１つの領域に含まれる複数点の計測データ）を入力として、学習済みモデル１３ａを用いて、当該領域でのごみの特性を示す値（１つの値）またはごみの質を分類したラベル（１つのラベル）を推定して出力する。

【0055】

図４に示すように、推定部１２ｂは、データ取得部１２ａにより取得されたごみの表面の計測データを複数（図示された例では３×３＝９）のブロックに分割し、分割されたブロック単位の計測データ（図示された例では１つのブロックに含まれる５×４＝２０点の計測データ）を、ブロック単位の教師データ１３ｂを機械学習することにより構築された学習済みモデル１３ａに入力し、当該ブロックのごみの特性を示す値（１つの値）またはごみの質を分類したラベル（１つのラベル）をブロック単位で推定して出力してもよい。たとえば、推定部１２ｂは、３×３＝９つのブロックに分割する場合には、ブロックごとに１つの推定値（ごみの特性を示す値またはごみの質を分類したラベル）を得ることで、最終的に９つのブロックのそれぞれに対応する９つの推定値を得てもよい。推定部１２ｂは、ごみピット３内を分割した各ブロックとごみピット３の番地割とを紐づけて番地ごとにごみの特性を示す値またはごみの質を分類したラベルを推定して出力してもよい。

【0056】

指示部１２ｃは、推定部１２ｂにより推定されたごみの特性を示す値またはごみの質を分類するラベルに基づいて、ごみの攪拌または搬送を行うクレーン５を制御するクレーン制御装置５０へ操作指示を送信する、またはごみの燃焼を制御する燃焼制御装置２０へ操作指示を送信する。

【0057】

具体的には、たとえば、指示部１２ｃは、推定部１２ｂによりブロック単位で推定されたごみの特性を示す値またはごみの質を分類するラベルに基づいて、ごみピット３内に貯留されたごみの特性またはごみの質が各ブロックで均一になるように、または今回焼却炉１へ投入する予定のごみの特性またはごみの質が前回焼却炉１へ投入されたごみの特性またはごみの質と近くなるように、クレーン制御装置５０へ操作指示を送信してもよい。

【0058】

または、指示部１２ｃは、推定部１２ｂによりブロック単位で推定されたごみの特性を示す値またはごみの質を分類するラベルに基づいて、クレーン５によって掴まれてごみピット３から投入ホッパ４へと一緒に搬送されるごみの特性またはごみの質を把握し、投入ホッパ４を介して焼却炉１内へと一緒に投入されるごみの特性またはごみの質に応じてごみの燃焼を制御（たとえば、燃焼温度の上げ下げ、燃焼時間の増減、空気量の増減、ごみ送り量の増減、薬剤噴霧量の増減）するように、燃焼制御装置２０へ操作指示を送信してもよい。このとき、焼却炉１へ投入してから燃焼状態に影響が出るまでのタイムラグは、実験またはシミュレーション、運転員の経験値に基づいて適宜決定されてもよい。

【0059】

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。

【0060】

図３に示すように、まず、教師データ生成部１２ｄが、レーザー式レベルセンサ６により過去に計測されたごみの表面の計測データ１３ｃに、当該ごみの特性を示す値またはごみの質を分類したラベルを正解として関係づけて教師データ１３ｂを生成する（ステップＳ１１）。生成された教師データ１３ｂは、記憶部１３に記憶される。

【0061】

次に、モデル構築部１２ｅが、教師データ生成部に１２ｄより生成された教師データ１３ｂを機械学習することにより学習済みモデル１３ａを構築する（ステップＳ１２）。構築された学習済みモデル１３ａ（プログラム構造において学習済みモデル１３ａを実現するための学習済みパラメータ）は、記憶部１３に記憶される。

【0062】

次に、データ取得部１２ａが、レーザー式レベルセンサ６により新たに計測されたごみの表面の反射強度（または反射強度および高さ）を計測データ１３ｃとして取得する（ステップＳ１３）。取得された計測データ１３ｃは、記憶部１３に記憶される。

【0063】

次に、推定部１２ｂが、データ取得部１２ａにより取得されたごみの表面の計測データを複数のブロックに分割し、分割されたブロック単位の計測データを学習済みモデル１３ａに入力し、当該ごみの特性を示す値またはごみの質を分類したラベルをブロック単位で推定して出力する（ステップＳ１４）。

【0064】

次に、指示部１２ｃが、推定部１２ｂによりブロック単位で推定されたごみの特性を示す値またはごみの質を分類するラベルに基づいて、クレーン制御装置５０または燃焼制御装置２０へ操作指示を送信する（ステップＳ１５）。

【0065】

ところで、発明が解決しようとする課題の欄でも言及したように、分光画像を用いる方法では、光量を考慮すると、赤外線カメラおよび赤外線照射装置が必要である。また、分光画像を用いる方法では、固定カメラで撮像するため、ごみピット内に崖や凹凸（すなわち光が当たらない部分）ができたり、画像中にクレーン等のごみ以外のものが写ったりした場合、その部分が死角となり、正確な水分量を測定できないことがある。

【0066】

これに対して、本実施の形態によれば、自らが光源となって照射した赤外線レーザーを直接する計測するレーザー式レベルセンサ６を利用するため、赤外線カメラおよび赤外線照射装置をそれぞれ用意する必要がなく、経済的である。また、赤外線照射装置が光源となって赤外線が照射される場合、ごみピット３内に貯留されたごみの表面に凹凸があると光源とは逆側に影ができて死角となり、正確な水分量を測定できないことになり、影ができないようにするためにはカメラの周囲に複数の赤外線照射装置を設置する必要があるのに対し、このような態様によれば、自らが光源となって照射した赤外線レーザーを直接する計測するレーザー式レベルセンサ６を利用するため、光源とは逆側にできる影によって死角となることがなく、ごみの特性を示す値またはごみの質を分類したラベルをより正確に推定できる。

【0067】

また、本実施の形態によれば、ごみの表面の反射強度および高さの両方をレーザー式レベルセンサ６により同時に計測でき、ごみの表面の高さを計測するために高さ計測装置を別途設置する必要がないため、経済的である。また、ごみの表面の反射強度および高さの両方を入力として、学習済みモデル１３ａを用いて、ごみの特性を示す値またはごみの質を分類したラベルを推定することで、より正確な推定が可能である。

【0068】

また、本実施の形態によれば、レーザー式レベルセンサ６は、クレーンガーダーに設置されているため、センサの下方を２次元的に測定する２Ｄタイプのレーザー式レベルセンサであっても、クレーン５の走行に合わせて都度計測を行うことで、ごみピット３内の領域全体の計測が可能である。

【0069】

なお、上述した実施の形態に対して様々な変更を加えることが可能である。以下、上述した実施の形態の変形例について説明する。

【0070】

図５は、第１変形例に係るごみ焼却プラント１００の構成を示す概略図である。図５に示す例では、レーザー式レベルセンサ６１が、投入ホッパ４の上方に設置されており、投入ホッパ４に投入されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度（または反射強度および高さ）を計測する。

【0071】

情報処理装置１０のデータ取得部１２ａは、投入ホッパ４に投入されたごみの表面の計測データをレーザー式レベルセンサ６１から取得する。推定部１２ｂは、データ取得部１２ａにより過去に取得されたごみの表面の計測データと、当該ごみの特性を示す値またはごみの質を分類したラベルとの関係性を機械学習している学習済みモデル１３ａを用いて、データ取得部１２ａにより新たに取得されたごみの表面の計測データを入力として、当該ごみの特性を示す値またはごみの質を分類したラベルを推定して出力する。指示部１２ｃは、推定部１２ｂにより推定されたごみの特性を示す値またはごみの質を分類するラベルに基づいて、燃焼制御装置２０へ操作指示を送信する。これにより、燃焼制御を高度化することが可能となる。

【0072】

図６は、第２変形例に係るごみ焼却プラント１００の構成を示す概略図である。図６に示す例では、レーザー式レベルセンサ６２が、投入扉近傍に設置されており、ごみ搬入車両（たとえばパッカー車）２２から搬出されたごみの表面に赤外線レーザーを照射してごみの表面の反射強度（または反射強度および高さ）を計測する。

【0073】

情報処理装置１０のデータ取得部１２ａは、ごみ搬入車両（たとえばパッカー車）２２から搬出されたごみの表面の計測データをレーザー式レベルセンサ６２から取得する。推定部１２ｂは、データ取得部１２ａにより過去に取得されたごみの表面の計測データと、当該ごみの特性を示す値またはごみの質を分類したラベルとの関係性を機械学習している学習済みモデル１３ａを用いて、データ取得部１２ａにより新たに取得されたごみの表面の計測データを入力として、当該ごみの特性を示す値またはごみの質を分類したラベルを推定して出力する。指示部１２ｃは、推定部１２ｂにより推定されたごみの特性を示す値またはごみの質を分類するラベルに基づいて、クレーン制御装置５０へ操作指示を送信する。これにより、ごみピット３におけるピットワークを高度化することが可能となる。また、ごみの質（すなわち水分量など）に応じた処理委託費の精算に活用することも可能である。

【0074】

図７は、第３変形例に係るごみ焼却プラント１００の構成を示す概略図である。図７に示す例では、レーザー式レベルセンサ６３が、灰ピット７の上方に設置されており、灰ピット７内に貯留された焼却灰の表面に赤外線レーザーを照射して焼却灰の表面の反射強度（または反射強度および高さ）を計測する。

【0075】

情報処理装置１０のデータ取得部１２ａは、灰ピット７内に貯留された焼却灰の表面の計測データをレーザー式レベルセンサ６３から取得する。推定部１２ｂは、データ取得部１２ａにより過去に取得された焼却灰の表面の計測データと、当該焼却灰の特性を示す値または焼却灰の質を分類したラベルとの関係性を機械学習している学習済みモデル１３ａを用いて、データ取得部１２ａにより新たに取得された焼却灰の表面の計測データを入力として、当該焼却灰の特性を示す値または焼却灰の質を分類したラベルを推定して出力する。指示部１２ｃは、推定部１２ｂにより推定された焼却灰の特性を示す値または焼却灰の質を分類するラベルに基づいて、灰ピット７に設置された不図示の灰搬送用クレーン制御装置へ操作指示を送信する。これにより、灰ピット７におけるピットワークを高度化することが可能となる。指示部１２ｃは、推定部１２ｂにより推定された焼却灰の特性を示す値または焼却灰の質を分類するラベルに基づいて、不図示の灰押出装置あるいは灰搬出装置における水の噴霧量を制御してもよい。

【0076】

ここで、焼却灰の特性を示す値とは、たとえば、含水率（水分量）であってもよい。また、焼却灰の質を分類するラベルとは、たとえば、高含水、低含水の２段階に分類したラベルであってもよいし、３段階以上に分類したラベルであってもよい。

【0077】

なお、上述した実施の形態および変形例では、ごみ焼却プラントにレーザー式レベルセンサを設置した態様について説明したが、ごみ焼却プラントだけでなく、例えば木質バイオマス発電所の燃料貯留設備の天井にレーザー式レベルセンサを設置して、当該レーザー式レベルセンサの計測データに基づいて、どの部分の燃料が湿っているか乾いているかを見分けて、投入する燃料を選択するように情報処理装置を構成してもよい。

【0078】

すなわち、レーザー式レベルセンサが、木質バイオマス発電所の燃料貯留設備の天井に設置されており、燃料貯留設備内に貯留された燃料の表面に赤外線レーザーを照射して燃料の表面の反射強度（または反射強度および高さ）を計測する。

【0079】

情報処理装置１０のデータ取得部１２ａは、燃料貯留設備内に貯留された燃料の表面の計測データをレーザー式レベルセンサから取得する。推定部１２ｂは、データ取得部１２ａにより過去に取得された燃料の表面の計測データと、当該燃料の特性を示す値または燃料の質を分類したラベルとの関係性を機械学習している学習済みモデル１３ａを用いて、データ取得部１２ａにより新たに取得された燃料の表面の計測データを入力として、当該燃料の特性を示す値または燃料の質を分類したラベルを推定して出力する。指示部１２ｃは、推定部１２ｂにより推定された燃料の特性を示す値または焼却灰の質を分類するラベルに基づいて、燃料貯留設備に設置された不図示の燃料搬送手段へ、どの部分の燃料を投入すべきかについての操作指示を送信する。

【0080】

なお、上述した実施の形態および変形例において、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。

【0081】

たとえば、教師データ生成部１２ｄの処理がクラウドサーバ上で実行され、教師データ１３ｂが生成されてもよいし、モデル構築部１２ｅの処理がクラウドサーバ上で実行され、学習済みモデル１３ａ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１３ａを利用して推定部１２ｂ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１３ａ（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内で利用して推定部１２ｂの処理が実行されてもよい。

【0082】

制御部１２は、推定部１２ｂの推定結果を定期的にモニタリングし、学習済みモデル１３ａのモデル見直し及び更新の要否を判断してもよい。

【0083】

たとえば、制御部１２は、エッジサーバーを用いて推定部１２ｂの推定結果の正常・異常判定を行い、異常が検出された場合、当該計測データ及び推定結果が、焼却炉１の運営において問題があるか判断する。運営上問題があると判断された場合、教師データ生成部１２ｄが、異常検出された計測データに対して熟練運転員により再度付与されたごみの質を分類したラベルに基づいて、新しく教師データ１３ｂを用意し、モデル構築部１２ｅが、新しく用意された教師データ１３ｂを学習して学習済みモデル１３ａを生成する。

【0084】

以上、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。

【0085】

また、本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記録媒体も、本件の保護対象である。

【符号の説明】

【0086】

１ 焼却炉
２ 燃焼装置
３ ごみピット
４ 投入ホッパ
５ クレーン
６、６１～６３ レーザー式レベルセンサ
７ 灰ピット
１０ 情報処理装置
１１ 通信部
１２ 制御部
１２ａ データ取得部
１２ｂ 推定部
１２ｃ 指示部
１２ｄ 教師データ生成部
１２ｅ モデル構築部
１３ 記憶部
１３ａ 学習済みモデル
１３ｂ 教師データ
１３ｃ 計測データ
２０ 燃焼制御装置
２１ プラットホーム
２２ ごみ搬入車両
５０ クレーン制御装置
１００ ごみ焼却プラント

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】