特許 7571690 下水処理プラントの運転状態評価方法及び装置並びに運転条件制御方法及び装置

(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】2024-10-15

(45)【発行日】2024-10-23

(54)【発明の名称】下水処理プラントの運転状態評価方法及び装置並びに運転条件制御方法及び装置

(51)【国際特許分類】

   C02F 3/12 20230101AFI20241016BHJP

【ＦＩ】

C02F3/12 B

C02F3/12 A

【請求項の数】 10

(21)【出願番号】P 2021139351

(22)【出願日】2021-08-27

(65)【公開番号】P2022046430

(43)【公開日】2022-03-23

【審査請求日】2023-08-16

(31)【優先権主張番号】P 2020152231

(32)【優先日】2020-09-10

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【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】110002963

【氏名又は名称】弁理士法人ＭＴＳ国際特許事務所

(72)【発明者】

【氏名】江川 拓也

(72)【発明者】

【氏名】戸村 啓二

(72)【発明者】

【氏名】冨田 洋平

【審査官】相田 元

(56)【参考文献】

【文献】特開２０１９－０５２９８５（ＪＰ，Ａ）

【文献】特開平０６－１１７８８６（ＪＰ，Ａ）

【文献】特開２０２０－０３２３９４（ＪＰ，Ａ）

【文献】中国特許出願公開第１０７７４１７３８（ＣＮ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｃ０２Ｆ ３／１２

Ｃ０２Ｆ １１／００－１１／２０

Ｇ０１Ｎ ３３／１８

Ｇ０５Ｂ ２３／００－２３／０２

Ｇ０６Ｑ ５０／０６

(57)【特許請求の範囲】

【請求項1】

１つの下水処理プラントの複数地点から汚泥を採取して画像を取得し、
取得した画像を用いて該画像から採取地点毎の適合度を予測する教師ありモデルの教師あり学習を行い、
学習済みモデルに対して新規汚泥画像を入力し、
該学習済みモデルから出力された前記各複数地点に対する処理が良好または正常な状態の画像、又は前記各複数地点に対する処理が不良または異常な状態の画像、との適合度を示す分類確率ベクトルをもとに汚泥状態を評価することを特徴とする下水処理プラントの運転状態評価方法。

【請求項2】

前記取得された画像から画像解析によりフロック部を検出し、
検出されたフロック部の面積の画像全体の面積に対する割合が所定範囲内となるような画像を選別し、
その後の画像解析に用いることを特徴とする請求項１に記載の下水処理プラントの運転状態評価方法。

【請求項3】

前記複数地点が、異なる槽から選択されていることを特徴とする請求項１又は２に記載の下水処理プラントの運転状態評価方法。

【請求項4】

前記複数地点が、同じ槽から選択されていることを特徴とする請求項１又は２に記載の下水処理プラントの運転状態評価方法。

【請求項5】

１つの下水処理プラントの複数地点から汚泥を採取して画像を取得する手段と、
取得した画像を用いて該画像から採取地点毎の適合度を予測する教師ありモデルの教師あり学習を行う手段と、
学習済みモデルに対して新規汚泥画像を入力する手段と、
該学習済みモデルから出力された前記各複数地点に対する処理が良好または正常な状態の画像、又は前記各複数地点に対する処理が不良または異常な状態の画像、との適合度を示す分類確率ベクトルを求める手段と、
求められた分類確率ベクトルをもとに汚泥状態を評価する手段と、
を備えたことを特徴とする下水処理プラントの運転状態評価装置。

【請求項6】

１つの下水処理プラントの複数地点から汚泥を採取して画像を取得し、
取得した画像を用いて該画像から採取地点毎の適合度を予測する教師ありモデルの教師あり学習を行い、
学習済みモデルに対して新規汚泥画像を入力し、
該学習済みモデルから出力された前記各複数地点に対する処理が良好または正常な状態の画像、又は前記各複数地点に対する処理が不良または異常な状態の画像、との適合度を示す分類確率ベクトルを求め、
求められた分類確率ベクトル、又は該分類確率ベクトルを用いた所定の演算結果に応じて運転を提案することを特徴とする下水処理プラントの運転条件制御方法。

【請求項7】

前記取得された画像から画像解析によりフロック部を検出し、
検出されたフロック部の面積の画像全体の面積に対する割合が所定範囲内となるような画像を選別し、
その後の画像解析に用いることを特徴とする請求項６に記載の下水処理プラントの運転条件制御方法。

【請求項8】

前記複数地点が、異なる槽から選択されていることを特徴とする請求項６又は７に記載の下水処理プラントの運転条件制御方法。

【請求項9】

前記複数地点が、同じ槽から選択されていることを特徴とする請求項６又は７に記載の下水処理プラントの運転条件制御方法。

【請求項10】

１つの下水処理プラントの複数地点から汚泥を採取して画像を取得する手段と、
取得した画像を用いて該画像から採取地点毎の適合度を予測する教師ありモデルの教師あり学習を行う手段と、
学習済みモデルに対して新規汚泥画像を入力する手段と、
該学習済みモデルから出力された前記各複数地点に対する処理が良好または正常な状態の画像、又は前記各複数地点に対する処理が不良または異常な状態の画像、との適合度を示す分類確率ベクトルを求める手段と、
求められた分類確率ベクトル、又は該分類確率ベクトルを用いた所定の演算結果に応じて運転を提案する手段と、
を備えたことを特徴とする下水処理プラントの運転条件制御装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、下水処理プラントの運転状態評価方法及び装置並びに運転条件制御方法及び装置に係り、特に、活性汚泥画像を用いた画像解析により下水処理プラントの運転状態を高精度に評価し、制御することが可能な、下水処理プラントの運転状態評価方法及び装置並びに運転条件制御方法及び装置に関する。

【背景技術】

【0002】

有機物を含む排水の処理には、微生物を使用した生物処理が用いられる。この生物処理において、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呼ぶ。この活性汚泥中では、細菌（従属栄養生物）、糸状菌、酵母、原生生物、後生生物など多様な生物種が相互作用し、水中の有機物、窒素、リンなどが処理される。

【0003】

このような活性汚泥法による下水処理プラントの基本的な下水処理フローを図１に示す。この下水処理プラントは、下水ラインから流入する下水からトイレットペーパーなどの固形性汚濁物や砂等を除去するための最初沈殿池１０と、微生物群の働きにより有機物や窒素（アンモニア）、リン酸を除去するための生物反応槽２０と、活性汚泥と処理水を自然沈降により固液分離するための最終沈殿池３０とを主に備えている。

【0004】

下水処理プラントの主要な処理対象物と項目は、有機物は、生物学的酸素要求量ＢＯＤ、化学的酸素要求量ＣＯＤ、浮遊状固形物ＳＳであり、窒素関係は、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であり、リンは、全リン（有機体リン＋無機リン）Ｔ－Ｐ、リン酸性リンＰＯ₄－Ｐである。

【0005】

上記のような活性汚泥を利用した排水処理施設では、安定的な操業のため活性汚泥のモニタリングが必要となる。多くの施設では、顕微鏡によって活性汚泥の観察がなされているが、この観察像から得られる情報は観察者の主観による部分が大きく、施設の操業に対して有効に活用されているとは言いがたい。又、この顕微鏡による光学的な観察は、施設内における日常的な試験としては、活性汚泥の状態を把握する唯一の方法でありながら、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は極めて困難である。

【0006】

汚泥の顕微鏡観察像から処理状態を診断するため、画像解析を利用して生物種を特定する方法が提案されている（特許文献１）。

【0007】

この特許文献１によれば、保存された生物種の画像データから活性汚泥中の生物種特定と計数を自動的に行うものとしている。

【0008】

しかしながら、処理場ごとに流入原水水質・気温などの環境要因や処理フロー・運転思想などの施設の特徴が異なるために、施設ごとに異なる正常な活性汚泥の状態が存在する。

【0009】

又、活性汚泥中の微生物（群）が形成するフロック中の糸状菌を画像解析を用いて検出する方法（特許文献２－４）や、フロックを定量評価する方法（特許文献５）も提案されている。

【先行技術文献】

【特許文献】

【0010】

【文献】特開平８－１９７０８４号公報

【文献】特開平５－１９２６７８号公報

【文献】特開２０１５－１８１３７４号公報

【文献】特開平２－１２９７６５号公報

【文献】特開２０１９－５２９８５号公報

【発明の概要】

【発明が解決しようとする課題】

【0011】

しかしながら、糸状菌の定量評価は汚泥の沈降性と相関があると考えられるものの、その他の処理指標（有機物除去・窒素除去など）を予測するのは難しい。

【0012】

又、下水処理施設は通常運転中に処理状況が悪化することはそれほど多くないために、状態の悪い活性汚泥の画像の収集数は少なく、機械学習を利用した画像解析による活性汚泥診断において精度が悪化することが懸念される。

【0013】

教師あり学習を行う場合には、教師データに対してラベリングを実施する必要があるが、状態の良い／悪い汚泥は一義的に定められるものではなく、ラベリングを実施した人の主観が入ってしまう可能性がある。

【0014】

又、異常データの少ない場合もしくは判別が困難な場合には、教師なし学習が用いられるが、一般に教師あり学習に比べ精度が悪く、計算速度も遅いという欠点があった。

【0015】

本発明は、前記従来の問題点を解決するべくなされたもので、活性汚泥画像を用いた画像解析により下水処理プラントの運転状態を高精度に評価可能とすることを第１の課題とする。

【0016】

本発明は、又、運転状態の評価結果を用いて下水処理プラントを的確に制御可能とすることを第２の課題とする。

【課題を解決するための手段】

【0017】

本発明は、前記従来の問題点を解決するべくなされたもので、１つの下水処理プラントの複数地点から汚泥を採取して画像を取得し、取得した画像を用いて該画像から採取地点毎の適合度を予測する教師ありモデルの教師あり学習を行い、学習済みモデルに対して新規汚泥画像を入力し、該学習済みモデルから出力された前記各複数地点に対する処理が良好または正常な状態の画像、又は前記各複数地点に対する処理が不良または異常な状態の画像、との適合度を示す分類確率ベクトルをもとに汚泥状態を評価することを特徴とする下水処理プラントの運転状態評価方法により、前記第１の課題を解決するものである。

【0018】

ここで、前記取得された画像から画像解析によりフロック部を検出し、検出されたフロック部の面積の画像全体の面積に対する割合が所定範囲（例えば１０～９０％内）となるような画像を選別し、その後の画像解析に用いることができる。

【0019】

又、前記複数地点は、異なる槽又は同じ槽から選択することができる。

【0020】

本発明は、又、１つの下水処理プラントの複数地点から汚泥を採取して画像を取得する手段と、取得した画像を用いて該画像から採取地点毎の適合度を予測する教師ありモデルの教師あり学習を行う手段と、学習済みモデルに対して新規汚泥画像を入力する手段と、該学習済みモデルから出力された前記各複数地点に対する処理が良好または正常な状態の画像、又は前記各複数地点に対する処理が不良または異常な状態の画像、との適合度を示す分類確率ベクトルを求める手段と、求められた分類確率ベクトルをもとに汚泥状態を評価する手段と、を備えたことを特徴とする下水処理プラントの運転状態評価装置により、同様に前記第１の課題を解決するものである。

【0021】

本発明は、又、１つの下水処理プラントの複数地点から汚泥を採取して画像を取得し、取得した画像を用いて該画像から採取地点毎の適合度を予測する教師ありモデルの教師あり学習を行い、学習済みモデルに対して新規汚泥画像を入力し、該学習済みモデルから出力された前記各複数地点に対する処理が良好または正常な状態の画像、又は前記各複数地点に対する処理が不良または異常な状態の画像、との適合度を示す分類確率ベクトルを求め、求められた分類確率ベクトル、又は該分類確率ベクトルを用いた所定の演算結果に応じて運転を提案することを特徴とする下水処理プラントの運転条件制御方法により、前記第２の課題を解決するものである。

【0022】

本発明は、又、１つの下水処理プラントの複数地点から汚泥を採取して画像を取得する手段と、取得した画像を用いて該画像から採取地点毎の適合度を予測する教師ありモデルの教師あり学習を行う手段と、学習済みモデルに対して新規汚泥画像を入力する手段と、該学習済みモデルから出力された前記各複数地点に対する処理が良好または正常な状態の画像、又は前記各複数地点に対する処理が不良または異常な状態の画像、との適合度を示す分類確率ベクトルを求める手段と、求められた分類確率ベクトル、又は該分類確率ベクトルを用いた所定の演算結果に応じて運転を提案する手段と、を備えたことを特徴とする下水処理プラントの運転条件制御装置により、同様に前記第２の課題を解決するものである。

【発明の効果】

【0023】

本発明によれば、通常のプラント運転では入手しにくい異常画像（そもそも何が異常なのかを定義することが難しい）について、複数地点からサンプルを採取することで模擬的に正常な汚泥画像と異常な汚泥画像を入手でき、汚泥の状態の良い／悪いを示す、教師あり学習用のラベリングを機械的に実施することができる。正常な汚泥画像と異常な汚泥画像をどちらも多く収集できるため、より精度の高い教師あり学習を採用することが可能である。１プラントのフロー中から汚泥画像を入手することで、プラント毎の汚泥の特性差を排除することが可能である。従って、活性汚泥画像を用いた画像解析により下水処理プラントの運転状態を高精度に評価可能となる。従って、評価結果を利用して下水処理プラントを的確に制御することが可能となる。

【図面の簡単な説明】

【0024】

【図1】下水処理プラントの基本的な下水処理フローを示す図

【図2】本発明に係る下水処理プラントの実施形態の全体構成を示す図

【図3】本発明の概念を示すブロック図

【図4】実施形態で活性汚泥画像から得られる特徴量の例を示す図

【図5】実施形態における学習画像とテスト画像（新規画像）の適合度を表すスコア付けの例を示す図

【図6】深層学習を使用した場合の処理手順を示す流れ図

【図7】画像学習モデルの最適化を実施するプロセスを示す図

【図8】多変量解析を利用した場合の処理手順を示す流れ図

【図9】好気槽と嫌気槽から汚泥を採取する第１実施例の処理手順を示す流れ図

【図10】最終沈殿池の２地点から汚泥を採取する第２実施例を示す図

【図11】第２実施例における汚泥画像の例を示す図

【図12】第２実施例の処理手順を示す流れ図

【図13】３地点以上から汚泥を採取する第３実施例の処理手順を示す流れ図

【図14】同じ槽から処理状態の異なる泥を採取する第４実施例の処理手順を示す流れ図

【図15】第４実施例で学習に使用していない活性汚泥画像を画像解析した結果を示す図表

【図16】活性汚泥の画像取得方法の第１実施例を示す流れ図

【図17】同じく画像の例を示す図

【図18】同じくフロック割合の例を示す図

【図19】活性汚泥の画像取得方法の第２実施例の説明図

【発明を実施するための形態】

【0025】

以下、図面を参照して、本発明の実施の形態について詳細に説明する。なお、本発明は以下の実施形態及び実施例に記載した内容により限定されるものではない。また、以下に記載した実施形態及び実施例における構成要件には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。更に、以下に記載した実施形態及び実施例で開示した構成要素は適宜組み合わせてもよいし、適宜選択して用いてもよい。

【0026】

本発明の実施形態の構成を図２に示す。

【0027】

本実施形態は、従来と同様の、下水ライン８から下水が流入する最初沈殿池１０と、該最初沈殿池１０と流入ライン１２を介して接続された生物反応槽２０と、最終沈殿池３０とを主に備えている。

【0028】

なお、最初沈殿池１０の入側に、大きな重い夾雑物を除去して、ポンプ等を保護するための沈砂池（図示省略）が設けられる。

【0029】

前記生物反応槽２０は、細胞内のリンを放出し、ＰＨＡを細胞内に合成するための嫌気槽２２と、硝酸内の酸素を用いて有機物を酸化分解し、硝酸を窒素ガスに還元するための無酸素槽２４と、溶存酸素を用いて有機物を酸化分解し、アンモニアを硝酸化、ＰＨＡを分解して、リン酸を細胞内に過剰蓄積させることによってリンを除去するための好気槽２６とを備えている。

【0030】

前記最終沈殿池３０の出側には、処理水を消毒して河川等に放流するための処理水ライン３２と、汚泥の一部を生物反応槽２０の入側に返送するための汚泥返送ライン３４と、余剰汚泥を脱水して排出するための余剰汚泥ライン３６とが設けられている。

【0031】

前記汚泥返送ライン３４には、返送ポンプ３８及び流量計３９が設けられており、最終沈殿池３０に蓄積した汚泥の一部が生物反応槽２０の入側に戻される。この返送ポンプ３８による返送汚泥量の調整により、ＭＬＳＳ（汚泥濃度）の維持や調整が図られる。

【0032】

前記余剰汚泥ライン３６には、余剰汚泥ポンプ４０及び流量計４１が設けられており、余剰汚泥は脱水されて排出される。この余剰汚泥ポンプ４０による余剰汚泥量の調整により、系内の汚泥量の調整、汚泥の新陳代謝を整えて、汚泥滞留時間を制御する。

【0033】

前記好気槽２６には、空気ブロワ４２と空気量計４３が設けられ、空気を吹き込むようにされている。この空気ブロワ４２の空気量は、ＤＯ（溶存酸素濃度）の維持及び制御に用いられる。

【0034】

前記生物反応槽２０の好気槽２６の出側には、硝化液を無酸素槽２４に循環させるための硝化液循環ライン４４が設けられており、この硝化液循環ライン４４には、硝化液循環ポンプ４６が設けられている。この硝化液循環ポンプ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。

【0035】

前記流入ライン１２には水量センサ１４が設けられ、前記嫌気槽２２には例えばＤＯ（溶存酸素濃度）センサ、ｐＨセンサ、ＯＲＰ（酸化還元電位）センサからなるセンサ５２が設けられ、前記無酸素槽２４には、例えばＤＯセンサ、ｐＨセンサ、ＯＲＰセンサからなるセンサ５４が設けられ、前記好気槽２６には、例えばＤＯセンサ、ＭＬＳＳ（汚泥濃度）センサ、ｐＨセンサ、ＯＲＰセンサからなるセンサ５６が設けられ、処理水ライン３２には水質センサ５８が設けられている。

【0036】

前記各センサ１４、５２、５４、５６、５８の出力は、コンピュータ６０に入力され、コンピュータ６０による演算処理結果に基づいて、各ポンプやブロワなどのアクチュエータが制御される。本実施形態では、前記コンピュータ６０にデータベース６２、６４が接続されている。

【0037】

ここで、ｐＨは、環境条件の管理に用いられ、嫌気槽２２と無酸素槽２４では例えばｐＨ７～８、好気槽２６では例えばｐＨ６～７に保たれる。

【0038】

又、前記ＯＲＰ（酸化還元電位）に関しても、やはり環境条件の管理に用いられ、嫌気槽２２では例えば－３００～－４００ｍＶ未満に維持され、無酸素槽２４では例えば０～－２００ｍＶ未満に維持される。

【0039】

又、前記ＤＯ（溶存酸素濃度）に関しても、やはり環境条件の管理に用いられ、嫌気槽２２や無酸素槽２４では例えば０．２ｍｇ／Ｌ未満、好気槽２６では例えば１．０～２．０ｍｇ／Ｌに保たれる。

【0040】

又、前記ＭＬＳＳ（汚泥濃度）は、活性汚泥中の微生物量の管理に用いられ、遠心分離汚泥の乾燥重量で全体的に例えば２，０００～３，０００ｍｇ／Ｌに保たれる。

【0041】

汚泥性状としては、例えば前記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、３０分沈降後の汚泥１ｇが占める容積である汚泥沈降目標ＳＶＩ（＝ＳＶ３０×１０，０００／ＭＬＳＳ）が分析される。

【0042】

以下、図３を参照しつつ、生物反応槽２０の嫌気槽２２と好気槽２６から画像データを収集する場合を例にとって、本発明の概念を説明する。

【0043】

まず、例えば嫌気槽２２及び好気槽２６から画像データを収集し（ステップ１００）、画像取得位置、ＤＯなどのセンサデータ及び運転条件とともに、それぞれデータベース６２、６４に保存する（ステップ１１０～１１２）。

【0044】

次いで、画像を解析し、判定する（ステップ１２０）。

【0045】

次いで、取得した画像を学習させ、例えば機械学習によって特徴量を抽出する（ステップ１３０）。活性汚泥画像の特徴量（パラメータ）には、図４に例示する如く、フロックの大きさ、フロックの色、フロックの数、フロックの形状、糸状菌の数、糸状菌の長さ、水の色、フロック近傍の水の色、原生生物の種類、原生生物の数などがある。

【0046】

そして、取得場所の情報、運転データと画像情報から機械学習によって得られた情報をデータベース６２、６４に保存する。

【0047】

次いで、新しい画像データを画像解析し（ステップ１４０）、データベース６２、６４の情報を元に学習画像とテスト画像（新規画像）の適合度を表すスコアを付ける（ステップ１５０）。

【0048】

具体的には、図５に例示するように、嫌気槽画像及び好気槽画像を、例えば好気槽２６から取得した新規画像と比較し、その類似性に応じて、例えばスコアを７０（％）とする。

【0049】

そして、該スコアに基づき、好気槽２６における汚泥の状態を判断して運転条件を提案する（ステップ１６０）。具体的には、例えばスコアが９０（％）以上なら現在の運転条件を維持し、９０（％）未満なら空気の吹込量を増やす。

【0050】

深層学習を使用した場合の処理手順を図６に示す。

【0051】

画像データｘは、ピクセルの横方向座標×ピクセルの縦方向座標の位置情報とそれぞれのピクセルの色データ（例えばＲＧＢカラー方式）からなる。

【0052】

画像データｘは、後述するような画像から得られる、フロックの大きさや数等の特徴量パラメータをもとにしたデータセットとすることもできる。この場合、適切な特徴量パラメータを選択して学習し、モデルを構築することで、計算速度を早くすることができる。

【0053】

画像データｘを入力データとしてＡ，Ｂ，・・・のどの地点から採取した汚泥の画像であるかの確率を示すベクトルｙ（ｙ_n：ｎ地点から採取した画像である確率）を出力するニューラルネットワークを用いた教師あり画像学習モデルを構築する（ステップ２００）。ニューラルネットワークとしては例えば、ＣＮＮ（畳み込みニューラルネットワーク）を用いたモデル（ＬｅＮｅｔ、ＡｌｅｘＮｅｔ、ＧｏｏｇＬｅＮｅｔ、Ｉｎｃｅｐｔｉｏｎ、ＶＧＧＮｅｔ、ＲｅｓＮｅｔなど）が選択されうる。

【0054】

この際、図７のようなプロセスでモデルの最適化を実施する（ステップ２１０）。

【0055】

ここで、損失関数は、出力データと教師データとの差を評価するための関数であり、例えば、交差エントロピー誤差や二乗誤差などが採用される。この損失関数を最小化するように深層学習の各層のパラメータが更新される。

【0056】

そして、精度がある程度担保されたモデルに対して、新規画像（ここでは地点Ａの画像）を入力する（ステップ２２０）。

【0057】

出力されたベクトルｙを分析して運転条件を調整する（ステップ２３０～２６０）。

【0058】

具体的には、例えば単純にｙ_Aが閾値θ以上であれば（ステップ２３０）、問題がない
として運転条件を維持する（ステップ２４０）。反対に閾値θ未満であれば（ステップ２５０）、運転条件を変更する（ステップ２６０）。

【0059】

なお、本発明にはＣＮＮのような深層学習だけでなく、多変量解析のような統計的手法も適用できる。この多変量解析を利用した場合の処理手順を図８に示す。

【0060】

ある画像データから、画像解析（セグメンテーションなど）を用いて特徴量を数値化する（ステップ３００）。

【0061】

データを解析するステップ３１０の入力データは、これらの数値データで構成されたベクトルｘである。

【0062】

これに対して、出力ｙを画像をＡと分類する確率、Ｂと分類する確率として重回帰分析を行う方法が考えられる。

【0063】

出力する目的値ｙは、これ以外にもセンサデータ（曝気槽のＤＯ値）、処理水質（ＣＯＤ、アンモニアなど）、流入水質などを割り当てても良い。

【0064】

ｗ₁，ｗ₂，・・・，ｖ₁，ｖ₂，・・・は重回帰分析によって得られた各パラメータに対する係数である。

【0065】

以下は図６と同様に、Ａ地点から得た画像に対して画像解析を行いベクトルｘの各パラメータ値を得る（ステップ２２０）。

【0066】

そして、上記係数を元にｙ_A，ｙ_B，・・・を求め、画像を定量的に分析し運転を提案する（ステップ２３０～２６０）。

【0067】

なお、重回帰分析のほかに、非線形的な回帰分析手法としてサポートベクトルマシン、多層パーセプトロン、または決定木（ＸＧＢｏｏｓｔ、ＬｉｇｈｔＧＢＭ、ＥｘｔｒａＲａｎｄｏｍＴｒｅｅ）などの機械学習手法を使用することもできる。

【0068】

［第１実施例］
異なる槽である好気槽２６と嫌気槽２２から汚泥を採取する第１実施例を図９に示す。

【0069】

図６と同様のステップ２１０で作成した深層学習のモデルに対して、新規の好気槽画像を入力する（ステップ２２２）。

【0070】

適合度を示す分類確率ベクトルｙを出力し、ｙ_Aの値が大きいほど正常な状態に近いと判断できる。

【0071】

例えば閾値θを０．８と設定し、この値以上であれば（ステップ２３２）、曝気風量を維持あるいは抑制しても（ステップ２４２）問題ないと判断できる。一方で閾値θが０．８未満（ステップ２５２）、あるいはｙ_Bの値が大きい値である場合には、好気槽２６の
汚泥に異常が起きている、または嫌気槽２２の汚泥と似ている（曝気量が十分ではない）と判断できるため、好気槽２６の曝気風量を増加させる（ステップ２６２）ことが推奨される。

【0072】

［第２実施例］
次に、図１０を参照して、同じ槽である最終沈殿池３０の２地点より汚泥を採取する第２実施例を説明する。

【0073】

この第２実施例では、最終沈殿池３０に沈殿した汚泥のうち、沈殿物上層部あるいは上澄み水（終沈槽上層と称する）３０Ａと沈殿物下層部（終沈槽下層と称する）３０Ｂについて汚泥を採取し、汚泥画像を撮影してスコア付けする。

【0074】

汚泥画像の例を図１１に示す。図１１（Ａ）に例示する終沈槽上層３０Ａの汚泥は、糸状菌の数が多く、合計長さが長い、小さなフロック（ピンフロック）数が多い、フロックの色が薄く緻密でない等の理由で沈降性が悪い。

【0075】

一方、図１１（Ｂ）に例示する終沈槽下層３０Ｂの汚泥は、糸状菌の数が少なく、合計長さが短い、ピンフロック数が少ない、大きなフロックが多い、フロックの色が濃く緻密である等の理由で沈降性が良い。

【0076】

第２実施例の処理手順を図１２に示す。

【0077】

最終沈殿池３０の汚泥について、図９と同様に深層学習による分類モデルを構築する（ステップ２１０）。

【0078】

そして、図１１（Ｃ）に例示したような終沈槽流入水の汚泥画像（新規画像）に対して構築したモデルを適用する（ステップ２２４）。

【0079】

ｙ_Aが閾値以上あるいはｙ_Bが閾値以下の場合（ステップ２３４）、終沈槽流入水中の汚泥沈降性が不良であることを示唆する。例えば、終沈槽流入水が図１１（Ｃ）に示した例のようであり、ｙ_A＝０．６、ｙ_B＝０．４のように診断されれば、沈降性の悪化が懸念される。そこで、終沈槽滞留時間を延長するあるいは好気槽曝気量を増加させるなどの運転条件変更を提案する（ステップ２４４）。

【0080】

上記と逆の場合（ステップ２５４）は、汚泥沈降性が良好であることを示すため、終沈槽滞留時間を短縮可能である（ステップ２６４）。

【0081】

これらの運転パラメータ決定のためのｙ値の条件は任意に定めることができる。運転パラメータ変更幅がｙ値の関数となることも考えうる。

【0082】

［第３実施例］
次に図１３を参照して、３地点以上、例えば好気槽上流地点Ａ、好気槽中流地点Ｂ、好気槽下流地点Ｃの３地点から画像を採取する場合の第３実施例を説明する。

【0083】

この第３実施例でも、図９と同様にモデルを構築（ステップ２１０）した後、例えば好気槽下流の画像を入力する（ステップ２２６）。

【0084】

この時、ｙ_Cの値に応じて処理状況の判断が可能である。

【0085】

例えばｙ_A＋ｙ_B≦ｙ_Cである時（ステップ２３６）、好気槽下流での処理状況は良好で
あると判断できる。この時、好気槽２６の曝気風量を維持する、下水流入量を増加させる（ステップ２４６）などの運転パラメータの変更を提案する。逆の場合（ステップ２５６）は、曝気風量の増加や下水流入量の減少を提案する（ステップ２６６）。

【0086】

［第４実施例］
次に、図１４を参照して、同じ槽である好気槽２６終端部より汚泥を採取し、その時の処理状況をもとに処理状態毎に画像を分類した場合の第４実施例を示す。

【0087】

ここでは処理状況の指標として処理水ＳＳを採用した場合の例を示している。

【0088】

図６と同様のステップ２１０で作成した深層学習のモデルに対して、新規の好気槽終端部の画像を入力する（ステップ２２２）。

【0089】

クラス分類確率ｙを出力し、ｙ_Aの値が大きいほど正常な状態に近いと判断できる。

【0090】

ｙ_Aの値が閾値θを下回った場合（ステップ２５０）には、処理水ＳＳの悪化が疑われるため、曝気風量の増加や、終沈地滞留時間延長などの運転条件の変更が提案できる（ステップ２６０）。

【0091】

閾値θは、画像を分類した処理状況のパラメータと画像解析の結果得られる適合度との相関を元に定めることができる。例えば、日々の処理水ＳＳとその時の画像に対するクラス分類確率ｙ_Aを記録しておき、その相関を取ることによってｙ_Aに対応する処理水ＳＳを予測する。この予測された処理水ＳＳが運転管理値を超過しないような閾値θを設定することができる。

【0092】

図１５に、第４実施例で学習で使用していない活性汚泥画像を画像解析した結果を示す。

【0093】

閾値θ＝０．７と設定すると、ｙ_Aが０．７以上であれば、汚泥性状は良好であるため、運転条件を変更する必要はないと判断される。一方で０．７未満の場合には汚泥性状が悪化しているため運転条件の変更が提案される。

【0094】

図１５に示した結果では、活性汚泥３、４、６では画像解析の結果から運転条件の変更が必要であると判断される。この時、下水処理場の操業では処理水ＳＳは処理基準、例えば６０ｍｇ／Ｌを超過しており、画像解析の結果通り運転条件の変更が必要であった。

【0095】

［画像取得方法の第１実施例］
活性汚泥の画像取得方法の第１実施例を図１６に示す。

【0096】

画像収集装置を用いて下水処理施設で撮影した画像（１次画像と称する）を、保管する（ステップ４１０）。

【0097】

次いで１次画像について画像解析（１次画像解析と称する）して（ステップ４２０）、フロック部の面積が例えば全体の１０％～９０％の範囲内であるか否か判別し（ステップ４３０）、判別結果が否であれば、その画像を削除する。一方、ステップ４３０での判別結果が正である画像（２次画像と称する）を保管する（ステップ４４０）。そして画像解析（２次画像解析と称する）して、例えばＣＮＮを用いたモデル（ＬｅＮｅｔ、ＡｌｅｘＮｅｔ、ＧｏｏｇＬｅＮｅｔ、Ｉｎｃｅｐｔｉｏｎ、ＶＧＧＮｅｔ、ＲｅｓＮｅｔなど）により画像を解析し（ステップ４５０）、解析結果を出力して（ステップ４６０）、操業パラメータを決定する（ステップ４７０）。

【0098】

ステップ４２０の１次画像解析の画像例を図１７に、１次画像におけるフロック割合の例を図１８に示す。図１８から明らかなように、例えばフロック割合１０％未満と９０％超の画像を排除することで、類似度の高い画像を得ることができる。

【0099】

なお、フロック割合の判定基準を１０％、９０％以外としたり、図１６のステップ４２０で１次画像から特徴量注出を行い、ステップ４１０～４３０を省略して、フロック割合による選別を省略することもできる。

【0100】

［画像取得方法の第２実施例］
活性汚泥の画像取得方法の第２実施例を図１９に示す。図１９（Ｂ）白飛び、（Ｃ）背景が暗い場合のように、汚泥部と水部のコントラスト差が低い場合にノイズが乗って解析精度が下がる。又、図１９（Ｄ）高画素の場合のように、高画素時の汚泥部と水部の境界があいまいな場合に判別精度が下がる。

【0101】

そこで、画像撮影時に、水部の輝度が例えば２００～２５０（２５５段階）となり、フロック部の輝度が例えば５０～２００（２５５段階）となるように絞り又は照明光量を調整する。

【0102】

更に取得した画像に対してコントラスト調整を行い、水部と汚泥部のコントラスト差が例えば３０以上となるよう画像前処理を実施することもできる。

【0103】

なお、前記実施形態においては、本発明が、嫌気－無酸素－好気法により有機物、窒素、リンを除去するための、生物反応槽２０が嫌気槽２２、無酸素槽２４及び好気槽２６を備えた下水処理プラントに適用されていたが、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プラントや、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プラントや、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プラントにも適用できることは明らかである。

【符号の説明】

【0104】

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
３０Ａ…終沈槽上層
３０Ｂ…終沈槽下層
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
５８…水質センサ
６０…コンピュータ
６２、６４…データベース
ｙ…分離確率ベクトル（適合度）

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】