JP7576959B2 - 情報処理装置、情報処理システム、情報処理方法およびプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理システム、情報処理方法およびプログラムに関する。

イオン交換樹脂は、工業用水や地下水等の水に含まれるイオンを除去し、水中の溶解塩類を低減するための脱塩手段として広く用いられている。このようなイオン交換樹脂は、使用とともに物理的劣化が生じ、生じた物理的劣化により所定の性能を満たさなくなった場合、交換が必要となる。

一般的には、イオン交換樹脂の物理的劣化を判定するには、イオン交換樹脂が充填されているイオン交換装置（樹脂塔や槽を含む容器）の運用を一旦停止させ、停止したイオン交換装置からイオン交換樹脂を分離採取し、分離採取したイオン交換樹脂を、顕微鏡などを用いて観察し、物理的劣化の度合いを判定している。また、イオン交換装置から分離採取したイオン交換樹脂に所定の液体を接触させ、接触させた後の液体の成分を分析することで劣化度合いを評価する技術が開示されている（例えば、特許文献１参照。）。

特開２００１－２２８１３４号公報

上述したような技術においては、イオン交換樹脂の物理的劣化を判定するには、運用中のイオン交換装置を停止させなければならない。また、イオン交換樹脂の物理的劣化についての判定結果を得るまでに時間を要してしまう。そのため、樹脂塔等の容器に充填された充填物の状態を容易に認識することができないという問題点がある。

本発明の目的は、容器に充填された充填物の状態を容易に認識することができる情報処理装置、情報処理システム、情報処理方法およびプログラムを提供することにある。

本発明の情報処理装置は、
水が流入され、処理水として流出させる容器に充填された充填物を撮像した画像を示す画像データを取得する画像データ取得部と、
前記画像データ取得部が取得した画像データを、機械学習を行った学習済みモデルに入力することで、該画像データに含まれる前記充填物の状態を算出する算出部と、
前記算出部が行った算出の結果を出力する出力部とを有する。

また、本発明の情報処理システムは、
カメラと、情報処理装置とを有し、
前記カメラは、
容器に充填された充填物の画像を撮像する撮像部と、
前記撮像部が撮像した画像を示す画像データを前記情報処理装置へ送信する送信部とを有し、
前記情報処理装置は、
前記送信部から送信されてきた前記画像データを取得する画像データ取得部と、
前記画像データ取得部が取得した画像データを、機械学習を行った学習済みモデルに入力することで、該画像データに含まれる前記充填物の状態を算出する算出部と、
前記算出部が行った算出の結果を出力する出力部とを有する。

また、本発明の情報処理方法は、
容器に充填された充填物を撮像した画像を示す画像データ取得する処理と、
前記取得した画像データを、機械学習を行った学習済みモデルに入力することで、該画像データに含まれる前記充填物の状態を算出する処理と、
前記算出の結果を出力する処理とを行う。

また、本発明のプログラムは、
コンピュータに、
容器に充填された充填物を撮像した画像を示す画像データ取得する手順と、
前記取得した画像データを、機械学習を行った学習済みモデルに入力することで、該画像データに含まれる前記充填物の状態を算出する手順と、
前記算出の結果を出力する手順とを実行させる。

本発明においては、容器に充填された充填物の状態を容易に認識することができる。

本発明の情報処理システムの第１の実施の形態を示す図である。 図１に示したカメラの内部構成の一例を示す図である。 図１に示した情報処理装置の内部構成の一例を示す図である。 図３に示した学習済みモデルにて学習された使用日数の経過に対する球形率の変化の一例を示す図である。 図１に示した情報処理装置における情報処理方法の一例を説明するためのフローチャートである。 図１に示した情報処理装置における情報処理方法の他の例を説明するためのフローチャートである。 本発明の情報処理システムの第２の実施の形態を示す図である。 図７に示した情報処理装置の内部構成の一例を示す図である。 図７に示した情報処理装置における情報処理方法の一例を説明するためのフローチャートである。 本発明の情報処理システムの第３の実施の形態を示す図である。

以下に、本発明の実施の形態について図面を参照して説明する。
（第１の実施の形態）

図１は、本発明の情報処理システムの第１の実施の形態を示す図である。本形態における情報処理システムは図１に示すように、カメラ１００と、情報処理装置２００とを有する。容器３００は、水が流入され、処理された水を処理水として流出させる。容器３００には、例えば、イオン交換樹脂が充填されたイオン交換樹脂塔や槽が含まれる。また、容器３００のサイズは特に限定せず、小型のものであっても良いし、大型のものであっても良い。容器３００の形状や素材は、特に限定しないが、例えば、全面がアクリル板で組み上げられた樹脂カラムでも良い。また、容器３００には、カメラ１００が外部から内部の充填物を撮像できるように、窓部３１０－１，３１０－２が設けられている。図１に示した例では、窓部３１０－１，３１１－２が２つ設けられているが、その数は限定しない。窓部３１０－１，３１１－２は、容器３００の窓部３１０－１，３１１－２以外の部分よりも内部の充填物を外部から鮮明に捉えることができるような構造を持つ。例えば、窓部３１０－１，３１１－２は、容器３００に開けられた孔部であっても良いし、透明な部材から構成されるものであっても良い。容器３００に充填される充填物は特に限定しないが、例えば、イオン交換樹脂や活性炭、合成吸着剤、ゼオライトなどで良い。容器３００の入口と出口とのそれぞれには、容器３００に設けられた流路内の水の圧力を測定する圧力計４００－１，４００－２それぞれが設けられている。圧力計４００－１，４００－２は、容器３００に流入する前の水の圧力と、容器３００から流出された後の水の圧力との差圧を算出できるものであれば良い。圧力計４００－１，４００－２における測定方式は特に限定せず、デジタル方式を用いる場合は、圧力計４００－１，４００－２は、測定したデジタル値をＰＬＣ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｃｏｎｔｒｏｌｌｅｒ）のような制御装置へ送信しても良いし、機械学習の処理を実施する演算装置へ送信しても良い。本形態においては、圧力計４００－１，４００－２は、測定した値を情報処理装置２００へ送信する。

カメラ１００は、容器３００内に充填された充填物の画像を窓部３１０－１，３１０－２を通して撮像する。カメラ１００が設置される位置は、例えば、振動が少ない位置やカメラ１００が充填物を安定して捉えることができる位置のような安定した撮像ができる位置が望ましい。なお、カメラ１００が充填物をより鮮明に撮像できるように、充填物に対して光を当てる光源が設けられていても良い。光源の種類は限定しないが、白色ＬＥＤ（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）を用いたものであっても良い。また、光源として赤外光源を用いても良く、その場合には、カメラ１００は赤外対応のものを用いることが望ましい。赤外対応のカメラ１００を用いることによって、可視光カメラでは捉えられない物理的劣化を撮像することができ、さらに多くの特徴量が得られるというメリットがある。

図２は、図１に示したカメラ１００の内部構成の一例を示す図である。図１に示したカメラ１００は図２に示すように、撮像部１１０と、送信部１２０とを有する。なお、図２には、図１に示したカメラ１００が有する構成要素のうち、本形態に関わる主要な構成要素のみを示した。

撮像部１１０は、容器３００に充填された充填物の画像を撮像する。撮像部１１０は、静止画を撮像するものであっても良いし、動画を撮像するものであっても良い。撮像部１１０が撮像する画像は特に限定せず、カラー画像でもグレースケール画像でも良く、充填物の物理的劣化を捉えられれば良い。

送信部１２０は、撮像部１１０が撮像した画像を示す画像データを情報処理装置２００へ送信する。送信部１２０からの画像の送信には、有線を用いるものであっても良いし、無線を用いるものであっても良い。送信部１２０が画像の送信に用いる通信規格は、特に限定しない。

情報処理装置２００は、カメラ１００から送信されてきた画像を用いて、所定の処理を行う。情報処理装置２００は、特に限定せず、カメラ１００から送信されてきた画像に対して、後述する機械学習を行うことができる装置であればよく、パソコンやマイコンであっても良い。情報処理装置２００が、グラフィックス・プロセッシング・ユニット（ＧＰＵ）を具備する場合、高速演算が可能となる。図３は、図１に示した情報処理装置２００の内部構成の一例を示す図である。図１に示した情報処理装置２００は図２に示すように、学習済みモデル２１０と、画像データ取得部２２０と、算出部２３０と、出力部２４０とを有する。なお、図３には、図１に示した情報処理装置２００が有する構成要素のうち、本形態に関わる主要な構成要素のみを示す。

画像データ取得部２２０は、信号の受信機能を有する。画像データ取得部２２０は、受信機能を用いて、カメラ１００から送信されてきた画像データを取得する。

算出部２３０は、画像データ取得部２２０が取得した画像データを、機械学習をあらかじめ行った学習済みモデル２１０に入力することで、その画像データに含まれる充填物の状態を算出する。学習済みモデル２１０は、学習フェーズにおいて、機械学習を用いて、充填物のひび割れや欠けといった物理的劣化を学習済みのモデルである。使用する機械学習のアルゴリズムは特に限定せず、物体を１つ１つ検出可能なアルゴリズムであれば良い。使用する機械学習のアルゴリズムとして、例えば、Ｍａｓｋ Ｒ－ＣＮＮといったインスタンスセグメテーションのアルゴリズムや、ＹＯＬＯといった物体検出のアルゴリズムが挙げられる。算出部２３０は、画像データ取得部２２０が取得した画像データを、機械学習をあらかじめ行った学習済みモデル２１０に入力することで、画像データに含まれる充填物の数（Ａ）をカウントする。このとき、算出部２３０は、学習済みモデル２１０から得られた、画像データに含まれる正常な（物理的劣化していない）充填物を特定する。また、算出部２３０は、学習済みモデル２１０から得られた、画像データに含まれる物理的劣化している充填物を特定する。そして、算出部２３０は、特定した正常な（物理的劣化していない）充填物の数（Ｂ）と物理的劣化している充填物の数（Ｃ）とをカウントし、それらを加算した値（Ｂ＋Ｃ）を画像データに含まれる充填物の数（Ａ）としてカウントしても良い。続いて算出部２３０は、画像データに含まれる充填物の総数に対する正常な（物理的劣化していない）充填物の数の割合を算出する。この算出には、以下の（式１）を用いても良い。
（（Ａ－Ｃ）／Ａ）×１００［％］ … （式１）
ここで、算出された割合を球形率と定義する。算出部２３０は、球形率に基づいて、充填物の交換時期を算出する。ここで、学習済みモデル２１０には、劣化の度合いがあらかじめ設定された基準を超えている充填物を、物理的劣化をしている充填物とあらかじめ学習させておく。また、学習済みモデル２１０には、球形率に基づいた充填物の劣化の変化の予測値と、その予測値に応じた交換時期とをあらかじめ学習させておく。学習済みモデル２１０は、算出部２３０が、球形率に対して、回帰分析といった統計処理やリカレントネットワークといった機械学習を用いて、数か月後の球形率を予測し、予測した予測値に基づいて、充填物の交換時期の予測できるものであっても良い。学習済みモデル２１０には、画像データに含まれる充填物の個数と物理的劣化している充填物の個数とをカウントし、カウントした充填物の個数に対する物理的劣化している充填物の個数の割合を学習させておくものであっても良い。また、学習済みモデル２１０に、圧力計４００－１から送信されてきた圧力値と圧力計４００－２から送信されてきた圧力値との差分（差圧）と、球形率とに基づいて、充填物の劣化の変化を予測した結果を学習させておくものであっても良い。その場合、算出部２３０は、画像データ取得部２２０が取得した画像データと、圧力計４００－１から送信されてきた圧力値と、圧力計４００－２から送信されてきた圧力値とを、機械学習をあらかじめ行った学習済みモデル２１０に入力することで、その画像データに含まれる充填物の交換時期を算出する。

出力部２４０は、算出部２３０が行った算出の結果を出力する。このとき、出力部２４０は、算出部２３０が算出した割合があらかじめ設定された閾値（例えば、９０％）を下回った場合、所定の通知を行う。出力部２４０は、算出部２３０が充填物の交換時期を算出した場合、算出された交換時期を示す情報を出力する。なお、出力部２４０における情報の出力形式は、例えば、情報の音声出力、表示、印刷、他の装置への送信であっても良く、外部から当該情報が認識できる形式であれば良い。また、出力部２４０における情報の出力、警告として、警告灯の点灯や、アラーム音の出力、振動等であっても良い。

図４は、図３に示した学習済みモデル２１０にて学習された使用日数の経過に対する球形率の変化の一例を示す図である。図４に示すように、図３に示した学習済みモデル２１０には、充填物の使用日数が経過するにつれて球形率がどのように変化していくかが学習されている。また、球形率の変化にはあらかじめ閾値が設定されており、変化する球形率がその閾値を下回るときの経過日数に基づいて、交換時期が算出される。

以下に、図１に示した情報処理装置２００における情報処理方法について説明する。以下の説明においては、イオン交換樹脂塔である容器３００に充填されている充填物がイオン交換樹脂である場合を例に挙げて説明する。図５は、図１に示した情報処理装置２００における情報処理方法の一例を説明するためのフローチャートである。ここでは、学習済みモデル２１０が、機械学習の学習フェーズにおいて、イオン交換樹脂を撮像した画像データからイオン交換樹脂のひび割れや欠けといった劣化の度合いがあらかじめ設定された基準を超えているイオン交換樹脂が、物理的劣化をしているイオン交換樹脂であることを学習済みである。

まず、カメラ１００から送信されてきた画像データを画像データ取得部２２０が取得すると（ステップＳ１）、算出部２３０が、画像データ取得部２２０が取得した画像データを学習済みモデル２１０へ入力する（ステップＳ２）。算出部２３０は、学習済みモデル２１０から出力されるイオン交換樹脂の状態を取得することで、画像データに含まれるイオン交換樹脂の総数を算出する（ステップＳ３）。ここでは、算出部２３０は、学習済みモデル２１０から物理的劣化しているイオン交換樹脂を特定し、物理的劣化していない正常なイオン交換樹脂の数と物理的劣化していると特定されたイオン交換樹脂の数とを加算した数をイオン交換樹脂の総数として算出する。続いて、算出部２３０は、画像データに含まれるイオン交換樹脂の総数に対する物理的劣化していない正常なイオン交換樹脂の数の割合となる球形率を算出する（ステップＳ４）。この球形率の算出には、上述した（式１）を用いても良い。算出部２３０は、球形率を算出すると、算出した球形率があらかじめ設定されている閾値を下回っているかどうかを判定する（ステップＳ５）。球形率が所定の閾値を下回っている場合、出力部２４０は、所定の通知を出力する（ステップＳ６）。

なお、学習済みモデル２１０が機械学習の学習フェーズにおいて、画像データに含まれるイオン交換樹脂のうち物理的劣化をしていない正常なイオン交換樹脂の割合である球形率を学習済みであっても良い。その場合、算出部２３０は、学習済みモデル２１０から球形率を取得し、出力部２４０は所定の通知を出力する条件として、算出部２３０が学習済みモデル２１０から取得した球形率を用いる。

図６は、図１に示した情報処理装置２００における情報処理方法の他の例を説明するためのフローチャートである。ここでは、学習済みモデル２１０が、機械学習の学習フェーズにおいて、イオン交換樹脂を撮像した画像データからイオン交換樹脂のひび割れや欠けといった劣化の度合いがあらかじめ設定された基準を超えているイオン交換樹脂が、物理的劣化をしているイオン交換樹脂であることを学習済みである。さらに、学習済みモデル２１０が、画像データに含まれるイオン交換樹脂のうち物理的劣化をしていない正常なイオン交換樹脂の割合である球形率を算出し、算出した球形率に基づいて、イオン交換樹脂の劣化の変化の予測値を算出し、算出した予測値に基づいて交換時期を学習済みである。

まず、カメラ１００から送信された画像データを画像データ取得部２２０が取得すると（ステップＳ１１）、算出部２３０が、画像データ取得部２２０が取得した画像データを学習済みモデル２１０へ入力する（ステップＳ１２）。算出部２３０は、学習済みモデル２１０から出力されるイオン交換樹脂（充填物）の交換時期を取得することで算出する（ステップＳ１３）。すると、出力部２４０は、算出部２３０が算出した交換時期を出力する（ステップＳ１４）。

このように、樹脂塔に充填された充填物を樹脂塔に設けられた窓部を通してカメラを用いて撮像し、カメラが撮像した画像データを取得して、取得した画像データに基づいて充填物の状態をあらかじめ機械学習した学習済みモデルに入力することで、充填物の状態を取得し、取得した状態に応じて所定の通知を行う。これにより、樹脂塔に充填された充填物の状態を容易に認識することができる。また、撮像した充填物の画像データに基づいて、交換時期を出力することで、その充填物の交換時期を容易に認識することができる。
（第２の実施の形態）

図７は、本発明の情報処理システムの第２の実施の形態を示す図である。本形態における情報処理システムは図７に示すように、情報処理装置２０１と、モニタ５０１とを有する。容器３００、容器３００に設けられた窓部３１０－１，３１０－２および圧力計４００－１，４００－２は、第１の実施の形態におけるものと同じものである。情報処理装置２０１が設置される位置は、例えば、振動が少ない位置や情報処理装置２０１が充填物を安定して捉えることができる位置のような安定した撮像ができる位置が望ましい。なお、情報処理装置２０１が充填物をより鮮明に撮像できるように、充填物に対して光を当てる光源が設けられていても良い。光源については、第１の実施の形態で説明したものと同じもので良い。

情報処理装置２０１は、第１の実施の形態におけるカメラ１００が具備する機能と、情報処理装置２００が具備する機能とを有する。図８は、図７に示した情報処理装置２０１の内部構成の一例を示す図である。図７に示した情報処理装置２０１は図８に示すように、撮像部２５１と、学習済みモデル２１０と、画像データ取得部２２０と、算出部２３０と、出力部２４０とを有する。なお、図８には、図７に示した情報処理装置２０１が有する構成要素のうち、本形態に関わる主要な構成要素のみを示す。学習済みモデル２１０、画像データ取得部２２０、算出部２３０および出力部２４０それぞれは、第１の実施の形態におけるものと同じものである。

撮像部２５１は、容器３００内に充填された充填物の画像を窓部３１０－１，３１０－２を通して撮像する。撮像部２５１は、静止画を撮像するものであっても良いし、動画を撮像するものであっても良い。撮像部２５１が撮像する画像は特に限定せず、カラー画像でもグレースケール画像でも良く、充填物の物理的劣化を捉えられれば良い。画像データ取得部２２０は、撮像部２５１が撮像した画像データを取得し、第１の実施の形態における画像データ取得部２２０が行う処理と同じ処理を行う。

情報処理装置２０１は、上述した撮像部２５１が画像を撮像し、撮像した画像に対して、学習済みモデル２１０を用いて機械学習を行うことができる装置であればよく、パソコンやマイコンであっても良い。情報処理装置２０１が、グラフィックス・プロセッシング・ユニット（ＧＰＵ）を具備する場合、高速演算が可能となる。

モニタ５０１は、例えば、スマートフォン等の携帯端末のディスプレイであっても良いし、パソコンのディスプレイ等、一般的な情報を表示できるもので良い。モニタ５０１は、情報処理装置２０１と、無線または有線を用いて接続されており、情報処理装置２０１から送信されてきた情報（例えば、通知画面や警告画面等）を表示する。

以下に、図７に示した情報処理装置２０１における情報処理方法について説明する。以下の説明においては、イオン交換樹脂塔である容器３００に充填されている充填物がイオン交換樹脂である場合を例に挙げて説明する。図９は、図７に示した情報処理装置２０１における情報処理方法の一例を説明するためのフローチャートである。ここでは、学習済みモデル２１０が、機械学習の学習フェーズにおいて、イオン交換樹脂を撮像した画像データからイオン交換樹脂のひび割れや欠けといった劣化の度合いがあらかじめ設定された基準を超えているイオン交換樹脂が、物理的劣化をしているイオン交換樹脂であることを学習済みである。

まず、撮像部２５１が容器３００に充填されているイオン交換樹脂の画像を窓部３１０－１または窓部３１０－２を通して撮像する（ステップＳ２１）。すると、画像データ取得部２２０が、撮像部２５１が撮像した画像データを取得する（ステップＳ２２）。続いて、算出部２３０が、画像データ取得部２２０が取得した画像データを学習済みモデル２１０へ入力する（ステップＳ２３）。算出部２３０は、学習済みモデル２１０から出力されるイオン交換樹脂の状態を取得することで、画像データに含まれるイオン交換樹脂の総数を算出する（ステップＳ２４）。ここでは、算出部２３０は、学習済みモデル２１０から物理的劣化しているイオン交換樹脂を特定し、物理的劣化していない正常なイオン交換樹脂の数と物理的劣化していると特定されたイオン交換樹脂の数とを加算した数をイオン交換樹脂の総数として算出する。続いて、算出部２３０は、画像データに含まれるイオン交換樹脂の総数に対する物理的劣化していない正常なイオン交換樹脂の数の割合となる球形率を算出する（ステップＳ２５）。この球形率の算出には、上述した（式１）を用いても良い。算出部２３０は、球形率を算出すると、算出した球形率があらかじめ設定されている閾値を下回っているかどうかを判定する（ステップＳ２６）。球形率が所定の閾値を下回っている場合、出力部２４０は、所定の通知を出力する（ステップＳ２７）。

なお、学習済みモデル２１０が機械学習の学習フェーズにおいて、画像データに含まれるイオン交換樹脂のうち物理的劣化をしているイオン交換樹脂の割合である球形率を学習済みであっても良い。その場合、算出部２３０は、学習済みモデル２１０から球形率を取得し、出力部２４０は所定の通知を出力する条件として、算出部２３０が学習済みモデル２１０から取得した球形率を用いる。

このように、樹脂塔に充填された充填物を樹脂塔に設けられた窓部を通して撮像し、撮像した画像データを、画像データに基づいて充填物の状態をあらかじめ機械学習した学習済みモデルに入力することで、充填物の状態を取得し、取得した状態に応じて所定の通知を行う。これにより、樹脂塔に充填された充填物の状態を容易に認識することができる。
（第３の実施の形態）

図１０は、本発明の情報処理システムの第３の実施の形態を示す図である。本形態における情報処理システムは図１０に示すように、電子顕微鏡１０１と、情報処理装置２００とを有する。電子顕微鏡１０１は、樹脂塔に充填された充填物が樹脂塔から分離採取され、分離採取された充填物の画像を撮像する。電子顕微鏡１０１は通信機能を具備し、撮像した画像データを情報処理装置２００へ送信する。情報処理装置２００は、第１の実施の形態におけるものと同じものである。
（学習済みモデルの作成と検証の例）

撮像手段であるマイクロスコープにはｋｅｙｅｎｃｅ社製ＶＨＸ－６０００を用いて、イオン交換樹脂塔から分離採取した数種類のイオン交換樹脂を撮像した。撮像した多数の画像データから、機械学習を用いた学習済みモデルを作成後にその精度を検証することを目的とした、モデル検証用データを作成するために、１部の画像データを抜き出した。また、モデル検証用データ以外の画像データを水増し処理し、水増し処理された画像データをｔｒａｉｎ用データセットとｖａｌｉｄａｔｉｏｎ用データセットとの７対３の割合でランダムに分割した。この分割して作成したデータセットに対して、ひび割れや欠けといった物理的劣化しているイオン交換樹脂１つ１つをアノテーションし、学習済みモデルを作成するためのデータセットを作成した。ひび割れや欠けといった物理的劣化を１つ１つ検出するために、機械学習のアルゴリズムとしてＭａｓｋＲＣＮＮ（ライセンスはＴｈｅ ＭＩＴ Ｌｉｃｅｎｓｅ）を用いて、アノテーション済みのデータセットを用いて学習済みモデルを作成した。作成した学習済みモデルに対してモデル検証用データを推論させると、高い精度でひび割れや欠けといった物理的劣化を１つ１つ検出することができた。その他、充填物を構成する球形（円形）を切り出すものや、割れを検出するものを用いても良い。

なお、容器３００を冗長構成として、運用系と予備系とを設けたシステムの場合、出力部２４０からの通知後に、運用する系列を運用系から予備系へ自動的に切り替えるものであっても良い。こうすることで、システムを効率的に運用することができる。

以上、各構成要素に各機能（処理）それぞれを分担させて説明したが、この割り当ては上述したものに限定しない。また、構成要素の構成についても、上述した形態はあくまでも例であって、これに限定しない。また、各実施の形態を組み合わせたものであっても良い。また、容器３００の設置場所や天候等の環境に応じた複数の学習済みモデルをあらかじめ準備しておき、測定時の環境に応じて、使用する学習済みモデルを切り替えるものであっても良い。

上述した情報処理装置２００，２０１が行う処理は、目的に応じてそれぞれ作製された論理回路で行うようにしても良い。また、処理内容を手順として記述したコンピュータプログラム（以下、プログラムと称する）を情報処理装置２００，２０１にて読取可能な記録媒体に記録し、この記録媒体に記録されたプログラムを情報処理装置２００，２０１に読み込ませ、実行するものであっても良い。情報処理装置２００，２０１にて読取可能な記録媒体とは、フロッピー（登録商標）ディスク、光磁気ディスク、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、Ｂｌｕ－ｒａｙ（登録商標） Ｄｉｓｃ、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリなどの移設可能な記録媒体の他、情報処理装置２００，２０１に内蔵されたＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等のメモリやＨＤＤ（Ｈａｒｄ Ｄｉｓｃ Ｄｒｉｖｅ）等を指す。この記録媒体に記録されたプログラムは、情報処理装置２００，２０１に設けられたＣＰＵにて読み込まれ、ＣＰＵの制御によって、上述したものと同様の処理が行われる。ここで、ＣＰＵは、プログラムが記録された記録媒体から読み込まれたプログラムを実行するコンピュータとして動作するものである。

１００ カメラ
１０１ 電子顕微鏡
１１０，２５１ 撮像部
１２０ 送信部
２００，２０１ 情報処理装置
２１０ 学習済みモデル
２２０ 画像データ取得部
２３０ 算出部
２４０ 出力部
３００ 容器
３１０－１，３１０－２ 窓部
４００－１，４００－２ 圧力計
５０１ モニタ

Claims (8)

1. 水が流入され、処理水として流出させる容器に充填された充填物を撮像した画像を示す画像データを取得する画像データ取得部と、
   前記画像データ取得部が取得した画像データを、機械学習を行った学習済みモデルに入力することで、該画像データに含まれる前記充填物の状態を算出する算出部と、
   前記算出部が行った算出の結果を出力する出力部とを有し、
   前記算出部は、前記学習済みモデルを用いて、前記画像データに含まれる前記充填物のうち、劣化の度合いが基準を超えている充填物を特定し、前記学習済みモデルを用いて、前記特定した前記劣化の度合いが基準を超えている充填物の数の割合に基づいて前記充填物の劣化の変化を予測し、該予測した変化に基づいて該充填物の交換時期を算出し、
   前記出力部は、前記算出部が算出した交換時期を出力する情報処理装置。
2. 請求項１に記載の情報処理装置において、
   前記出力部は、前記算出部が算出した割合があらかじめ設定された閾値を超えた場合、所定の通知を行う情報処理装置。
3. 請求項１または請求項２に記載の情報処理装置において、
   前記算出部は、前記学習済みモデルを用いて、前記容器の入口と出口とのそれぞれの前記水の圧力の互いの差圧と、前記算出した割合とに基づいて前記充填物の劣化の変化を予測する情報処理装置。
4. 請求項１から３のいずれか１項に記載の情報処理装置において、
   前記充填物は、イオン交換樹脂である情報処理装置。
5. カメラと、情報処理装置とを有し、
   前記カメラは、
   水が流入され、処理水として流出させる容器に充填された充填物の画像を撮像する撮像部と、
   前記撮像部が撮像した画像を示す画像データを前記情報処理装置へ送信する送信部とを有し、
   前記情報処理装置は、
   前記送信部から送信されてきた前記画像データを取得する画像データ取得部と、
   前記画像データ取得部が取得した画像データを、機械学習を行った学習済みモデルに入力することで、該画像データに含まれる前記充填物の状態を算出する算出部と、
   前記算出部が行った算出の結果を出力する出力部とを有し、
   前記算出部は、前記学習済みモデルを用いて、前記画像データに含まれる前記充填物のうち、劣化の度合いが基準を超えている充填物を特定し、前記学習済みモデルを用いて、前記特定した前記劣化の度合いが基準を超えている充填物の数の割合に基づいて前記充填物の劣化の変化を予測し、該予測した変化に基づいて該充填物の交換時期を算出し、
   前記出力部は、前記算出部が算出した交換時期を出力する情報処理システム。
6. 請求項５に記載の情報処理システムにおいて、
   前記容器は、窓部を有し、
   前記カメラは、前記窓部を通して前記容器に充填された前記充填物の画像を撮像する情報処理システム。
7. 水が流入され、処理水として流出させる容器に充填された充填物を撮像した画像を示す画像データを取得する処理と、
   前記取得した画像データを、機械学習を行った学習済みモデルに入力することで、該画像データに含まれる前記充填物の状態を算出する処理と、
   前記学習済みモデルを用いて、前記画像データに含まれる前記充填物のうち、劣化の度合いが基準を超えている充填物を特定する処理と、
   前記学習済みモデルを用いて、前記特定した前記劣化の度合いが基準を超えている充填物の数の割合に基づいて前記充填物の劣化の変化を予測する処理と、
   前記予測した変化に基づいて前記充填物の交換時期を算出する処理と、
   前記算出した交換時期を出力する処理とを行う情報処理方法。
8. コンピュータに、
   水が流入され、処理水として流出させる容器に充填された充填物を撮像した画像を示す画像データを取得する手順と、
   前記取得した画像データを、機械学習を行った学習済みモデルに入力することで、該画像データに含まれる前記充填物の状態を算出する手順と、
   前記学習済みモデルを用いて、前記画像データに含まれる前記充填物のうち、劣化の度合いが基準を超えている充填物を特定する手順と、
   前記学習済みモデルを用いて、前記特定した前記劣化の度合いが基準を超えている充填物の数の割合に基づいて前記充填物の劣化の変化を予測する手順と、
   前記予測した変化に基づいて前記充填物の交換時期を算出する手順と、
   前記算出した交換時期を出力する手順とを実行させるためのプログラム。

Images