JP2020041801A - 土壌改質判定装置、及び異物除去方法 - Google Patents

Abstract

【課題】本願発明の課題は、従来技術が抱える問題を解決することであり、すなわち大掛かりな装置を必要とすることなく、しかも連続的かつリアルタイムで土壌改質の要否を判定することができる技術を提供することである。【解決手段】本願発明の土壌改質判定装置は、改質段階分類モデルを用い、改質段階分類によって土壌の改質要否を判定する装置であって、搬送手段と画像取得手段、土壌分類手段を備えたものである。なお改質段階分類モデルとは、改質段階ごとに用意された各「サンプル画像」から切り出された複数の「小領域画像」を学習することによって作成されるものである。このうち土壌分類手段は、小領域画像と同一サイズで取得した画像と改質段階分類モデルに基づいて土壌の改質段階分類を行う手段である。【選択図】図１

Description

本願発明は、土壌の改質に関する技術であり、より具体的には、機械学習を利用して土壌の改質の要否を判定する装置と、その判定結果に応じて土壌から異物を除去する方法に関するものである。

我が国は地震が頻発する国として知られ、近年では、東北地方太平洋沖地震をはじめ、兵庫県南部地震、新潟県中越地震など大きな地震が発生し、そのたびに甚大な被害を被ってきた。特に東日本大震災では、津波によって測り知れない被害を受けたうえ、さらに福島第一原子力発電所の原子炉が損壊するという事故に見舞われた。原子炉事故に伴い大量に放出された放射性物質は、エアロゾルなどの形で広域に移流拡散し、降雨に伴って地上に降下沈着した結果、地域住民の生活環境に大きな影響を及ぼすに至った。

このような背景の下、放射性物質汚染対処特別措置法が施行され、放射性物質が沈着した土壌や、草木、がれき等の除去といったいわゆる除染措置が進められた。しかしながらこの除染措置には解決し難い問題もあり、特に放射性物質に汚染された廃棄物の仮置き、中間貯蔵や最終処分といった処分場所の確保と同時に、廃棄物の減容化が問題視されている。

中間貯蔵施設で埋め立て処理される土壌には草木や巨礫、ごみといった異物が混入されており、通常はトロンメルなど回転式ふるいを利用して土壌からこれらの異物を取り除いたうえで処分される。ところが土壌が粘性土の場合、ふるいの網目を閉塞（いわゆる目詰まり）することがあるため、そのままトロンメル等に投入することができない。そこで粘性土の土壌に対しては、改質材混入等による土壌改質を行ったうえで（いわばサラサラの状態にしたうえで）トロンメル等に投入しているのが現状である。

様々な場所から搬入される土壌を処分する場合、当然ながら、砂質土系の土壌から異物を取り除くこともあれば、粘性土の土壌から異物を取り除くこともある。砂質土系の土壌は土壌改質を行うことなくトロンメル等に投入することができることから、土壌改質は粘性土の土壌のみに行う方が、改質材の使用に伴うコスト面から考えても、処分量の減容化から考えても望ましい。

そこで搬入される土壌から異物を取り除くにあたっては、その土壌が改質すべきものかそうでないかをあらかじめ判定する必要がある。土壌の土質を区分する手法は種々知られているが、一般的に処分する土壌は大量に搬入されるため、土壌の改質要否を把握するには相当量を即時的（いわゆるリアルタイム）に判定することができる手法が求められる。

リアルタイムで相当量の土質判定を行う手法はこれまでにも提案されており、例えば特許文献１では、ベルトコンベア上で搬送される搬送土の含水比と形状、重量を計測し、その結果得られる乾燥密度に基づいて土質を区分する手法を提案している。

特開２０１７−１８１２８９号公報

特許文献１の技術を用いれば、大量の土壌に対して連続的かつリアルタイムで土質区分結果を得ることができるが、含水比を計測する水分計（熱中性子測定器など）と、形状を計測するレーザスキャナ、重量を計測するベルトスケールといった各種装置が必要となる。これらの装置はいずれも比較的高価なものであり、調達や設置にかかる費用のほか、メンテンナンスなど施設全体の運転費を考えると、相当の予算が確保できなければ実施することができない。

本願発明の課題は、従来技術が抱える問題を解決することであり、すなわち大掛かりな装置を必要とすることなく、しかも連続的かつリアルタイムで土壌改質の要否を判定することができる技術を提供することである。また本願発明は機械学習技術を利用することをひとつの特徴としており、１の画像から数多くの学習用データを取得したうえで学習を行い、これにより土壌改質の要否を判定することができる技術を提供することも本願発明の課題のひとつである。

本願発明は、各サンプル画像から切り出された複数の小領域画像を学習することによって改質段階分類モデルを作成するとともに、この改質段階分類モデルを用いて土壌改質の要否を判定する、という点に着目してなされたものであり、これまでにない発想に基づいて行われた発明である。

本願発明の土壌改質判定装置は、改質段階分類モデルを用い、２以上の「改質段階（ただし改質不要段階を含む）」のいずれかに分類することによって土壌の改質要否を判定する装置であって、搬送手段と、画像取得手段、土壌分類手段を備えたものである。なお改質段階分類モデルとは、土壌を改質段階のいずれかに分類するものであり、改質段階ごとに用意された各「サンプル画像」から切り出された複数の「小領域画像」を学習することによって作成されるものである。また搬送手段は、土壌を搬送する手段であり、画像取得手段は、搬送中の土壌の画像を小領域画像と同一サイズで取得する手段であり、土壌分類手段は、画像取得手段によって取得された画像と改質段階分類モデルに基づいて画像に係る土壌を改質段階のいずれかに分類する手段である。そして、改質不要段階に分類された土壌に対しては改質不要と判定し、改質不要段階を除く改質段階に分類された土壌に対しては要改質と判定する。

本願発明の土壌改質判定装置は、画像変換手段をさらに備えたものとすることもできる。この画像変換手段は、画像取得手段によって取得された画像に対して高速フーリエ変換を行い、且つ正規化することによって「変換画像」を作成する手段である。この場合、学習手段は、やはり高速フーリエ変換され、且つ正規化された小領域画像を学習することで改質段階分類モデルを作成し、土壌分類手段は、この改質段階分類モデルと変換画像に基づいて土壌を改質段階のいずれかに分類する。

本願発明の土壌改質判定装置は、添加量決定手段をさらに備えたものとすることもできる。この添加量決定手段は、土壌分類手段によって分類された改質段階に基づいて土壌を改質するための「改質材添加量」を定める手段である。

本願発明の土壌改質判定装置は、土壌の搬送方向に対して略直交方向（直交方向含む）に２以上の画像取得手段が配置されたものとすることもできる。この場合、土壌分類手段は、画像取得手段で取得されたそれぞれの画像に対して分類処理を行うとともに、最多の分類結果をその土壌の改質段階として決定する。

本願発明の異物除去方法は、改質段階分類モデルを用い、いずれかの改質段階に分類することによって土壌の改質要否を判定したうえで土壌から異物を除去する方法であって、画像取得工程と土壌分類工程、土壌改質工程を備えた方法である。このうち画像取得工程では、搬送される土壌の画像を小領域画像と同一サイズで取得し、土壌分類工程では、画像取得手段によって取得された画像と改質段階分類モデルに基づいて画像に係る土壌を改質段階のいずれかに分類する。また土壌改質工程では、改質不要段階を除く改質段階に分類された土壌に改質材を添加する。そして、改質不要段階に分類された土壌、あるいは土壌改質工程で改質された土壌を分離機に投入し、この土壌から異物を除去する。

本願発明の異物除去方法は、検証工程をさらに備えた方法とすることもできる。この検証工程では、土壌分類工程で分類された土壌の改質段階と、目視により判定された当該土壌の改質段階を比較する。そして、検証工程において両者の結果（土壌分類工程による結果と目視判定による結果）が異なるときは、目視判定による改質段階を用いて再度、学習工程及びモデル作成工程を行い、新たに改質段階分類モデルを作成する。

本願発明の土壌改質判定装置、及び異物除去方法には、次のような効果がある。
（１）土壌改質の要否を精度よく判定することができるため、不要な改質材の添加を回避することができ、すなわち処理コストを抑えることができる。また添加する改質材量を削減することができるため、埋め立て処分すべき土壌の量も削減することができ、その結果、中間貯蔵施設等の効率的な運営に貢献することができる。
（２）土壌を連続搬送する装置（例えばベルトコンベアなど）や画像を取得する装置（例えばデジタルカメラなど）、演算処理を行う装置（例えばパーソナルコンピュータなど）を用意するだけで、すなわち大掛かりな装置を必要とすることなく、連続的かつリアルタイムで、しかも精度よく土壌改質の要否を判定することができる。
（３）学習用データとして１の画像から複数の小領域画像を切り出すことから、効率的に大量の学習用データを取得することができる。また、小領域画像と同じサイズで取得した画像に対して判定することから、より精度よく土壌改質の要否を判定することができる。

本願発明の土壌改質判定装置を用いて土壌の改質の要否を判定する状況を模式的に示すモデル図。 本願発明の土壌改質判定装置の主な構成を示すブロック図。 （ａ）はＬａｂｅｌ０の土壌のサンプル画像図、（ｂ）はＬａｂｅｌ１の土壌のサンプル画像、（ｃ）はＬａｂｅｌ２の土壌のサンプル画像図、（ｄ）はＬａｂｅｌ３のサンプル画像図。 １のサンプル土壌画像から部分的に切り出した「小領域画像」を示す画像図。 （ａ）はサンプル画像から切り出した小領域画像をそのまま学習データとするケースであって学習用の小領域画像に対して判定した結果を示すグラフ図、（ｂ）はサンプル画像から切り出した小領域画像をそのまま学習データとするケースであって検証用の小領域画像に対して判定した結果を示すグラフ図。 （ａ）はサンプル画像から切り出した小領域画像を変換したうえで学習データとするケースであって学習用の小領域画像に対して判定した結果を示すグラフ図、（ｂ）はサンプル画像から切り出した小領域画像を変換したうえで学習データとするケースであって検証用の小領域画像に対して判定した結果を示すグラフ図。 １個所当たりに３個の画像取得手段を、土壌の搬送方向に対して略直交方向に並べて配置した状況を示す正面図。 本願発明の異物除去方法の主な流れを示すフロー図。

本願発明の土壌改質判定装置、及び異物除去方法の実施形態の例を図に基づいて説明する。

１．全体概要
図１は、本願発明の土壌改質判定装置１００を用いて土壌ＳＬの改質の要否を判定する状況を模式的に示すモデル図である。この図に示すように、判定対象となる土壌ＳＬはベルトコンベアなどの搬送手段１０１によって連続搬送され、搬送途中でカメラなどの画像取得手段１０２によって画像が取得される。

画像取得手段１０２によって取得された土壌の画像（以下、「土壌画像」という。）は、パーソナルコンピュータＰＣなどの演算装置に送られ、このパーソナルコンピュータ（ＰＣ）が所定の処理を実行することによって土壌画像に係る土壌（つまり、土壌画像に収められた土壌）の評価を行う。具体的にはパーソナルコンピュータＰＣが、「改質段階分類モデル」を用いて土壌画像をいずれかの「改質段階」に分類し、その改質段階に応じて当該土壌における改質の要否を判定する。

ここで「改質段階」とは、必要な改質の程度（改質レベル）を段階的に示すものであり、２以上の改質段階があらかじめ設定される。ただし、少なくとも改質が不要である段階（以下、「改質不要段階」）を含むように設定する。例えば、改質不要段階（Ｌａｂｅｌ０）と、小規模改質を要する段階（Ｌａｂｅｌ１）、中規模改質を要する段階（Ｌａｂｅｌ２）、大規模改質を要する段階（Ｌａｂｅｌ３）の４つの改質段階で設定することができる。

また「改質段階分類モデル」とは、土壌画像を適当な改質段階に分類するためのモデルであり、大量の学習データを学習（例えばディープラーニングなど）することによって、すなわち演算装置による人工知能（機械学習）の技術を用いて作成される。

２．土壌改質判定装置
本願発明の土壌改質判定装置１００について、図を参照しながら詳しく説明する。なお、本願発明の異物除去方法は、本願発明の土壌改質判定装置１００を用いて土壌から異物を除去する方法であり、したがってまずは本願発明の土壌改質判定装置１００について説明し、その後に本願発明の異物除去方法について説明することとする。

図２は、本願発明の土壌改質判定装置１００の主な構成を示すブロック図である。この図に示すように本願発明の土壌改質判定装置１００は、搬送手段１０１と画像取得手段１０２、土壌分類手段１０４を含んで構成され、さらに学習手段１０３や学習データ記憶手段１０５、分類モデル記憶手段１０６、土壌画像記憶手段１０７、画像変換手段１０８、添加量決定手段１０９、添加量テーブル記憶手段１１０、異物分離手段１１１を含んで構成することもできる。

土壌改質判定装置１００のうち画像取得手段１０２と学習手段１０３、土壌分類手段１０４、画像変換手段１０８、添加量決定手段１０９は、専用のものとして製造することもできるし、汎用的なコンピュータ装置を利用することもできる。このコンピュータ装置は、パーソナルコンピュータ（ＰＣ）や、ｉＰａｄ（登録商標）といったタブレット型ＰＣ、スマートフォンを含む携帯端末、あるいはＰＤＡ（Ｐｅｒｓｏｎａｌ Ｄａｔａ Ａｓｓｉｓｔａｎｃｅ）などによって構成することができる。コンピュータ装置は、ＣＰＵ等のプロセッサ、ＲＯＭやＲＡＭといったメモリを具備しており、さらにマウスやキーボード等の入力手段やディスプレイを含むものもある。また、学習データ記憶手段１０５と分類モデル記憶手段１０６、土壌画像記憶手段１０７、添加量テーブル記憶手段１１０は、例えばデータベースサーバに構築することができ、ローカルなネットワーク（ＬＡＮ：Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）に置くこともできるし、インターネット経由（つまり無線通信）で保存するクラウドサーバとすることもできる。

以下、土壌改質判定装置１００を構成する主な要素ごとに説明する。

（学習手段）
学習手段１０３は、ニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）を用いた深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）といったアルゴリズムを使用し、学習データ記憶手段１０５から読み出した多数の学習データを学習することによって、改質段階分類モデルを作成する手段である。ここで学習データとは、土壌画像と、その土壌画像に対応する改質段階を組み合わせたデータセットであり、いわゆる教師データである。すなわち学習手段１０３は、多数の学習データを学習することによって、自動的に（人の判断が介在することなく）土壌画像から特徴を見出すとともに、その特徴と改質段階との関係をパターン化した「改質段階分類モデル」を作成するわけである。

学習データは、あらかじめ設定した改質段階ごとに作成される。例えば、上記したように改質不要段階（Ｌａｂｅｌ０）と、小規模改質を要する段階（Ｌａｂｅｌ１）、中規模改質を要する段階（Ｌａｂｅｌ２）、大規模改質を要する段階（Ｌａｂｅｌ３）の４つの改質段階を設定した場合、Ｌａｂｅｌ０の学習データ（土壌画像とＬａｂｅｌ０という情報）と、Ｌａｂｅｌ１の学習データ（土壌画像とＬａｂｅｌ１という情報）、Ｌａｂｅｌ２の学習データ（土壌画像とＬａｂｅｌ２という情報）、Ｌａｂｅｌ３の学習データ（土壌画像とＬａｂｅｌ３という情報）の４種類の学習データが用意されて、学習データ記憶手段１０５に記憶される。

機械学習においては学習するデータ量が多いほどより高い精度の結果を出力することが知られており、すなわち数多くの学習データを用意するほど好適な結果が得られる。しかしながら、改質段階ごとの土壌を大量に（つまり多種で）用意することも、それぞれの土壌について画像を取得していくことも、いずれも著しい労力と時間を要することから現実的とはいいがたい。

そこで本願発明では、用意された改質段階ごとの土壌（以下、「サンプル土壌」という。）を撮影した１の画像（以下、特に「サンプル画像」という。）から、複数の土壌画像を切り出すこととした。一般的に、機械学習を用いて画像データを学習する場合、全体画像を分割した個々の画像を学習用のデータとして用いることはない。なぜなら、通常の画像は全体的に一様ではなく各所に特徴が収められているため、部分的に画像を切りだしたとしてもそれは学習用のデータとしては用をなさないからである。ところが、土壌を撮影したサンプル画像は、図３に示すように画像全体が略一様であるため、部分的な画像でも十分に学習用のデータとして活用できるわけである。図３はそれぞれの改質段階における土壌の画像図であり、（ａ）はＬａｂｅｌ０の土壌のサンプル画像、（ｂ）はＬａｂｅｌ１の土壌のサンプル画像、（ｃ）はＬａｂｅｌ２の土壌のサンプル画像、（ｄ）はＬａｂｅｌ３のサンプル画像を示している。

図４は、１のサンプル画像ＰＳから部分的に切り出した画像（以下、「小領域画像ＰＭ」という。）を示す図である。この図に示すように、小領域画像ＰＭはサンプル画像ＰＳに対して極めて小さな領域で切り出され、例えば２５６画素×２５６画素の画像サイズ（図4の場合、約１ｃｍ×１ｃｍ）で切り出すことができる。また、単独の領域として小領域画像ＰＭを切り出す（図４では左側に示す）こともできるし、ある程度まとまって（図４では６個）切り出すこともできるし、さらに一部が重複するように切り出すこともできる。

このように１のサンプル画像ＰＳから小領域画像ＰＭを切り出すことによって、少ない画像で多数の学習データが得られ、すなわち大量のサンプル土壌を用意することなく、しかも大量の画像を取得することなく、極めて効率的に大量の学習データが得られる。ここで、得られた小領域画像ＰＭは学習データとして学習データ記憶手段１０５に記憶される。また、得られた小領域画像ＰＭを９０度、１８０度、２７０度と回転させ、それぞれの画像を学習データとして学習データ記憶手段１０５に記憶させることもできる。この場合、学習データがさらに４倍に増加し、その結果、より高い精度の結果を出力することが期待できる。

発明者らは、学習手段１０３により作成された改質段階分類モデルの検証を行っており、以下その結果について説明する。なおこの検証は、サンプル画像ＰＳから切り出した小領域画像ＰＭをそのまま学習データとするケースと、後述するようにサンプル画像ＰＳから切り出した小領域画像ＰＭを変換したうえで学習データとするケースで行っている。

検証に当たって、２１種類のサンプル土壌を用意し、それぞれのサンプル土壌に対して１のサンプル画像を取得した。なお、ここでも改質不要段階（Ｌａｂｅｌ０）と、小規模改質を要する段階（Ｌａｂｅｌ１）、中規模改質を要する段階（Ｌａｂｅｌ２）、大規模改質を要する段階（Ｌａｂｅｌ３）の４つの改質段階を設定し、２１種類のサンプル土壌（つまり２１のサンプル画像）に対してあらかじめ適当な改質段階を定めている。

次に、２１のサンプル画像から、それぞれ６４枚の小領域画像ＰＭを切り出し、すなわち１，３４４枚の小領域画像ＰＭを取得した。このときの小領域画像ＰＭの画像サイズは、２５６画素×２５６画素としている。また、１，３４４枚の小領域画像ＰＭのうち１，０８８枚を学習のために使用し、残り２５６枚を検証のために使用することとし、さらに学習用の小領域画像ＰＭ（１，０８８枚）をそれぞれ９０度、１８０度、２７０度で回転した小領域画像ＰＭを作成し、これらも加えた４，３５２枚の小領域画像ＰＭを学習データとした。

これら４，３５２枚の学習データを用い、学習手段１０３にディープラーニングで学習させることで改質段階分類モデルを作成させた。そしてここで作成された改質段階分類モデルにより、まずは学習用の小領域画像ＰＭに対して改質段階の判定を行ったところ、図５（ａ）に示すように８０のエポック数（繰り返し学習回数）において約７０％の精度で判定（的中）することができた。なお、図５の中に記載される「Ｌｏｓｓ」は誤判定結果（差分和）であり、「Ａｃｃｕｒａｃｙ」は正判定結果（比率）である。続いて、検証用の小領域画像ＰＭに対して同様に改質段階の判定を行ったところ、図５（ｂ）に示すように８０のエポック数において約６０％の精度で判定することができた。このように、サンプル画像から切り出した小領域画像をそのまま学習データとして用いても、ある程度の精度で改質段階を分類し得る改質段階分類モデルを作成できることが分かった。

一方で、検証用の小領域画像ＰＭに対する判定精度（６０％）が十分でないとされる状況もある。発明者らは、図５（ｂ）に示すようにエポック数に伴い誤判定結果（Ｌｏｓｓ）が上昇していることに着目し、正判定結果（Ａｃｃｕｒａｃｙ）が６０％と十分でない原因はディープラーニングによる過学習であると推定した。

そこで、サンプル画像ＰＳから切り出した小領域画像ＰＭを変換し、この変換後の小領域画像ＰＭ（以下、単に「変換小領域画像」という。）を学習データとして改質段階分類モデルを作成する試みを行った。以下、小領域画像ＰＭに対する変換処理について詳しく説明する。まず小領域画像ＰＭを構成する画素の値（画素値）を用いて高速フーリエ変換（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ：ＦＦＴ）を行って振幅スペクトルを求め、すなわち画像における周波数分布を表す。このときの画素値としては、白と黒の２値を用いることもできるし、輝度を１階調ずつに分けたグレースケールを用いることもできるし、色（色相、彩度、及び明度）の情報をもつモデル（ＲＧＢや、ＣＭＹＫ、ＮＣＳなど）を用いることもできる。そして、高速フーリエ変換後に得られる各画像の値（以下、「変換値」という。）を正規化する。具体的には、画素ごとの変換値を最大の変換値で除し、つまり最大の変換値を１として各画素に対して０〜１の値を割り当てる。このように、小領域画像ＰＭを高速フーリエ変換するとともに、正規化することで変換小領域画像が作成される。なお、変換小領域画像も学習用と検証用に分けている。

この変換小領域画像を学習して作成された改質段階分類モデルにより、まずは学習用の変換小領域画像に対して改質段階の判定を行ったところ、図６（ａ）に示すように１００のエポック数において約８０％の精度で判定することができた。続いて、検証用の変換小領域画像に対して同様に改質段階の判定を行ったところ、図６（ｂ）に示すように１００のエポック数において約９０％の精度で判定することができた。さらにエポック数に伴い誤判定結果も低下しており、過学習の状態が回避されていることも分かった。このように、サンプル画像から切り出した小領域画像ＰＭを変換した「変換小領域画像」を学習データとすることで、極めて高い精度で改質段階を分類し得る改質段階分類モデルを作成できる。

学習手段１０３によって作成された改質段階分類モデルは、分類モデル記憶手段１０６に記憶される（図２）。

（搬送手段と画像取得手段）
搬送手段１０１は、図１に示すように判定対象となる土壌ＳＬを搬送する手段であり、例えば無端ベルトを連続回転させるベルトコンベアなどを利用することができる。画像取得手段１０２は、搬送手段１０１による搬送途中の土壌ＳＬの画像を取得する手段であり、静止画を取得するデジタルカメラや動画を撮影するビデオカメラなどを利用することができる。画像取得手段１０２は、搬送途中の土壌ＳＬを撮影することから、図１に示すように搬送手段１０１の周辺（例えば上方）に配置される。画像取得手段１０２は、搬送手段１０１の途中に１個所のみ配置してもよいし、２以上の箇所に配置してもよい。また、１個所当たりに１の画像取得手段１０２を配置することもできるし、図７に示すように１個所当たりに２以上（図では３個）の画像取得手段１０２を配置することもできる。１個所当たりに２以上の画像取得手段１０２を配置する場合、土壌ＳＬの搬送方向に対して略直交方向（直交方向含む）に並べて配置するとよい。

本願発明の画像取得手段１０２は、学習データとして用いる小領域画像ＰＭの画像サイズと同じ画像サイズの画像を取得する。例えば、学習データとして用いる小領域画像ＰＭを２５６画素×２５６画素で切り出した場合は、２５６画素×２５６画素の画像を取得する画像取得手段１０２を用意する。以下、画像取得手段１０２によって小領域サイズ（例えば２５６画素×２５６画素）で取得される土壌ＳＬの画像のことを便宜上ここでは「土壌画像」ということとする。ここで取得された土壌画像は、土壌画像記憶手段１０７に記憶される（図２）。

（画像変換手段）
画像変換手段１０８は、図２に示すように土壌画像記憶手段１０７から読み出した土壌画像を変換する手段である。具体的には、サンプル画像ＰＳから切り出した小領域画像ＰＭから変換小領域画像を作成する処理と同様、土壌画像に対して高速フーリエ変換を行うとともに正規化することで、変換した画像（以下、単に「変換画像」という。）を得る。なお、サンプル画像ＰＳから切り出した小領域画像ＰＭをそのまま学習して改質段階分類モデルを作成する場合（つまり変換小領域画像を用いない場合は）、画像変換手段１０８を省略することもできる。

（土壌分類手段）
土壌分類手段１０４は、学習手段１０３により作成された改質段階分類モデルを用い、対象となる土壌に対して適当な改質段階（例えば、Ｌａｂｅｌ０〜Ｌａｂｅｌ３）に分類する手段である。ただし、サンプル画像ＰＳから切り出した小領域画像ＰＭをそのまま学習して改質段階分類モデルを作成した場合は土壌画像も変換することなく判定することとし、変換小領域画像を学習データとして改質段階分類モデルを作成した場合は土壌画像も変換した変換画像に対して判定する。したがって変換小領域画像を学習データとするケースでは、図２に示すように土壌分類手段１０４が分類モデル記憶手段１０６から改質段階分類モデルを読み出すとともに、画像変換手段１０８から変換画像を受け取って、この改質段階分類モデルを用いて変換画像の改質段階を分類する。一方、無変換の小領域画像ＰＭを学習データとするケースでは、土壌分類手段１０４が分類モデル記憶手段１０６から改質段階分類モデルを読み出すとともに、土壌画像記憶手段１０７から土壌画像を受け取って、この改質段階分類モデルを用いて土壌画像の改質段階を分類する。

土壌分類手段１０４が、判定対象となる土壌ＳＬに対して改質不要段階（Ｌａｂｅｌ０）に分類したとき当該土壌ＳＬは改質不要と判定され、判定対象となる土壌ＳＬに対して改質不要段階以外の改質段階（Ｌａｂｅｌ１〜Ｌａｂｅｌ３）に分類したとき当該土壌ＳＬは改質が必要と判定される。また、添加量決定手段１０９によって、土壌ＳＬを改質するための改質材添加量を定めることもできる。以下、添加量決定手段１０９による改質材添加量の決定処理について詳しく説明する。

まず添加量決定手段１０９は、図２に示すように土壌分類手段１０４からその土壌ＳＬは改質段階を受け取るとともに、この改質段階を添加量テーブル記憶手段１１０に照会する。添加量テーブル記憶手段１１０には、あらかじめ改質段階と添加量（例えば土壌の単位量当たりの添加量）を対応付けた添加量テーブル（いわば対応表）が記憶されており、土壌ＳＬの改質段階と添加量テーブルとを照らし合わせることによって、改質段階に対応する添加量を抽出する。添加量決定手段１０９は、ここで抽出された添加量を受け取り、判定対象となる土壌ＳＬに対する添加量として決定する。なお、土壌ＳＬが改質不要段階（Ｌａｂｅｌ０）に分類された場合、添加量決定手段１０９が添加量テーブル記憶手段１１０に照会することなく「添加量なし」と決定する仕様とすることもできるし、改質不要段階と「添加量なし」を対応付けた添加量テーブルを添加量テーブル記憶手段１１０が記憶する仕様とすることもできる。

土壌分類手段１０４によって改質不要段階以外の改質段階（Ｌａｂｅｌ１〜Ｌａｂｅｌ３）に分類された土壌ＳＬは、異物分離手段１１１に投入される。この異物分離手段１１１は、土壌ＳＬから草木や巨礫、ごみといった異物を除去する手段であり、トロンメルなど回転式ふるいを利用することができる。

３．異物除去方法
次に本願発明の異物除去方法について図８を参照しながら説明する。なお、本願発明の異物除去方法は、ここまで説明した土壌改質判定装置１００を使用して行う方法であり、したがって土壌改質判定装置１００で説明した内容と重複する説明は避け、本願発明の異物除去方法に特有の内容のみ説明することとする。すなわち、ここに記載されていない内容は、「２．土壌改質判定装置」で説明したものと同様である。

図８は、本願発明の異物除去方法の主な工程を示すフロー図である。まず、あらかじめ設定された改質段階ごとのサンプル土壌を用意するとともに、サンプル土壌を撮影したサンプル画像から多数の学習データを作成する。多数の学習データが用意できると、これらの学習データをコンピュータなどの演算装置に学習させ（Ｓｔｅｐ１０１）、改質段階分類モデルを作成させる（Ｓｔｅｐ１０２）。ここまでの準備が整うと、実際の施工現場などで土壌ＳＬに対して改質の要否判定を行う。

施工現場では、そこで生じた（あるいは搬入された）土壌ＳＬを搬送手段１０１に載置して連続配送する（Ｓｔｅｐ１０３）。土壌ＳＬが搬送されると、その搬送途中で画像取得手段１０２によって土壌画像が取得される（Ｓｔｅｐ１０４）。このとき、学習データとして用いる小領域画像ＰＭの画像サイズと同じ画像サイズ（例えば２５６画素×２５６画素）で取得する。

画像取得手段１０２によって土壌画像が取得されると、分類モデル記憶手段１０６がその土壌画像に対して適当な改質段階（例えば、Ｌａｂｅｌ０〜Ｌａｂｅｌ３）に分類する（Ｓｔｅｐ１０５）。そして、その土壌ＳＬが改質不要段階（Ｌａｂｅｌ０）に分類されたとき（Ｓｔｅｐ１０６のＹｅｓ）、当該土壌ＳＬは改質不要と判定され次の工程（Ｓｔｅｐ１０８）に進む。一方、その土壌ＳＬが改質不要段階以外の改質段階（Ｌａｂｅｌ１〜Ｌａｂｅｌ３）に分類されたとき（Ｓｔｅｐ１０６のＮｏ）、当該土壌ＳＬは改質材を添加することによって土壌改質が図られる（Ｓｔｅｐ１０７）。このとき、添加量決定手段１０９
によって決定された添加量の改質材を添加するとよい。改質された土壌ＳＬ、あるいは改質不要と判定された土壌ＳＬは異物分離手段１１１に投入され、草木や巨礫、ごみといった異物が除去される（Ｓｔｅｐ１０８）。

ところで、分類モデル記憶手段１０６によって分類された改質段階と、施工現場で目視により判定された改質段階とを比較した結果、両者に相違が生じることもある。この場合、目視により判定された改質段階の方が正しいとして、つまり目視判定による改質段階に基づく学習データを作成したうえで、再度、学習工程（Ｓｔｅｐ１０１）とモデル作成工程（Ｓｔｅｐ１０２）を行って新たに改質段階分類モデルを作成するとよい。改善された改質段階分類モデルが作成されると、これを用いて土壌搬送工程（Ｓｔｅｐ１０３）〜異物除去工程（Ｓｔｅｐ１０８）が行われる。

本願発明の土壌改質判定装置、及び異物除去方法は、除染後に排出される土壌に利用する場合に限らず、原子力発電所を廃炉にする際に生ずる処分土壌に対しても応用することができる。本願発明が、今まさに喫緊の課題となっている中間貯蔵施設等における処理場確保に対して好適な解決策を提供することを考えれば、本願発明は産業上利用できるばかりでなく社会的にも大きな貢献を期待し得る発明である。

１００ 土壌改質判定装置
１０１ （土壌改質判定装置の）搬送手段
１０２ （土壌改質判定装置の）画像取得手段
１０３ （土壌改質判定装置の）学習手段
１０４ （土壌改質判定装置の）土壌分類手段
１０５ （土壌改質判定装置の）学習データ記憶手段
１０６ （土壌改質判定装置の）分類モデル記憶手段
１０７ （土壌改質判定装置の）土壌画像記憶手段
１０８ （土壌改質判定装置の）画像変換手段
１０９ （土壌改質判定装置の）添加量決定手段
１１０ （土壌改質判定装置の）添加量テーブル記憶手段
１１１ （土壌改質判定装置の）異物分離手段
ＳＬ 土壌
ＰＳ サンプル画像
ＰＭ 小領域画像

Claims (6)

1. 改質段階分類モデルを用い、改質不要段階を含む２以上の改質段階のいずれかに分類することによって、搬送される土壌の改質要否を判定する装置であって、
   前記改質段階分類モデルは、土壌を前記改質段階のいずれかに分類するものであり、前記改質段階ごとに用意された各サンプル画像から切り出された複数の小領域画像を学習することによって作成され、
   土壌を搬送する搬送手段と、
   搬送中の土壌の画像を、前記小領域画像と同一サイズで取得する画像取得手段と、
   前記画像取得手段によって取得された画像と、前記改質段階分類モデルと、に基づいて該画像に係る土壌を前記改質段階のいずれかに分類する土壌分類手段と、を備え、
   前記改質不要段階に分類された土壌に対しては改質不要と判定し、前記改質不要段階を除く前記改質段階に分類された土壌に対しては要改質と判定する、
   ことを特徴とする土壌改質判定装置。
2. 前記画像取得手段によって取得された画像に対して、高速フーリエ変換され、且つ正規化された変換画像を作成する画像変換手段を、さらに備え、
   前記学習手段は、高速フーリエ変換され、且つ正規化された前記小領域画像を、学習して前記改質段階分類モデルを作成し、
   前記土壌分類手段は、前記画像変換手段によって作成された前記変換画像と、前記改質段階分類モデルと、に基づいて該画像に係る土壌を前記改質段階のいずれかに分類する、
   ことを特徴とする請求項１記載の土壌改質判定装置。
3. 前記土壌分類手段によって分類された前記改質段階に基づいて、土壌を改質するための改質材添加量を定める添加量決定手段を、さらに備えた、
   ことを特徴とする請求項１又は請求項２記載の土壌改質判定装置。
4. 土壌の搬送方向に対して直交方向又は略直交方向に、２以上の前記画像取得手段が配置され、
   前記土壌分類手段は、２以上の前記画像取得手段で取得されたそれぞれの画像に対して前記改質段階のいずれかに分類するとともに、最多の分類結果を土壌の前記改質段階として決定する、
   ことを特徴とする請求項１乃至請求項３記載の土壌改質判定装置。
5. 改質段階分類モデルを用い、改質不要段階を含む２以上の改質段階のいずれかに分類することによって、搬送される土壌の改質要否を判定したうえで、土壌から異物を除去する方法であって、
   前記改質段階分類モデルは、土壌を前記改質段階のいずれかに分類するものであり、前記改質段階ごとに用意された各サンプル画像から切り出された複数の小領域画像を学習することによって作成され、
   搬送される土壌の画像を、前記小領域画像と同一サイズで取得する画像取得工程と、
   前記画像取得手段によって取得された画像と、前記改質段階分類モデルと、に基づいて該画像に係る土壌を前記改質段階のいずれかに分類する土壌分類工程と、
   前記改質不要段階を除く前記改質段階に分類された土壌に、改質材を添加する土壌改質工程と、を備え、
   前記改質不要段階に分類された土壌、又は前記土壌改質工程で改質された土壌から、異物を除去する、
   ことを特徴とする異物除去方法。
6. 前記土壌分類工程で分類された土壌の前記改質段階と、目視により判定された当該土壌の前記改質段階と、を比較する検証工程を、さらに備え、
   前記検証工程で、前記土壌分類工程による結果と、目視判定による結果が異なるときは、目視判定による前記改質段階に基づいて前記学習工程及び前記モデル作成工程を行い、新たに前記改質段階分類モデルを作成する、
   ことを特徴とする請求項５記載の異物除去方法。

Images