2024-700511

特許第７３９１２８６号発明「情報処理装置、情報処理方法、および情報処理プログラム」の特許異議申立事件について、次のとおり決定する。

結 論 特許第７３９１２８６号の請求項１－２５に係る特許を維持する。

理 由 第１ 手続の経緯 特許第７３９１２８６号（以下、「本件特許」という。）の請求項１－２５に係る特許についての出願は、令和４年３月２日に出願され、令和５年１１月２７日にその特許権の設定登録がされ、令和５年１２月５日に特許掲載公報が発行されたものである。その後、その特許について、令和６年５月３１日に特許異議申立人 金田 綾香（以下、「申立人」という。）により請求項１－２５に係る特許についての特許異議の申立てがされ、当審は、令和６年９月２７日に取消理由を通知した。特許権者は、その指定期間内である令和６年１１月２６日に意見書の提出を行った。その後、令和７年１月１７日付けで申立人に対して審尋し、期間を指定して回答書を提出する機会を与えたが、申立人からは応答がなかった。 第２ 本件発明 本件特許の請求項１－２５に係る発明（以下、「本件発明１－２５」という。）は、願書に添付した特許請求の範囲の請求項１－２５に記載された事項により特定される、以下のとおりのものである。 「【請求項１】 第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として前記第１評価軸での評価を行う第１画像解析部と、 第２撮像装置で撮像した焼却炉内の第２撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習した第２学習済みモデルを用いて、焼却炉内の新たな第２撮像データを入力として前記第２評価軸での評価を行う第２画像解析部と、 前記第１評価軸および第２評価軸の各々での評価結果を、前記第１評価軸および第２評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定する燃焼状態判定部と、 を備えたことを特徴とする情報処理装置。 【請求項２】 前記第１撮像装置は、赤外線撮像装置であり、前記第２撮像装置は、可視光撮像装置である、 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】 前記第１評価軸は、被燃焼物の量、被燃焼物の質、被燃焼物の種類、被燃焼物の温度、燃焼ガス発生量、焼却炉の壁の温度のうちの少なくとも１つを含む、 ことを特徴とする請求項２に記載の情報処理装置。 【請求項４】 前記第２評価軸は、火炎状態、燃焼完結点の位置、燃焼完結点の形状、被燃焼物の量、被燃焼物の質、被燃焼物の種類、未燃物の量、焼却灰の量のうちの少なくとも１つを含む、 ことを特徴とする請求項２または３に記載の情報処理装置。 【請求項５】 前記第１撮像データは、６０秒以内の動画像データである、および／または、 前記第２撮像データは、６０秒以内の動画像データである、 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】 前記赤第１撮像データは、５秒以上の動画像データである、および／または、 前記赤第２撮像データは、５秒以上の動画像データである、 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】 前記第１教師データにおける分類ラベルは、あらかじめ定められた複数の分類項目のうちどれに該当するかを示すラベルと、複数の第１撮像データの間での相対的な順序のうち少なくとも一方である、および／または、 前記第２教師データにおける分類ラベルは、あらかじめ定められた複数の分類項目のうちどれに該当するかを示すラベルと、複数の第２撮像データの間での相対的な順序のうち少なくとも一方である、 ことを特徴とする請求項１～６のいずれかに記載の情報処理装置。 【請求項８】 前記第１画像解析部は、焼却炉内の第１撮像データと、施設内に設置されたセンサから得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせに対して、前記第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データと、新たなプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせを入力として前記第１評価軸での評価を行う、および／または、 前記第２画像解析部は、焼却炉内の第２撮像データと、施設内に設置されたセンサから得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせに対して、前記第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習した第２学習済みモデルを用いて、焼却炉内の新たな第２撮像データと、新たなプロセスデータおよび／または当該プロセスデータから演算により得られる演算量との組み合わせを入力として前記第２評価軸での評価を行う、 ことを特徴とする請求項１～７のいずれかに記載の情報処理装置。 【請求項９】 前記プロセスデータは、 前記第１撮像データおよび／または前記第２撮像データの撮像時刻と前記センサの応答時刻との間のタイムラグを考慮したデータであり、 前記タイムラグは前記センサの応答速度、施設内での前記センサの設置位置、実験、シミュレーション、運転員の経験則のうち少なくとも１つに基づいて決定される ことを特徴とする請求項８に記載の情報処理装置。 【請求項１０】 第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行う第１画像解析部と、 ２つ以上の前記第１評価軸の各々での評価結果を、２つ以上の前記第１評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定する燃焼状態判定部と、 を備えたことを特徴とする情報処理装置。 【請求項１１】 前記第１撮像装置は、赤外線撮像装置である、 ことを特徴とする請求項１０に記載の情報処理装置。 【請求項１２】 前記第１評価軸は、被燃焼物の量、被燃焼物の質、被燃焼物の種類、被燃焼物の温度、燃焼ガス発生量、焼却炉の壁の温度のうちの少なくとも１つを含む、 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】 前記第１撮像装置は、可視光撮像装置である、 ことを特徴とする請求項１０に記載の情報処理装置。 【請求項１４】 前記第１評価軸は、火炎状態、燃焼完結点の位置、燃焼完結点の形状、被燃焼物の量、被燃焼物の質、被燃焼物の種類、未燃物の量、焼却灰の量のうちの少なくとも１つを含む、 ことを特徴とする請求項１３に記載の情報処理装置。 【請求項１５】 前記燃焼状態判定部は、燃焼状態の判定結果を、施設内に設置されたセンサから得られるプロセスデータおよび／または当該プロセスデータから演算により得られる演算量に応じて補正する、 ことを特徴とする請求項１～１４のいずれかに記載の情報処理装置。 【請求項１６】 前記燃焼状態判定部は、燃焼状態の判定結果に応じてアラートの表示または発報を行う、 ことを特徴とする請求項１～１５のいずれかに記載の情報処理装置。 【請求項１７】 前記燃焼状態判定部の判定結果に基づいて、クレーン制御装置および／または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１～１６のいずれかに記載の情報処理装置。 【請求項１８】 前記機械学習に用いられるアルゴリズムは、最尤分類法、ボルツマンマシン、ニューラルネットワーク（ＮＮ）、サポートベクターマシン（ＳＶＭ）、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、ブースティング、強化学習、ディープラーニングのうちの少なくとも１つを含む、 ことを特徴とする請求項１～１７のいずれかに記載の情報処理装置。 【請求項１９】 第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習することにより、前記第１学習済みモデルを生成する第１モデル構築部、および／または、 第２撮像装置で撮像した焼却炉内の第２撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習することにより、前記第２学習済みモデルを生成する第２モデル構築部をさらに備える ことを特徴とする請求項１～９のいずれかに記載の情報処理装置。 【請求項２０】 第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習することにより、前記第１学習済みモデルを生成する第１モデル構築部をさらに備える ことを特徴とする請求項１０～１４のいずれかに記載の情報処理装置。 【請求項２１】 請求項１７に記載の情報処理装置と、 前記情報処理装置から送信された操作指示に基づいて、廃棄物の攪拌または搬送を行うクレーンを制御する前記クレーン制御装置、および／または、焼却炉での廃棄物の燃焼を制御する前記燃焼制御装置と、 を備えたことを特徴とするシステム。 【請求項２２】 コンピュータが実行する情報処理方法であって、 第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として前記第１評価軸での評価を行うステップと、 第２撮像装置で撮像した焼却炉内の第２撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習した第２学習済みモデルを用いて、焼却炉内の新たな第２撮像データを入力として前記第２評価軸での評価を行うステップと、 前記第１評価軸および第２評価軸の各々での評価結果を、前記第１評価軸および第２評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定するステップと、 を含むことを特徴とする情報処理方法。 【請求項２３】 コンピュータが実行する情報処理方法であって、 第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行うステップと、 ２つ以上の前記第１評価軸の各々での評価結果を、２つ以上の前記第１評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定するステップと、 を含むことを特徴とする情報処理方法。 【請求項２４】 コンピュータに、 第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として前記第１評価軸での評価を行うステップと、 第２撮像装置で撮像した焼却炉内の第２撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習した第２学習済みモデルを用いて、焼却炉内の新たな第２撮像データを入力として前記第２評価軸での評価を行うステップと、 前記第１評価軸および第２評価軸の各々での評価結果を、前記第１評価軸および第２評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定するステップと、 を実行させることを特徴とする情報処理プログラム。 【請求項２５】 コンピュータに、 第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行うステップと、 ２つ以上の前記第１評価軸の各々での評価結果を、２つ以上の前記第１評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングすることにより、現在の燃焼状態を判定するステップと、 を実行させることを特徴とする情報処理プログラム。」 第３ 取消理由通知に記載した取消理由について １ 取消理由の概要 当審が令和６年９月２７日に特許権者に通知した取消理由の要旨は、次のとおりである。 （同日出願）本件特許の請求項２に係る発明は、本件特許と同日の出願である下記の甲第１１号証の特許の請求項１２に係る発明と同一であり、かつ、下記の甲第１１号証の特許の請求項１２に係る発明は特許されており協議を行うことができないから、特許法第３９条第２項の規定により特許を受けることができないため、それらの発明に係る特許は、同法第１１３条第２号に該当し、取り消すべきものである。 ＜引用文献等一覧＞ 甲第１１号証：特許第７３９０５８１号（以下、「甲１１」という。） ２ 当審の判断 甲１１の特許の請求項１２は、令和６年１１月２６日にされた訂正請求による訂正により削除された。 したがって、当審が令和６年９月２７日に特許権者に通知した取消理由は解消した。 第４ 取消理由通知において採用しなかった特許異議申立理由について １ 申立人の主張 申立人が特許異議申立書において主張する特許異議申立の理由は、以下のとおりである。 〔理由１〕 本件発明１－２５は、甲第１－１０号証に記載された発明に基いて、当業者が容易に発明をすることができたものであるから、本件特許の請求項１－２５に係る特許は、特許法第２９条第２項の規定に違反してされたものである。 ＜証拠一覧＞ 甲第１号証：特開２００１－１５９９１５号公報（以下、「甲１」という。） 甲第２号証：特開２０１７－１８７２２８号公報（以下、「甲２」という。） 甲第３号証：特開平６－３４１１８号公報（以下、「甲３」という。） 甲第４号証：特開２０２１－９６０４６号公報（以下、「甲４」という。） 甲第５号証：特開平１０－３８２４３号公報（以下、「甲５」という。） 甲第６号証：特開２０１９－７４２４０号公報（以下、「甲６」という。） 甲第７号証：特開２０２１－１８８８８０号公報（以下、「甲７」という。） 甲第８号証：特開平９－１４６３０号公報（以下、「甲８」という。） 甲第９号証：特開平７－２０８７３３号公報（以下、「甲９」という。） 甲第１０号証：特公平７－５４１７１号公報（以下、「甲１０」という。） ２ 理由１について （１） 甲号証に記載された発明、事項等 ア 甲１ 甲１には、以下の事項が記載されている（下線は当審が付与した。以下同様。）。 （ア）「【００１９】 【発明の実施の形態】本発明の運転支援装置を実炉に付帯させた場合の形態を説明する。図１は運転支援装置のブロック図であり、本発明の運転支援装置は、焼却炉１とガイダンス演算装置２と表示装置３から構成されている。 【００２０】焼却炉１では計測装置１ａにより炉内の各種物理量が計測され、それらのデータがガイダンス演算装置２へ入力される。本実施形態では、蒸発量、炉内各温度、排ガス濃度、および燃焼画像を計測値として用いている。 【００２１】ガイダンス演算装置２では、各種計測量より燃焼状態を判断する燃焼状態評価部２ａと、燃焼状態を良好にするために最適な手動操作方法を判別する手動操作方法判別部２ｂ、表示内容の選定を行う表示内容選定部２ｃを備えている。なお、装置間でのデータの伝送は、図に示すように、データ記憶手段４を介して行うと便利である。」 （イ）「【００２３】以下、ガイダンス演算装置２の各部の処理内容について説明する。 （１）燃焼状態評価部 ガイダンス演算装置２における燃焼状態評価部２ａの処理内容を図２のブロック図に示す。 【００２４】燃焼状態評価における入力は蒸発量偏差、炉内各温度、排ガス濃度、炉内画像データによるごみ厚みと燃え切り点である。蒸発量偏差は蒸発量計測値と指令値との相対誤差より導出される。ごみ厚みは工業用カメラによる炉内燃焼画像のごみ部分の高さを検知することで得られる。燃え切り点は工業用カメラは炉内下流部から上流方向へ取り付けられているので、最も手前にある炎の位置を検出することで得られる。 【００２５】このようにして、蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィ演算を施す。その際用いるファジィルールを表１に示す。これらのファジィルールに従い、現在の燃焼状態を評価するために、計測量を入力として燃焼状態リスト各々における適合度を算出する。適合度とは現状の燃焼状態が表１内ファジィルールで定めたつまり各々の燃焼状態との近さを表し、値の大きいルールほど現在の燃焼状態に近いことを示す。なお、これらの燃焼状態リスト関連のデータは、図に示すように、燃焼状態蓄積装置５ａに蓄積しておくと便利である。 【００２６】適合度は各計測量の前件部に関する適合度をメンバーシップ関数より求めてから、燃焼状態毎に対応表に基づき、該当する適合度を積算することで算出する。各計測量における事象の適合度を図３に示す蒸発量偏差のメンバーシップ関数を例に挙げて説明する。蒸発量偏差がＡであるとき、「蒸発量偏差が負である」という事象の適合度はａ１（変数名は表１にも記載）、「蒸発量偏差が正である」という事象の適合度はａ２である。 【００２７】なお、事象の適合度は０以上１以下の値で表現される。同様に燃焼室温度、Ｏ２濃度、ＮＯx濃度、ごみ厚み、燃え切りについてもそれぞれの事象についての適合度が事前に決定されているメンバーシップ関数により求められる。なお、メンバーシップ係数は個々の焼却炉または運転訓練装置に合わせて調整可能とする。 【００２８】次に表１に示す対応表の燃焼状態毎に適合度を算出する。実際には、「蒸発量偏差が負」、「ガス混合室温度が低又は高」等の個々の事象の適合度の積により算出する。例えば、表１中Ｒｕｌｅ１の燃焼状態「酸素過剰により燃焼不活発である」は、事象「ガス混合室温度が低」と事象「Ｏ２濃度が高」が、適合度の観点では関係がある。従って、これらの事象の適合度ｂ１ とｄ２から、以下の式で適合度ｍ１を導出する。 ｍ１＝ｂ１×ｄ２（１） 【００２９】同様に各燃焼状態の適合度ｍ１，．．．，ｍｉを算出して、燃焼状態リストから最も適合する燃焼状態を判別し、演算結果として図２に示す適合度ｍ１，．．．，ｍｉを手動操作方法判別部２ｂに出力する。」 （ウ）「【００３０】 【表１】 ［図：0001425737000001.jpg］ 」 （エ）（ア）の段落【００２０】から、計測装置１ａは、ガイダンス演算装置２へ入力される炉内の各種物理量を計測すると認められる。 また、（イ）の段落【００２４】の「燃焼状態評価における入力は蒸発量偏差、炉内各温度、排ガス濃度、炉内画像データによるごみ厚みと燃え切り点である。」との記載、段落【００２５】の「現在の燃焼状態を評価するために、計測量を入力として燃焼状態リスト各々における適合度を算出する。」との記載から、ガイダンス演算装置２の燃焼状態評価において、「ごみ厚みの計測量」と「燃え切り点の計測量」が入力されると認められる。 そうすると、計測装置１ａは、「ごみ厚みの計測量」と「燃え切り点の計測量」を計測すると認められる。 さらに、（イ）の段落【００２４】の「燃焼状態評価における入力は蒸発量偏差、炉内各温度、排ガス濃度、炉内画像データによるごみ厚みと燃え切り点である。」、「ごみ厚みは工業用カメラによる炉内燃焼画像のごみ部分の高さを検知することで得られる。燃え切り点は工業用カメラは炉内下流部から上流方向へ取り付けられているので、最も手前にある炎の位置を検出することで得られる。」なる記載から、上記「ごみ厚みの計測量」と「燃え切り点の計測量」について、炉内画像データを入力として、ごみ部分の高さを検知することで「ごみ厚みの計測量」が得られるとともに、最も手前にある炎の位置を検出することで「燃え切り点の計測量」が得られると認められる。 そうすると、計測装置１ａは、工業用カメラによる炉内画像データを入力として、ごみ厚みの計測量を得るとともに、燃え切り点の計測量を得ると認められる。 （オ）（イ）の段落【００２３】の「ガイダンス演算装置２における燃焼状態評価部２ａの処理内容を図２のブロック図に示す。」との記載、及び段落【００２５】の「蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィ演算を施す。その際用いるファジィルールを表１に示す。これらのファジィルールに従い、現在の燃焼状態を評価するために、計測量を入力として燃焼状態リスト各々における適合度を算出する。適合度とは現状の燃焼状態が表１内ファジィルールで定めたつまり各々の燃焼状態との近さを表し、値の大きいルールほど現在の燃焼状態に近いことを示す。」との記載から、蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィルールに従い、燃焼状態リスト各々における適合度を算出することにより、現在の燃焼状態を評価する燃焼状態評価部２ａを備える運転支援装置、情報処理方法及び情報処理が理解できる。 上記によれば、甲１には、次の発明（以下、「甲１発明Ａ」－「甲１発明Ｃ」という。）が記載されている。 〔甲１発明Ａ〕 「工業用カメラによる炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得る計測装置１ａと、 蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィルールに従い、燃焼状態リスト各々における適合度を算出することにより、現在の燃焼状態を評価する燃焼状態評価部２ａと、 を備えたことを特徴とする運転支援装置。」 〔甲１発明Ｂ〕 「情報処理方法であって、 工業用カメラによる炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得るステップと、 蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィルールに従い、燃焼状態リスト各々における適合度を算出することにより、現在の燃焼状態を評価するステップと、 を含むことを特徴とする情報処理方法。」 〔甲１発明Ｃ〕 「工業用カメラによる炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得るステップと、 蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィルールに従い、燃焼状態リスト各々における適合度を算出することにより、現在の燃焼状態を評価するステップと、 からなる情報処理。」 イ 甲２ 甲２には、以下の事項が記載されている。 （ア）「【００４５】 画像処理部８１では、熱画像撮像部７５から一定時間毎に入力される熱画像に対して、平滑化処理等の画像処理が施される。ごみ高さ演算部８２は、識別器８２１と、学習部８２２とを備える。ごみ高さ演算部８２では、画像処理部８１により画像処理が施された熱画像（以下、同様に「熱画像」という。）に基づいて、搬送方向および幅方向における火格子部２１上の各位置のごみの高さ（以下、単に「ごみ高さ」という。）が求められる。これにより、搬送方向および幅方向におけるごみ高さの分布を示すごみ高さ情報が取得される。火格子部２１上の各位置におけるごみ高さは、当該位置におけるごみの厚さ、または、ごみの堆積値である。」 （イ）「【００５２】 次に、ごみ高さ演算部８２が、熱画像からごみ高さ情報を取得する処理について説明する。ごみ高さ情報を取得するには、まず、機械学習により識別器８２１を構築する処理が事前準備として行われる。図６は、識別器８２１を構築する処理の流れを示す図である。 【００５３】 識別器８２１の構築では、まず、熱画像撮像部７５により取得される複数の熱画像が準備される（ステップＳ１１）。図７は、熱画像の一例を示す図である。熱画像撮像部７５では、ごみの燃焼時に生成される炭酸ガスや、火炎（輝炎）の影響を受けにくい特定波長の赤外線のみを検出することにより、図７に示すように、炭酸ガスや火炎の影響が除去された熱画像が取得される。実際には、火格子部２１上におけるごみの堆積状態（ごみ高さの分布）が様々である複数の熱画像が準備される。画像処理部８１では、複数の熱画像に対して平滑化処理等の画像処理が施される。当該画像処理が施された熱画像（多階調の画像）は、識別器８２１の学習に用いられる画像であり、以下、「教師画像」という。」 （ウ）「【００５５】 ごみ高さ演算部８２では、図９に示すように、各教師画像において火格子部２１の存在領域５３を分割した複数の分割領域５９（図９中にて細い破線にて示す。）が設定される。複数の分割領域５９は、図２を参照して説明した火格子部２１上の分割領域２９をそれぞれ示す。続いて、教師画像の各分割領域５９に対して、ごみ高さを示すクラスが、習熟した運転員により教示される（ステップＳ１２）。例えば、ごみが無い状態を０％とし、想定される最大高さを１００％として、０～１００％の範囲を分割した８個の区間をそれぞれ示す８個のクラスが設定され、当該８個のクラスのいずれかに、各分割領域５９が割り振られる。例えば、１％は１ｃｍ（センチメートル）に相当する。」 （エ）「【００６２】 学習部８２２では、未知の熱画像において、教師画像と同様にして設定される各分割領域のごみ高さを取得する部分識別器が、複数の教師データを用いて学習を行うことにより構築される。各分割領域の部分識別器の学習では、複数の教師画像において、当該分割領域と同じ位置の分割領域５９に対する複数の教師データが用いられる。ここで、識別器（部分識別器）の構築とは、識別器が含むパラメータに値を付与したり、構造を決定すること等により識別器を生成することを意味する。部分識別器において用いられるアルゴリズムとしては、様々なものが採用可能であり、本実施の形態では、ファジィクラスタリング（例えばファジィｃ平均法）が利用される。 【００６３】 既述のように、教師データは、複数（８個）のクラスのうちの１つのクラスを示し、ファジィクラスタリングを利用する部分識別器は、未知の熱画像の分類領域に対して、各クラスに属する度合いを示す帰属度（メンバシップ値）を出力する。制御システム８では、熱画像の複数の分類領域にそれぞれ対応する複数の部分識別器の集合が識別器（ここでは、ＦＣＭ識別器）８２１として扱われる。このようにして、ごみ高さ演算部８２において学習部８２２により識別器８２１が構築される（ステップＳ１４）。運転員（人）が熱画像から各位置のごみ高さを決定する際には、熱画像中の当該位置と周囲との色合いの差や、ごみ領域５１のエッジ等に基づいて、ごみの状態を無意識に三次元的に捉えていると考えられる。図６の処理により構築される識別器８２１では、熱画像中の当該位置および周囲の輝度や、ごみ領域５１と側壁部領域５２との境界位置に基づく複数の特徴量を用いることにより、運転員による上記決定に従った分類が可能となる。 【００６４】 図１１は、ごみ高さ情報を取得する処理の流れを示す図である。ごみ高さ情報の取得では、熱画像撮像部７５により熱画像が取得され、画像処理部８１を介してごみ高さ演算部８２に入力される（ステップＳ２１）。熱画像では、図９と同様に、複数の分割領域５９および複数の矩形領域５８が設定され、上記ステップＳ１３と同様にして、各分割領域５９に対して複数の特徴量が取得される（ステップＳ２２）。各分割領域５９に対する複数の特徴量は、当該分割領域５９の領域輝度と、当該分割領域５９の周囲の分割領域５９の領域輝度との差を含む。また、当該複数の特徴量は、当該分割領域５９近傍の矩形領域５８における境界高さを含む。 【００６５】 そして、各分割領域５９に対する複数の特徴量が、当該分割領域５９に対応する部分識別器に入力されることにより、当該分割領域５９に対して、ごみ高さの８個のクラスの帰属度が分類結果として出力される（ステップＳ２３）。ごみ高さ演算部８２では、８個のクラスの帰属度の総和で、各クラスの帰属度を割って得た値が当該クラスの重みとして求められる。また、各クラスが示すごみ高さの範囲の中央値、最大値または最小値等が当該クラスの代表高さとして扱われる。そして、代表高さと重みとを掛けて得た値の全てのクラスにおける総和、すなわち、全てのクラスに対する重み付き平均値が、当該分割領域５９に対応する火格子部２１上の分割領域２９のごみ高さとして取得される（ステップＳ２４）。これにより、搬送方向および幅方向における火格子部２１上の各位置のごみ高さを示すごみ高さ情報が取得される。」 （オ）図４Ａ「 ［図：0001425737000002.jpg］ 」 上記によれば、甲２には、次の技術事項（以下、「甲２に記載の技術事項」という。）が記載されている。 〔甲２に記載の技術事項〕 「ごみ高さ演算部８２は、熱画像撮像部７５により取得される火格子部２１上におけるごみの堆積状態（ごみ高さの分布）が様々である複数の熱画像に対して、ごみ高さを示すクラスが割り振られた教師画像を機械学習することにより構築された部分識別器において利用されるアルゴリズムを用いて、熱画像を入力として火格子部２１上の各位置のごみ高さを示すごみ高さ情報を取得すること。」 ウ 甲３ 甲３には、以下の事項が記載されている。 （ア）「【００１２】図２に示すように、前記燃え切り位置検出手段Ｄは、被焼却物の搬送方向に沿って複数配置され炎の有無を受光強度に基づき検出するフォトセンサでなる光量検出手段Ｄ１と、前記燃焼帯７近傍の上方内壁面に複数配置され炉内の温度を検出する炉内温度検出手段Ｄ２と、被焼却物の搬送方向に沿って前記火格子Ｇに複数配置され前記火格子Ｇの温度を検出する火格子温度検出手段Ｄ３と、それらからの検出値に基づき各別に燃え切り地点を推定する複数の下位ニューラルネットワークＮ１，Ｎ２，Ｎ３と、各下位ニューラルネットワークＮ１，Ｎ２，Ｎ３の出力を統合する上位ニューラルネットワークＮ４とで構成してある。 【００１３】図１に示すように、前記光量検出手段Ｄ１は、燃焼帯７の前半部、中間部、後半部の三箇所に設けてあり、前記炉内温度検出手段Ｄ２は、乾燥帯部、前部燃焼帯部に対応する炉出口部、後部燃焼帯部、後燃焼帯部の四箇所に設けてあり、前記火格子温度検出手段Ｄ３は、前記燃焼帯７の床を構成する火格子Ｇに、その幅方向に三箇所及び搬送方向に四箇所の合計１２箇所に、温度検出素子としての熱電対Ｔを埋め込んで構成してあり、それぞれの出力信号を前記下位ニューラルネットワークＮ１，Ｎ２，Ｎ３に入力してある。但し、前記火格子温度検出手段Ｄ３は、その幅方向の三箇所の平均値を入力してある。 【００１４】前記下位ニューラルネットワークＮ１，Ｎ２，Ｎ３は、予め、光量検出手段Ｄ１、炉内温度検出手段Ｄ２、火格子温度検出手段Ｄ３のそれぞれで検出される燃え切り位置の典型的なパターンを教師信号とするバックプロパゲーションによる学習がなされており、実際の入力データに対して燃え切り位置が”上方”、”良好”、”下方”のいずれであるかを０．０から１．０の間の数値で出力するように構成されている。例えば、”上方”が１．０、”良好”が０．０、”下方”が０．０であれば、入力データに基づく判断は”上方”であることを示し、”上方”が０．８、”良好”が０．１、”下方”が０．０であれば、入力データに基づく判断はほぼ”上方”であることを示す。つまり、”上方”、”良好”、”下方”の各数値はそれぞれの程度を示すことになる。 【００１５】前記上位ニューラルネットワークＮ４は、下位ニューラルネットワークＮ１，Ｎ２，Ｎ３の個別の燃え切り位置出力である”上方”、”良好”、”下方”の３出力をそれぞれ入力とする総合判断用のニューラルネットワークであり、光量検出手段Ｄ１、炉内温度検出手段Ｄ２、火格子温度検出手段Ｄ３に対応する下位ニューラルネットワークＮ１，Ｎ２，Ｎ３のそれぞれに、信頼性を示す重み付けを行い学習させている。即ち、光量検出手段Ｄ１、炉内温度検出手段Ｄ２、火格子温度検出手段Ｄ３に対応して、下位ニューラルネットワークＮ１に”１．０”，下位ニューラルネットワークＮ２に”０．９”，下位ニューラルネットワークＮ３に”０．８”の重み付けを行い、表２に示す入力教師信号に対して、数１に示す変換式により求まる値を出力教師信号として、バックプロパゲーションによる学習を行っている。」 （イ）図２「 ［図：0001425737000003.jpg］ 」 上記によれば、甲３には、次の技術事項（以下、「甲３に記載の技術事項」という。）が記載されている。 〔甲３に記載の技術事項〕 「被焼却物の搬送方向に沿って複数配置され炎の有無を受光強度に基づき検出するフォトセンサでなる光量検出手段Ｄ１と、光量検出手段Ｄ１からの検出値に基づき燃え切り地点を推定する複数の下位ニューラルネットワークＮ１，Ｎ２，Ｎ３と、各下位ニューラルネットワークＮ１，Ｎ２，Ｎ３の出力を統合する上位ニューラルネットワークＮ４とを有し、上位ニューラルネットワークＮ４は、下位ニューラルネットワークＮ１，Ｎ２，Ｎ３の個別の燃え切り位置出力である”上方”、”良好”、”下方”の３出力をそれぞれ入力とし、各下位ニューラルネットワークＮ１，Ｎ２，Ｎ３の出力を統合すること。」 エ 甲４ 甲４には、以下の事項が記載されている。 （ア）「【００２２】 状態特定装置３００は、処理画像をカメラ２２０から取得して輝度などを特定して、フィーダ３１と、乾燥段２１と、燃焼段２２と、後燃焼段２３のそれぞれの燃焼状態を特定し、火格子６１の速度および風箱２が供給する空気の量を制御する。状態特定装置３００は、画像取得部３１０と、輝度特定部３２０と、点特定部３３０と、温度特定部３４０と、状態特定部３５０と、推奨提案部３６０と、を備える。状態特定装置３００は、有線または無線で燃焼設備１００と接続される。」 （イ）「【００７４】 〈第２の実施形態〉 以下、第２の実施形態に係る燃焼設備１００を説明する。第２の実施形態に係る状態特定装置３００の構成は、第１の実施形態に係る状態特定装置３００の構成に加えて、モデル生成部３７０と、モデル記憶部３８０を備える構成である。 【００７５】 モデル生成部３７０は、乾燥段２１の輝度を含む入力サンプルと、当該乾燥段２１の燃焼状態を含む出力サンプルからなるデータセットを用いた教師あり学習によって学習させられた学習済みモデルを生成して、モデル記憶部３８０に記録する。例えば、モデル生成部３７０は、可視画像の輝度の値を入力サンプルとする。また、モデル生成部３７０は、燃焼状態が「乾燥不良」であるか否かに関連付けられた値を出力サンプルとする。モデル生成部３７０は、上記輝度の値を入力サンプルとし、上記燃焼状態を現す値を出力サンプルとするデータセットを用いて、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）の手法を用いて、学習済みモデルを学習させる。上記学習済みモデルとは、上記輝度の値と、上記燃焼状態の値と、重みとが関連付けられた関係式である。」 上記によれば、甲４には、次の技術事項（以下、「甲４に記載の技術事項」という。）が記載されている。 〔甲４に記載の技術事項〕 「処理画像をカメラ２２０から取得した乾燥段２１の輝度を含む入力サンプルと、当該乾燥段２１の燃焼状態を含む出力サンプルからなるデータセットを用いた教師あり学習によって学習させられた学習済みモデルを生成すること。」 オ 甲５ 甲５には、以下の事項が記載されている。 （ア）「【００２４】本発明の燃焼判定・制御方法が適用されている画像処理装置１、ファジィシステム２および燃焼制御装置３を備える燃焼装置Ａの概略図を図１に、その燃焼判定・制御装置の機能ブロック図を図２に示し、同判定・制御装置Ａは、カラー画像撮像手段１０と、表色系変換手段２２と、特徴パラメータ抽出・生成手段２４と、プロセス状態量入力処理手段３２と、可変ニューラルネットワーク手段４２と、確率的統合処理手段４４と、燃焼制御処理手段４６と、プロセス制御量出力処理手段３４とを主要部としてなる。そして、表色系変換手段２２と、特徴パラメータ抽出・生成手段２４と、プロセス状態量入力処理手段３２と、可変ニューラルネットワーク手段４２と、確率的統合処理手段４４と、燃焼制御処理手段４６と、プロセス制御量出力処理手段３４とにより画像処理装置１が構成されている。」 （イ）「【００３２】可変ニューラルネットワーク手段４２は、入力された特徴パラメータの値に基づいて、あるいは必要に応じてプロセス状態量入力手段３２からのプロセス状態量の値にも基づいて、典型的な燃焼状態との適合度を求めて、例えば燃焼悪化、燃焼適正、燃焼過剰というような燃焼状態の判定または評価を行うニューラルネットワークが、燃焼装置の運転データをオンラインで取り込んで作成された教師データにより、その燃焼装置の稼働中に学習がなされた新たなニューラルネットワークに更新可能とされてなるものである。」 （ウ）図２「 ［図：0001425737000004.jpg］ 」 上記によれば、甲５には、次の技術事項（以下、「甲５に記載の技術事項」という。）が記載されている。 〔甲５に記載の技術事項〕 「燃焼装置Ａの画像処理装置１において、入力された特徴パラメータの値に基づいて、典型的な燃焼状態との適合度を求めて、例えば燃焼悪化、燃焼適正、燃焼過剰というような燃焼状態の判定または評価を行うニューラルネットワークを備えること。」 キ 甲６ 甲６には、以下の事項が記載されている。 （ア）「【００３８】 また、図１に示すように、燃焼炉７には、炉内を撮像するための撮像装置６が設置される。撮像装置６は、例えば動画像または静止画像の少なくとも一方が撮像可能な炉内カメラである。より具体的には、撮像装置６は、例えば、デジタルカメラ、ビデオカメラ、特定の波長を検知可能な赤外線カメラなどのカメラであっても良い。図１に示す実施形態では、撮像装置６は、一次燃焼領域８１の上方（図１では直上部）に位置する燃焼炉７の上部７ｃに設置されており、燃焼状態を真上から撮像するように構成されている。ただし、本実施形態に本発明は限定されず、他の幾つかの実施形態では、撮像装置６は燃焼炉７の側壁部７ｓなど、燃焼炉７の上部７ｃ以外の位置に設置されても良い。例えば、側壁部７ｓにおける二次燃焼領域８２を形成する部分や、そのさらに上の部分（上部７ｃにより近い部分）に撮像装置６を設置すると共に、一次燃焼領域８１が位置する下方を撮像するように斜め下に向けて設置されても良い。こうして撮像装置６によって撮像された燃料Ｆｇの燃焼時の炉内の画像Ｖ（燃焼画像）は、撮像装置６に接続される記憶装置に記憶（蓄積）される。図１に示す実施形態では、炉内状態量推定装置１の記憶装置１ｍに記憶されるように構成されているが、他の幾つかの実施形態では、例えば、後述する推定モデル作成装置２ｂが備える記憶装置や、その他の装置の記憶装置など、炉内状態量推定装置１とは別体の記憶装置に記憶されても良い。 （イ）「【００４１】 推定モデル作成部２は、燃焼炉７の炉内を撮像した画像Ｖ（以下、単に、画像Ｖという。）に基づいて得られる画像情報Ｉであって過去の画像Ｖに基づいて得られる過去画像情報Ｉｐと、過去画像情報Ｉｐで示される燃焼状態に応じた状態量Ｓとが対応付けられた学習データＤの機械学習を行い、推定モデルＭを作成する。学習データＤは、過去の画像Ｖに基づいて得られる過去画像情報Ｉｐ（画像情報Ｉ）と、この過去の画像Ｖが撮像された際の状態量Ｓの計測値Ｓｒまたは推定値とを対応付けたデータ（学習構成データ）の複数で構成される。画像情報Ｉは、炉内を撮像した画像Ｖそのものであっても良いし、後述するように、画像Ｖから抽出可能な特徴量Ｆであっても良い。また、画像Ｖは、静止画像であっても良いし、動画像を構成するフレーム（画像）であっても良い。そして、推定モデル作成部２は、周知な機械学習の手法（アルゴリズム）の少なくとも１つを用いて、学習データＤの機械学習を実行することにより、画像情報Ｉから状態量Ｓを算出するための推定モデルＭを作成し、作成した推定モデルＭを外部記憶装置などの記憶装置１ｍに記憶する。」 （ウ）「【００４７】 上記の構成によれば、炉内の燃焼状態に応じて、例えば灰中未燃分や、ＮＯｘ濃度、ＣＯ濃度などの状態量Ｓは変化するが、炉内の燃焼時の画像情報Ｉと、その画像情報Ｉが撮像された際の状態量Ｓ（計測値Ｓｒや推定値など）とが対応付けられた学習データＤの機械学習により作成された推定モデルＭを用いて、燃焼時の炉内を撮像した画像情報Ｉから、その燃焼状態で生じる状態量Ｓ（推定状態量Ｓｅ）を推定する。これによって、炉内の画像情報Ｉから状態量Ｓを迅速かつ精度良く推定することができる。」 上記によれば、甲６には、次の技術事項（以下、「甲６に記載の技術事項」という。）が記載されている。 〔甲６に記載の技術事項〕 「撮像装置６で撮像した画像Ｖに基づいて得られる画像情報Ｉから状態量Ｓを算出するための推定モデルＭを、学習データＤの機械学習を実行することにより作成すること。」 カ 甲７ 甲７には、以下の事項が記載されている。 （ア）「【００５４】 境界識別学習モデル４４ａの生成のために用いられるデータは、撮像部２６が撮像した透過画像データ、および透過画像データに対して境界が識別されて上述した境界線５３が描画処理された処理画像データ（以下、境界画像データ）である。透過画像データおよび境界画像データの数は、例えばそれぞれ、１００以上とするのが好ましい。すなわち、生成のために用いられる境界画像データは、作業者によって、透過画像データに対して、廃棄物５０と、廃棄物供給部１２、段差壁１３、炉壁１ａ、および火格子４とのそれぞれの境界に対して境界線５３が描画された画像データである。境界識別学習モデル４４ａを生成する際の入出力データセットとしては、学習用入力パラメータとして透過画像データが用いられ、学習用出力パラメータとして境界画像データが用いられる。制御部４１の学習部４１３は、上述した学習用入力パラメータおよび学習用出力パラメータを教師データとして、例えばニューラルネットワークを用いたディープラーニング（深層学習）などの機械学習によって、境界識別学習モデル４４ａを生成する。制御部４１は、学習部４１３により学習された内容に基づいて、透過画像データから境界画像データを生成する。また、学習部４１３は、入力された透過画像データ、および作業者が境界を修正したり描画したりすることで得られた境界画像データを用いて、境界識別学習モデル４４ａを適宜更新する。」 （イ）「【００５６】 燃焼状態学習モデル４４ｂの生成のために用いられる学習用入力パラメータは、撮像部２６が撮像した透過画像データ、および境界生成部４１１が境界識別学習モデル４４ａに基づいて生成した境界画像データの少なくとも一方とする。また、燃焼状態学習モデル４４ｂの生成のために用いられる学習用出力パラメータは、作業者によって、透過画像データまたは境界画像データに対して、火格子上廃棄物５２と他の領域との境界、および燃焼温度が所定温度以上の火格子上廃棄物５２と所定温度未満の火格子上廃棄物５２を含む他の領域との境界が描画処理された処理画像データ（以下、抽出画像データ）である。図７に示す例では、境界画像データに対して、火格子上廃棄物５２の燃焼温度が所定温度以上、例えば１０００Ｋ以上の部分が白抜きで描画され、所定温度未満、例えば１０００Ｋ未満の部分が打点で描画されている。図７に示す火格子上廃棄物５２において、燃焼温度が所定温度未満の部分の外縁には境界線５３２ａが描画され、燃焼温度が所定温度以上の燃焼部５２Ａと他の領域との境界、すなわち燃焼部５２Ａの外縁には境界線５３２ｂが描画されている。なお、熱画像カメラなどを備えた撮像部２６は、廃棄物５０の温度分布に基づいた透過画像データを出力することができる。この場合、出力された透過画像データは、例えば、温度が高いほど輝度が高くされ、温度が低いほど輝度が低くされた画像データとして出力できる。これにより、透過画像データから火格子上廃棄物５２を抽出し、抽出した火格子上廃棄物５２において、所定温度以上となる高温の領域を燃焼部５２Ａとして抽出できる。このように、輝度によって温度分布が把握できる透過画像データに対して、火格子上廃棄物５２と燃焼部５２Ａとを抽出した画像データを抽出画像データとしても良い。 【００５７】 学習に用いる透過画像データ、境界画像データ、および抽出画像データの数は、例えばそれぞれ、１００以上が好ましい。燃焼状態学習モデル４４ｂを生成する際の入出力データセットとしては、学習用入力パラメータとして透過画像データまたは境界画像データが用いられ、学習用出力パラメータとして抽出画像データが用いられる。制御部４１の学習部４１３は、上述した学習用入力パラメータおよび学習用出力パラメータを教師データとして、例えばニューラルネットワークを用いたディープラーニングなどの機械学習によって、燃焼状態学習モデル４４ｂを生成する。制御部４１は、学習部４１３により学習された内容に基づいて、透過画像データまたは境界画像データから抽出画像データを生成する。また、学習部４１３は、入力された透過画像データまたは境界画像データ、および作業者が境界を修正したり描画したりすることで得られた抽出画像データを用いて、燃焼状態学習モデル４４ｂを適宜更新する。」 （ウ）「【００７１】 次に、ステップＳＴ７に移行して制御部４１の燃焼判定部４１２は、火格子上廃棄物５２の層の高さ（以下、廃棄物層高さＨ）を算出する。具体的に、燃焼判定装置４０の燃焼判定部４１２は、境界線５３２における段差壁１３と火格子上廃棄物５２との境界部分に基づいて、火格子上廃棄物５２の高さ（以下、廃棄物層高さＨ）を算出する。ここで、図６および図７に示すように、境界線５３２における段差壁１３と火格子上廃棄物５２との境界部分は凹凸状である。算出部としての燃焼判定部４１２は、境界画像データにおいて確定している火格子４と段差壁１３との交差部分から、境界線５３２によって得られる火格子上廃棄物５２の上部までの高さｈを幅方向に対して平均化させることにより、廃棄物層高さＨを算出する。 【００７２】 なお、境界画像データや抽出画像データにおいて、境界線５３２と、火格子４と段差壁１３との交差部分とによって挟まれた火格子上廃棄物５２の面積を導出し、導出した面積を定数である炉１の横幅（図７中、左右の幅）で除して平均化させることで、廃棄物層高さＨを算出しても良い。算出された廃棄物層高さＨは、火格子４上に供給された廃棄物５０（火格子上廃棄物５２）に対応する物理量となる。制御部４１は、算出した火格子上廃棄物５２の廃棄物層高さＨの情報を燃焼制御装置３０に送信する。燃焼制御装置３０の制御部３１は、受信した廃棄物層高さＨの情報を記憶部３２に格納する。 【００７３】 次に、ステップＳＴ８に移行して燃焼判定部４１２は、燃焼量の測定装置として機能して、火格子上廃棄物５２における燃焼量を算出する。すなわち、図７に示すように、抽出画像データにおいて、火格子上廃棄物５２の燃焼温度が所定温度以上の領域が境界線５３２ｂによって囲まれて燃焼部５２Ａとして抽出されている（図７中、白抜き部）。ここで抽出画像データにおいては、例えば画像の画素ごとに燃焼温度に対応した輝度が設定されている。なお、画素の代わりに，燃焼部５３Ａを複数の所定のメッシュに分割して、それぞれのメッシュ（計算格子）ごとに燃焼温度に対応した輝度が設定されていても良い。また、輝度の代わりに温度の計測値の情報を画素やメッシュに関連付けたメタ情報として抽出画像データに埋め込んでも良い。 【００７４】 図９は、本発明の一実施形態による情報処理方法を説明するための焼却炉の燃焼部分を模式的に示す図である。図９に示すように、炉１内においては、廃棄物供給装置３の移動に対応して供給前廃棄物５１が火格子４上に落下する。火格子４においては、廃棄物５０の移動方向の上流側から下流側に沿って、主に、廃棄物５０を乾燥させる乾燥段、廃棄物５０を燃焼させる燃焼段、および燃焼が終了した廃棄物５０の燃焼灰を搬送する後燃焼段が設けられる。この場合、通常、火格子上廃棄物５２の燃焼温度は燃焼段の部分で最も高温になり、図９中斜線で示す部分が燃焼部５２Ａの燃焼量ＶＦに相当する。この点に関して本発明者は鋭意検討を行い、火格子上廃棄物５２の燃焼量ＶＦは、燃焼部５２Ａの面積、燃焼部５２Ａの最高温度、または燃焼部５２Ａの温度積算値に比例することを想到した。すなわち、燃焼判定部４１２が、透過画像データや境界画像データに対して熱画像処理を行うことによって、抽出画像データを生成し、燃焼部５２Ａにおける、面積、最高温度、または温度積算値を算出することにより、燃焼量ＶＦを定義できる。換言すると、抽出画像データにおいて抽出された燃焼部５２Ａの面積、最高温度、または温度積算値によって、火格子上廃棄物５２の燃焼量ＶＦを把握できる。制御部４１は、算出した燃焼部５２Ａにおける、面積の情報、最高温度の情報、および温度積算値の情報の少なくとも１つの情報を燃焼量ＶＦの情報として燃焼制御装置３０に送信する。燃焼制御装置３０の制御部３１は、受信した燃焼量ＶＦの情報を記憶部３２に格納する。 【００７５】 次に、図８に示すステップＳＴ９に移行して燃焼判定部４１２は、燃焼点の位置測定装置として機能して、燃焼点Ｆの位置測定方法を実行する。すなわち、火格子上廃棄物５２と火格子４との境界線５３ｃは、廃棄物５０の具体的な燃焼点となる。通常、廃棄物５０の具体的な燃焼点は、凹凸状である。そこで、燃焼判定部４１２は、図７に示すように、抽出画像データにおいて描画されている境界線５３２ｂにおける火格子４と燃焼部５２Ａとの境界を炉１の幅方向に平均化させる。換言すると、燃焼判定部４１２は、抽出画像データに描画された境界線５３２ｂに基づいて、廃棄物５０（火格子上廃棄物５２）の燃焼点Ｆが、火格子４の移動方向に沿った線上のどの位置に平均的に存在するかを算出する。これにより、燃焼判定装置４０は、火格子４上における廃棄物５０の燃焼点Ｆを導出できる。制御部４１は、導出した廃棄物５０の燃焼点Ｆの位置情報を燃焼制御装置３０に送信する。燃焼制御装置３０の制御部３１は、受信した燃焼点Ｆの位置情報を記憶部３２に格納する。以上のステップＳＴ７，ＳＴ８，ＳＴ９は、上述した順序に限定されず、並行して行っても、逆順に行っても、任意の順序で行っても良い。 【００７６】 次に、図８に示すステップＳＴ１０に移行して燃焼制御装置３０の制御部３１は、炉１の構造に対応してあらかじめ導出されている、火格子上廃棄物５２の廃棄物層高さＨと燃焼点Ｆとの適切な関係となる所定範囲である基準燃焼点領域を記憶部３２から読み出す。図１０は、本発明の一実施形態による燃焼制御方法に用いられる燃焼点Ｆと廃棄物層高さＨとの間における基準燃焼点領域を示すグラフである。 【００７７】 図１０に示すように、火格子上廃棄物５２の廃棄物層高さＨと燃焼点Ｆとの間には適切な関係が存在し、その領域を本明細書では基準燃焼点領域という。基準燃焼点領域のデータは記憶部３２に格納されている。制御部３１は、記憶部３２に格納された図１０に示す基準燃焼点領域の情報を読み出す。一方、制御部３１は、燃焼判定装置４０から取得した廃棄物層高さＨおよび燃焼点Ｆの位置情報を記憶部３２から読み出す。制御部３１は、読み出した廃棄物層高さＨおよび燃焼点Ｆの位置情報と、図１０に示す基準燃焼点領域とを比較する。図１０に示す例では、燃焼判定装置４０から送信された廃棄物層高さＨと燃焼点Ｆとの関係が、グラフ上で例えば計測点Ｐ１１の位置に存在していたり、計測点Ｐ１２の位置に存在していたりする。計測点Ｐ１１は、廃棄物層高さＨに対して燃焼点Ｆが下流側、すなわち撮像部２６側に位置していることを表す。計測点Ｐ１２は、廃棄物層高さＨに対して燃焼点Ｆが上流側、すなわち段差壁１３側に位置していることを表す。 【００７８】 次に、図８に示すステップＳＴ１１に移行して制御部３１は、炉１の構造に対応してあらかじめ導出されている、火格子上廃棄物５２の廃棄物層高さＨと燃焼量ＶＦとの適切な関係となる所定範囲である基準燃焼量領域を記憶部３２から読み出す。図１１は、本発明の一実施形態による燃焼制御方法に用いられる燃焼量ＶＦと廃棄物層高さＨとの間における基準燃焼量領域を示すグラフである。 【００７９】 図１１に示すように、火格子上廃棄物５２の廃棄物層高さＨと燃焼量ＶＦとの間には適切な関係が存在し、その領域を本明細書では基準燃焼量領域という。一方、制御部３１は、燃焼判定装置４０から取得した廃棄物層高さＨおよび燃焼量ＶＦの情報を記憶部３２から読み出す。制御部３１は、読み出した廃棄物層高さＨおよび燃焼量ＶＦの情報と、図１１に示す基準燃焼量領域とを比較する。図１１に示す例では、燃焼判定装置４０から送信された廃棄物層高さＨと燃焼量ＶＦとの関係が、グラフ上で例えば計測点Ｐ２１の位置に存在していたり、計測点Ｐ２２の位置に存在していたりする。計測点Ｐ２１は、廃棄物層高さＨに対して燃焼量ＶＦが大きく、燃焼量ＶＦが過剰であることを表す。同様に、計測点Ｐ２２は、廃棄物層高さＨに対して燃焼量ＶＦが小さく、燃焼量ＶＦが不足していることを表す。以上のステップＳＴ１０，ＳＴ１１は、上述した順序に限定されず、並行して行っても、逆順で行っても良い。 【００８０】 次に、図８に示すステップＳＴ１２に移行して制御部３１は、燃焼判定装置４０から送信された廃棄物層高さＨ、燃焼点Ｆの位置情報、および燃焼量ＶＦの情報に基づいて、火格子上廃棄物５２の燃焼状態が適切になるよう燃焼制御方法を実行する。すなわち、制御部３１は、取得した情報に基づいて、上述した燃焼制御装置３０における制御パラメータを補正して、廃棄物供給装置送り速度（給塵速度）や火格子送り速度（火格子速度）、必要に応じて燃焼用空気量や二次空気量（送風量）や燃焼空気温度を調整することにより、炉１を制御する。具体的に、燃焼点Ｆの位置情報に基づいた制御の例を表１に示す。」 （エ） 図１０「 ［図：0001425737000005.jpg］ 」 （オ） 図１１「 ［図：0001425737000006.jpg］ 」 （カ）段落【００７６】、【００７７】及び【００８０】の記載、並びに図１０の図示事項から、廃棄物層高さと燃焼点を、廃棄物層高さと燃焼点を座標軸とするグラフ上にマッピングすることにより、燃焼状態を判定することが理解できる。 （キ）段落【００７８】－【００８０】の記載、及び図１１の図示事項から、廃棄物層高さと燃焼量を、廃棄物層高さと燃焼量を座標軸とするグラフ上にマッピングすることにより、燃焼状態を判定することが理解できる。 上記によれば、甲７には、次の技術事項（以下、「甲７に記載の技術事項」という。）が記載されている。 〔甲７に記載の技術事項〕 「撮像部２６が撮像した透過画像データ、又は前記透過画像データを機械学習した境界識別学習モデル４４ａから出力される境界画像データを機械学習した燃焼状態学習モデル４４ｂから出力される抽出画像データを用いて算出された廃棄物層高さ、燃焼量、及び燃焼点を、廃棄物層高さと燃焼点を座標軸とするグラフ及び廃棄物層高さと燃焼量を座標軸とするグラフ上にマッピングすることにより、燃焼状態を判定すること。」 キ 甲８ 甲８には、以下の事項が記載されている。 （ア）「【０００９】図１及び図４に示すように、前記焼却処理帯５の下流側後壁部に、前記燃焼帯Ｍにおける燃焼火炎を撮影入力する撮像手段２０としてのカラーＣＣＤカメラを設け、その撮像手段２０による入力画像データから前記燃焼帯Ｍにおける燃焼中のゴミの質を推定するマイクロコンピュータ利用の画像処理手段２１を設けてゴミ質推定装置を構成してある。画像処理手段２１は、図１に示すように、撮像手段２０から入力された画像データを赤（Ｒ）緑（Ｇ）青（Ｂ）の色成分に分解してメモリに格納し、緑（Ｇ）成分の画像データから火炎領域を抽出する第一演算手段Ｃ１と、前記第一演算手段Ｃ１により抽出された火炎領域における青（Ｂ）成分と緑（Ｇ）成分の強度比を演算導出して、その値から高温領域の面積を抽出する第二演算手段Ｃ２と、前記第一演算手段Ｃ１により抽出された炎領域の面積と前記第二演算手段Ｃ２により抽出された高温領域の面積とから前記燃焼帯Ｍで焼却処理されているゴミの質を推定する第三演算手段Ｃ３とからなる。」 上記によれば、甲８には、次の技術事項（以下、「甲８に記載の技術事項」という。）が記載されている。 〔甲８に記載の技術事項〕 「カラーＣＣＤカメラによる入力画像データから燃焼中のゴミの質を推定すること。」 ク 甲９ 甲９には、以下の事項が記載されている。 （ア）「【０００８】そこで、本発明は上記問題点を解決するためのものであってその目的とするところは、火炉内燃焼に関係ある多数の計器からの情報を取り込み客観的判断基準に基づいて燃焼状態を連続監視する機能を具備することにより、運転技術者の精神的、肉体的負担を軽減し、いかなるレベルの運転技術者でも、容易に安定な燃焼状態で運転をすることができる燃焼監視装置を提供することにある。」 （イ）「【００２０】 【実施例】以下、本発明の実施例を図面に基づいて具体的に説明する。図１は本発明の第１実施例に係るボイラプラントの燃焼監視装置の具体的構成を示すブロック図である。図において、１は燃焼監視装置全体で、火炉内燃焼を火炎イメージセンサとカラーカメラからなる火炎検出器で捕らえた火炎映像信号Ｘを画像処理部２で取り込む。画像処理部２では上記火炎映像信号Ｘを画像処理し、火炎画像データ（火炎輝度、火炎透明度、火炎温度）２ａを１６ビット・ディジタルデータとして一定周期で出力する。」 上記によれば、甲９には、次の技術事項（以下、「甲９に記載の技術事項」という。）が記載されている。 〔甲９に記載の技術事項〕 「火炉内燃焼を火炎イメージセンサとカラーカメラからなる火炎検出器で捕らえた火炎映像信号Ｘを用いて燃焼状態を連続監視すること。」 ケ 甲１０ 甲１０には、以下の事項が記載されている。 （ア）「燃焼状態診断装置は、該燃焼室（２）の燃焼状態データを出力するニューラルネットワーク（２１）と、該ニューラルネットーク（２１）の出力を入力として該燃焼室（２）の燃焼傾向データを出力するエキスパートシステム（３０）とで構成してある。 詳述すると、第２図に示すように、該ニューラルネットワーク（２１）は、所定単位のメモリーで構成された複数のニューロン（２２ａ）でなる入力層（２２）と、該入力層（２２）からの出力データを所定の重みで関連付けて中間出力する同じく複数のニューロン（２３ａ）でなる中間層（２３）と、該中間層（２３）からの出力を所定の重みで関連付けて該燃焼室（２）の燃焼状態データとしての“ゴミ切れ指数”、“ゴミ山盛り指数”を出力する二つのニューロン（２４ａ）でなる出力層（２４）と、入力されたプロセスデータを中間層から出力層へ所定の重みをもって乗加算する演算装置（論理素子やマイクロコンピュータ）で構成してある。 該入力層（２２）には、ゴミの燃焼状況を監視する撮像手段（１５）としての産業用テレビカメラ（ＩＴＶ）の画像情報である燃焼帯火炎等や、プッシャ速度、ストーカ速度、炉出口温度等各種センサの出力情報、該燃焼制御装置（２０）による制御出力でなるプロセスデータを０から１００の範囲で正視化したものであって過去１０分間の平均値が１分毎に入力される。 該出力層（２４）から出力される“ゴミ切れ指数”、“ゴミ山盛り指数”は、０．０から１．０の範囲の数値で表され、“良好（０．０から０．２）”、“兆候（０．４から０．６）”、“発生（０．７から１．０）”といった具合に評価される。」（第３ページ左欄第１５行ー第４２行） （イ）「第２図 ［図：0001425737000007.jpg］ 」 上記によれば、甲１０には、次の技術事項（以下、「甲１０に記載の技術事項」という。）が記載されている。 〔甲１０に記載の技術事項〕 「燃焼状態診断装置において、産業用テレビカメラ（ＩＴＶ）の画像情報である燃焼帯火炎等が入力される入力層（２２）、該入力層（２２）からの出力データを所定の重みで関連付けて中間出力する中間層（２３）、及びゴミ切れ指数”、“ゴミ山盛り指数”を出力する二つのニューロン（２４ａ）でなる出力層（２４）で構成されるニューラルネットワーク（２１）を用いること。」 （２） 理由１についての当審の判断 ア 本件発明１と甲１発明Ａとの対比・判断 本件発明１と甲１発明Ａとを、その機能、構成又は技術的意義を考慮して対比する。 甲１発明Ａの「工業用カメラによる」は、本件発明１における「第１撮像装置で撮像した」に相当する。 そして、甲１発明Ａの「炉内画像データ」は、現在の燃焼状態を評価する焼却炉１内の画像データであるから、本件発明１の「焼却炉内の新たな第１撮像データ」に相当する。また、甲１発明Ａの「ごみ厚みと燃え切り点」は、燃焼状態を判断する要素であるから、本件発明１の「第１評価軸」に相当する。 さらに、甲１発明Ａの「計測量を得る」は、本件発明１の「評価する」に相当し、同様に「計測装置１ａ」は「第１画像解析部」に相当する。 そうすると、甲１発明Ａの「工業用カメラによる炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得る計測装置１ａ」と、本件発明１の「第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として前記第１評価軸での評価を行う第１画像解析部」とは、「第１撮像装置で撮像した」「焼却炉内の新たな第１撮像データを入力として第１評価軸での評価を行う第１画像解析部」の限りにおいて一致する。 甲１発明Ａの「現在の燃焼状態を評価する燃焼状態評価部２ａ」は、本件発明１における「現在の燃焼状態を判定する燃焼状態判定部」に相当する。 甲１発明Ａの「運転支援装置」は、本件発明１における「情報処理装置」に相当する。 よって、本件発明１と甲１発明Ａとは、次の一致点で一致し、相違点１で相違する。 〔一致点〕 「第１撮像装置で撮像した焼却炉内の新たな第１撮像データを入力として第１評価軸での評価を行う第１画像解析部と、 現在の燃焼状態を判定する燃焼状態判定部と、 を備えたことを特徴とする情報処理装置。」 〔相違点１〕 「現在の燃焼状態を判定」するに際し、本件発明１では、「焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として前記第１評価軸での評価を行」い、「第２画像解析部」で「第２撮像装置で撮像した焼却炉内の第２撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習した第２学習済みモデルを用いて、焼却炉内の新たな第２撮像データを入力として前記第２評価軸での評価を行」い、「前記第１評価軸および第２評価軸の各々での評価結果を、前記第１評価軸および第２評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングする」のに対し、甲１発明Ａでは、「炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得」て、「蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィルールに従い、燃焼状態リスト各々における適合度を算出する」点。 上記相違点１について検討する。 甲１には、蒸発量、炉内各温度、排ガス濃度、ごみ厚み及び燃え切り点について、各計測量における事象の適合度の積を用いることで、現在の燃焼状態を判定することが記載されている（段落【００２５】－【００３０】を参照）。そして、甲１において、各計測量における事象の適合度を求めるに際し、炉内画像データから得られるごみ厚み及び燃え切り点の計測量を、「ごみ厚みと燃え切り点」以外の事象を評価軸としたグラフ上にマッピングする必要はない。 そうすると、甲１発明Ａは、マッピングに係る技術事項を開示する甲７に記載の技術事項を適用しなくても、現在の燃焼状態を判定することができるものであるから、甲１発明Ａに、甲７に記載の技術事項を適用する動機付けは認められない。 そして、甲２－６、８－１０に記載の技術事項は、上記相違点１に係る事項について開示も示唆もしないから、上記相違点１に係る事項は、当業者が容易に想到できたものであるとはいえない。 よって、本件発明１は、甲１発明Ａ及び甲２－１０に記載の技術事項に基いて、当業者が容易に発明をすることができたものではない。 イ 本件発明２－９について 本件発明１は、上記アのとおり、当業者が容易に発明をすることができたものということはできないから、本件発明１の発明特定事項をすべて含む本件発明２－９も、本件発明１と同様の理由により、当業者が容易に発明をすることができたものであるとはいえない。 ウ 本件発明１０と甲１発明Ａとの対比・判断 本件発明１０と甲１発明Ａとを、その機能、構成又は技術的意義を考慮して対比する。 甲１発明Ａの「工業用カメラによる」は、本件発明１０における「第１撮像装置で撮像した」に相当する。 そして、甲１発明Ａの「炉内画像データ」は、現在の燃焼状態を評価する焼却炉１内の画像データであるから、本件発明１０の「焼却炉内の新たな第１撮像データ」に相当する。 また、甲１発明Ａの「ごみ厚みと燃え切り点」は、ともに燃焼状態を判断する要素であるから、本件発明１０の「２つ以上の第１評価軸の各々」に相当する。 また、甲１発明Ａの「計測量を得る」は、本件発明１０の「評価を行う」に相当し、同様に、「計測装置１ａ」は、「第１画像解析部」に相当する。 そうすると、甲１発明Ａの「工業用カメラによる炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得る計測装置１ａ」と、本件発明１０の「第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行う第１画像解析部」とは、「第１撮像装置で撮像した」「焼却炉内の新たな撮像データを入力として２つ以上の第１評価軸の各々での評価を行う第１画像解析部」の限りにおいて一致する。 甲１発明Ａの「現在の燃焼状態を評価する燃焼状態評価部２ａ」は、本件発明１０における「現在の燃焼状態を判定する燃焼状態判定部」に相当する。 甲１発明Ａの「運転支援装置」は、本件発明１０における「情報処理装置」に相当する。 よって、本件発明１０と甲１発明Ａとは、次の一致点で一致し、相違点２で相違する。 〔一致点〕 「第１撮像装置で撮像した焼却炉内の新たな撮像データを入力として２つ以上の第１評価軸の各々での評価を行う第１画像解析部と、 現在の燃焼状態を判定する燃焼状態判定部と、 を備えたことを特徴とする情報処理装置。」 〔相違点２〕 「現在の燃焼状態を判定」するに際し、本件発明１０では、「焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行」い、「２つ以上の前記第１評価軸の各々での評価結果を、２つ以上の前記第１評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングする」のに対し、甲１発明Ａでは、「炉内画像データを入力としてごみ厚みと燃え切り点の各々の計測量を得」て、「蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィルールに従い、燃焼状態リスト各々における適合度を算出する」点。 上記相違点２について検討する。 甲１には、蒸発量、炉内各温度、排ガス濃度、ごみ厚み及び燃え切り点について、各計測量における事象の適合度の積を用いることで、現在の燃焼状態を判定することが記載されている（段落【００２５】－【００３０】を参照）。そして、甲１において、各計測量における事象の適合度を求めるに際し、炉内画像データから得られるごみ厚み及び燃え切り点の計測量を、「ごみ厚み」及び「燃え切り点」を評価軸としたグラフ上に、マッピングする必要はない。 そうすると、甲１発明Ａは、マッピングに係る技術事項を開示する甲７に記載の技術事項を適用しなくても、現在の燃焼状態を判定することができるものであるから、甲１発明Ａに、甲７に記載の技術事項を適用する動機付けは認められない。 そして、甲２－６、８－１０に記載の技術事項は、上記相違点２に係る事項について開示も示唆もしないから、上記相違点２に係る事項は、当業者が容易に想到できたものであるとはいえない。 よって、本件発明１０は、甲１発明Ａ及び甲２－１０に記載の技術事項に基いて、当業者が容易に発明をすることができたものではない。 エ 本件発明１１－２１について 本件発明１０は、上記ウのとおり、当業者が容易に発明をすることができたものということはできないから、本件発明１０の発明特定事項をすべて含む本件発明１１－２１も、本件発明１０と同様の理由により、当業者が容易に発明をすることができたものであるとはいえない。 オ 本件発明２２と甲１発明Ｂとの対比・判断 本件発明２２と甲１発明Ｂとを、その機能、構成又は技術的意義を考慮して対比する。 甲１発明Ｂの「情報処理方法」と、本件発明２２の「コンピュータが実行する情報処理方法」とは、「情報処理方法」の限りにおいて一致する。 甲１発明Ｂの「工業用カメラによる」は、本件発明２２における「第１撮像装置で撮像した」に相当する。 そして、甲１発明Ｂの「炉内画像データ」は、現在の燃焼状態を評価する焼却炉１内の画像データであるから、本件発明２２の「焼却炉内の新たな第１撮像データ」に相当する。 また、甲１発明Ｂの「ごみ厚みと燃え切り点」は、燃焼状態を判断する要素であるから、本件発明２２の「第１評価軸」に相当する。 さらに、甲１発明Ｂの「計測量を得る」は、本件発明２２の「評価を行う」に相当する。 そうすると、甲１発明Ｂの「工業用カメラによる炉内画像データを入力としてごみ厚みと燃え切り点での評価を得るステップ」と、本件発明２２の「第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として前記第１評価軸での評価を行うステップ」とは、「第１撮像装置で撮像した」「焼却炉内の新たな第１撮像データを入力として第１評価軸での評価を行うステップ」である限りにおいて一致する。 甲１発明Ｂの「現在の燃焼状態を評価するステップ」は、本件発明２２における「現在の燃焼状態を判定するステップ」に相当する。 よって、本件発明２２と甲１発明Ｂとは、次の一致点で一致し、相違点３－４で相違する。 〔一致点〕 「情報処理方法であって、 第１撮像装置で撮像した焼却炉内の新たな第１撮像データを入力として第１評価軸での評価を行うステップと、 現在の燃焼状態を判定するステップと、 を含むことを特徴とする情報処理方法。」 〔相違点３〕 「情報処理方法」について、本件発明２２においては、「コンピュータが実行する」のに対し、甲１発明Ｂにおいては、かかる事項が特定されていない点。 〔相違点４〕 「現在の燃焼状態を判定」するに際し、本件発明２２では、「焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として前記第１評価軸での評価を行」い、「第２撮像装置で撮像した焼却炉内の第２撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習した第２学習済みモデルを用いて、焼却炉内の新たな第２撮像データを入力として前記第２評価軸での評価を行」い、「前記第１評価軸および第２評価軸の各々での評価結果を、前記第１評価軸および第２評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングする」のに対し、甲１発明Ｂでは、「炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得」て、「蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィルールに従い、燃焼状態リスト各々における適合度を算出する」点。 事案に鑑み、相違点４から検討する。 甲１には、蒸発量、炉内各温度、排ガス濃度、ごみ厚み及び燃え切り点について、各計測量における事象の適合度の積を用いることで、現在の燃焼状態を判定することが記載されている（段落【００２５】－【００３０】を参照）。そして、甲１において、各計測量における事象の適合度を求めるに際し、炉内画像データから得られるごみ厚み及び燃え切り点の計測量を、「ごみ厚みと燃え切り点」以外の事象を評価軸としたグラフ上に、マッピングする必要はない。 そうすると、甲１発明Ｂは、マッピングに係る技術事項を開示する甲７に記載の技術事項を適用しなくても、現在の燃焼状態を判定することができるものであるから、甲１発明Ｂに、甲７に記載の技術事項を適用する動機付けは認められない。 そして、甲２－６、８－１０に記載の技術事項は、上記相違点４に係る事項について開示も示唆もしないから、上記相違点４に係る事項は、当業者が容易に想到したものであるとはいえない。 よって、相違点３について検討するまでもなく、本件発明２２は、甲１発明Ｂ及び甲２－１０に記載の技術事項に基いて、当業者が容易に発明をすることができたものではない。 カ 本件発明２３と甲１発明Ｂとの対比・判断 本件発明２３と甲１発明Ｂとを、その機能、構成又は技術的意義を考慮して対比する。 甲１発明Ｂの「情報処理方法」と、本件発明２３の「コンピュータが実行する情報処理方法」とは、「情報処理方法」の限りにおいて一致する。 甲１発明Ｂの「工業用カメラによる」は、本件発明２３における「第１撮像装置で撮像した」に相当する。 そして、甲１発明Ｂの「炉内画像データ」は、現在の燃焼状態を評価する燃焼炉１内の画像データであるから、本件発明２３の「燃焼炉内の新たな第１撮像データ」に相当する。 また、甲１発明Ｂの「ごみ厚みと燃え切り点」は、ともに燃焼状態を判断する要素であるから、本件発明２３の「２つ以上の第１評価軸の各々」に相当する。 さらに、甲１発明Ｂの「計測量を得る」は、本件発明２３の「評価を行う」に相当する。 そうすると、甲１発明Ｂの「工業用カメラによる炉内画像データを入力としてごみ厚みと燃え切り点の評価を行うステップ」と、本件発明２３の「第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行うステップ」とは、「第１撮像装置で撮像した」「焼却炉内の新たな第１撮像データを入力として２つ以上の第１評価軸の各々での評価を行うステップ」である限りにおいて一致する。 甲１発明Ｂの「現在の燃焼状態を評価するステップ」は、本件発明２３における「現在の燃焼状態を判定するステップ」に相当する。 よって、本件発明１０と甲１発明Ｂとは、次の一致点で一致し、相違点５－６で相違する。 〔一致点〕 「情報処理方法であって、 第１撮像装置で撮像した焼却炉内の新たな撮像データを入力として２つ以上の第１評価軸の各々での評価を行うステップと、 現在の燃焼状態を判定するステップと、 を含むことを特徴とする情報処理方法。」 〔相違点５〕 「情報処理方法」について、本件発明２３においては、「コンピュータが実行する」のに対し、甲１発明Ｂにおいては、かかる事項が特定されていない点。 〔相違点６〕 「現在の燃焼状態を判定」するに際し、本件発明２３では、「焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として前記第１評価軸の各々での評価を行」い、「２つ以上の前記第１評価軸の各々での評価結果を、２つ以上の前記第１評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングする」のに対し、甲１発明Ｂでは、「炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得」て、「蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィルールに従い、燃焼状態リスト各々における適合度を算出する」点。 事案に鑑み、相違点６から検討する。 甲１には、蒸発量、炉内各温度、排ガス濃度、ごみ厚み及び燃え切り点について、各計測量における事象の適合度の積を用いることで、現在の燃焼状態を判定することが記載されている（段落【００２５】－【００３０】を参照）。そして、甲１において、各計測量における事象の適合度を求めるに際し、炉内画像データから得られるごみ厚み及び燃え切り点の計測量を、「ごみ厚み」及び「燃え切り点」を評価軸としたグラフ上に、マッピングする必要はない。 そうすると、甲１発明Ｂは、マッピングに係る技術事項を開示する甲７に記載の技術事項を適用しなくても、現在の燃焼状態を判定することができるものであるから、甲１発明Ｂに、甲７に記載の技術事項を適用する動機付けは認められない。 そして、甲２－６、８－１０に記載の技術事項は、上記相違点６に係る事項について開示も示唆もしないから、上記相違点６に係る事項は、当業者が容易に想到したものであるとはいえない。 よって、相違点５について検討するまでもなく、本件発明２３は、甲１発明Ｂ及び甲２－１０に記載の技術事項に基いて、当業者が容易に発明をすることができたものではない。 キ 本件発明２４と甲１発明Ｃとの対比・判断 本件発明２４と甲１発明Ｃとを、その機能、構成又は技術的意義を考慮して対比する。 甲１発明Ｃの「工業用カメラによる」は、本件発明２４における「第１撮像装置で撮像した」に相当する。 そして、甲１発明Ｃの「炉内画像データ」は、現在の燃焼状態を評価する燃焼炉１内の画像データであるから、本件発明２４の「燃焼炉内の新たな第１撮像データ」に相当する。 また、甲１発明Ｃの「ごみ厚みと燃え切り点」は、燃焼状態を判断する要素であるから、本件発明２４の「第１評価軸」に相当する。 さらに、甲１発明Ｃの「計測量を得る」は、本件発明２４の「評価を行う」に相当する。 そうすると、甲１発明Ｃの「工業用カメラによる炉内画像データを入力としてごみ厚みと燃え切り点での計測量を得るステップ」と、本件発明２４の「第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として前記第１評価軸での評価を行うステップ」とは、「第１撮像装置で撮像した」「焼却炉内の新たな第１撮像データを入力として第１評価軸での評価を行うステップ」である限りにおいて一致する。 甲１発明Ｃの「現在の燃焼状態を評価するステップ」は、本件発明２４における「現在の燃焼状態を判定するステップ」に相当する。 甲１発明Ｃの「情報処理」と、本件発明２４における「コンピュータに」「実行させることを特徴とする情報処理プログラム」とは、「情報処理」である限りにおいて一致する。 よって、本件発明２４と甲１発明Ｃとは、次の一致点で一致し、相違点７－８で相違する。 〔一致点〕 「第１撮像装置で撮像した焼却炉内の新たな第１撮像データを入力として第１評価軸での評価を行うステップと、 現在の燃焼状態を判定するステップと、 からなる情報処理。」 〔相違点７〕 「情報処理」について、本件発明２４においては、「コンピュータに」「実行させる」「プログラム」であるのに対し、甲１発明Ｃにおいては、かかる事項が特定されていない点。 〔相違点８〕 「現在の燃焼状態を判定」するに際し、本件発明２４では、「焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第１評価軸における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として前記第１評価軸での評価を行」い、「第２撮像装置で撮像した焼却炉内の第２撮像データに対して、燃焼状態を判断する要素となる少なくとも１つの第２評価軸における分類ラベルが付与されることにより生成された第２教師データを機械学習した第２学習済みモデルを用いて、焼却炉内の新たな第２撮像データを入力として前記第２評価軸での評価を行」い、「前記第１評価軸および第２評価軸の各々での評価結果を、前記第１評価軸および第２評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングする」のに対し、甲１発明Ｃでは、「炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得」て、「蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィルールに従い、燃焼状態リスト各々における適合度を算出する」点。 事案に鑑み、相違点８から検討する。 甲１には、蒸発量、炉内各温度、排ガス濃度、ごみ厚み及び燃え切り点について、各計測量における事象の適合度の積を用いることで、現在の燃焼状態を判定することが記載されている（段落【００２５】－【００３０】を参照）。そして、甲１において、各計測量における事象の適合度を求めるに際し、炉内画像データから得られるごみ厚み及び燃え切り点の計測量を、「ごみ厚みと燃え切り点」以外の事象を評価軸としたグラフ上に、マッピングする必要はない。 そうすると、甲１発明Ｃは、マッピングに係る技術事項を開示する甲７に記載の技術事項を適用しなくても、現在の燃焼状態を判定することができるものであるから、甲１発明Ｃに、甲７に記載の技術事項を適用する動機付けは認められない。 そして、甲２－６、８－１０に記載の技術事項は、上記相違点８に係る事項について開示も示唆もしないから、上記相違点８に係る事項は、当業者が容易に想到したものであるとはいえない。 よって、相違点７について検討するまでもなく、本件発明２４は、甲１発明Ｃ及び甲２－１０に記載の技術事項に基いて、当業者が容易に発明をすることができたものではない。 ク 本件発明２５と甲１発明Ｃとの対比・判断 本件発明２５と甲１発明Ｃとを、その機能、構成又は技術的意義を考慮して対比する。 甲１発明Ｃの「工業用カメラによる」は、本件発明２５における「第１撮像装置で撮像した」に相当する。 そして、甲１発明Ｃの「炉内画像データ」は、現在の燃焼状態を評価する燃焼炉１内の画像データであるから、本件発明２５の「燃焼炉内の新たな第１撮像データ」に相当する。 また、甲１発明Ｃの「ごみ厚みと燃え切り点」は、ともに燃焼状態を判断する要素であるから、本件発明２５の「２つ以上の第１評価軸の各々」に相当する。 さらに、甲１発明Ｃの「計測量を得る」は、本件発明２５の「評価を行う」に相当する。 そうすると、甲１発明Ｃの「工業用カメラによる炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得るステップ」と、本件発明２５の「第１撮像装置で撮像した焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行うステップ」とは、「第１撮像装置で撮像した」「焼却炉内の新たな第１撮像データを入力として２つ以上の第１評価軸の各々での評価を行うステップ」である限りにおいて一致する。 甲１発明Ｃの「現在の燃焼状態を評価するステップ」は、本件発明２５における「現在の燃焼状態を判定するステップ」に相当する。 甲１発明Ｃの「情報処理」と、本件発明２４における「コンピュータに」「実行させることを特徴とする情報処理プログラム」とは、「情報処理」である限りにおいて一致する。 よって、本件発明２５と甲１発明Ｃとは、次の一致点で一致し、相違点９－１０で相違する。 〔一致点〕 「第１撮像装置で撮像した焼却炉内の新たな撮像データを入力として２つ以上の第１評価軸の各々での評価を行うステップと、 現在の燃焼状態を判定するステップと、 からなる情報処理。」 〔相違点９〕 「情報処理」について、本件発明２５においては、「コンピュータに」「実行させる」「プログラム」であるのに対し、甲１発明Ｃにおいては、かかる事項が特定されていない点。 〔相違点１０〕 「現在の燃焼状態を判定」するに際し、本件発明２５では、「焼却炉内の第１撮像データに対して、燃焼状態を判断する要素となる２つ以上の第１評価軸の各々における分類ラベルが付与されることにより生成された第１教師データを機械学習した第１学習済みモデルを用いて、焼却炉内の新たな第１撮像データを入力として２つ以上の前記第１評価軸の各々での評価を行」い、「２つ以上の前記第１評価軸の各々での評価結果を、２つ以上の前記第１評価軸を座標軸とする予め定められた燃焼状態判定マップ上へマッピングする」のに対し、甲１発明Ｃでは、「炉内画像データを入力としてごみ厚みと燃え切り点の計測量を得」て、「蒸発量、炉内各温度、排ガス濃度、炉内画像データを取り込み、ファジィルールに従い、燃焼状態リスト各々における適合度を算出する」点。 事案に鑑み、相違点１０から検討する。 甲１には、蒸発量、炉内各温度、排ガス濃度、ごみ厚み及び燃え切り点について、各計測量における事象の適合度の積を用いることで、現在の燃焼状態を判定することが記載されている（段落【００２５】－【００３０】を参照）。そして、甲１において、各計測量における事象の適合度を求めるに際し、炉内画像データから得られるごみ厚み及び燃え切り点の計測量を、「ごみ厚み」及び「燃え切り点」を評価軸としたグラフ上に、マッピングする必要はない。 そうすると、甲１発明Ｃは、マッピングに係る技術事項を開示する甲７に記載の技術事項を適用しなくても、現在の燃焼状態を判定することができるものであるから甲１発明Ｃに、甲７に記載の技術事項を適用する動機付けは認められない。 そして、甲２－６、８－１０に記載の技術事項は、上記相違点１０に係る事項について開示も示唆もしないから、上記相違点１０に係る事項は、当業者が容易に想到したものであるとはいえない。 よって、相違点９について検討するまでもなく、本件発明２５は、甲１発明Ｃ及び甲２－１０に記載の技術事項に基いて、当業者が容易に発明をすることができたものではない。 第５ むすび 以上のとおりであるから、本件特許の請求項１－２５に係る特許は、取消理由通知に記載した取消理由及び特許異議申立書に記載した申立ての理由によっては、取り消すことはできない。 また、他に、本件特許の請求項１－２５に係る特許を取り消すべき理由を発見しない。 よって、結論のとおり決定する。