CN109511406A - 植物的健康诊断系统 - Google Patents
植物的健康诊断系统 Download PDFInfo
- Publication number
- CN109511406A CN109511406A CN201810483899.5A CN201810483899A CN109511406A CN 109511406 A CN109511406 A CN 109511406A CN 201810483899 A CN201810483899 A CN 201810483899A CN 109511406 A CN109511406 A CN 109511406A
- Authority
- CN
- China
- Prior art keywords
- plant
- diagnosis
- image
- vein
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Environmental Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种能够简单且适当地把握植物的各种健康状态的植物的健康诊断系统。本发明为一种根据对植物进行拍摄而得的图像来进行健康状态的诊断的植物的健康状态诊断系统,具有:学习单元105,其参照作为学习对象的植物的图像的学习对象图像和拍摄学习对象图像时的学习对象的健康状态,学习根据作为诊断对象的植物的图像的该植物的健康状态的诊断方法;诊断单元107,其受理对作为诊断对象的植物进行拍摄而得的诊断对象图像的输入,并输出基于诊断方法的诊断对象的健康状态的诊断结果。
Description
技术领域
本发明涉及一种进行植物的健康状态的诊断的系统,具体涉及一种根据对作为诊断对象的植物进行拍摄而得的图像,对于植物的健康状态进行诊断的系统。
背景技术
在以农作物等为代表的植物栽培中,需要进行植物的健康状态等的判断和在此基础上的适当的处理。例如,当植物体内的水分含量过多或不足时,进行增减给水量的处理、当植物体内的特定营养素不足时,进行施加用于补充该营养素的肥料的处理、若植物的一部分处于患病的状态时,进行对该部位的切除处理等,有必要进行对状态的判断和处理。但,根据其外观等来判断植物的状态时,若非常年进行该植物的栽培的熟练的人员,难以给出适当的判断。
对此,提出了即使不是熟练的人员也能够判断植物的状态的辅助系统等方案。例如,专利文献1中记载有由进行植物栽培的用户通过图像读取装置将植物图像发送到中心的植物图像分析装置,由植物图像分析装置进行基于叶面的颜色等的问题的诊断,并将该结果以及处理方法发送到用户的图像读取装置的装的植物的自动诊断系统。
另外,专利文献2中记载有从植物的茎叶、及土壤中采集样本,使用试纸、LED反射光时钟对植物的树液、及土壤中所含成分进行分析的植物体营养的实时诊断方法。
现有技术文献
专利文献1:特开平9-262027号公报
专利文献2:特开平11-289870号公报
发明内容
采用专利文献1中记载的系统,用户能够通过发送植物的图像,了解该植物的状态以及与其相对应的处理。但是,为了根据植物的图像对该植物的状态进行适当地判断,需要预先登记在外观上显示怎样的特征、该特征随时间怎样变化等信息和那些特征、变化是表示植物处于怎样的状态等的信息。假定植物各种各样的状态,对该各状态所出现的外观特征进行详尽的输入是需要做大量的工作的。另外,若假定要应用于多种植物,那么事先登记每种植物不同的外观特征、各种植物特有的疾病等所有的信息是不现实的。
如专利文献2中所记载的,若直接对植物的树液、土壤中所含成分进行分析,即使事先不进行上述的大量的信息的存储,也能进行植物的状态的判定。但是,为此需要用于分析的器具、繁杂的步骤,难以简单地进行。另外,专利文献2中所示的分析,仅仅是简易的分析,为得到更详细、准确的分析结果,需要从植物、土壤中采集样本、将其送到专业机构并委托进行分析、等待结果出来等步骤。在这种专业机构进行的详细分析而言,从费用、工序方面,以及分析结果出来之前的期间等方面来说,在随时判定植物的状态,并对其进行适当的处理这一方向上的利用是较难的。
因此,在本发明中,将提供一种能够简单且适当地把握植物的各种各样的健康状态的植物的健康诊断系统作为课题。
为解决上述课题,本发明提供的植物的健康诊断系统,其为根据对植物进行拍摄而得的图像来进行健康状态诊断的植物的健康诊断系统,具有:学习单元,其参照作为学习对象的植物的图像的学习对象图像和在拍摄所述学习对象图像时的所述学习对象的健康状态,学习根据作为诊断对象的植物的图像的该植物的健康状态的诊断方法;诊断单元,其受理对作为诊断对象的植物进行拍摄而得的诊断对象图像的输入,并输出基于所述诊断方法的所述诊断对象的健康状态的诊断结果。
如此,通过学习根据拍摄的植物的图像和拍摄当时的健康状态来诊断健康状态的方法,并据此进行健康诊断,即使不事先进行用于诊断基准的大量的输入工作,也能够进行根据作为诊断对象的植物的图像的健康状态的诊断。
本发明的一优选的技术方案中,所述学习对象图像至少包含对所述学习对象的叶脉进行拍摄而得的图像;所述学习单元进行基于所述学习对象的叶脉的形态的所述诊断方法的学习;所述诊断对象图像至少包含对所述诊断对象的叶脉进行拍摄而得的图像;所述诊断单元输出基于所述诊断对象的叶脉的形态的所述诊断结果;所述学习对象的叶脉的形态和所述诊断对象的叶脉的形态至少包含叶脉的粗细和叶脉的连续性之中的一个以上。
如此,通过在学习诊断方法以及基于学习结果的健康诊断时,关注植物的叶脉的形态,能够进行高精度的健康状态的诊断。
本发明的一优选的技术方案中,所述学习对象的健康状态至少包含对所述学习对象的树液的分析结果。
如此,由于作为学习对象包含树液的分析结果,能够把握对学习对象的更正确的健康状态,从而进行使用该结果的诊断方法的学习。
本发明的一优选的技术方案中,所述学习单元还参照与在拍摄所述学习对象图像时的所述学习对象的生长环境相关的信息。
如此,通过将关于学习对象的生长环境的信息用于诊断方法的学习,能够进行更高精度的诊断方法的学习。
本发明的一优选的技术方案中,所述学习单元还学习决定与所述学习对象的健康状态相对应的处理的方法,所述诊断结果包含基于所述诊断对象的健康状态的所述处理。
如此,通过输出基于诊断结果的处理方法的构成,能够在植物健康状态不好或发病等情况下,提供用于进行适当的处理的信息。
本发明的一优选的技术方案中,所述学习单元进行机械学习。
如此,在诊断方法的学习中,使用机械学习,能够有效地进行诊断方法的学习。
本发明的植物的健康诊断程序,其为根据对植物进行拍摄而得的图像来进行健康状态的诊断的植物的健康诊断程序,该程序将电脑装置作为学习单元和诊断单元来运行,其中,学习单元参照作为学习对象的植物的图像的学习对象图像和在拍摄所述学习对象图像时的所述学习对象的健康状态,学习根据作为诊断对象的植物的图像的该植物的健康状态的诊断方法;诊断单元受理对作为诊断对象的植物进行拍摄而得的诊断对象图像的输入,并输出基于所述诊断方法的所述诊断对象的健康状态的诊断结果;所述学习对象图像至少包含对所述学习对象进行拍摄而得的叶脉的图像;所述学习单元进行基于所述学习对象的叶脉的形态的所述诊断方法的学习;所述诊断对象图像至少包含对所述诊断对象的叶脉进行拍摄而得的图像;所述诊断单元输出基于所述诊断对象的叶脉的形态的所述诊断结果;所述学习对象的叶脉的形态以及所述诊断对象的叶脉的形态至少包含叶脉的粗细和叶脉的连续性之中的一个以上。
本发明的植物的健康诊断方法,其为根据对植物进行拍摄而得的图像来进行健康状态诊断的、使用电脑装置的植物的健康诊断方法,该方法包括:所述电脑装置参照作为学习对象的植物的图像的学习对象图像和拍摄所述学习对象图像时的所述学习对象的健康状态,学习根据作为诊断对象的植物的图像的该植物的健康状态的诊断方法的步骤;以及,所述电脑装置受理对作为诊断对象的植物进行拍摄而得的诊断对象图像的输入,并输出基于所述诊断方法的所述诊断对象的健康状态的诊断结果的步骤;所述学习对象图像至少包含对所述学习对象的叶脉进行拍摄而得的图像;在学习所述诊断方法的步骤中,进行基于所述学习对象的叶脉的形态的所述诊断方法的学习;所述诊断对象图像至少包含对所述诊断对象的叶脉进行拍摄而得的图像;在输出所述诊断结果的步骤中,输出基于所述诊断对象的叶脉的形态的所述诊断结果;所述学习对象的叶脉的形态以及所述诊断对象的叶脉的形态至少包含叶脉的粗细和叶脉的连续性之中的一个以上。
发明效果
本发明提供一种即使不事先进行详尽地输入健康状态的判断基准等,也能够诊断植物的各种各样的健康状态并输出的植物的健康诊断系统。
附图说明
图1是表示本发明一实施方式的植物的健康诊断系统的结构图。
图2是表示本发明一实施方式的健康诊断服务器装置的功能框图。
图3是表示作为本发明一实施方式中的学习对象的数据的记录处理的流程的流程图。
图4是表示本发明一实施方式中的诊断处理的流程的流程图。
符号说明
1 健康诊断服务器装置
101 学习对象接收单元
102 图像存储部
1021 叶面/叶脉图像存储部
1022 整体图像存储部
103 健康状态存储部
1031 树的长势信息存储部
1032 树液分析结果存储部
104 环境信息存储部
1041 土壤分析结果存储部
1042 大气/天气信息存储部
1043 处理信息存储部
105 学习单元
106 诊断方法存储部
107 诊断单元
2 有识者终端装置
3 用户终端装置
NW 网络
具体实施方式
以下,参照附图对本发明一实施方式进行详细地说明。图1是本实施方式的植物的健康诊断系统的结构图。如图所示,本实施方式的植物的健康诊断系统被构成为,进行作为诊断方法的学习对象的数据存储和使用该数据的诊断方法的学习、作为诊断对象的信息输入的受理和对其的诊断结果的输出等的健康诊断服务器装置1、对作为诊断对象的植物的生长具有丰富知识的有识者使用的有识者终端装置2、以及向健康诊断服务器装置1发送作为诊断对象的植物的图像,进行诊断其健康状态的委托和结果的接收、显示等的3a~3d的用户终端装置3(以下,不需要特别区别时,仅称为用户终端装置3)利用互联网等的网络NW能够进行通信。
图2是本实施方式的健康诊断服务器装置1的功能框图。如图所示,本实施方式的健康诊断服务器装置1具有:学习对象接收单元101,其由有识者终端装置2接收作为学习对象的植物的图像、其健康状态、生长环境信息;图像存储部102,其存储学习对象的图像;健康状态存储部103,其存储学习对象的健康状态;环境信息存储部104,其存储学习对象的生长环境信息;学习单元105,其参照图像存储部102、健康状态存储部103、环境信息存储部104,对基于植物的图像和健康状态、环境信息的、根据图像判定植物的健康状态、以及基于此决定适当的处理的诊断方法进行学习;诊断方法存储部106,其存储由学习单元105学习的诊断方法;诊断单元107,其由用户终端装置3接收作为诊断对象的植物的图像,进行基于记录于诊断方法存储部106的诊断方法的诊断,将诊断对象的健康状态、以及与其相对应的适当的处理等作为诊断结果发送至用户终端装置3。
图像存储部102具有:叶面/叶脉图像存储部1021,其存储对作为学习对象的植物的叶面、叶脉进行拍摄而得的图像;整体图像存储部1022,其存储对还包含叶以外的部分进行拍摄而得的整体像的图像。另外,健康状态存储部103具有:树的长势信息存储部1031,其存储由有识者使用有识者终端装置2输入的拍摄时的学习对象的树的长势信息;树液分析结果存储部1032,其存储在拍摄时点采集的树液的分析结果。环境信息存储部104包含与在拍摄作为学习对象的植物的图像时的生长环境等相关的信息的部件,其具有:土壤分析结果存储部1041,其存储该植物生长的土壤的分析结果;大气/天气信息存储部1042,其存储与大气、天气相关的信息;处理信息存储部1043,其存储与对作为学习对象的植物施加的水分含量、肥料的种类、以及量等的处理相关的信息。
作为健康诊断服务器装置1,能够使用具有CPU等的演算装置、RAM(Random AccessMemory)等的主存储装置、HDD(Hard Disk Drive)、SSD(Solid State Drive)、闪速存储器等的辅助存储装置、包含连接网络NW的连接单元的各种输入/输出装置等的服务器设备等的一般的电脑装置。更具体地说,作为上述的各单元将运行健康诊断服务器装置1的程序预先或者根据健康诊断服务器装置1的管理员的操作等存储于辅助存储装置中,通过将那些程序在主存储装置上展开,由演算装置进行演算,进行输入/输出单元的控制等,能够将电脑装置作为本实施方式的电子证明系统中的健康诊断服务器装置1来使用。另外,在本实施方式中,示出了由单一的电脑装置来实现健康诊断服务器装置1,但本发明不限于此。例如,也可以是,由将图像存储部102、健康状态存储部103、环境信息存储部104等的存储部配置于其他的电脑装置,将其作为参照的构成、以及将学习单元105配置于其他的电脑装置的构成等,可由多个电脑装置来实现健康诊断服务器装置1。另外,如后所述,学习单元105中,将其作为进行机械学习的结构时,优选将利用GPU(Graphics Processing Unit)的GPGPU(General-Purpose computing on Graphics Processing Units)作为能够实施的结构等。
作为有识者终端装置2,能够使用具有演算装置、主存储装置、辅助存储装置、包含连接网络NW的连接单元的各种输入/输出装置等的一般的电脑装置。在这里,如后面说明的那样,因为要进行作为学习对象的植物的图像的拍摄、与树的长势相关的信息的输入等,能够优选使用具有照相机功能的、也容易带入植物的生长场所的智能手机终端、以及平板电脑型终端等。另外,在图1中仅示出了1台有识者终端装置2,但本发明不限于此,其构成可以是,对同种植物或不同种植物具有深厚知识的多个有识者分别使用的多个有识者终端装置2。另外,其构成也可以是,有识者终端装置2以外、或代替有识者终端装置2,由健康诊断服务器装置1直接受理关于学习对象的图像、健康状态、环境信息的输入。
作为用户终端装置3,也能够使用具有演算装置、主存储装置、辅助存储装置、包含连接网络NW的连接单元的各种输入/输出装置等的一般的电脑装置。在图1中,作为一个例子,示出了智能手机3a、平板电脑型终端3b、笔记本电脑3c、农用机器人3d,但本发明不限于此,其他各种电脑装置也能作为用户终端装置3使用。另外,在这里,智能手机3a、平板电脑型终端3b、笔记本电脑3c为进行植物栽培的用户通过自己进行栽培植物的图像的拍摄、以及从数码照相机等中读取,并将其发送至健康诊断服务器装置1、接收健康状态及基于此的处理等的诊断结果并显示,用户能够对栽培的植物作出适当的处理等的设备。另外,对于农用机器人3d而言,其为能够根据由其管理员的操作或定期自动处理等,进行对植物的图像的拍摄或从其他的拍摄设备读取,将其发送至健康诊断服务器装置1并接收诊断结果,直至自动进行基于植物的健康状态的处理的设备。
<学习对象数据的存储>
接下来,参照图3,对向本实施方式的植物的健康诊断系统进行作为学习对象的数据的记录、存储的处理流程进行说明。另外,该处理的构成可以为,健康诊断服务器装置1和有识者终端装置2分别具有Web服务器程序和网页浏览器程序,通过使用HTTP(Hyper TextTransfer Protocol)的两个程序之间的通信来进行,该处理也可以为,有识者终端装置2具有用于进行作为学习对象的数据的输入的专业程序,使用该程序与健康诊断服务器装置1进行根据任意的通信协议的信息的发送/接收。
在该处理中,首先在步骤S101,由有识者终端装置2受理对作为学习对象的植物的叶脉、叶面进行拍摄而得的图像的输入。在这里的图像,其构成可以为,在有识者终端装置2具有照相机时,督促用户进行图像的拍摄和发送,也可以为督促对于预先拍摄的、存储于有识者终端装置2的辅助存储装置等的图像进行选择和发送。
接下来在步骤S102,接收在步骤S101发送的叶脉、叶面的图像的植物的整体像的图像。这里也与步骤S101相同,为督促进行由有识者终端装置2拍摄的图像或存储于有识者终端装置2的辅助存储装置的图像等的发送的构成即可。另外,这里为了简要说明以图方便,说明为整体像的图像,但不包含植物的整体的图像也可以,即,包含多个叶、茎等的、比在步骤S101中接收的包含叶脉、叶面的图像的范围更大的图像即可。另外,其构成可以是,接收包含植物的上部的图像和根部的图像等的多个的图像。
在步骤S103,受理作为学习对象的植物的、在拍摄步骤S101、S102接收的图像时的树的长势信息的输入。作为这里的树的长势信息,例如能够列举能看到叶面的色泽较差等与植物外观相关的信息、叶面的张力状况等的触觉信息等。
在步骤S104,受理作为学习对象的植物的、在拍摄步骤S101、S102接收的图像时采集的树液的分析结果的输入。作为这里的树液分析结果,例如能够列举树液中的含水量、各种营养成分的含量等。另外,对于树液的分析而言,委托给专业机构,有时需要一定的时间。因此,关于树液的分析结果,可以作成日后另行受理其输入的构成。
在步骤S105,受理作为学习对象的植物的、在拍摄步骤S101、S102接收的图像时的土壤的分析结果的输入。作为这里的土壤的分析结果,例如能够列举土壤的温度和湿度、矿物质值、肥料成分、PH值的变化、细菌群的分析结果等。另外,关于土壤的分析结果,与树液的分析结果相同,委托专业机构直到结果出来有时需要时间,因此,可以作成将其一部分或全部日后另行受理其输入的构成。
在步骤S106,受理作为学习对象的植物的、在拍摄步骤S101、S102接收的图像时的与大气、天气相关的信息的输入。作为这里的与大气、天气相关的信息,例如能够列举气温、湿度、紫外线量、二氧化碳浓度等。另外,与大气、天气相关的信息,也能够根据如下的处理来获取,即受理由有识者终端装置2进行的作为学习对象的植物的生长地点的输入等,从未图示的外部服务器装置等获取该生长地点的气象信息。
在步骤S107,受理与对作为学习对象的植物进行的处理相关的信息的输入。作为这里的与处理相关的信息,例如能够列举向植物供给的水分的量、施与的肥料的种类、量的信息等。另外,关于向植物供给的水分的量、肥料的信息,还能够根据刚才在步骤S105受理输入的土壤的分析结果来推测。因此,在这里也能够省略受理另外的输入。另外,受理输入的信息,为如后所述的受理关于作为学习对象的植物随时间的多个时点的信息的输入时,受理在上次输入信息后与进行的处理相关的信息的输入即可。此外,也可以构成为,若作为学习对象的植物为开花植物,受理关于开花的信息,若为农作物,受理关于收获的信息等追加信息的输入。
如上所述,完成作为学习对象的植物的图像的接收、以及信息输入的受理后,在步骤S108,向图像存储部102、健康状态存储部103、环境信息存储部104存储各自的图像、信息,处理结束。
另外,在这里为了便于说明,示出了依次进行作为学习对象的植物的图像的接收、健康状态和环境信息的输入的受理的处理,但这仅为一个例子,本发明并不限于此。图像的接收、信息的输入的顺序能够从图3中示例的处理开始替换,或也能够通过受理成批的输入等其他方法来受理信息的输入。另外,也能够在不影响后面的学习单元105的学习的范围内,省略一部分信息的输入。
另外,在这里示出了受理作为学习对象的植物在某个时点的图像、健康状态、环境信息的输入,但更优选受理随着时间的多个信息的输入。为此,即,其构成可以是,将多个日期的植物的图像和其各个时点的健康状态、环境信息的输入汇总受理,或通过受理与用于识别植物的个体的信息一起受理每日的图像、健康状态、环境信息的输入来存储信息。
在本实施方式的植物的健康诊断系统中,为了进行将多个品种的的植物作为对象的健康状态的诊断,在上述作为学习对象的信息的输入时,优选受理作为对象植物的品种的输入,同时存储。
<诊断方法、处理决定方法的学习>
这样一来,使用存储于图像存储部102、健康状态存储部103、环境信息存储部104的作为学习对象的信息,学习单元105对植物的健康状态的诊断方法进行学习。该学习优选由深层学习、强化学习等的机械学习来进行。即,将在某个时点的作为学习对象的植物的叶脉、叶面的图像、植物整体的图像作为输入数据、将在各自的图像的拍摄时点的健康状态作为输出数据,生成由输入数据推断出输出数据的模型,通过这样的处理,能够使用该模型,之后由诊断单元107根据诊断对象的植物的图像进行健康状态的诊断。
对于学习的更详细的处理而言,根据图像存储部102存储的学习对象的每一个图像的来进行特征量计算,并生成该特征量和健康状态存储部103、环境信息存储部104存储的信息相对应关系的模型。在这里,作为特征量,优选使用至少根据叶面/叶脉图像存储部1021存储的图像计算与学习对象的叶脉的形态相关的值。对于叶脉而言,树液流动其中,其粗细、有无被切断的地方(连续性)是判断与植物的健康状态的关联性非常高的基准。因此,通过使用包含根据这样的叶脉的形态而计算出的值的特征量,能够学习用于进行更高精度诊断的诊断方法。
另外,在这里,除了存储于图像存储部102的植物的图像外,通过加入与存储于环境信息存储部104的作为学习对象的植物的生长环境相关的信息,能够对更详细的诊断方法和对该结果决定推荐的处理方法进行学习。例如,当植物的健康状态有问题时,对与土壤分析结果、大气、天气相关的信息、对植物进行的处理,能够学习如问题的原因在哪里、并且应该对其进行怎样的对应等进行更详细的诊断的方法。另外,记录有与学习对象的植物的收获相关的信息和开花信息时,能够对于基于那些信息的最合适的收获时期、开花时期的预测方法进行学习。
另外,通过利用关于作为学习对象的植物的随时间的信息,能够对基于各个时点的图像信息、健康状态、土壤、大气的信息以及其间进行的处理进行综合学习。
这样一来,将学习的植物的健康状态和用于根据健康状态、环境信息决定推荐的处理的诊断方法储存于诊断方法存储部106。另外,在诊断方法的学习时,除了图像存储部102、健康状态存储部103、环境信息存储部104存储的信息外,还能够参照未图示的其他的存储部、外部服务器装置等。例如,通过参照存储与植物的疾病症状、处理相关的信息的存储部、外部的服务器装置,能够期待导出植物的健康状态和对其更适当的处理的诊断方法。另外,若参照存储有与市面上贩卖的肥料产品的各自的成分等相关的信息的存储部、外部的服务器装置等,在植物特定的营养成分不足的情况等,能够提示更具体的处理,例如将什么肥料施加多少量为好等。
<诊断的实施>
如上所述,在由学习单元105将诊断方法记录在诊断方法存储部106后,能够利用那些信息进行由诊断单元107进行的植物的健康状态的判定和基于此的处理的建议。图4是表示由诊断单元107进行的健康诊断处理的流程图。另外,对于该处理而言,其构成可以是,健康诊断服务器装置1和用户终端装置3分别具有Web服务器程序和网页浏览器程序,使用HTTP(Hyper Text Transfer Protocol)等的两程序之间的通信来进行,其构成也可以是,用户终端装置3具有用于进行作为诊断对象的植物的图像的发送和诊断结果的显示的专用程序,并使用该程序与健康诊断服务器装置1进行根据任意的通信协议的信息的发送/接收。
在健康诊断处理中,首先,在步骤S201,由用户终端装置3接收作为诊断对象的植物的叶脉、叶面的图像。这里的图像,其构成可以是,当用户终端装置3具有照相机时,督促用户进行图像的拍摄、发送,也可以是督促对预先拍摄的、存储于用户终端装置3的辅助存储装置等的图像进行选择和发送。
在接下来的步骤S202,接收在步骤S201发送的叶脉、叶面的图像的植物的整体像的图像。这里也与步骤S201相同,督促由用户终端装置3拍摄的图像或存储于用户终端装置3的辅助存储装置的图像等的发送即可。另外,为了方便说明,说明为整体像的图像,但不是包含植物整体的图像也可,即包含多个叶、茎等的、比在步骤S201接收的包含叶脉、叶面的图像的范围更大的图像即可。另外,其构成可以是,接收包含植物的上部的图像和根部的图像等的多个图像。
另外,在步骤S201接收的诊断对象的叶脉、叶面的图像、在步骤S202接收的诊断对象的整体像的图像分别优选在步骤S101、S102接收的、在与学习对象的图像相对应的条件下拍摄的图像。这样,能够更有效地进行根据由学习单元105学习的诊断方法的诊断。
如上所述,接收作为诊断对象的植物的图像后,在步骤S203,进行由诊断单元107进行的健康状态的判定。在这里的处理能够根据以下处理来进行,例如,参照诊断方法存储部106,针对诊断对象的图像,确定应该关注的特征量,根据步骤S201、S202接收的图像的分析计算出其特征量,并基于此,根据存储于诊断方法存储部106的特征量和健康状态的关系,导出诊断对象的植物的健康状态。另外,这里所述的特征量,如之前说明的那样,是与学习单元105根据图像存储部102存储的图像计算出的特征量相对应的值。即,特别优选使用含有与作为诊断对象的植物的叶脉的形态相关的值。
在接下来的步骤S204,针对在步骤S203得到的结果,来进行诊断对象的植物的健康状态是否有问题的判定。另外,这里所谓的问题是指,例如能够列举水分含量过多或不足、特定的营养素过多或不足、有发病的危险等。
当在步骤S204判定健康状态有问题时,进入步骤S205,参照诊断方法存储部106进行对问题的处理的确认。在这里例如能够列举的处理为:若水分含量过多,进行减少给予的水分含量的处理,若某种营养素不足,进行施加用于补充该营养素的肥料的处理等。
如上所述,关于由用户终端装置3接收了图像的诊断对象的诊断完成后,在步骤S206将诊断结果发送至用户终端装置3,处理结束。用户参照在用户终端装置3显示的诊断结果,能够得到作为诊断对象的植物的健康状态没有问题或当有问题时,推荐怎么样的处理的信息。
另外,这里示出了当植物的健康状态有问题时,提示与其相对应的处理的处理,但其构成也可以是,在除此以外的情况下,提示处理等的信息。例如,对于作为诊断对象的植物的果实、以及叶的最合适的收获时期的预测、开花时期的预测等信息而言,由诊断单元107来获得,并输出。
另外,将在本实施方式的植物的健康诊断系统作成能够进行将多个品种的植物作为对象的健康状态的诊断的构成时,在诊断健康状态时,优选受理作为对象的植物的品种的输入。
如上所述,通过受理作为学习对象的植物的图像和在该图像拍摄时的健康状态等的输入,并对基于这些进行的健康状态的诊断方法进行学习,能够进行适当的植物的健康状态的判断,用户通过发送作为诊断对象的植物的图像,能够收到植物的健康状态、以及对其的适当处理的提示。另外,通过与作为学习对象的植物的健康状态一起受理环境信息的输入,能够期待学习更高精度地进行健康状态的诊断的方法。
特别是在诊断方法的学习中,通过使用与粗细、连续性等的植物的叶脉的形态相关的特征量,能够进行有效的诊断方法的学习,并且利用该学习结果进行更高精度的诊断。
Claims (7)
1.一种植物的健康诊断系统,其为根据对植物进行拍摄而得的图像来进行健康状态诊断的植物的健康诊断系统,其特征在于,具有:
学习单元,其参照作为学习对象的植物的图像的学习对象图像和在拍摄所述学习对象图像时的所述学习对象的健康状态,学习根据作为诊断对象的植物的图像的该植物的健康状态的诊断方法;以及
诊断单元,其受理对作为诊断对象的植物进行拍摄而得的诊断对象图像的输入,并输出基于所述诊断方法的所述诊断对象的健康状态的诊断结果;
所述学习对象图像至少包含对所述学习对象的叶脉进行拍摄而得的图像;
所述学习单元进行基于所述学习对象的叶脉的形态的所述诊断方法的学习;
所述诊断对象图像至少包含对所述诊断对象的叶脉进行拍摄而得的图像;
所述诊断单元输出基于所述诊断对象的叶脉的形态的所述诊断结果,
所述学习对象的叶脉的形态以及所述诊断对象的叶脉的形态至少包含叶脉的粗细和叶脉的连续性之中的一个以上。
2.根据权利要求1所述的植物的健康诊断系统,其特征在于,所述学习对象的健康状态至少包含所述学习对象的树液的分析结果。
3.根据权利要求1或2的任一项所述的植物的健康诊断系统,其特征在于,所述学习单元还参照在拍摄所述学习对象图像时的与所述学习对象的生长环境相关的信息。
4.根据权利要求1~3的任一项所述的植物的健康诊断系统,其特征在于,
所述学习单元还学习决定与所述学习对象的健康状态相对应的处理的方法;
所述诊断结果包含基于所述诊断对象的健康状态的所述处理。
5.根据权利要求1~4的任一项所述的植物的健康诊断系统,其特征在于,所述学习单元进行机械学习。
6.一种植物的健康诊断程序,其为根据对植物进行拍摄而得的图像来进行健康状态的诊断的植物的健康诊断程序,其特征在于,
该程序将电脑装置作为学习单元和诊断单元来运行,其中,
学习单元,其参照作为学习对象的植物的图像的学习对象图像和在拍摄所述学习对象图像时的所述学习对象的健康状态,学习根据作为诊断对象的植物的图像的该植物的健康状态的诊断方法;
诊断单元,其受理对作为诊断对象的植物进行拍摄而得的诊断对象图像的输入,并输出基于所述诊断方法的所述诊断对象的健康状态的诊断结果;
所述学习对象图像至少包含对所述学习对象的叶脉进行拍摄而得的图像;
所述学习单元进行基于所述学习对象的叶脉的形态的所述诊断方法的学习;
所述诊断对象图像至少包含对所述诊断对象的叶脉进行拍摄而得的图像;
所述诊断单元输出基于所述诊断对象的叶脉的形态的所述诊断结果;
所述学习对象的叶脉的形态以及所述诊断对象的叶脉的形态至少包含叶脉的粗细和叶脉的连续性之中的一个以上。
7.一种植物健康诊断方法,其为根据对植物进行拍摄而得的图像来进行健康状态的诊断的、使用电脑装置的植物健康诊断方法,其特征在于,该方法包括:
所述电脑装置参照作为学习对象的植物的图像的学习对象图像和在拍摄所述学习对象图像时的所述学习对象的健康状态,学习根据作为诊断对象的植物的图像的该植物的健康状态的诊断方法的步骤;以及
所述电脑装置受理对作为诊断对象的植物进行拍摄而得的诊断对象图像的输入,并输出基于所述诊断方法的所述诊断对象的健康状态的诊断结果的步骤;
所述学习对象图像至少包含对所述学习对象的叶脉进行拍摄而得的图像;
在学习所述诊断方法的步骤中,对基于所述学习对象的叶脉的形态的所述诊断方法进行学习;
所述诊断对象图像至少包含对所述诊断对象的叶脉进行拍摄而得的图像;
在输出所述诊断结果的步骤中,输出基于所述诊断对象的叶脉的形态的所述诊断结果;
所述学习对象的叶脉的形态以及所述诊断对象的叶脉的形态至少包含叶脉的粗细和叶脉的连续性之中的一个以上。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JPJP2017-103129 | 2017-05-24 | ||
JP2017103129A JP6307680B1 (ja) | 2017-05-24 | 2017-05-24 | 植物の健康診断システム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109511406A true CN109511406A (zh) | 2019-03-26 |
Family
ID=61901849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810483899.5A Pending CN109511406A (zh) | 2017-05-24 | 2018-05-19 | 植物的健康诊断系统 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6307680B1 (zh) |
CN (1) | CN109511406A (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11907341B2 (en) | 2018-10-09 | 2024-02-20 | Skymatix, Inc. | Diagnostic assistance system and method therefor |
JP2020134990A (ja) * | 2019-02-13 | 2020-08-31 | カシオ計算機株式会社 | データベース生成方法、データベース生成装置およびデータベース生成プログラム |
JP7075127B2 (ja) * | 2019-02-22 | 2022-05-25 | 株式会社ナイルワークス | 圃場分析方法、圃場分析プログラム、圃場分析装置、ドローンシステムおよびドローン |
CN113298180A (zh) * | 2021-06-15 | 2021-08-24 | 杭州睿胜软件有限公司 | 用于植物识别的方法和计算机系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09262027A (ja) * | 1996-03-28 | 1997-10-07 | Yazaki Corp | 植物の自動診断システム |
JPH11289870A (ja) * | 1998-04-16 | 1999-10-26 | Tochigi Prefecture | 生育中の植物体栄養のリアルタイム診断法とその測定装置 |
CN105359909A (zh) * | 2015-10-20 | 2016-03-02 | 西南大学柑桔研究所 | 一种用于缺镁诱导纽荷尔脐橙叶脉爆裂的方法 |
JP2017055745A (ja) * | 2015-09-18 | 2017-03-23 | Psソリューションズ株式会社 | 画像判定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6539901B2 (ja) * | 2015-03-09 | 2019-07-10 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
-
2017
- 2017-05-24 JP JP2017103129A patent/JP6307680B1/ja active Active
-
2018
- 2018-05-19 CN CN201810483899.5A patent/CN109511406A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09262027A (ja) * | 1996-03-28 | 1997-10-07 | Yazaki Corp | 植物の自動診断システム |
JPH11289870A (ja) * | 1998-04-16 | 1999-10-26 | Tochigi Prefecture | 生育中の植物体栄養のリアルタイム診断法とその測定装置 |
JP2017055745A (ja) * | 2015-09-18 | 2017-03-23 | Psソリューションズ株式会社 | 画像判定方法 |
CN105359909A (zh) * | 2015-10-20 | 2016-03-02 | 西南大学柑桔研究所 | 一种用于缺镁诱导纽荷尔脐橙叶脉爆裂的方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6307680B1 (ja) | 2018-04-11 |
JP2018196363A (ja) | 2018-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Das Choudhury et al. | Leveraging image analysis for high-throughput plant phenotyping | |
Vaishnnave et al. | Detection and classification of groundnut leaf diseases using KNN classifier | |
CN109511406A (zh) | 植物的健康诊断系统 | |
Rafferty et al. | Phenological overlap of interacting species in a changing climate: an assessment of available approaches | |
Heberling | Herbaria as big data sources of plant traits | |
CN109583301B (zh) | 一种农作物生长过程最优外部种植条件预测方法及装置 | |
Wells et al. | Recovering the dynamics of root growth and development using novel image acquisition and analysis methods | |
Garg et al. | CROPCARE: an intelligent real-time sustainable IoT system for crop disease detection using mobile vision | |
CN108140118A (zh) | 用于识别至少一株种植在耕地上的植物的方法和信息系统 | |
Puri | Documenting local environmental knowledge and change | |
US20130235188A1 (en) | Automated system for germination testing using optical imaging | |
Buxbaum et al. | Non-destructive plant biomass monitoring with high spatio-temporal resolution via proximal RGB-d imagery and end-to-End deep learning | |
Miao et al. | Automation of leaf counting in maize and sorghum using deep learning | |
US20220270252A1 (en) | Automated System And Method For Detecting Plant Disease And Providing Disease Treatment Solution | |
Peters et al. | Harnessing AI to transform agriculture and inform agricultural research | |
Miao et al. | Simulated plant images improve maize leaf counting accuracy | |
Tadeusiewicz et al. | Assessment of selected parameters of the automatic scarification device as an example of a device for sustainable forest management | |
Yao et al. | Recent developments and potential of robotics in plant eco-phenotyping | |
Pearson et al. | Phenological trends in the California poppy (Eschscholzia californica): digitized herbarium specimens reveal intraspecific variation in the sensitivity of flowering date to climate change | |
Kaufmane et al. | QuinceSet: Dataset of annotated Japanese quince images for object detection | |
Laskin et al. | Evaluating the level of agreement between human and time-lapse camera observations of understory plant phenology at multiple scales | |
Zhao et al. | A dataset of pomegranate growth stages for machine learning-based monitoring and analysis | |
Khosravi et al. | Continuous monitoring of olive fruit growth by automatic extensimeter in response to vapor pressure deficit from pit hardening to harvest | |
York | Phenotyping root system architecture, anatomy, and physiology to understand soil foraging | |
Pankaj et al. | IoT Hardware Sensor-Based Cotton Disease Prediction Using CNN Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |