CN111372444A - 信息处理装置、信息处理方法以及植被管理系统 - Google Patents

Abstract

本发明涉及能够维持高质量状态并以确保均匀植被生长的方式进行管理的信息处理装置、信息处理方法以及植被管理系统。在该植被管理系统中，图像获得装置获得要管理的植被的图像，以及分析单元至少将所述图像作为输入信息进行分析，然后输出特定分析结果。此外，根据分析结果，确定单元确定要对植被进行的作业内容，以及作业装置根据作业内容进行用于对植被执行要进行的作业的处理。本发明可应用于例如管理自然草坪的管理系统。

Description

信息处理装置、信息处理方法以及植被管理系统

技术领域

本公开涉及信息处理装置、信息处理方法以及植被管理系统，特别地，涉及均能够以维持高质量状态并实现均匀生长的方式管理植被的信息处理装置、信息处理方法以及植被管理系统。

背景技术

一般地，存在很大数量的需要自然草坪的设施，如举行足球、高尔夫、橄榄球以及其他各种体育活动的运动场、和公园、屋顶以及墙壁绿化环境。例如，在体育活动中使用的自然草坪提供这样的优点，即，在比赛过程中可以减小对运动员的腿和背部肌肉施加的身体负担。此外，与人工草坪相比，自然草坪可以通过提供更优美的风景而提高设施的价值。同时，为了提高使用自然草坪的设施的价值，需要以在全年中保持草坪表面的常绿状态并实现草坪表面的均匀生长的方式来执行管理。

因此，如PTL 1中公开的，已经提出了一种自然草坪栽培照明装置，其包括光源，该光源用于发出预定波长的红光和蓝光以用来自发光元件的光照射位于特定位置处的自然草坪，以从而实现自然草坪的生长促进和修复。

此外，如PTL 2中公开的，已经提出了一种可移动自然草坪栽培照明装置，其实现存放时的存放空间的减小并便利移动作业，以可用于自然草坪的维护和管理。

再者，PTL 3公开了一种自然草坪结构管理系统，其能够提取也可用于室内设施的自然草坪结构所必需的维护作业信息，从而便利对于自然草坪结构日常所需的栽培管理。

如从以上显见的，常规地，通过补充由于由天气、设施的存在等而产生的阴影的影响导致的阳光不足或者通过用光照射草坪的损害地点，来寻求草坪的快速修复。

[引文列表]

[专利文献]

[PTL 1]

JP 2012-228231 A

[PTL 2]

JP 2016-52299 A

[PTL 3]

JP 2005-253415 A

发明内容

[技术问题]

同时，在上述专利文献中公开的技术每个具有这样的构成，即，由用户使用装置、系统等确定要用光照射的位置和照射时间。因此很难以保持足以产生草坪表面全年的常绿状况的高质量状态并实现足以产生均衡草坪表面的均匀生长的方式执行管理。

考虑到上述情况开发了本公开，本公开以保持高质量状态并实现均匀生长的方式执行植被的管理。

[针对问题的技术方案]

根据本公开的一个方面的信息处理装置包括：分析单元，所述分析单元至少将拍摄作为管理对象的植被的图像作为输入信息进行分析；以及确定单元，所述确定单元根据从分析单元输出的分析结果确定要对植被进行的作业内容。

根据本公开的一个方面的信息处理方法包括：至少将拍摄作为管理对象的植被的图像作为输入信息进行分析；以及根据通过该分析输出的分析结果确定要对植被进行的作业内容。

根据本公开的一个方面的植被管理系统包括：信息处理装置，包括：图像获得装置，所述图像获得装置获得拍摄作为管理对象的植被的图像，分析单元，所述分析单元至少将由图像获得装置获得的图像作为输入信息进行分析，以及确定单元，所述确定单元根据从分析单元输出的分析结果确定要对植被进行的作业内容；以及作业装置，所述作业装置根据由所述确定单元确定的作业内容进行用于对植被执行作业的处理。

根据本公开的一个方面，至少将拍摄作为管理对象的植被的图像作为输入信息进行分析。根据通过分析输出的分析结果确定要对植被进行的作业内容。

[发明的有益效果]

根据本公开的一个方面，能够以保持高质量状态并实现均匀生长的方式执行植被管理。

注意，要提供的有益效果未必限于在此描述的有益效果，而可以是在本公开中描述的任意有益效果。

附图说明

图1是示出根据应用了本技术的一个实施例的草坪管理系统的构成示例的框图。

图2是示出组成草坪管理系统的组件的第一配置示例的框图。

图3是示出组成草坪管理系统的组件的第二配置示例的框图。

图4是示出组成草坪管理系统的组件的第三配置示例的框图。

图5是说明草坪管理处理的流程图。

图6是示出相对于草坪表面的两个相机的配置和每个用作生长信息收集机构的终端的示例的图。

图7是示出生长信息输入画面的示例的图。

图8是说明生长信息收集处理的流程图。

图9是示出环境感测机构的构成示例的图。

图10是说明组成环境感测机构的传感器的图。

图11是说明环境感测机构的第一变形例的图。

图12是说明环境感测机构的第二变形例的图。

图13是说明环境感测机构的第三变形例的图。

图14是说明环境感测机构的第四变形例的图。

图15是说明环境感测处理的第一处理示例的流程图。

图16是说明环境感测处理的第二处理示例的流程图。

图17是说明草叶覆盖率的计算方法的图。

图18是说明草坪表面分析处理的第一处理示例(草叶覆盖率)的流程图。

图19是说明太阳辐射量的计算方法的图。

图20是说明草坪表面分析处理的第二处理示例(太阳辐射量存储)的流程图。

图21是说明草坪表面分析处理的第三处理示例(太阳辐射量计算)的流程图。

图22是说明踩踏压力草坪损害率的计算方法的图。

图23是说明草坪表面分析处理的第四处理示例(踩踏压力草坪损害分析)的流程图。

图24是说明草坪表面分析处理的第五处理示例(踩踏压力草坪损害计算)的流程图。

图25是说明用于通过图像分析获取风速和风向的处理的图。

图26是说明输入给神经网络模型的像素的图。

图27是说明从神经网络模型输出的区域的图。

图28是说明使用神经网络模型的草坪表面分析的图。

图29是说明基于图像分析的生长信息的分析的图。

图30是说明生长信息分析处理的流程图。

图31是说明使用神经网络模型的生长信息分析的图。

图32是示出存储在感测信息数据库中的表格的示例的图。

图33是示出存储在栽培方法数据库中的各种信息的示例的图。

图34是示出存储在栽培方法数据库中的初始规则的示例的图。

图35是示出神经网络模型的学习数据和教师数据的示例的图。

图36是说明基于期限的作业存储处理的流程图。

图37是示出基于期限的作业列表的示例的图。

图38是说明基于期限的作业执行处理的流程图。

图39是说明基于事件的作业存储处理的流程图。

图40是示出基于事件的作业列表的示例的图。

图41是说明基于事件的作业执行处理的流程图。

图42是示出作为作业机构使用的终端的示例的图。

图43是说明便携式照明装置的图。

图44是说明薄片型照明装置的图。

图45是说明激光扫描器型照明装置的图。

图46是说明小型无人航空器的图。

图47是说明用于将成像区域分割成特定区域的分割方法的图。

图48是说明用于将成像区域分割成特定区域的分割方法的图。

图49是说明在相对于草坪表面在垂直方向上成像时的成像区域的分割示例的图。

图50是说明在相对于草坪表面在倾斜方向上成像时的成像区域的分割示例的图。

图51是示出根据应用了本技术的一个实施例的计算机的构成示例的框图。

具体实施方式

<草坪管理系统>

在描述应用了本技术的具体实施例之前，首先说明需要草坪管理系统的背景。

例如，类似于其他植物，自然草坪的生长受到诸如太阳光、气温以及水分之类的自然条件的影响，因此需要通过处理可每天变化的气象条件来执行草坪管理作业。因此，为了始终维持高质量的草坪表面，基于长期经验的高级栽培知识是不可缺少的。

此外，草坪在室外通过进行利用太阳光的光合作用而生长。然而，在诸如使用草坪的体育场之类的设施中，诸如观众座位和照明之类的结构成为遮光体，并导致均匀的太阳光不会到达草坪表面的情况。这种情况导致草坪的不规则生长，因此，通过人工太阳光照射装置、施肥等补充太阳光的不足。基于经验来确定这种补充的范围和量。

此外，存在定义在太阳光中包含的光中的用于光合作用的光量的PPFD(光合作用光子通量密度)。PPFD表示在从400到700nm的波长范围(其为可由植物的叶绿素吸收的波长范围)中包含的光量光子通量密度。例如，为了测量PPFD，需要光带通滤波器的装置和对光接收单元的灵敏度特性的校正。在此情况下，需要相对昂贵的专用传感器。此外，该测量是在设置传感器的代表性的窄的二维范围中的测量。因此，需要设置大量传感器来测量宽广草坪表面的各个地点的PPFD。

再者，存在作为用于定量地确定作为光合作用的结果而获取的植物的生长状态的指标的NDVI(标准化差值植被指数：植被指数)。NDVI是作为表示与植物的活性度(activity)关联的信息并通过对在叶子上反射的光的光谱分析而获取的指数来计算的。

例如，用于测量NDVI的装置已经存在，并且广泛用作对草坪叶子的难以用肉眼确定的状态进行量化的装置。作为手持式设备提供用于测量NDVI的常规装置，在该装置被移动到对应的地点然后安装在草坪表面上之后，响应于仅仅对按钮的按压，该装置能够连同位置坐标一起记录任意地点的NDVI。然而，为了使用该装置测量宽广的体育场的草坪表面，需要重复移动和测量的动作。在此情况下，高效数据收集变得困难。

因此，存在作为用于在宽广范围中测量NDVI的技术的遥感。在遥感中，使用飞机或人造卫星以俯瞰方式在较高的高度上对栽培植物的场地进行成像。在观察表面与相机之间的距离大的情况下，该技术受到位于中间的灰尘、水蒸气以及云的影响。在此情况下，可能难以实现精确的测量。

此外，遥感具有能够一次实现宽范围成像的优点，但是拍摄的图像具有几平方米的粗分辨率。因此，遥感不是用于掌握仅在诸如例如足球场内的运动场表面的区域和高尔夫球场的绿色内的区域之类的区域中生长的草坪的状态的详情的合适方法。再者，考虑卫星的轨道和运行成本，一天允许的成像次数是极其有限的。因此，难以在例如在体育场中举行了比赛之后比较草坪的NDVI的变化。

同时，例如，作为除测量上述PPFD和NDVI的方法以外的其他方法，为了分析或确定草坪的生长状态，作为预先设置在地下的传感器，在设施的建设时经常将测量地温或水分量的传感器安装在地中。然而，考虑到成本，往往难以进行在与建设时的传感器的地点不同的地点处的测量或使用随着技术进步而出现的最新传感器的替换。因此，需要一种传感器，其廉价且容易敷设和移除，并且还能够实时观察草坪表面或土壤内部的状态。

再者，在设施管理中，重要的是快速地修复由于已经举行的各种活动而损害的草坪，以提高设施的运营率。

在上述背景中，存在对草坪管理系统的需求，该草坪管理系统能够以保持足以产生草坪表面全年的常绿状况的高质量状态并实现足以产生均衡草坪表面的均匀生长的方式执行管理。

以下参照附图详细描述应用了本技术的具体实施例。

<草坪管理系统的构成示例>

图1是示出根据应用了本技术的一个实施例的草坪管理系统的构成示例的框图。此外，尽管以下将描述应用了本技术的草坪管理系统的构成，但是本技术并不限于草坪管理系统。更具体来说，例如，本技术可应用于针对需要以保持高质量状态并实现均匀生长的方式进行管理的植被(如公园、屋顶以及墙壁绿化环境)的管理系统。

图1中的草坪管理系统11包括草坪表面成像机构21、生长信息收集机构22、环境感测机构23、栽培方法数据库24、草坪表面分析机构25、生长信息分析机构26、感测信息数据库27、栽培方法改进机构28、作业内容确定机构29以及作业机构30。

此外，作为诸如各种传感器和作业装置之类的硬件，设置组成草坪管理系统11的各个组件之中的草坪表面成像机构21、生长信息收集机构22、环境感测机构23以及作业机构30中的每一个。另一方面，作为由信息处理装置执行的软件，设置栽培方法数据库24、草坪表面分析机构25、生长信息分析机构26、感测信息数据库27、栽培方法改进机构28以及作业内容确定机构29中的每一个。

例如，将草坪管理系统11中包含的作为硬件设置的组件布置在使用草坪管理系统11的用户这一侧，而将草坪管理系统11中包含的作为软件设置的组件布置在运营草坪管理系统11的服务提供方这一侧。注意，组成草坪管理系统11的各个组件的配置并不限于图1中所示的配置示例。作为如以下参照图2至4描述的各个组件的配置，可以采用各种配置示例。

草坪表面成像机构21包括相机(例如图6中的相机41)，该相机拍摄作为管理对象的草坪表面的图像，并将获得的图像提供给草坪表面分析机构25和感测信息数据库27。

生长信息收集机构22包括由使用草坪管理系统11的用户用来输入生长信息的终端(例如，图6中的个人计算机43和平板型计算机45)。例如，生长信息收集机构22向感测信息数据库27提供以下描述的测量日期、测量位置、测量内容(数值或文本)、图像等，作为从用户输入的生长信息。

环境感测机构23包括用于收集与草坪表面关联的生长信息的各种传感器(例如，图9中的传感器51)。例如，环境感测机构23通过使用传感器感测草坪表面的环境获取传感器信息，并将传感器信息与获取传感器信息的传感器的位置关联地提供给感测信息数据库27。

例如，栽培方法数据库24能够从外部存储装置读出已知的学习模型，并存储该学习模型。尽管在以下描述中采用规则和神经网络模型作为学习模型的示例，但是学习模型并不特别地限于这些。此外，栽培方法数据库24能够存储通过栽培方法改进机构28改进的新学习模型(例如，新规则或新学习的神经网络模型)。

草坪表面分析机构25例如通过至少使用从草坪表面成像机构21提供的图像作为输入信息对该图像中出现的草坪表面进行分析，并作为分析结果输出诸如以下描述的草叶覆盖率、踩踏压力草坪损害率以及有害动物草坪损害率之类的植被指标。然后，例如，草坪表面分析机构25向感测信息数据库27提供针对通过将草坪表面分割成多个区域而产生的每个分割区域的分析结果(数值)，该分析结果与获取对应的分析结果的分割区域的位置关联。此外，草坪表面分析机构25可以输出通过至少使用从草坪表面成像机构21提供的图像作为输入信息，通过输入到从栽培方法数据库24读出的已学习的神经网络模型而获取的分析结果。

生长信息分析机构26例如通过至少使用从生长信息收集机构22提供的图像作为输入信息，分析该图像中出现的草根，并作为分析结果输出以下描述的草根的长度和密度。然后，草坪表面分析机构25例如将草根的分析结果(数值)与草根生长的地点的位置关联地提供给感测信息数据库27。此外，生长信息分析机构26可以输出通过至少使用从草坪表面成像机构21提供的图像作为输入信息，通过输入到从栽培方法数据库24读出的已学习的神经网络模型而获取的分析结果。

感测信息数据库27存储从草坪表面成像机构21提供的图像、从生长信息收集机构22提供的生长信息、从草坪表面分析机构25和生长信息分析机构26提供的分析结果、从环境感测机构23提供的传感器信息等。

栽培方法改进机构28发现与草坪的栽培和管理关联的新规则，并基于存储在感测信息数据库27中的各种信息(例如，位置、图像、数值以及文本)使用神经网络模型进行学习。此外，栽培方法改进机构28将通过新规则或新学习分析的数值存储在感测信息数据库27中，并将新规则或新学习的神经网络模型存储在栽培方法数据库24中。

作业内容确定机构29根据存储在感测信息数据库27和栽培方法数据库24中的各种信息确定要对草坪表面进行的作业内容，将与作业内容关联的信息输出给作业机构30，并使作业机构30执行作业内容。

作业机构30包括以下参照图42至46说明的各种装置，并进行用于执行由作业内容确定机构29确定的作业内容的处理。

如上所述地构成的草坪管理系统11能够以保持足以产生草坪表面全年的常绿状况的高质量状态并实现足以产生均衡草坪表面的均匀生长的方式执行管理。

<组成草坪管理系统的组件的配置示例>

将参照图2至4描述组成草坪管理系统11的组件的另一配置示例。

根据图2中示出的草坪管理系统11a，将所有组件(即，草坪表面成像机构21、生长信息收集机构22、环境感测机构23、栽培方法数据库24、草坪表面分析机构25、生长信息分析机构26、感测信息数据库27、栽培方法改进机构28、作业内容确定机构29以及作业机构30)布置在用户侧。

此外，在草坪管理系统11a中，例如，通过仅在封闭环境(如内联网)中使用的网络31将每个作为硬件设置的组件和每个作为软件设置的组件相互连接。此外，在草坪管理系统11a中，将存储已知的初始规则的存储装置32连接到栽培方法数据库24。

如上所述，允许草坪管理系统11a采用将组成草坪管理系统11a的组件中的所有组件配置在用户侧的配置示例。

在图3中示出的草坪管理系统11b中，将草坪表面成像机构21、生长信息收集机构22、环境感测机构23以及作业机构30布置在用户侧。另一方面，将栽培方法数据库24、草坪表面分析机构25、生长信息分析机构26、感测信息数据库27、栽培方法改进机构28以及作业内容确定机构29布置在提供方侧。

此外，在草坪管理系统11b中，通过包括例如因特网或专用网络的网络31将布置在用户侧的组件和布置在提供方侧的组件相互连接。此外，在草坪管理系统11b中，存储已知的初始规则的存储装置32包括存储所有各种用户共用的规则并被布置在提供方侧的存储装置32-1，和存储每个特定于个别用户的规则并被布置在用户侧的存储装置32-2。

如上所述，允许草坪管理系统11b采用不将作为软件设置的组件配置在用户侧的配置示例。例如，允许将草坪管理系统11b构造成使得使用在网络中连接的多个信息处理装置来分散(以通常称为云计算的形式)作为软件设置的组件。

在图4中的草坪管理系统11c中，将草坪表面成像机构21、生长信息收集机构22、环境感测机构23、草坪表面分析机构25、生长信息分析机构26以及作业机构30布置在用户侧。另一方面，将栽培方法数据库24、感测信息数据库27、栽培方法改进机构28以及作业内容确定机构29布置在提供方侧。

此外，在草坪管理系统11c中，通过包括例如因特网或专用网络的网络31将布置在用户侧的组件和布置在提供方侧的组件相互连接。

利用具有该构成的草坪管理系统11c，可以由用户和提供方分担处理，并且可以减少网络流量。此外，利用草坪管理系统11c，可以减少施加于提供方的处理负荷，以应对例如用户数量的增加。

如上所述，允许草坪管理系统11采用参照图2至4说明的配置示例，并且自然地允许草坪管理系统11采用其他配置示例。例如，在草坪管理系统11中，可以将栽培方法数据库24和栽培方法改进机构28布置在提供方侧，以作为使用草坪管理系统11的用户所共用的资源来使用栽培方法数据库24和栽培方法改进机构28。按此方式，可以提供更高效的服务。

<草坪管理系统的草坪管理处理>

将参照图5中示出的流程图说明由草坪管理系统11执行的草坪管理处理。

例如，由草坪管理系统11响应于草坪管理的开始而进行处理。在步骤S11中，将初始设定输入到感测信息数据库27。例如，作为初始设定，针对使用草坪管理系统11的设施(用户)和诸如在对应的设施中使用的相机之类的传感器组中的每一个，将ID和表示配置的位置关系的映射信息存储在感测信息数据库27中。

在步骤S12中，将初始设定输入到栽培方法数据库24以产生用户可使用的状态。例如，作为初始设定，将关于草坪栽培的基本规则和由草坪表面分析机构25和生长信息分析机构26使用的学习的神经网络模型存储在栽培方法数据库24中。

随后，在步骤S12中的处理完成之后，允许在分别需要的定时并行地顺序执行从步骤S13至S18的处理。

注意，以下将参照图18、20、21、23以及24中的流程图描述步骤S13中的草坪表面分析处理。此外，以下将参照图30中的流程图描述步骤S14中的生长信息分析处理。类似地，以下将参照图15和16中的流程图描述步骤S15中的环境感测处理，而以下将参照图8中的流程图描述步骤S16中的生长信息收集处理。再者，将参照下述栽培方法改进机构28的构成示例说明步骤S17中的栽培方法改进处理，而将参照下述作业内容确定机构29的构成示例说明步骤S18中的作业内容确定处理。

如上所述，草坪管理系统11能够通过在步骤S11和S12中输入初始设定，然后以合适方式根据需要进行从步骤S13至步骤S18的处理，管理草坪。按此方式，草坪管理系统11能够例如以保持足以产生草坪表面全年的常绿状况的高质量状态并实现足以产生均衡草坪表面的均匀生长的方式执行管理。

<草坪表面成像机构的构成示例>

草坪表面成像机构21包括能够拍摄至少可见光的波长带的图像的相机。例如，将草坪表面成像机构21中包括的相机布置在俯瞰草坪表面并且能够作为图像信息获得草坪生长的整个场地的状态的位置。

注意，合意的是，草坪表面成像机构21包括能够拍摄运动图像以及静止图像的相机。此外，合意的是，草坪表面成像机构21包括能够获得上述NDVI的相机，如能够通过获得可见光和近红外光的每个波长范围中的任何波长周围约10nm的窄带宽的图像来测量草坪的植被指数的相机。再者，合意的是，草坪表面成像机构21包括能够通过对远红外范围成像测量草坪表面的温度的相机，如能够拍摄远红外波长带的图像以测量场地的表面温度的相机。

此外，草坪表面成像机构21仅需要具有至少一个相机，并且可以包括多个相机，即，两个或更多个相机，以例如同时获得宽范围的草坪表面的图像。如图6所示，例如，合意的是，通过使用两个相机41-1和41-2将草坪表面G分割成两个成像范围，并以从每个相机41-1和41-2看到的较远的草坪表面的分辨率不降低的方式拍摄草坪表面G的整个图像。

此外，草坪表面成像机构21可以通过使用改变相机的方向的摇摄(panning)、改变相机的视角的变焦机构等拍摄多个图像，并通过后处理连接各图像以获得俯瞰整个草坪表面的图像。再者，合意的是，草坪表面成像机构21能够作为RAW数据获得来自相机的信息。此外，草坪表面成像机构21可以获得例如通过JPEG(联合图像专家组)、H.264等压缩的数据，只要能够实现草坪的绿色的准确表现即可。

此外，合意的是，草坪表面成像机构21使用具有固定位置的相机，以容易地指定拍摄图像的位置。此外，草坪表面成像机构21可以使用搭载在小型无人航空器(通常称为无人机)上的相机。在此情况下，进行通过后处理将图像和草坪的实际位置匹配的映射处理。

注意，例如，假定基于24小时和365天时段获得图像，设置草坪表面成像机构21，但是允许通过根据用于获得所需信息的处理内容改变成像间隔来控制信息量和精度之间的平衡。

<生长信息收集机构的构成示例>

例如，生长信息收集机构22基于来自用户利用草坪管理系统11的输入收集生长信息，以收集未通过利用草坪表面成像机构21或环境感测机构23获得的生长信息。例如，生长信息收集机构22能够收集难以通过草坪表面成像机构21或环境感测机构23获得的生长信息，和不是图像并且通过草坪表面成像机构21或环境感测机构23获得的成本高的生长信息。

具体来说，生长信息收集机构22基于来自用户的输入，收集通过测量草叶的硬度、草叶的割草浪费量、草根长度、草根厚度、草根密度、包含草根的土壤硬度、杂草或病害的发生等而获取的各种生长信息，以及草坪表面的状态。此外，生长信息收集机构22能够基于来自用户的输入收集与草坪的未来生长状态关联的作业信息，如散布给草坪表面的肥料的成分和量，和为了养护草坪而设置的薄片(sheet)的位置和使用时段。

再者，如图6中所示，作为生长信息收集机构22，可以提供诸如连接到相机42的个人计算机43之类的静态终端、诸如包括嵌入式相机44的平板式计算机45之类的移动终端等。此外，允许生长信息收集机构22通过使用相机42或相机44获得草叶、根等的状态的近距离(closeup)图像，作为生长信息。例如，允许草坪管理系统11的用户通过用诸如个人计算机43和平板式计算机45之类的生长信息收集机构22在管理站点、办公室或其他场所处输入生长信息。

图7示出了显示在包含在生长信息收集机构22中的显示装置上的生长信息输入画面的示例。

如图7所示，在图7中所示的示例中，允许生长信息收集机构22通过使用生长信息输入画面接收至少测量日期、测量地点以及测量内容的输入，并允许生长信息收集机构22作为测量内容接收割草浪费量的输入。此外，允许生长信息收集机构22从用户直接接收测量值的输入等，以及还在生长信息输入画面中显示作为通过使用生长信息分析机构26对对象的拍摄图像的图像分析的结果而获得的数值(图7的示例中的根长度、根密度等)。再者，允许生长信息收集机构22接收由管理草坪的有经验人员通过使用生长信息输入画面作为草根的总评价而给出的主观评价值(图7中示出的主观评价)的输入。注意，允许使用该主观评价值作为用于根据之后的拍摄图像自动获取评价值(图7中示出的自动评价)的教师数据。

将参照图8中示出的流程图说明由生长信息收集机构22进行的生长信息收集处理。例如，在上述图5中的步骤S16中进行生长信息收集处理。

在步骤S21中，生长信息收集机构22在显示装置上显示图7中示出的生长信息输入画面，并获得由用户使用诸如键盘和触摸板之类的输入装置输入的生长信息。例如，生长信息收集机构22获得以上描述的测量位置、图像以及各种伴随数据作为生长信息。随后，生长信息收集机构22将这些类型的生长信息存储在感测信息数据库27中。然后，生长信息收集处理结束。

<环境感测机构的构成示例>

环境感测机构23通过使用设置在栽培草坪的地面表面或地面内部的传感器，感测土壤温度、土壤水分量、土壤酸度(pH)、土壤电导率(EC：电导率)等，以按固定间隔获得传感器信息。

例如，如图9所示，环境感测机构23可以包括多个传感器51(在图9中的示例中，9个传感器51-1至51-9)和有线传感器集成装置52。各个传感器51通过由图中的虚线表示的缆线连接到有线传感器集成装置52。此外，通过导线将从传感器51输出的传感器信息发送给有线传感器集成装置52，并从有线传感器集成装置52发送给传感器信息显示装置(未示出)。

例如，太阳光的供给对于草坪的栽培来说是必不可少的，并且土壤内部的温度、水分量、电导率等对生长也有各种影响。因此，取决于体育场，在设施的建设期间在地中埋设能够感测温度、水分等的多个传感器51。

例如，如图10所示，传感器51被埋设在栽培草坪的土壤中，并收集上述各种传感器信息。注意，为栽培草坪而需要实际获得的地温是例如在距离草坪表面约5cm的地中的位置处的温度。然而，由于设施位置，在一些情况下将传感器51布置在距离草坪表面约30cm的地中。因此，需要基于由传感器51获得的传感器信息进行用于估计距离草坪表面约5cm的地中的地温的处理。

此外，环境感测机构23例如可以具有用于通过使用RF(射频)频带无线发送传感器信息的构成，以及如图9所示的用于通过导线从传感器51发送传感器信息的构成。

将参照图11说明环境感测机构23的第一变形例。如该图中所示，环境感测机构23可以采用天线53连接到传感器51的构成，并通过使用从天线53输出的RF频带电磁波将传感器信息发送给无线传感器集成装置(未示出)。具有该构成的环境感测机构23便利传感器51的铺设作业和拆卸作业。

此外，例如，环境感测机构23可以具有发送使用诸如LED(发光二极管)之类的发光器光学调制的传感器信息的构成。

将参照图12说明环境感测机构23的第二变形例。如该图中所示，环境感测机构23可以采用如下构成：将出现在地面上方的发光装置54连接到传感器51，并通过草坪表面成像机构21的相机接收表示从发光装置54发送的光学调制的传感器信息的光。此外，环境感测机构23分析由相机拍摄的运动图像，从而解调由相机接收的光并获得传感器信息，进而指定传感器51的每个位置。例如，由此构成的环境感测机构23便利从土壤的拆除和到土壤中的插入，并且能够容易地测量草坪表面的温度。

同时，包括草在内的许多植物进行用于从叶子排出水分的称为蒸发的行为。叶子周围的风流动对该行为起到重要的作用。因此，草叶附近的风速和风向的测量对于确定单独设置的鼓风机等的位置和鼓风机的输出设定来说是有用的。

因此可以将环境感测机构23构成为测量草叶附近的风速和风向。

将参照图13和14说明环境感测机构23的第三和第四变形例。例如，环境感测机构23可以使用图13中所示的吹流器(streamer)55或图14中所示的烟发生器56。此外，环境感测机构23可以具有这样的构成：基于对拍摄吹流器55或烟发生器56的烟的拍摄图像的图像分析，作为传感器信息获得草叶附近的风速和风向。此时，环境感测机构23可以基于图像分析指定吹流器55或烟发生器56的位置。

将参照图15中所示的流程图说明由环境感测机构23进行的环境感测处理的第一处理示例。例如，在上述图5中的步骤S15中进行环境感测处理。此外，将该处理应用于通过导线(见图10)或无线地(见图11)连接传感器51的构成。

在步骤S31中，环境感测机构23确定感测信息数据库27是否进行了询问。

在步骤S31中确定感测信息数据库27未进行询问的情况下，处理进行到步骤S32。在此情况下，环境感测机构23等待固定时段。

另一方面，在步骤S31中确定感测信息数据库27进行了询问的情况下，或者在完成了步骤S32中的处理之后，处理进行到步骤S33。在步骤S33中，环境感测机构23请求传感器51发送传感器信息。然后，环境感测机构23响应于该请求，将从传感器51获得的传感器信息连同用于识别相应的传感器51的ID(识别)一起提供给感测信息数据库27。在步骤S33中的处理完成之后，处理返回到步骤S31，随后重复类似的处理。

将参照图16中示出的流程图说明由环境感测机构23进行的环境感测处理的第二处理示例。例如，在上述图5中的步骤S15中进行环境感测处理。此外，将该处理应用于从传感器51发送光学调制的传感器信息的构成(见图12)。

在步骤S41中，环境感测机构23等待固定时段，然后，处理进行到步骤S42。

在步骤S42中，环境感测机构23获得从传感器51发送的传感器信息。然后，环境感测机构23将从传感器51获得的传感器信息连同用于识别相应的传感器51的ID一起提供给感测信息数据库27。在步骤S42中的处理完成之后，处理返回到步骤S41，并随后重复类似的处理。

<草坪表面分析机构的构成示例>

草坪表面分析机构25通过使用从草坪表面成像机构21提供的图像(静止图像或运动图像)进行可见光范围中的各种图像分析，从而提取所需信息并分析草坪状态。

具体来说，草坪表面分析机构25能够根据可见光图像作为草叶覆盖率计算每单位面积存在的草的比率，以及根据到达草坪表面的太阳光的亮度图像计算每单位时间的太阳辐射量。此外，草坪表面分析机构25能够从已经举行的比赛的运动图像检测作为检测对象的人，以根据人留在草坪表面上的时段分析由踩踏压力对草坪造成的损害，以及能够作为检测对象检测在未举行比赛的时段中进入草坪表面的有害动物，以分析由有害动物带入的病害和杂草的出现。

注意，草坪表面分析机构25能够进行用于获得从如图12中所示的设置在草坪表面上的传感器51光学调制并生成的传感器信息的处理。此外，草坪表面分析机构25能够通过识别图13中的小型吹流器55、来自图14中的烟发生器56的烟的形状等，分析草坪表面附近的风向和风速。

再者，例如，作为用于上述分析的方法，草坪表面分析机构25可以采用通过以上说明的过程类处理实现的方法或使用学习的神经网络模型的方法。

首先，作为由草坪表面分析机构25进行的用于分析草坪表面的过程型处理说明的是对草叶覆盖率、太阳辐射量、踩踏压力草坪损害率、有害动物草坪损害率以及传感器信息的光学观察。

-草叶覆盖率

使用上述NDVI作为用于识别植物的健康状况的指标之一。例如，为了精确地测量NDVI，需要用包含固定波长分量的光照射草坪并使用至少两个窄带光学带通滤波器进行测量。因此，NDVI测量的实现需要高成本。

因此，使用普通可见光相机来检测与草坪的衰弱关联的叶子从绿色的颜色褪色的状态，并代替NDVI，获得该状态，作为用于识别草坪的健康状况的指标。具体来说，从图像中提取包含在绿色周围的特定颜色范围中的像素。然后，作为草叶覆盖率，计算草与沙地的比率和在区分健康草坪和枯萎草坪(颜色不同于绿色)的情况下的单位面积内生长的健康草坪的比率。更具体来说，草坪表面分析机构25能够作为“草叶覆盖率”计算在指定范围中存在的像素中包含的“指定颜色范围中包含的像素数量”与“所述指定范围中存在的总像素数量”之比。

在此，将参照图17说明用于计算草叶覆盖率的方法。

例如，可以对通过分割整个草坪表面的拍摄图像而产生的多个分割区域中的每一个计算草叶覆盖率。根据图17中示出的示例，针对通过将图像在垂直方向上分割成6个部分(A至F)以及在水平方向上分割成10个部分(1至10)而产生的60个分割区域中的每一个计算草叶覆盖率。注意，在考虑到包含在草坪表面成像机构21中的相机的成像元件的分辨率的情况下，将整个草坪表面的拍摄图像的分割区域中的每一个确定为具有容易识别为要在之后进行的草坪管理作业的范围的大小。此外，例如，在将整个草坪表面分割成多个区域并针对每个区域成像的情况下，可以根据成像区域来分割分割区域。

通过利用健康草坪是绿色的事实，从上述分割区域中的每一个中仅提取由普通颜色空间表示的特定范围内的像素。然后，作为草叶覆盖率，计算提取的落在特定范围内的像素的数量与分割区域中的每一个中包含的所有像素的数量之比。

根据图17中所示的示例，包含在分割区域(F-5)中的所有像素的数量是25，并提取9个像素作为包含在与健康草坪对应的绿色范围中的像素。因此，通过计算可以获取0.36(＝9/25)作为区域(F-5)的草叶覆盖率。对所有分割区域进行针对每个分割区域的草叶覆盖率的该计算。按此方式，如图17的下部所示，可以在二维图中表示60个分割区域中的每一个的草叶覆盖率。注意，较高值的草叶覆盖率表示较健康的草坪生长。

作为由草坪表面分析机构25进行的草坪表面分析处理的第一处理示例，将参照图18中的流程图说明用于计算草叶覆盖率的处理。例如，在上述图5中的步骤S13中进行草坪表面分析处理。

在步骤S51中，当草坪表面成像机构21的相机41(见图6)拍摄静止图像时，草坪表面分析机构25获得静止图像。

在步骤S52中，草坪表面分析机构25将在步骤S51中获得的静止图像分割成多个分割区域(例如，图17中示出的60个分割区域)。此时，草坪表面分析机构25将图像分割成各个分割区域，使得在每个分割区域中包含至少一个像素。

在步骤S53中，草坪表面分析机构25根据颜色分离在步骤S52中分割的分割区域中的每一个中包含的像素。

在步骤S54中，草坪表面分析机构25确定在步骤S53中根据颜色分离的像素中的每一个是否存在于预先指定的颜色范围(如上所述的对应于健康草坪的绿色范围)中。

在步骤S55中，草坪表面分析机构25根据包含于在步骤S54中分割的分割区域中的每一个中的像素计算覆盖率，如参照图17说明的那样。

在步骤S56中，草坪表面分析机构25将在步骤S55中计算的覆盖率和表示分割区域的位置信息存储在感测信息数据库27中。然后，草坪表面分析处理结束。

-太阳辐射量

存在作为表示植物用于实现光合作用的光量的值的PPFD。例如，为了精确地测量PPFD，需要光学带通滤波器的附接、光接收元件的灵敏度校正等。因此，实现PPFD测量需要高成本。此外，需要考虑由遮挡太阳光的构造物产生的阴影随时间的经过的影响。因此，对大面积的草坪表面的PPFD的测量是困难的。

因此，使用由相机41随着时间的经过拍摄的草坪表面的亮度图像来量化向阳地中的太阳辐射量与阴影中的太阳辐射量之间的相对差。此外，如在图19的上部示出的，将一个PPFD测量设备57设置在不对草坪表面产生太阳光阻挡的位置处。按此方式，可以基于PPFD测量设备57和从由相机41拍摄草坪表面的图像获取的亮度信息计算每个时间和每个位置的合适的PPFD值。再者，如图19的上部所示，由诸如建筑物之类的障碍物在草坪表面中产生了太阳光阻挡区域。

例如，草坪表面分析机构25按诸如15分钟的间隔之类的固定间隔获得由设置在建筑物等上的相机41拍摄的图像，并从这些图像中的每一个提取亮度值。然后，草坪表面分析机构25在被分割成多个分割区域的图中针对每个成像时间绘制亮度值。再者，草坪表面分析机构25对例如在从日出到日落的时段中的所产生的图的值进行积分。

按此方式，如图19的下部所示，可以针对每个分割区域呈现每天的积分光量。在图19中所示的示例中，较小的数值表示较小的太阳辐射量。太阳辐射量的这种降低是由被建筑物等遮蔽太阳光的时段的存在产生的。按此方式，即使在光量由于由太阳和云的位置变化产生的影响而动态变化的环境中，也可以针对每个分割区域容易地计算光量的不足。

此外，草坪表面分析机构25使用由PPFD测量设备57在与由相机41成像的时间相同的时间测量的PPFD值。按此方式，可以将在该时间产生的图内的最大值确定为接近PPFD值的值。因此，草坪表面分析机构25也可以基于图内的最大值与PPFD值之间的关系，将除图内的最大值以外的每个值转换成近似PPFD值。

作为由草坪表面分析机构25进行的草坪表面分析处理的第二处理示例，将参照图20中的流程图说明用于存储太阳辐射量的处理。例如，在上述图5中的步骤S13中进行草坪表面分析处理。

在步骤S61中，当草坪表面成像机构21的相机41拍摄静止图像时，草坪表面分析机构25获得静止图像。

在步骤S62中，草坪表面分析机构25将在步骤S61中获得的静止图像分割成多个分割区域(例如，图19中示出的60个分割区域)。此时，草坪表面分析机构25将图像分割成各个分割区域，使得在每个分割区域中包含至少一个像素。

在步骤S63中，草坪表面分析机构25仅提取包含于在步骤S62中通过分割而获取的分割区域中的每个像素的亮度值。

在步骤S64中，草坪表面分析机构25将在步骤S64中提取的亮度值和表示分割区域的位置信息存储在感测信息数据库27中。

在步骤S65中，草坪表面分析机构25确定是否已经获得一天的亮度值。

在步骤S65中确定尚未获得一天的亮度值的情况下，处理进行到步骤S66。在步骤S66中，草坪表面分析机构25等待固定时段。然后，处理返回到步骤S61，随后重复类似的处理。

另一方面，在步骤S65中确定已经获得一天的亮度值的情况下，草坪表面分析处理结束。

作为由草坪表面分析机构25进行的草坪表面分析处理的第三处理示例，将参照图21中的流程图说明用于计算太阳辐射量的处理。例如，在上述图5中的步骤S13中进行草坪表面分析处理。

在步骤S71中，草坪表面分析机构25指定时段和位置并从感测信息数据库27提取亮度值。

在步骤S72中，例如，草坪表面分析机构25通过针对每个位置将在步骤S71中提取的时段的亮度值相加，获得图19的下部中示出的图。然后，草坪表面分析处理结束。

-踩踏压力草坪损害率

在基于草叶的颜色变化的发现识别对草坪的损害之前，根据由踩踏草坪的人(运动员等)产生的踩踏压力的应力来预测预期要对草坪产生的未来损害。按此方式，例如，通过预先对预期遭受损害的部分施肥，可以避免草坪状态的劣化。

将参照图22说明由草坪表面分析机构25计算踩踏压力草坪损害率的方法。

例如，草坪表面分析机构25通过对在举行赛事(match)时获取的运动图像进行图像识别处理，检测作为检测对象的比赛的运动员，并确定在整个场地中每个运动员位置对应于哪个分割区域，如图22的上部所示。

然后，草坪表面分析机构25能够对每个分割区域计算“每个运动员留在对应的分割区域中的时段的积分时间”与“运动图像的总时间”之比，作为每个分割区域中的“踩踏压力草坪损害率”。

图22的下部表示代表由草坪表面分析机构25针对每个分割区域获取的踩踏压力草坪损害率的图的示例。例如，可以进行这种分析，使得较大的数值表示运动员的较长停留时段以及对草坪表面施加的较大应力。

此外，使用上述踩踏压力草坪损害率和草叶覆盖率，也可以进行这样的分析，即，在草叶覆盖率和踩踏压力草坪损害率两者低(即，尽管草坪处于枯萎状态，运动员停留的时段短)的分割区域中，草坪被病害等损害。

作为由草坪表面分析机构25进行的草坪表面分析处理的第四处理示例，将参照图23中的流程图说明用于分析踩踏压力草坪损害率的处理。例如，在上述图5中的步骤S13中进行草坪表面分析处理。

在步骤S81中，当草坪表面成像机构21的相机41(见图6)拍摄运动图像时，草坪表面分析机构25获得运动图像。

在步骤S82中，草坪表面分析机构25将在步骤S81中获得的运动图像分割成连续静止图像。此时，例如，草坪表面分析机构25按从运动图像的开始起的顺序，以预定时段的间隔将运动图像分割成静止图像。

在步骤S83中，草坪表面分析机构25通过对在步骤S82中获得的静止图像进行图像识别处理，检测静止图像中出现的作为检测对象的运动员。

在步骤S84中，草坪表面分析机构25将在步骤S83中检测到的运动员的位置和数量存储在感测信息数据库27中。

在步骤S85中，例如，草坪表面分析机构25确定是否对从在步骤S81中获得的运动图像获取的所有静止图像进行了图像识别处理。

在步骤S85中确定尚未对所有静止图像进行图像识别处理的情况下，处理返回到步骤S82。然后，随后重复类似的处理随后预定时段。另一方面，在步骤S85中确定对所有静止图像进行了图像识别处理的情况下，草坪表面分析处理结束。

作为由草坪表面分析机构25进行的草坪表面分析处理的第五处理示例，将参照图24中的流程图说明用于计算踩踏压力草坪损害率的处理。例如，在上述图5中的步骤S13中进行草坪表面分析处理。

在步骤S91中，草坪表面分析机构25指定时段和位置并从感测信息数据库27提取运动员的数量。

在步骤S92中，草坪表面分析机构25基于存在于每个分割区域中的运动员数量和存在于每个特定分割区域中的运动员数量，计算在在所述时段期间存在运动员的所有分割区域中包含的每个特定分割区域的踩踏压力草坪损害率。按此方式，例如，获得图22的下部中示出的图，并且草坪表面分析处理结束。

-有害动物草坪损害率

作为动物进入草坪表面的结果，特别是鸟类进入的结果，可能导致由这些动物带来的杂菌、除草以外的其他植物种子等。这些菌或植物对草坪的生长有相当不利的影响。此外，难以用肉眼识别细菌、种子等。因此，在许多情况下只能事后识别细菌、种子等的影响。因此草坪表面分析机构25通过使用与上述用于计算踩踏压力草坪损害率的方法类似的方法来分析动物进入的影响。按此方式，例如，通过对计算出较高值的分割区域预先移除掉落物或散布杀菌杀虫剂、除草剂等，可以避免草坪状态的劣化。

例如，通过使用草坪表面成像机构21的相机41(见图6)，即使在没有举行比赛时也拍摄草坪表面的运动图像。然后，草坪表面分析机构25通过对在未举行赛事的时段中获取的运动图像进行图像识别处理，检测作为检测对象的动物，并确定动物的位置对应于整个场地中的哪个分割区域。

然后，草坪表面分析机构25能够针对每个分割区域，计算“动物留在对应的分割区域中的时段的积分值”与“运动图像的总时间”之比，作为对应的分割区域的“有害动物草坪损害率”。

-传感器信息的光学观察

作为布置在草坪表面上的无线传感器，存在如图12中所示的以光的形式发送感测的信息有效的情况。

例如，在使用RF无线的情况下，需要满足对于每个国家来说不同的诸如可用频率和输出管制之类的要求。然而，在使用光的情况下，不存在这些管制。因此，可以例如通过图12中的发光装置54使用按闪烁频率调制的调制光发送通过感测获取的模拟量，如地温和水分量。然后，由相机41观测并解调该调制光。按此方式，可以收集由设置在草坪表面上的多个传感器51感测的传感器信息。

再者，设置图13中示出的吹流器55或图14中示出的烟发生器56，以识别草坪表面上的风的流动。

例如，如图25所示，可以通过使用草坪表面成像机构21的相机41对吹流器55进行连续成像来分析风速或风向。具体来说，在草坪表面上设置红色的吹流器55，以容易识别绿色草坪上的吹流器55的图像。然后，草坪表面分析机构25对由相机41拍摄的图像进行图像分析处理，以分析吹流器55的倾斜和方向。按此方式，获取吹流器55的倾斜作为风速，同时获取吹流器55的方向作为风向。

注意，假设吹流器55存在于与从位于特定位置处的相机41看到的盲点对应的位置处。因此，合意的是，使用多个相机41来观察草坪表面，以对吹流器55的倾斜和方向进行成像，同时弥补了各个相机41的盲点。

接着将描述由草坪表面分析机构25进行的用于分析草坪表面的使用神经网络模型的处理。

例如，不仅可以从上述过程型处理，而且可以从使用神经网的学习，获取由草坪表面分析机构25分析的踩踏压力草坪损害率和有害动物草坪损害率。具体来说，响应于向神经网络模型输入由草坪表面成像机构21的相机41获得的运动图像，可以对草坪表面的每个地点作为输出计算踩踏压力草坪损害率或有害动物草坪损害率。

例如，草坪表面分析机构25使用已经由栽培方法改进机构28进行了神经网学习的学习的神经网络模型。按此方式，草坪表面分析机构25可以在将处理负荷降低到较小值的情况下计算踩踏压力草坪损害率或有害动物草坪损害率。此外，栽培方法改进机构28可以使用利用生长信息收集机构22输入的草坪状态、以上参照图17描述的草叶覆盖率等作为用于神经网学习的教师数据。

此外，在使用神经网络模型分析踩踏压力草坪损害率和有害动物草坪损害率时，草坪表面分析机构25首先将由相机41拍摄的运动图像分解成每个时段的静止图像。再者，草坪表面分析机构25进行向可输入到神经网络模型的规模的维度的削减以及像素值的标准化。

例如，如图26中的示例所示，草坪表面分析机构25将从由相机41拍摄的运动图像获取的静止图像消减成W×H像素，即，水平方向上W像素和垂直方向上H像素。然后，草坪表面分析机构25将W×H标准化像素值输入给神经网络模型的输入层。

响应于该输入，草坪表面分析机构25从神经网络模型的输出层输出通过按任意数量分割而获取的草坪表面的每个分割区域的踩踏压力草坪损害率和有害动物草坪损害率。例如，如图27中的示例中所示，草坪表面分析机构25对于通过按在水平方向上X和垂直方向上Y对草坪表面进行分割而产生的X×Y个分割区域中的每一个，输出踩踏压力草坪损害率和有害动物草坪损害率。

图28示出了由草坪表面分析机构25使用神经网络模型对踩踏压力草坪损害率和有害动物草坪损害率进行的分析的概要。

例如，将由草坪表面成像机构21的相机41获得的运动图像存储在存储装置32中。草坪表面分析机构25从读出自存储装置32的运动图像获得静止图像，并且如图26中所示将该静止图像消减成W×H个像素。此外，草坪表面分析机构25对静止图像的像素值进行标准化，并将W×H个像素值输入给神经网络模型的输入层。

在此神经网络模型的中间层的数量可以是任意数量。例如，根据最近的研究，常常设置十几个层，作为用于识别图像的卷积神经网络模型。

然后，草坪表面分析机构25将草坪表面分割成任意数量的分割区域，即，例如，将草坪表面分割成如图27中所示的X×Y个分割区域，并输出每个分割区域的踩踏压力草坪损害率和有害动物草坪损害率。

例如，在神经网络模型的学习过程中计算踩踏压力草坪损害率的情况下，使用比赛期间的运动图像作为学习数据，以及使用紧接在草坪表面上举行的比赛结束之后或者在草坪表面上举行的比赛结束之后经过了几天之后获取的每个区域的草叶覆盖率作为教师数据。此外，在计算有害动物草坪损害率的情况下，使用在当前未举行任何比赛的状态下的草坪表面的运动图像作为学习数据，以及使用在草坪表面的成像日期的下一天或者在从草坪表面的成像日期起经过了几天之后由用户通过生长信息收集机构22输入的在每个区域中产生的杂草、病害等的出现数量作为教师数据。注意，将杂草、病害等的出现数量存储在如以下参照图32描述的感测信息数据库27的草坪生长信息表中。

<生长信息分析机构的构成示例>

生长信息分析机构26基于由生长信息收集机构22的相机42或44(见图6)拍摄的图像，通过图像分析估计草根的长度和厚度、草根的密度以及当前和未来病害的出现。此外，生长信息分析机构26可以使用由过程型处理执行的方法和用学习的神经网络模型执行的方法来实现分析。

例如，在草的情况下，在地下部分中生长的根的状态对叶子的未来生长有显著影响。因此，通过生长信息分析机构26基于由生长信息收集机构22获得的图像对根状态的定量识别是必不可少的。

如图29中所示，例如，生长信息分析机构26通过基于由生长信息收集机构22的相机42或44拍摄草被挖出之后的根部的静止图像的图像分析，对草根的长度和密度进行量化。根据图29中所示的示例，基于作为输入信息的静止图像进行用于分析草根的长度和密度的处理，以及作为输出信息获取作为草根长度的42mm的测量值和作为草根密度的每平方厘米4条根的测量值的分析结果。

将参照图30中所示的流程图说明由生长信息分析机构26进行的生长信息分析处理。例如，在上述图5中的步骤S14中进行生长信息分析处理。

在步骤S101中，生长信息分析机构26基于对由生长信息分析机构22的相机42或44拍摄的静止图像的图像分析，指定草叶部分和草根部分的位置，并将草叶部分和草根部分相互分离。

在步骤S102中，生长信息分析机构26基于在步骤S101中分离的草叶部分测量草叶的长度和草叶的密度。

在步骤S103中，生长信息分析机构26基于在步骤S101中分离的草根部分测量草根的长度和草根的密度。

在步骤S104中，生长信息分析机构26将在步骤S102中测量的草叶的长度和草叶的密度和在步骤S103中测量的草根的长度和草根的密度，连同表示挖起草的地点的位置信息一起，存储在感测信息数据库27中。然后，生长信息分析处理结束。

在此为了获取在图7中所示的生长信息输入画面中显示的草根的评价值，甚至可以由无经验的人员通过基于先前拍摄的草根的图像使用神经网络模型自动获取草根的评价值(自动评价)。

例如，生长信息分析机构26使用已经由栽培方法改进机构28完成了神经网学习的已学习的神经网络模型。按此方式，生长信息分析机构26能够在不存在处理负荷的情况下获取草根的评价值。

图31示出了由生长信息分析机构26进行的用于使用神经网络模型分析草根的总评价值的分析的概要。

例如，生长信息分析机构26进行向可输入到神经网络模型的规模的维度(例如，图26中示出的W×H个像素)的像素数的削减，以及对由生长信息收集机构22的相机42或44(见图6)拍摄的草根图像的标准化。然后，生长信息分析机构26对几个中间层进行处理，然后，作为草根的评价状态，使用图31中示出的示例中的10阶段评价，输出每个输出层具有对应评价值的概率。

例如，在神经网学习的过程中，生长信息收集机构22使用在草坪管理中从有经验人员输入的主观评价值作为教师数据，并使用草根的拍摄图像作为学习数据。

<感测信息数据库的构成示例>

例如，感测信息数据库27存储由草坪表面成像机构21获得的图像信息、由草坪表面分析机构25分析的位置和数值信息、由生长信息收集机构22获得的位置、图像、数值以及文本信息、由生长信息分析机构26分析的位置和数值信息、从环境感测机构23获取的位置和数值信息、来自栽培方法改进机构28的数值信息等。此外，感测信息数据库27将由气象机构等给出的气象数值信息连同产生该信息的位置和时间一起累积起来。

此外，感测信息数据库27可以累积表示由作业内容确定机构29确定的管理作业的作业内容的信息、在确定作业内容时参考的存储在感测信息数据库27和栽培方法数据库24中的信息、以及作为与作业内容关联的结果信息彼此关联的在执行作业内容之后由草坪表面成像机构21、生长信息收集机构22以及环境感测机构23获得的信息(即，表示通过执行确定的作业而产生的效果的信息)。

具体来说，如图32所示，在感测信息数据库27中存储设施信息表、气象信息表、草坪图像分析信息表、环境感测信息表以及草坪生长信息表。

例如，设施信息表存储对草坪管理系统11的所有部分共同的信息。如图中所示，设施信息表相互关联地存储设施名称、设施类型以及设施位于的地区。

此外，气象信息表、草坪图像分析信息表、环境感测信息表以及草坪生长信息表中的每一个存储对于每个设施来说不同的信息。

如图中所示，气象信息表相互关联地存储气象信息的生成日期、温度、湿度、风速以及风向。此外，草坪图像分析信息表相互关联地存储分析执行日期、分割区域位置、草叶覆盖率、太阳辐射量、踩踏压力草坪损害率以及有害动物草坪损害率。

类似的是，环境感测信息表相互关联地存储传感器信息获得日期、传感器位置、土壤温度、土壤湿度、土壤pH、土壤EC以及草坪表面温度。再者，草坪生长信息表相互关联地存储生长信息获得日期、生长信息获得位置、草叶硬度、割草浪费量、土壤硬度、草根长度、草根厚度、草根密度、草根自动评价值、草根主观评价值、杂草出现数量以及病害出现数量。

在此情况下，基于存储在感测信息数据库27中并由栽培方法改进机构28使用的信息，根据每个地区的环境、目的等能够提供更合意的草坪栽培方法或者能够进行未来的预测。

<栽培方法数据库的构成示例>

栽培方法数据库24存储与植被的栽培关联的信息。例如，根据草类型、季节、栽培地区以及诸如足球和屋顶绿化之类的草使用目的，在栽培方法数据库24中累积与栽培方法关联的现有学习模型(如适合于栽培的光量和波长和适合的温度管理以及肥料)和作为由栽培方法改进机构28改进的新模型的新规则和新神经网络模型的已学习的模型。按此方式，栽培方法数据库24可以针对草坪栽培提供必要的信息。

此外，栽培方法数据库24存储两种信息，即，定义条件和条件值的基于规则的方法，和在学习过程之后具有完成的建模的神经网方法。

例如，如图33中所示，栽培方法数据库24存储基于规则的方法的各种信息。

更具体来说，根据草类型、栽培地区以及草的用途，在栽培方法数据库24中记录用LED光照射的波长、作为保持目标的土壤水分量(目标水分)和土壤温度(目标地温)等。此外，根据栽培目的分类(如草通过通常的栽培还是通过用于在早期修复损害部分的促成(forcing)栽培来生长，以及是否要进行季节更替)来提供这些类型的信息。

在图33中示出的示例中呈现的是在选择常绿草作为草类型、东京作为栽培地区以及足球门前的位置作为使用目的的情况下的栽培分类表。

此外，如图34中所示，栽培方法数据库24存储由基于规则的方法作为这些类型的信息的初始值使用的初始规则。图34示出了用于基于草坪表面分析机构25的图像分析确定在降低草叶覆盖率的情况下要进行的作业的规则的示例。确定是否由于太阳辐射的不足、比赛等期间的踩踏应力或病害而造成了草坪的劣化。

首先，根据地区和使用目的选择规则。在例如特定草坪区域中的草叶覆盖率落在81％和90％之间的范围中的情况下，参照从图34中的顶部起的第二个表，选择27％的土壤水分量作为规则的内容。然后，在作为随后的条件通过草坪表面分析机构25的图像分析获取的在同一地点处的太阳辐射量是7001或更大的情况下，例如，参照从图34中的顶部起的第三个表，选择参照随后的条件。然后，顺序地确定踩踏压力草坪损害率(从图34中的顶部起的第四个表)和有害动物草坪损害率(从图34中的顶部起的第五个表)，以确定作为作业要进行的内容。

按此方式，与感测信息数据库27的内容的顺序的连续更新关联地，连同由栽培方法改进机构28对新规则的生成一起更新存储在栽培方法数据库24中的规则。

此外，如图35中所示，栽培方法数据库24存储用于神经网络方法的信息(学习数据和教师数据)。

根据图35中示出的示例，栽培方法数据库24存储在由草坪表面分析机构25使用的踩踏压力草坪损害率是分析对象的情况下的已学习模型、用于分析由草坪表面分析机构25使用的有害动物草坪损害率的已学习模型、用于分析由生长信息分析机构26使用的草根的评价值的已学习模型等。再者，栽培方法数据库24可以存储由栽培方法改进机构28新开发或学习的神经网络模型。

<栽培方法改进机构的构成示例>

栽培方法改进机构28利用诸如基于累积在感测信息数据库27中的图像、数值或文本信息的多变量分析之类的统计分析方法，通过发现关于草坪栽培和管理的新规则或使用神经网络模型进行学习来获得与草坪状态相关的各种分析方法。例如，在使用统计分析方法的情况下，针对感测信息数据库27的内容进行反映服务提供方、用户等的想法的多变量分析，并进行到被认为合适的值的校正。按此方式，寻求栽培方法的改进。此外，在使用神经网络模型执行学习的情况下，对作为教师数据添加到感测信息数据库27的新数据进行进一步学习。按此方式，寻求栽培方法的改进。栽培方法改进机构28还将新规则和完成了学习的神经网络模型累积在栽培方法数据库24中。

例如，栽培方法改进机构28通过使用感测信息数据库27的顺序地收集的内容，针对与草坪栽培方法、预测草坪状态的踩踏压力草坪损害率或有害动物草坪损害率的预测方法等相关的规则，更新现有规则并学习神经网络模型。

此外，在以下说明的情况下，栽培方法改进机构28更新与栽培方法相关的现有规则。

例如，以上针对图34说明的初始规则表示根据设施位于的地区和使用目的对草叶覆盖率、太阳辐射量、踩踏压力草坪损害率以及有害动物草坪损害率的值要进行的内容。然而，这些规则的应用并不一定适合于所有设施。

例如，在东日本的年平均温度不同于西日本的年平均温度。因此，需要在草坪栽培中考虑该差异。此外，在高温环境中，草试图通过从叶子蒸发来降低其温度。为此，需要向根提供足够量的水分。然而，给予根的过量的水分可能导致根腐烂。

此外，在将来自国家的每个区域的信息累积在感测信息数据库27中的状态下，可以针对草叶覆盖率和土壤水分量之间的关系进行包括区域差异的统计分析。

例如，对于图34中示出的草叶覆盖率的初始规则，将土壤水分设定为22％以产生91％或更高的草叶覆盖率。另一方面，在当收集位于特定地区中的设施中的草叶覆盖率为91％或更高的所有地点的水分量时水分量的平均值为30％的情况下，合意的是，将初始规则从22％改变成30％。

注意，仅仅通过示例给出在此用于描述的草叶覆盖率和土壤水分之间的关系。显然，可以考虑多个其他项目来进行初始规则的确定和改进。

如上所述，由栽培方法改进机构28学习的神经网络模型被草坪表面分析机构25用于分析踩踏压力草坪损害率和有害动物草坪损害率，并被生长信息分析机构26用于分析草根评价值。此外，栽培方法改进机构28可以使用累积在感测信息数据库27中的数据作为用于神经网络模型的这些类型的学习的学习数据和教师数据。

此外，存在作为用于表示草坪表面的状态的指数的NDVI。栽培方法改进机构28通过使用NDVI作为教师数据，并使用太阳辐射量、草叶覆盖率、踩踏压力草坪损害率、有害动物草坪损害率、草根评价值、草坪表面温度、土壤水分、土壤温度等作为学习数据，进行学习。按此方式，栽培方法改进机构28能够在不测量NDVI的情况下获得等同指数。

注意，用于表示草坪表面状态的指数并不特别限于NDVI。可以使用诸如EVI(增强植被指数)和PRI(光化学反射指数)之类的其他已知的植被指数作为教师数据。在此情况下，可以在不需要测量的情况下通过以类似的方式学习来获得等同指数。

在此的执行栽培方法改进机构28的定时并不受到特别限制。可以每当向感测信息数据库27添加信息时执行栽培方法改进机构28。或者，例如，可以在当用户通过诸如平板计算机之类的终端装置向感测信息数据库27输入教师数据的定时、由用户指定的定时、或预先设定的任意定时(如每一个月)，执行栽培方法改进机构28。

<作业内容确定机构的构成示例>

作业内容确定机构29参考存储在感测信息数据库27和栽培方法数据库24中的信息，确定为了保持草坪的高质量而随后要进行的管理作业的作业内容，并连同草坪表面的位置一起给出关于所确定的作业内容的指示。例如，作为要由作业内容确定机构29确定的作业内容，采用分别对草坪表面的区域的所有区域或一部分进行的人工光的照射、地中的加热器或冷却器的设定、浇水、杀虫剂散布、杀菌剂散布、肥料散布、养护薄片的部署、草地割草、杂草去除以及有害动物去除中的至少一个。

此外，作业内容确定机构29能够参考数据库确定草坪栽培过程所需要的特定作业内容。作业开始方法的示例包括基于期限的作业和基于事件的作业。例如，作为基于期限的作业，作业内容确定机构29确定要按固定间隔(如指定时间、日期、星期、月、年等)(例如，每天的指定时间和每个周末的指定时间)开始的作业项目。此外，作为基于事件的作业，作业内容确定机构29确定要根据由草坪表面分析机构25或生长信息分析机构26获取的分析结果或传感器信息(例如，温度、湿度、地温以及土壤水分)的变化来开始的作业内容。

将首先说明基于期限的作业。

作业内容确定机构29在对应日期结束时参考感测信息数据库27计算该日期的积分太阳辐射量，从栽培方法数据库24获得关于不足的太阳辐射量的数据，以及确定在夜间期间要通过LED补充的位置和时间。此外，在诸如在中心圈附近或球门前的区域期望改变草坪生长的情况下，作业内容确定机构29从栽培方法数据库24获得关于用于照射的LED的波长的选择和比率的数据，并确定关于选择和比率的所获得的数据。

再者，作业内容确定机构29基于在各种事件的每个结束之后获取的预测草坪损害率和草叶覆盖率，确定仅对预测损害率差的区域的肥料散布、在草叶覆盖率为特定值或更高的情况下的LED光的照射、以及在草叶覆盖率为特定值或更低的情况下的要重新覆盖的草坪位置。

作业内容确定机构29可以按上述方式确定基于期限的作业。

将参照图36中示出的流程图说明由作业内容确定机构29进行的基于期限的作业存储处理。在步骤S111中，作业内容确定机构29将执行内容存储在如图37中所示的基于期限的作业列表中。然后，基于期限的作业存储处理结束。

如图37中所示，基于期限的作业列表存储在每个执行定时(如每个开始时间)的对应时间进行的作业的执行内容。

将参照图38中示出的流程图说明由作业内容确定机构29进行的基于期限的作业执行处理。

在步骤S121中，作业内容确定机构29等待特定时段。然后，作业内容确定机构29在步骤S122中确定基于期限的作业列表(图37)是否包含要在当前时间执行的内容。

在步骤S122中确定基于期限的作业列表包含要在当前时间执行的内容的情况下，在步骤S123中作业内容确定机构29执行基于期限的作业列表中的对应项目。

另一方面，在步骤S122中未确定基于期限的作业列表包含要在当前时间执行的内容的情况下，或者在步骤S123中的处理结束之后，处理返回到步骤S121。然后，重复类似的处理。

接着，将说明基于事件的作业。

为了减小由于地温的快速变化对草坪施加的应力，作业内容确定机构29基于当前地温、气温以及土壤水分量，顺序地确定要洒的水量。此外，作业内容确定机构29基于存储在感测信息数据库27中的气温或土壤温度升高的变化率，预测由于草蒸发的增大的结果而产生的土壤水分的急剧降低，并进行用于识别浇水位置和不产生浪费的浇水量的浇水的确定。再者，作业内容确定机构29在基于由草坪表面分析机构25获取的分析结果的养护期间检测草坪上诸如鸟之类的动物的存在，并通过洒水引导动物离开草坪。

作业内容确定机构29可以按上述方式确定基于事件的作业。

将参照图39中示出的流程图说明由作业内容确定机构29进行的基于事件的作业存储处理。在步骤S131中，作业内容确定机构29将执行内容存储在如图40中所示的基于事件的作业列表中。然后，基于事件的作业存储处理结束。

如图40中所示，基于事件的作业列表存储对于每个监视事件在发生对应的事件时要进行的作业的执行内容。

将参照图41中示出的流程图说明由作业内容确定机构29进行的基于事件的作业执行处理。

在步骤S141中，作业内容确定机构29等待，直到发生任意事件。然后，在步骤S142中，作业内容确定机构29确定基于事件的作业列表(图40)是否包含对应的事件。

在步骤S142中确定基于事件的作业列表包含对应的事件的情况下，在步骤S143中作业内容确定机构29执行基于事件的作业列表中的对应项目。

另一方面，在步骤S142中未确定基于事件的作业列表包含对应的事件的情况下，或者在步骤S143中的处理完成之后，处理返回到步骤S141。然后，重复类似的处理。

<作业机构的构成示例>

作业机构30根据由作业内容确定机构29确定的作业内容和位置，通过诸如平板式计算机和个人计算机之类的终端装置的呈现单元向管理设施的用户呈现作业指示。此外，例如，作业机构30输出与要由诸如光补充设备和机器人设备之类的作业装置进行的各种实际作业关联的信息。

图42示出了作为用作作业机构30的呈现单元的示例的个人计算机43和平板型计算机45。可以通过使用这些终端，将关于特定作业内容的指示发给使用草坪管理系统11的用户。注意，指示的发出并不限于使用在此的图中示出的终端。

图43示出了作为用作作业机构30的作业装置的示例的便携式照明装置101。便携式照明装置101能够用来自固定于框架102的多个LED103(在图43的示例中，三个LED 103-1至103-3)的LED光照射草坪表面。此外，例如，使用每个包括轮胎等的移动机构104-1至104-4将便携式照明装置101构成为可移动的。

例如，便携式照明装置101可以移动到由确认了通过图42中示出的个人计算机43、平板型计算机45等进行的作业内容的用户指定的位置，并在指定时间发光，以用LED光照射草坪表面。在便携式照明装置101包括可自主移动的机构的情况下，注意，便携式照明装置101可以在没有用户的干预的情况下根据由作业内容确定机构29确定的作业内容自主移动到指定位置并在指定时间发光，以用LED光照射草坪表面。

图44示出了作为用作作业机构30的作业装置的示例的薄片型照明装置111。薄片型照明装置111能够通过使用附接到柔性薄片材料112的一个表面的多个LED 113，用LED光照射各种地方和各种区域的草坪表面。此外，薄片型照明装置111能够通过用薄片材料112覆盖草坪表面来同时保持草坪所需的热量。

图45示出了作为用作作业机构30的作业装置的示例的激光-扫描器型照明装置121。照明装置121包括多色激光光源122和扫描器123的组合，并且能够通过使用扫描器123用从多色激光光源122输出的激光照射草坪表面的任意位置。与图43中示出的便携式照明装置101不同，由此构成的照明装置121不需要移动的工作。

此外，例如，照明装置121能够顺序地改变激光的功率或波长以改变草坪的生长或叶子颜色，以及通过使用草叶来表示团队标志。再者，照明装置121能够通过使用紫外线激光进行草坪的生长抑制、杀菌、除杂草等。

图46示出了作为用作作业机构30的作业装置的示例的具有独立导航功能的小型无人航空器(通常称为无人机)131。如图中所示，小型无人航空器131能够使用附接到器体132的旋翼133-1和133-2飞行，照射来自照明单元134-1至134-6的LED光，以及从散布口135散布肥料、化学剂等。由此构成的小型无人航空器131能够在没有用户的干预的情况下执行由作业内容确定机构29确定的作业内容。

注意，用作作业机构30的作业装置并不限于图43至46中示出的装置，而可以是各种作业装置。

在此的栽培方法改进机构28可以通过使用作业内容结果信息作为教师数据以及使用存储在感测信息数据库27和栽培方法数据库24中并在确定作业内容时参考的信息作为学习数据，通过神经网络模型进行学习，以更新与栽培方法相关的学习模型。注意，可以在由用户指定的时间执行学习，或者可以在预先设定的任意定时(如在由作业内容确定机构29确定作业内容之后的一个星期)顺序地执行学习。

<成像区域分割方法>

参照图47至50说明的是用于在使用草坪表面成像机构21的相机41对草坪表面进行成像时将草坪表面分割成多个成像区域的分割方法的示例。

例如，可以将由草坪表面分析机构25获取的草叶覆盖率、踩踏压力草坪损害率以及有害动物草坪损害率的预测结果值与作为草坪表面的分割的多个成像区域中的每一个关联。在包含在草坪表面成像机构21的相机41中的图像传感器的分辨率对于整个成像区域来说足够高的情况下，如在以下说明的分割方法中那样，可以根据草坪作业、要评价的区域等自由地确定这些成像区域的设定。

例如，为了执行普通作业，可以通过将成像区域简单地分割成相等区域的第一分割方法，将草坪表面分割成多个成像区域。此外，可以通过针对与作业装置对应的每个作业范围(如图43中所示的照明装置101的每个照射面积)来分割成像区域的第二分割方法，将草坪表面分割成多个成像区域。再者，如参照图9描述的，可以通过针对设置在地面之下的传感器51的每个感测范围来分割成像区域的第三分割方法，将草坪表面分割成多个成像区域。

此外，可以通过将成像区域分割成如图47中所示的足球场草坪表面中的各个特定区域的第四分割方法，将草坪表面分割成多个成像区域。例如，在边界位于半线上的情况下，将整个草坪表面分割成半区域(例如，整个主侧和整个远侧)，作为区域1和区域2的成像区域。对于区域1和区域2，分别将诸如球门前的区域之类的特定区域限定为区域3和区域4的成像区域。

再者，为了促进从草叶的蒸发，例如，可以将如图48中所示的足球场草坪表面分割成长且窄的成像区域，使得来自鼓风机的风从边线外部到达成像区域。更具体来说，在图48中所示的示例中，将草坪表面分割成配置在足球场草坪表面的每一侧并且从每一侧的边线向中央延伸的5个长且窄的区域，以将成像区域分割成区域1至10。

如图47和48中所示，可以根据使用目的(即，足球场草坪表面)将草坪表面分割成多个成像区域。

此外，如图49和50中所示，可以根据相对于草坪表面的成像方向来分割成像区域。

例如，如图49的上部中所示，当相对于草坪表面G在垂直方向上由相机41拍摄图像时，产生从相机41到草坪表面G的距离变成大致不变的环境。因此，如图49的下部中所示，当针对草坪表面G将成像区域分割成相等区域时，使每一个像素的草坪表面的范围相等。

另一方面，如图50的上部中所示，当相对于草坪表面G在倾斜方向上由相机41拍摄图像时，产生从相机41到草坪表面G的距离相当不同的环境。因此，如图49的下部中所示，位于远离相机41的位置的每一个像素的草坪表面的范围相当不同于位于靠近相机41的位置的每一个像素的草坪表面的范围。位于远离相机41的位置的每一个像素的草坪表面的范围宽，而位于靠近相机41的位置的每一个像素的草坪表面的范围窄。因此，在相对于草坪表面G在倾斜方向上通过相机41进行成像的情况下，合意的是，如参考图6描述的那样使用两个或更多个相机41从相对侧拍摄图像，以从而避免每一个像素的草坪表面的范围的相当不同。

如上所述，草坪管理系统11的用户即使不具有关于草坪栽培的深度的专门知识，也能够通过使用草坪管理系统11产生质量不变的草坪。此外，作为可再利用知识，可以将用于实现高草坪质量的复杂的专门知识累积在草坪管理系统11的栽培方法数据库24中。

此外，草坪管理系统11能够不通过使用用于获得特定窄带宽的图像的特殊相机，而是通过使用拍摄基于普通可见光的图像的相机41，对草坪表面的太阳辐射状态进行量化。类似的是，草坪管理系统11能够通过使用普通相机41获取与草坪生长相关的当前状态并预测其未来状态。

再者，例如，草坪管理系统11能够通过根据草坪表面状态确定合适的作业内容，快速修复由于比赛或病害的出现、杂草等而损害的草坪表面，并有助于改善设施运营率和维持美观。此外，草坪管理系统11能够降低草坪管理所需的人工成本。

此外，例如，草坪管理系统11能够通过向图43中所示的便携式照明装置101、图44中所示的薄片型照明装置111、图45中所示的激光-扫描器型照明装置121等发出指示，改变对草坪表面应用的光的输出、照射时间以及波长。按此方式，草坪管理系统11能够产生不同的草坪生长状态。例如，草坪管理系统11能够实现不同的草坪栽培，使得产生很强的根伸展的草在球门前的区域中生长，并且允许球容易滚动的草在足球场草坪表面中的其他区域中生长。

再者，如参照图3说明的，通过使用在网络中连接的多个信息处理装置，草坪管理系统11可以使栽培方法数据库24、草坪表面分析机构25、生长信息分析机构26、感测信息数据库27、栽培方法改进机构28以及作业内容确定机构29分散，以组成草坪管理系统11。按此方式，可以降低使用草坪管理系统11的用户所需的费用。

注意，如在本实施例中说明的合意地应用于草坪管理用草坪管理系统11的本技术并不限于本申请，而是也可以应用于诸如普通树、场地、园艺、农场以及牧场之类的各种植被的管理。

<计算机的构成示例>

注意，参照上述流程图说明的各个处理不一定需要按在流程图中描述的顺序按时间序列进行，而是包括并行或者单独执行的处理(例如，并行处理或按对象的处理)。此外，程序可以由一个CPU处理，或者由多个CPU分散执行。

再者，上述一系列处理(信息处理方法)可以用硬件执行，或者可以用软件执行。在利用软件执行一系列处理的情况下，将组成软件的程序从记录程序的程序记录介质安装在包含在专用硬件中的计算机、诸如能够根据安装在计算机中的各种程序执行各种功能的通用个人计算机之类的计算机等中。

图51是示出利用程序来执行上述一系列处理的计算机的硬件的构成例子的方框图。

在计算机中，CPU(中央处理器)201、ROM(只读存储器)202和RAM(随机存取存储器)203通过总线204相互连接。

此外，输入/输出接口205连接到总线204。输入单元206、输出单元207、存储单元208、通信单元209和驱动器210连接到输入/输出接口205，输入单元206包括键盘、鼠标、麦克风等，输出单元207包括显示器、扬声器等，存储单元208包括硬盘、非易失性存储器等，通信单元209包括网络接口等，驱动器210驱动包括磁盘、光盘、磁光盘、半导体存储器等的可移除介质211。

在如上构成的计算机中，例如，CPU 201通过输入/输出接口205和总线204，把保存在存储单元208中的程序加载到RAM 203中，并执行所加载的程序，以执行上述一系列处理。

例如，将由计算机(CPU 201)执行的程序记录在作为套装介质的可移除介质211中，或者通过有线或无线发送介质，比如局域网、因特网和数字卫星广播，提供所述程序，套装介质包括磁盘(包括软盘)、光盘(CD-ROM(小型盘只读存储器)、DVD(数字通用盘)等)、磁光盘、半导体存储器等。

此外，在将可移除介质211附接到驱动器210的状态下，通过输入/输出接口205，可以把程序安装在存储单元208中。再者，程序可由通信单元209通过有线或无线发送介质接收，并可安装在存储单元208中。另外，程序可被预先安装在ROM 202或存储单元208中。

<构成组合示例>

注意，本技术也可以具有以下构成。

(1)一种信息处理装置，包括：

分析单元，所述分析单元至少将拍摄作为管理对象的植被的图像作为输入信息进行分析；以及

确定单元，所述确定单元根据从分析单元输出的分析结果确定要对植被进行的作业内容。

(2)根据上述(1)所述的信息处理装置，还包括：

信息数据库，所述信息数据库存储输入信息和表示分析结果的信息，其中

所述确定单元基于存储在信息数据库中的信息确定作业内容。

(3)根据上述(1)或(2)所述的信息处理装置，其中

所述分析单元将作为管理对象的植被的整个表面分割成多个分割区域，并针对每个分割区域输出分析结果。

(4)根据上述(1)至(3)中的任一项所述的信息处理装置，其中

所述分析单元作为分析结果输出与作为植被的草坪关联的植被指标。

(5)根据上述(4)所述的信息处理装置，其中

所述植被指标包括草叶覆盖率，草叶覆盖率是针对将草坪表面分割为多个的分割区域中的每一个，每单位面积存在的草的比率并且是基于所述图像而计算的。

(6)根据上述(4)或(5)所述的信息处理装置，其中

所述植被指标包括针对将草坪表面分割为多个的分割区域中的每一个，通过基于图像对到达草坪表面的太阳光的亮度值进行积分而计算的太阳辐射量。

(7)根据上述(4)至(6)中的任一项所述的信息处理装置，其中

所述植被指标包括草坪损害率，草坪损害率是针对将草坪表面分割为多个的分割区域中的每一个，作为检测对象留在各自的分割区域中的时段的积分值与拍摄草坪表面的运动图像的总时段之比而计算的。

(8)根据上述(1)至(5)中的任一项所述的信息处理装置，还包括：

收集预定生长信息的生长信息收集单元，其中

所述分析单元基于由所述生长信息收集单元收集的生长信息进行分析。

(9)根据上述(3)至(8)中的任一项所述的信息处理装置，其中

根据拍摄图像的成像区域分割所述分割区域。

(10)根据上述(3)至(8)中的任一项所述的信息处理装置，其中

基于要对植被进行的作业的范围分割所述分割区域。

(11)根据上述(2)至(10)中的任一项所述的信息处理装置，其中

所述信息数据库存储与作为管理对象的植被关联并从环境感测装置接收的传感器信息，所述环境感测装置包括多个传感器并通过感测环境获得传感器信息。

(12)根据上述(1)至(11)中的任一项所述的信息处理装置，还包括：

栽培方法数据库，所述栽培方法数据库存储与植被的栽培关联并至少包括学习模型的信息，其中

所述确定单元基于所述栽培方法数据库确定对于植被的作业内容。

(13)根据上述(12)所述的信息处理装置，其中

所述确定单元根据由用户设定的预定期限或预定事件确定作业内容的执行定时。

(14)根据上述(12)所述的信息处理装置，还包括：

栽培方法改进单元，所述栽培方法改进单元基于存储在栽培方法数据库中的信息更新所述学习模型，其中

将更新的学习模型存储在所述栽培方法数据库中。

(15)根据上述(14)所述的信息处理装置，其中

存储在存储输入信息和表示分析结果的信息的信息数据库中的信息至少包括作业内容结果信息。

(16)根据上述(1)至(12)中的任一项所述的信息处理装置，其中

所述确定单元向呈现作业内容的呈现单元呈现已经确定的作业内容。

(17)根据上述(1)至(12)中的任一项所述的信息处理装置，其中

所述确定单元将与作业内容关联的信息输出给进行用于对植被执行作业的处理的作业装置。

(18)一种由信息处理装置进行的信息处理方法，所述信息处理方法包括：

至少将拍摄作为管理对象的植被的图像作为输入信息进行分析；以及

根据通过该分析输出的分析结果确定要对植被进行的作业内容。

(19)一种植被管理系统，包括：

信息处理装置，包括：

图像获得装置，所述图像获得装置获得拍摄作为管理对象的植被的图像，

分析单元，所述分析单元至少将由图像获得装置获得的图像作为输入信息进行分析，以及

确定单元，所述确定单元根据从分析单元输出的分析结果确定要对植被进行的作业内容；以及

作业装置，所述作业装置根据由所述确定单元确定的作业内容进行用于对植被执行作业的处理。

注意，本实施例并不限于上述实施例，而是可以在不脱离本公开的主题的情况下以各种方式修改。此外，在本说明书中描述的有益效果是仅通过示例给出的。要提供的有益效果并不限于这些有益效果，而是可以包括其他有益效果。

[标符列表]

11草坪管理系统,21草坪表面成像机构,22生长信息收集机构,23环境感测机构,24栽培方法数据库,25草坪表面分析机构,26生长信息分析机构,27感测信息数据库,28栽培方法改进机构,29作业内容确定机构,30作业机构,31网络,32存储装置,41相机,42相机,43个人计算机,44相机,45平板式计算机,51传感器,52有线传感器集成装置,53天线,54发光装置,55吹流器,56烟发生器,57PPFD测量设备。

Claims (19)

1.一种信息处理装置，包括：

分析单元，所述分析单元至少将拍摄作为管理对象的植被的图像作为输入信息进行分析；以及

确定单元，所述确定单元根据从分析单元输出的分析结果确定要对植被进行的作业内容。

2.根据权利要求1所述的信息处理装置，还包括：

信息数据库，所述信息数据库存储输入信息和表示分析结果的信息，其中

所述确定单元基于存储在信息数据库中的信息确定作业内容。

3.根据权利要求1所述的信息处理装置，其中

所述分析单元将作为管理对象的植被的整个表面分割成多个分割区域，并针对每个分割区域输出分析结果。

4.根据权利要求1所述的信息处理装置，其中

所述分析单元作为分析结果输出与作为植被的草坪关联的植被指标。

5.根据权利要求4所述的信息处理装置，其中

所述植被指标为草叶覆盖率，草叶覆盖率是针对将草坪表面分割为多个的分割区域中的每一个，每单位面积存在的草的比率并且是基于所述图像而计算的。

6.根据权利要求4所述的信息处理装置，其中

所述植被指标为针对将草坪表面分割为多个的分割区域中的每一个，通过基于图像对到达草坪表面的太阳光的亮度值进行积分而计算的太阳辐射量。

7.根据权利要求4所述的信息处理装置，其中

所述植被指标为草坪损害率，草坪损害率是针对将草坪表面分割为多个的分割区域中的每一个，作为检测对象留在各自的分割区域中的时段的积分值与拍摄草坪表面的运动图像的总时段之比而计算的。

8.根据权利要求1所述的信息处理装置，还包括：

收集预定生长信息的生长信息收集单元，其中

所述分析单元基于由所述生长信息收集单元收集的生长信息进行分析。

9.根据权利要求3所述的信息处理装置，其中

根据拍摄图像的成像区域分割所述分割区域。

10.根据权利要求3所述的信息处理装置，其中

基于要对植被进行的作业的范围分割所述分割区域。

11.根据权利要求2所述的信息处理装置，其中

所述信息数据库存储与作为管理对象的植被关联并从环境感测装置接收的传感器信息，所述环境感测装置包括多个传感器并通过感测环境获得传感器信息。

12.根据权利要求1所述的信息处理装置，还包括：

栽培方法数据库，所述栽培方法数据库存储与植被的栽培关联并至少包括学习模型的信息，其中

所述确定单元基于所述栽培方法数据库确定对于植被的作业内容。

13.根据权利要求12所述的信息处理装置，其中

所述确定单元根据由用户设定的预定期限或预定事件确定作业内容的执行定时。

14.根据权利要求12所述的信息处理装置，还包括：

栽培方法改进单元，所述栽培方法改进单元基于存储在栽培方法数据库中的信息更新所述学习模型，其中

将更新的学习模型存储在所述栽培方法数据库中。

15.根据权利要求14所述的信息处理装置，其中

存储在存储输入信息和表示分析结果的信息的信息数据库中的信息至少包括作业内容结果信息。

16.根据权利要求1所述的信息处理装置，其中

所述确定单元向呈现作业内容的呈现单元呈现已经确定的作业内容。

17.根据权利要求1所述的信息处理装置，其中

所述确定单元将与作业内容关联的信息输出给进行用于对植被执行作业的处理的作业装置。

18.一种由信息处理装置进行的信息处理方法，所述信息处理方法包括：

至少将拍摄作为管理对象的植被的图像作为输入信息进行分析；以及

根据通过该分析输出的分析结果确定要对植被进行的作业内容。

19.一种植被管理系统，包括：

信息处理装置，包括：

图像获得装置，所述图像获得装置获得拍摄作为管理对象的植被的图像，

分析单元，所述分析单元至少将由图像获得装置获得的图像作为输入信息进行分析，以及

确定单元，所述确定单元根据从分析单元输出的分析结果确定要对植被进行的作业内容；以及

作业装置，所述作业装置根据由所述确定单元确定的作业内容进行用于对植被执行作业的处理。

Images