CN113196320A - 果菜类植物和果树栽培管理装置、学习装置、果菜类植物和果树栽培管理方法、学习模型生成方法、果菜类植物和果树栽培管理程序以及学习模型生成程序 - Google Patents
果菜类植物和果树栽培管理装置、学习装置、果菜类植物和果树栽培管理方法、学习模型生成方法、果菜类植物和果树栽培管理程序以及学习模型生成程序 Download PDFInfo
- Publication number
- CN113196320A CN113196320A CN202080006629.0A CN202080006629A CN113196320A CN 113196320 A CN113196320 A CN 113196320A CN 202080006629 A CN202080006629 A CN 202080006629A CN 113196320 A CN113196320 A CN 113196320A
- Authority
- CN
- China
- Prior art keywords
- fruit
- vegetable plant
- learning
- fruit tree
- cultivation
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 541
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims description 53
- 238000007726 management method Methods 0.000 title description 146
- 235000013311 vegetables Nutrition 0.000 claims abstract description 252
- 230000007613 environmental effect Effects 0.000 claims abstract description 203
- 238000011156 evaluation Methods 0.000 claims abstract description 118
- 230000008859 change Effects 0.000 claims abstract description 89
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 49
- 230000002787 reinforcement Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 description 244
- 238000003306 harvesting Methods 0.000 description 108
- 238000010586 diagram Methods 0.000 description 29
- 238000004891 communication Methods 0.000 description 27
- 238000003860 storage Methods 0.000 description 24
- 238000001514 detection method Methods 0.000 description 12
- 230000001276 controlling effect Effects 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 235000015816 nutrient absorption Nutrition 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000002689 soil Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 238000009333 weeding Methods 0.000 description 2
- 244000241257 Cucumis melo Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000008935 nutritious Nutrition 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
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
- A01G17/00—Cultivation of hops, vines, fruit trees, or like trees
- A01G17/005—Cultivation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/05—Fruit crops, e.g. strawberries, tomatoes or cucumbers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Botany (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Environmental Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Animal Husbandry (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Mining & Mineral Resources (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Forests & Forestry (AREA)
- Ecology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明提供能够进行适当的作业指示的技术。果菜类植物和果树栽培管理装置的特征在于,具备:与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;与所述果菜类植物或果树的预先计划的栽培评价指标相关的信息即计划栽培评价指标信息;运算部,使用学习模型针对所述环境状态信息和所述计划栽培评价指标信息的输入,确定并输出包括形态变更作业在内的针对所述果菜类植物或果树的作业,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史;以及输出部,输出包括所述形态变更作业在内的针对所述果菜类植物或果树的作业。
Description
技术领域
本发明涉及果菜类植物和果树栽培管理装置、学习装置、果菜类植物和果树栽培管理方法、学习模型生成方法、果菜类植物和果树栽培管理程序以及学习模型生成程序。
背景技术
目前,作为管理植物的栽培的方法,专利文献1中提出了如下技术:根据将来的气象条件、用户在作业计划表中登记的作业计划以及农场条件的计算式算出农场条件,根据从预测开始时日至预测对象日为止的期间内的农场条件,并使用预测模型算出预测对象日的预测对象作物的生长状况。在此,根据能够获得评价如此得到的预测生长状况的指标的范围即预测生长范围是否包含在作为判断农作物的生长是否成功的基准的可管理范围内,来表示预测对象作物是否为用户所希望的生长状况。
但是,在上述现有技术中,在根据用户登记的作业计划表进行栽培的情况下,虽然示出了是否为用户所希望的生长状况这一结果,但并未指示出在并非用户所希望的生长状况时如何变更作业计划为好。
另外,在包含西红柿、草莓、甜瓜等草本植物的果实的果菜类植物的栽培中,并非只要植物本身培育的很大即可,存在除了果实的收获数量之外还要求各果实为营养丰富且味道良好的果实等复杂的参数,其栽培困难。为了使这样的果菜类植物如用户所希望那样生长,需要更为复杂的栽培,但现有技术中并未将这样的复杂的栽培作为对象。因此,存在即使按照作业计划进行作业也不会成为用户所希望的生长状况的情况。
现有技术文献
专利文献
专利文献1:日本专利第5756374号公报
发明内容
发明所要解决的技术问题
本发明是鉴于上述问题而完成的,其目的在于,提供能够进行适当的作业指示的技术。
用于解决问题的技术方案
本发明的果菜类植物和果树栽培管理装置的特征在于,具备:
与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
与所述果菜类植物或果树的预先计划的栽培评价指标相关的信息即计划栽培评价指标信息;
运算部,使用学习模型针对所述环境状态信息和所述计划栽培评价指标信息的输入,确定并输出包括形态变更作业在内的针对所述果菜类植物或果树的作业,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史;以及
输出部,输出包括所述形态变更作业在内的针对所述果菜类植物或果树的作业。
在本发明中,使用学习模型针对环境状态信息和计划栽培评价指标信息的输入,确定并输出包括形态变更作业在内的针对果菜类植物或果树的作业,其中,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。因此,根据本发明的果菜类植物和果树栽培管理装置,由于是利用考虑了包括形态变更作业在内的针对果菜类植物或果树的栽培的作业历史的学习模型,确定并输出包括形态变更作业在内的作业,因而能够进行适当的作业指示。
在此,环境状态信息是与放置作为栽培对象的植物的环境的状态相关的信息。作为环境状态信息,可以包括温度、湿度、光照度等,但并不限于这些。作业历史信息是包含有作业的历史的信息,该作业包括如形态变更作业这样不以连续值表示作业量的作业。形态变更作业是变更所栽培的果菜类植物或果树的形态、或者同时变更该果菜类植物或果树的形态和要素或组织的作业,包括摘芽、摘叶、摘花、摘心、摘果、摘株、除草等的摘除或诱导。栽培评价指标是用于评价果菜类植物或果树的栽培结果的指标,包括收获量,该收获量是与作为栽培果菜类植物或果树的结果而得到的收获量相关的信息。作为栽培评价指标,可以使用糖度、糖酸比、单果重、叶面积(leafarea)、茎粗细等,但并不限于这些。
另外,本发明的果菜类植物和果树栽培管理装置的特征在于,具备:
与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
与包括变更所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的作业历史信息;
运算部,使用学习模型针对所述环境状态信息和所述作业历史信息的输入,输出所述果菜类植物或果树的预测栽培评价指标,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时的所述形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史;以及
输出部,输出所述果菜类植物或果树的所述预测栽培评价指标。
在本发明中,使用学习模型针对环境状态信息和作业历史信息的输入,输出果菜类植物或果树的预测栽培评价指标,该学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时的所述形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。因此,根据本发明的果菜类植物和果树栽培管理装置,由于是通过考虑了包括形态变更作业在内的针对果菜类植物或果树的栽培的作业历史的学习模型输出预测栽培评价指标,因此,能够进行高精度的栽培评价指标的预测。
另外,本发明的学习装置的特征在于,具备:
学习用环境状态信息获取部,获取与作为栽培对象的果菜类植物或果树的环境状态相关的学习用环境状态信息;
学习用作业历史信息获取部,获取与包括栽培所述果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对所述果菜类植物或果树的作业的历史相关的学习用作业历史信息;
学习用栽培评价指标获取部,获取与所述果菜类植物或果树的栽培评价指标相关的学习用栽培评价指标信息;以及
学习处理部,通过学习至少包括所述学习用环境状态信息、所述学习用作业历史信息以及所述学习用栽培评价指标信息的学习数据而生成学习模型,该学习模型针对栽培所述果菜类植物或果树时的该果菜类植物或果树的环境状态信息及预先计划的栽培评价指标信息的输入,确定并输出包括所述形态变更作业在内的针对所述果菜类植物或果树的作业。
在本发明中,学习包含学习用环境状态信息、学习用作业历史信息以及学习用栽培评价指标信息的学习数据而生成学习模型。因此,根据本发明的学习装置,能够生成考虑了人为作业向包括形态变更作业在内的果菜类植物或果树的栽培的介入的学习模型。
在此,学习用环境状态信息是作为用于使学习模型学习的学习数据而使用的环境信息。学习用作业历史信息是作为用于使学习模型学习的学习数据而使用的作业历史信息。学习用栽培评价指标信息是作为用于使学习模型学习的学习数据而使用的栽培评价指标信息。
另外,本发明的果菜类植物和果树栽培管理方法的特征在于,由计算机执行如下步骤:
获取与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
获取与所述果菜类植物或果树的预先计划的栽培评价指标相关的信息即计划栽培评价指标信息;以及
使用学习模型,基于获得的所述环境状态信息和所述计划栽培评价指标信息,确定包括形态变更作业在内的针对所述果菜类植物或果树的作业,所述学习模型已学习了所栽培的所述果菜类植物或果树的所述栽培评价指标、栽培该果菜类植物或果树时的所述环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。
在本发明中,使用学习模型针对环境状态信息和计划栽培评价指标信息的输入,确定包括形态变更作业在内的针对果菜类植物或果树的作业,其中,该学习模型已学习了所栽培的所述果菜类植物或果树的所述栽培评价指标、栽培该果菜类植物或果树时的所述环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。因此,根据本发明的果菜类植物和果树栽培管理方法,由于是利用考虑了包括形态变更作业在内的针对果菜类植物或果树的栽培的作业历史的学习模型,确定并输出包括形态变更作业在内的作业,因而能够进行适当的作业指示。
在此,获取环境状态信息、计划栽培评价指标信息的顺序并不限于上述顺序。
另外,本发明的果菜类植物和果树栽培管理方法的特征在于,由计算机执行如下步骤:
获取与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
获取与包括变更所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的作业历史信息;以及
使用学习模型,基于获得的所述环境状态信息和所述作业历史信息,输出所述果菜类植物或果树的预测栽培评价指标,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时的所述形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。
在本发明中,使用学习模型针对环境状态信息和作业历史信息的输入,输出果菜类植物或果树的预测栽培评价指标,该学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时的所述形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。因此,根据本发明的果菜类植物和果树栽培管理方法,由于是通过考虑了包括形态变更作业在内的针对果菜类植物或果树的栽培的作业历史的学习模型输出预测栽培评价指标,因此,能够进行高精度的栽培评价指标的预测。
在此,获取环境状态信息、作业历史信息的顺序并不限于上述顺序。
另外,本发明的学习模型生成方法的特征在于,由计算机执行如下步骤:
获取与栽培果菜类植物或果树时的栽培评价指标相关的学习用栽培评价指标信息;
获取与所栽培的所述果菜类植物或果树的环境状态相关的学习用环境状态信息;
获取与包括变更所栽培的所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的学习用作业历史信息;以及
学习至少包括所述学习用栽培评价指标信息、所述学习用环境状态信息以及所述学习用作业历史信息的学习数据,从而生成学习模型,所述学习模型基于与所述果菜类植物或果树的环境状态相关的环境状态信息和与该果菜类植物或果树的预先计划的栽培评价指标相关的计划栽培评价指标信息,确定包括所述形态变更作业在内的针对该果菜类植物或果树的作业。
在本发明中,通过学习除了学习用栽培评价指标、学习用环境状态信息以外,还至少包括学习用作业历史信息的学习数据,从而生成确定包括形态变更作业在内的针对果菜类植物或果树的作业的学习模型。因此,根据本发明的学习模型生成方法,能够生成考虑了人为作业向包括形态变更作业在内的果菜类植物或果树的栽培的介入的学习模型。
在此,获取学习用栽培评价指标、学习用环境状态信息、学习用作业历史信息的顺序并不限于上述顺序。
另外,生成学习模型的步骤也可以包括如下步骤:通过强化学习生成该学习模型,所述强化学习将所述环境状态信息设为环境的状态,将包括所述形态变更作业在内的针对所述果菜类植物或果树的作业设为针对环境的行动,将所述栽培评价指标设为报酬。
另外,本发明的果菜类植物和果树栽培管理程序的特征在于,使计算机执行如下步骤:
获取与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
获取与所述果菜类植物或果树的预先计划的栽培评价指标相关的计划栽培评价指标信息;
使用学习模型,基于获得的所述环境状态信息和所述计划栽培评价指标信息,确定包括形态变更作业在内的针对该果菜类植物或果树的作业,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的所述环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。
在本发明中,使用学习模型针对环境状态信息和计划栽培评价指标信息的输入,确定包括形态变更作业在内的针对果菜类植物或果树的作业,其中,该学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的所述环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。因此,根据本发明的果菜类植物和果树栽培管理程序,由于是利用考虑了包括形态变更作业在内的针对果菜类植物或果树的栽培的作业历史的学习模型,确定并输出包括形态变更作业在内的作业,因而能够进行适当的作业指示。
在此,获取环境状态信息、计划栽培评价指标信息的顺序并不限于上述顺序。
另外,本发明的果菜类植物和果树栽培管理程序的特征在于,使计算机执行如下步骤:
获取与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
获取与包括变更所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的作业历史信息;以及
使用学习模型,基于获得的所述环境状态信息和所述作业历史信息,输出所述果菜类植物或果树的预测栽培评价指标,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时的所述形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。
在本发明中,使用学习模型针对环境状态信息和作业历史信息的输入,输出果菜类植物或果树的预测栽培评价指标,该学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时的所述形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。因此,根据本发明的果菜类植物和果树栽培管理程序,由于是通过考虑了包括形态变更作业在内的针对果菜类植物或果树的栽培的作业历史的学习模型输出预测栽培评价指标,因此,能够进行高精度的栽培评价指标的预测。
在此,获取环境状态信息、作业历史信息的顺序并不限于上述顺序。
另外,本发明的学习模型生成程序的特征在于,使计算机执行如下步骤:
获取与栽培果菜类植物或果树时的栽培评价指标相关的学习用栽培评价指标信息;
获取与所栽培的所述果菜类植物或果树的环境状态相关的学习用环境状态信息;
获取与包括变更所栽培的所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的学习用作业历史信息;以及
学习至少包括所述学习用栽培评价指标信息、所述学习用环境状态信息以及所述学习用作业历史信息的学习数据,从而生成学习模型,所述学习模型基于与所述果菜类植物或果树的环境状态相关的环境状态信息和与该果菜类植物的预先计划的栽培评价指标相关的信息即计划栽培评价指标,确定包括所述形态变更作业在内的针对该果菜类植物或果树的作业。
在本发明中,通过学习除了学习用栽培评价指标、学习用环境状态信息以外,还至少包括学习用作业历史信息的学习数据,从而生成确定包括形态变更作业在内的针对果菜类植物或果树的作业的学习模型。因此,根据本发明的学习模型生成程序,能够生成考虑了人为作业向包括形态变更作业在内的果菜类植物或果树的栽培的介入的学习模型。
在此,获取学习用栽培评价指标、学习用环境状态信息、学习用作业历史信息的顺序并不限于上述顺序。
(发明效果)
根据本发明,能够提供能够进行适当的作业指示的技术。
附图说明
图1是本发明的实施例1中的学习装置的硬件构成图。
图2是本发明的实施例1中的学习装置的功能框图。
图3是表示本发明的实施例1中的学习模型生成方法的处理步骤的流程图。
图4是表示本发明的实施例1中的学习器的构成例的图。
图5是本发明的实施例1中的栽培管理系统的概略构成图。
图6是本发明的实施例1中的栽培管理装置的硬件构成图。
图7是本发明的实施例1中的栽培管理装置的功能框图。
图8是表示本发明的实施例1中的栽培管理方法的处理步骤的流程图。
图9是本发明的实施例2中的学习装置的功能框图。
图10是表示本发明的实施例2中的学习模型生成方法的处理步骤的流程图。
图11是本发明的实施例2中的栽培管理系统的概略构成图。
图12是本发明的实施例2中的栽培管理装置的功能框图。
图13是表示本发明的实施例2中的栽培管理方法的处理步骤的流程图。
图14是本发明的实施例3中的栽培管理系统的概略构成图。
图15是本发明的实施例3中的栽培管理装置的功能框图。
图16是表示本发明的实施例3中的栽培管理方法的处理步骤的流程图。
具体实施方式
[应用例]
以下,参照附图对本发明的应用例进行说明。
图5示出包含应用了本发明的栽培管理装置200、300的栽培管理系统1。另外,图7示出栽培管理装置200的功能框图。在此,对于栽培管理装置200输出果菜类植物或果树的作业的指示的情况进行说明,但如后所述,也可以通过栽培管理装置200输出收获量。
输出作业的指示的学习器25在学习装置100中生成。在学习装置100(参照图2)中,通过在学习处理部24中,将学习用环境状态信息、学习用作业历史信息、学习用收获量信息作为学习数据进行学习,并输入环境状态信息及计划收获量,从而生成输出包含形态变更作业在内的作业的指示的学习器25。由于该学习器25将学习用环境状态信息及学习用收获量信息作为输入数据,将包含形态变更作业在内的作业的历史作为示教数据进行学习,因而能够进行适当的作业指示。
在栽培管理装置200中,通过向如此生成的学习器25输入作为栽培对象的果菜类植物或果树的环境状态信息和计划收获量信息,从而输出包含形态变更作业在内的作业的指示。如上所述,所生成的学习器25将学习用环境状态信息及学习用收获量信息作为输入数据,将包含形态变更作业在内的作业的历史作为示教数据进行学习,因而能够进行适当的作业指示。
另外,通过由学习装置100和栽培管理装置200、300构成栽培管理系统,能够从栽培管理装置200、300收集学习数据,使学习器进一步进行学习而提高性能。而且,通过将更新后的学习器提供给栽培管理装置200、300,从而能够进行更高精度的栽培。
[实施例1]
以下,使用附图对本发明的实施例1所涉及的学习装置和栽培管理装置更为详细地进行说明。以下,将果菜类植物和果树栽培管理装置、果菜类植物和果树栽培管理方法、果菜类植物和果树栽培管理程序分别简称为栽培管理装置、栽培管理方法、栽培管理程序。
首先,对通过学习来生成栽培管理中使用的模型的过程进行说明。
<装置构成>
图1是本实施例所涉及的学习装置100的硬件构成图。
学习装置100是包括处理器11、主存储部12、辅助存储部13、输入部14、输出部15、外部接口16、通信接口17、总线18而构成的计算机装置。
处理器11是CPU或DSP等。
主存储部12由ROM(Read Only Memory:只读存储器)和RAM(Random AccessMemory:随机存取存储器)等构成。
辅助存储部13包括EPROM(Erasable Programmable ROM:可擦除可编程只读存储器)、硬盘驱动器(HDD:HardDiskDrive)、可移动介质等。可移动介质例如为USB存储器、SD卡等的闪存、或者如CD-ROM、DVD盘、蓝光盘这样的盘式记录介质。辅助存储部13中存储有操作系统(OS)、各种程序、各种表等,通过将其中存储的程序加载到主存储部12的作业区域并由处理器11执行,通过程序的执行来控制各构成部等,从而能够实现后述那样的起到规定目的的各功能部。但是,一部分或全部的功能部也可以通过ASIC(Application SpecificIntegrated Circuit:专用集成电路)、FPGA(Field Programmable Gate Array:现场可编程门阵列)这样的硬件电路实现。但是,学习装置100并不一定必须由单个物理构成实现,也可以由相互协作的多个计算机构成。以下,也将主存储部12和执行加载至该主存储部12的作业区域的规定的程序的处理器11并称为控制部10。
输入部14包括键盘、鼠标、麦克风等,受理来自用户的输入操作。
输出部15包括显示器、扬声器等,向用户提供信息。
外部接口(图中标记为I/F)16是用于与各种外部装置连接的接口。
通信接口17是用于将学习装置100连接至网络的接口。通信接口17可以根据与网络的连接方式采用适当的构成。
总线18是连接学习装置100的各部分的信号的传输路径。
图2是学习装置100的功能框图。
学习装置100包括学习用环境状态信息获取部21、学习用作业历史信息获取部22、学习用收获量获取部23、学习处理部24以及学习器25。
学习用环境状态信息获取部21是获取环境状态信息的单元,该环境状态信息是与放置作为栽培对象的果菜类植物或果树的环境状态相关的信息。环境状态信息可以包括温度、湿度、光照度等,但并不限于此。将作为学习数据的环境状态信息称为学习用环境状态信息。以下,将果菜类植物或果树仅记作“植物”。
学习用作业历史信息获取部22是获取作业历史信息的单元,该作业历史信息是将包含如针对作为栽培对象的植物的形态变更作业这样不以连续值表示作业量的作业在内的作业的历史定量化的信息。将作为学习数据的作业历史信息称为学习用作业历史信息。
学习用收获量获取部23是获取收获量信息的单元,该收获量信息是与作为栽培作为栽培对象的植物的结果而得到的收获量相关的信息。将作为学习数据的收获量信息称为学习用收获量信息。学习用收获量获取部23对应于本发明的学习用栽培评价指标获取部。在此,作为栽培评价指标的一例对收获量进行了说明,但栽培评价指标是用于评价果菜类植物或果树的栽培结果的指标,可以包括糖度、糖酸比、单果重、叶面积(leaf area)、茎的粗细等,并不限于此。
在此,也可以由控制部10经由输入部14获取用户输入的学习用环境状态信息、学习用作业历史信息、学习用收获量信息。该情况下,输入部14和控制部10构成学习用环境状态信息获取部21、学习用作业历史信息获取部22、学习用收获量获取部23。此时,用户可以经由输入部14直接输入学习用作业历史信息。另外,也可以是控制部10将用户经由输入部14输入的信息转换为学习用作业历史信息来获取。在此,控制部10作为定量化单元发挥功能。这样的话,用户无需以定量化的形式输入作业的历史,能够减轻用户的输入作业的负担。例如,用户通过从作为输出部15的显示器中显示的下拉菜单中选择作业的种类,并从根据所选择的作业的种类而显示的作业量的下拉菜单中选择作业量,从而输入作业历史。在学习装置100中,例如将与所选择的作业的种类对应的作业种类标志(例如,若作业是摘花则为摘花标志)设定为开启(ON),并且获取基于根据作业的种类确定的单位(此处为个数)定量化后的数值(例如3)作为学习用作业历史信息。植物的栽培中的作业是直接对植物产生作用、或者通过土壤等环境间接产生作用的行为,存在产生使植物的形态发生变更这样的不可逆作用的作业,也存在不会使植物的形态发生变更而能够反复进行的作业。在这样的作业中,大致包括摘除、制土、栽培管理、散布。摘除中包括摘芽、摘叶、摘花、摘心、摘果、摘株、除草。制土中包括土壤消毒、起垄、耕种、底肥。栽培管理中包括播种、定植、搭架、诱导。将这样的作业中使植物的形态发生变更的作业称为形态变更作业。在形态变更作业中,包括使植物的要素或组织和植物的形态两者发生变更的上述摘除、和仅使植物的形态发生变更的诱导。散布包括施肥、灌水、散布农药、散布天敌。摘芽、摘花、摘心、摘果可以根据个数定量化。摘叶可以根据枚数定量化,摘株可以根据株数定量化,除草可以根据根数定量化。土壤消毒、耕种、底肥可以根据次数等定量化。起垄可以根据间隔、深度定量化。播种、定植可以根据个数定量化。搭架、诱导可以根据根数等定量化。施肥、灌水、散布农药、散布天敌可以根据散布量等定量化。
另外,关于如作为环境状态信息的温度、湿度、光照度这样,能够通过温度传感器、湿度传感器、光照度传感器等的检测单元检测的信息,也可以由控制部10通过外部接口16控制这些传感器来获取学习用环境状态信息。该情况下,与传感器连接的外部接口16和控制部10构成学习用环境状态信息获取部21。关于学习用作业历史信息、学习用收获量信息,也可以不经由用户输入而从外部装置获取。
另外,关于如作为环境状态信息的外部空气的温度、湿度这样能够经由网络从外部服务器获得的信息,也可以由控制部10通过通信接口17经由因特网等网络从外部服务器获取。该情况下,通信接口17和控制部10构成学习用环境状态信息获取部21。
经由学习用环境状态信息获取部21、学习用作业历史信息获取部22、学习用收获量获取部23获得的学习用环境状态信息、学习用作业历史信息、学习用收获量信息被存储在作为辅助存储部13的规定区域的学习数据存储部131中。
在此,学习用环境状态信息、学习用作业历史信息、学习用收获量信息与作为栽培对象的植物呈时间序列相关联。即,作为针对某个植物的、与特定日期的环境状态相关的环境状态信息、与在特定日期进行的作业的历史相关的作业历史信息、以及特定日期的收获量信息而呈时间序列相互关联。另外,这些信息既可以针对作为栽培对象的植物的每个株来获取,也可以针对规定的区划或规定的房屋中栽培的多个株统一获取。与各种情况对应地,学习用环境状态信息、学习用作业历史信息、学习用收获量信息根据识别各个株或多个株的信息相关联。
当输入存储于学习数据存储部131中的学习用环境状态信息和学习用收获量信息时,学习处理部24进行学习器的机器学习以输出作业。学习处理部24通过由控制部10读出并执行存储在辅助存储部13的规定区域中的学习模型生成程序而实现。在此,学习器是将学习用环境状态信息和学习用收获量信息作为学习数据、将学习用作业历史信息作为示教数据来预测为了达成作为目标的收获量所需的作业的模型,例如为通过神经网络计算模型的程序,但并不限定于此。
通过针对多个学习数据反复进行学习处理部24中的学习器的机器学习,从而得到学习完毕的学习器25。这样得到的学习完毕的学习器25存储在作为辅助存储部13的规定区域的学习结果数据存储部132中。在此,学习器25对应于本发明的学习模型。
<学习模型生成方法>
图3是表示学习模型生成方法的处理步骤的流程图。该学习模型生成方法在学习装置100中作为学习模型生成程序而被执行。
首先,控制部10获取学习用环境状态信息(步骤S101)。
接着,控制部10获取学习用作业历史信息(步骤S102)。
接着,控制部10获取学习用收获量信息(步骤S103)。
然后,学习处理部24将获得的学习用环境状态信息和学习用收获量信息作为输入数据、将学习用作业历史信息作为示教数据,进行上述学习器的学习处理(步骤S104)。
在此,以学习器25由神经网络构成的情况为例进行说明。如图4的(A)所示,从输入起依次具备输入层Li、中间层Lh、输出层Lo。中间层Lh的数量不限于一层,也可以具备两层以上的中间层Lh。
输入层Li具备多个节点。在输入层的节点中,分别被输入了特定植物的特定日期或者时间段中的湿度、温度、光照度等的信息作为学习用环境状态信息。另外,输入层的节点中分别被输入了特定植物的特定日期或时间段中的收获量。
中间层Lh的节点的数量可以适当地设定。输出层Lo的节点的数量根据所输出的数据来设定。
相邻层的节点彼此适当地连接,各连接设定有权重。输出层的节点中包含有包括形态变更作业的作业,以使表示与作为示教数据的学习用作业历史信息之差的损失函数变小的方式,一边调整权重一边反复进行包括形态变更作业的作业的计算。
通过对多个学习数据反复进行步骤S101~S104的处理,从学习处理部24输出学习完毕的学习器25,控制部10获取学习完毕的学习器25,并将其存储于学习结果数据存储部132中(步骤S105)。
这样的话,生成考虑了人为作业向作为包含形态变更作业的对象的植物的栽培的介入,从而能够进行适当的作业指示的学习器。
在上述学习模型生成方法中,对于由神经网络构成的学习器25进行了说明,但学习模型生成方法并不限于此。如图4的(B)所示,也可以通过所谓的强化学习使学习器25进行学习。图4的(B)是表示强化学习的典型结构的示意图。
在本实施例中,环境En对应于包括栽培植物411、421的房屋410、420等的环境,学习装置100或栽培管理装置200、300对应于代理Ag。此时,环境状态信息对应于环境En的状态St,包括形态变更作业在内的作业对应于针对代理Ag的环境En的行动An,收获量信息对应于报酬Rw。使学习器25学习针对某种状态St的报酬Rw最大化这样的行动An。即,针对某环境状态,学习包括使收获量最大化这样的形态变更作业在内的作业。在该强化学习中,也可以使用图4的(A)所示那样的神经网络。
这样,通过使用学习用环境状态信息、学习用作业历史信息以及学习用收获量信息进行强化学习,从而能够生成学习器25,该学习期25通过输入环境状态信息和收获量信息而输出包括形态变更作业在内的作业。
接着,以下对于通过使用通过学习生成的模型的推论进行栽培管理的过程进行说明。
<栽培管理系统>
图5是表示包括本实施例所涉及的学习装置100和栽培管理装置200、300的栽培管理系统1的概略构成的示意图。
学习装置100与栽培管理装置200及栽培管理装置300分别经由网络4连接。栽培管理装置200与栽培植物411的房屋410的控制器412连接。栽培管理装置300也同样与栽培植物421的房屋420的控制器422连接。以下,对栽培管理装置200进行说明,但对于栽培管理装置300也是同样的。另外,栽培管理装置200并不限于与一个房屋410的控制器412连接的情况,也可以与多个房屋的控制器连接。学习装置100中生成的学习器25经由网络4被发送至栽培管理装置200、300。另外,从栽培管理装置200、300经由网络4向学习装置100发送学习用环境状态信息、学习用作业历史信息、学习用收获量信息。通过由学习装置100和栽培管理装置200、300构成栽培管理系统,能够从栽培管理装置200、300收集学习数据,使学习器进一步进行学习而提高性能。而且,通过将更新后的学习器提供给栽培管理装置200、300,从而能够进行更高精度的栽培。
在此,设置有测量与作为栽培对象的植物411的环境状态相关的房屋410的温度和湿度的温湿度传感器413。温湿度传感器413与控制器412连接,通过温湿度传感器413测量出的温度和湿度经由控制器412发送至栽培管理装置200,作为环境状态信息而获得。房屋420中也同样设置有温湿度传感器423。
<栽培管理装置>
图6是栽培管理装置200的硬件构成图。
栽培管理装置200是包括处理器211、主存储部212、辅助存储部213、输入部214、输出部215、外部接口216、通信接口217、总线218而构成的计算机装置。
关于处理器211、主存储部212、辅助存储部213、输入部214、输出部215、外部接口216、通信接口217、总线218以及控制部210,与关于学习装置100的说明相同,故省略详细的说明。
在此,辅助存储部213中存储有学习装置100中生成的学习完毕的学习器25。
图7的(A)是栽培管理装置200的第一功能框图。
栽培管理装置200至少包括环境状态信息获取部220、计划收获量获取部221以及运算部223。
环境状态信息获取部220是获取与放置有作为栽培对象的植物的环境相关的信息即环境状态信息的单元。此处,也可以由控制部210获取用户经由输入部214输入的环境状态信息。该情况下,输入部214和控制部210构成环境状态信息获取部220。另外,关于如作为环境状态信息的房屋410内的温度、湿度、光照度这样能够通过设置于房屋的温度传感器、湿度传感器、光照度传感器等的环境检测单元检测的信息,也可以由控制部20从通过外部接口216连接的房屋410的控制器412,获取由设置于房屋410的温湿度传感器413等的环境检测单元检测出的环境状态信息。该情况下,在图4的例子中,与温湿度传感器413及控制器412连接的外部接口216及控制部210构成环境状态信息获取部220。另外,关于如作为环境状态信息的外部空气的温度、湿度这样能够经由网络从外部服务器获得的信息,也可以由控制部210通过通信接口217经由因特网等网络从外部服务器获取。该情况下,通信接口217和控制部210构成环境状态信息获取部220。
计划收获量获取部221是获取计划收获量信息的单元,该计划收获量信息是与用户在栽培计划中预定的收获量相关的信息。在此,也可以由控制部210获取用户经由输入部214输入的计划收获量信息。该情况下,输入部214和控制部210构成计划收获量获取部221。另外,也可以由控制部210经由通信接口217获取用户从经由网络4连接的智能手机等的便携终端输入的环境状态信息、计划收获量信息。该情况下,通信接口217及控制部210构成环境状态信息获取部220、计划收获量获取部221。另外,也可以将用户预先经由输入部214输入的计划收获量信息存储在辅助存储部213的规定区域中,并由控制部210读出获取该计划收获量信息。
当被输入了由环境状态信息获取部220获得的环境状态信息和由计划收获量获取部221获得的计划收获量信息时,栽培管理装置200的运算部223能够使用上述学习完毕的学习器25并根据由环境状态信息确定的环境状态,将与包括为了实现计划收获量所需的形态变更作业在内的作业相关的信息作为作业指示信息224输出至输出部215。作业指示信息224例如被显示在作为输出部215的显示器中,或者从作为输出部215的打印机以文档的形式被打印出来。也可以经由外部接口216或通信接口217发送至外部装置。例如,也可以将作业的内容(包括个数等)发送至经由通信接口217与网络连接的作业人员的智能手机等的便携终端。在此,运算部223由执行运算程序的控制部210构成。
图7的(B)是栽培管理装置200的第二功能框图。
栽培管理装置200至少包括环境状态信息获取部220、作业历史信息获取部222以及运算部223。关于与图7的(A)所示的第一框图同样的构成,使用相同的附图标记并省略详细的说明。
作业历史信息获取部222是获取将人对作为栽培对象的植物进行的作业的历史定量化的作业历史信息的单元。在此,也可以由控制部210获取用户经由输入部214输入的作业历史信息。该情况下,输入部214和控制部210构成作业历史信息获取部222。另外,也可以由控制部210将用户经由输入部214输入的信息转换为作业历史信息来获取。在此,控制部210作为定量化单元发挥功能。这样的话,用户无需以定量化的作业历史信息的形式输入作业的历史,能够减轻用户的输入作业的负担。例如,用户通过从作为输出部215的显示器中显示的下拉菜单中选择作业的种类,并从根据所选择的作业的种类而显示的作业量的下拉菜单中选择作业量,从而输入作业历史。在栽培管理装置200中,与学习装置100同样地,例如将与所选择的作业的种类对应的作业种类标志(例如,若作业是摘花则为摘花标志)设定为开启(ON),并且获取基于根据作业的种类确定的单位(此处为个数)定量化后的数值(例如3)作为作业历史信息。也可以是将用户输入的作业历史信息逐次存储在辅助存储部213的规定区域中,当运算部223进行收获量的预测时,由控制部210从该区域读出而获取。另外,也可以由控制部210通过外部接口216或通信接口217从外部的装置获取。该情况下,外部接口216或通信接口217及控制部210构成作业历史信息获取部222。
当被输入了由环境状态信息获取部220获得的环境状态信息和由作业历史信息获取部222获得的作业历史信息时,栽培管理装置200的运算部223能够使用上述学习完毕的学习器25,根据由环境状态信息确定的环境状态以及截至目前为止的作业历史,将预测的收获量作为预测收获量信息225输出至输出部215。预测收获量信息225例如被显示在作为输出部215的显示器中,或者从作为输出部215的打印机以文档的形式被打印出来。也可以经由外部接口216或通信接口217发送至外部装置。例如,也可以将预测收获量信息225发送至经由通信接口217与网络连接的管理者的智能手机等的便携终端。在此,运算部223由执行运算程序的控制部210构成。
根据由环境状态信息确定的环境状态以及截至目前为止的作业历史,将预测的收获量作为预测收获量信息225输出的学习器25,能够通过与图1和图2所示的学习装置100及图3所示的学习模型生成方法同样的构成及方法生成。但是,输出预测的收获量的学习器25是将学习用环境状态信息和学习用作业历史信息作为学习数据、将学习用收获量信息作为示教数据生成的学习模型。
<栽培管理方法>
图8的(A)是表示栽培管理方法的处理步骤的流程图。该栽培管理方法在栽培管理装置200中作为栽培管理程序执行。
首先,环境状态信息获取部220获取环境状态信息(步骤S201)。
接着,计划收获量获取部221获取计划收获量信息(步骤S202)。
然后,运算部223将环境状态信息和计划收获量信息输入学习完毕的学习器25,进行运算处理(步骤S203)。
首先,将由学习装置100生成的学习完毕的学习器即栽培模型设为f(x1,x2)。在此,x1表示环境状态信息,x2表示计划收获量信息(在此,将输入数据简化示出,以便进行说明)。
在此,能够通过f(x1,x2)算出基于步骤S201中获得的环境状态信息(x1)和步骤S202中获得的计划收获量信息(x2)的包括形态变更作业在内的作业。具体而言,如果是神经网络,则可以通过计算对包括包含x1、x2的输入层在内的各层的节点间的各连接设定的权重来算出作为输出的作业f(x1,x2)。另外,如果是统计学方法,则可以通过计算包含输入x1、x2的回归方程式的权重系数来算出作业f(x1,x2)。
像这样,由于是通过运算处理来输出指示所需作业的作业指示信息,由此,控制部210获取该作业指示信息(步骤S204),并且例如输出至输出部215。
这样的话,通过使用考虑了人为作业对作为对象的植物的栽培的介入的学习器,使得栽培作业的指示的精度提高。另外,即便是与栽培作业相关的知识、经验少的作业人员,通过根据该作业指示进行栽培,也能够实现计划收获量。
图8的(B)是表示作为其他的栽培管理方法的收获量预测方法的处理步骤的流程图。关于与图8的(A)所示的栽培管理方法同样的处理,使用相同的附图标记并省略说明。在此,所使用的学习完毕的学习器25将环境状态信息和作业历史信息作为学习数据、将收获量信息作为示教数据进行了学习,由这样的学习完毕的学习器25构成的收获量预测模型通过被输入环境状态信息及作业历史信息而输出预测收获量。
首先,环境状态信息获取部220获取环境状态信息(步骤S201)。
接着,作业历史信息获取部222获取作业历史信息(步骤S205)。
然后,运算部223将环境状态信息和作业历史信息输入学习完毕的学习器25,进行运算处理(步骤S203)。在此,通过运算处理输出基于由环境状态信息确定的环境状态和截至目前为止的作业历史的预测收获量信息225。在此,能够通过g(x1,x3)算出基于步骤S201中获得的环境状态信息(x1)和步骤S205中获得的作业历史信息(x3)的收获量。具体而言,如果是神经网络,则可以通过计算对包括包含x1、x2的输入层在内的各层的节点间的各连接设定的权重来算出作为输出的收获量g(x1,x3)。另外,如果是统计学方法,则可以通过计算包含输入x1、x3的回归方程式的权重系数而算出收获量g(x1,x3)。
像这样,由于是通过运算处理来输出预测收获量信息,由此,控制部210获取该预测收获量信息(步骤S206),并且例如输出至输出部215。
这样的话,通过使用考虑了人为作业对作为对象的植物的栽培的介入的学习器,收获量预测的精度提高。
[实施例2]
以下,对实施例2所涉及的学习装置500和栽培管理装置600、700进行说明。
首先,对通过学习生成栽培管理中使用的模型的过程进行说明。
<装置构成>
由于实施例2所涉及的学习装置500的硬件构成与图1所示的实施例1所涉及的学习装置100的硬件构成相同,故省略说明。
图9是学习装置500的功能框图。关于与图1所示的学习装置100通用的构成,使用相同的附图标记并省略说明。
学习装置500除了学习用环境状态信息获取部521、学习用作业历史信息获取部522、学习用收获量获取部523之外还包括学习用生长状态信息获取部524。
学习用生长状态信息获取部524是获取生长状态信息的单元,该生长状态信息是与作为栽培对象的植物自身的生长状态相关的信息。生长状态信息例如是由树液流动传感器测量出的树液流量、由吸收养分传感器测量出的吸收养分量等,且是能够从植物自身测量或检测的与生长状态相关的信息。另外,通过利用图像解析单元对于由摄像机等拍摄装置拍摄作为栽培对象的植物而得到的图像进行解析而检测到的树的长势也包含于生长状态信息。在此,树液流动传感器、吸收养分传感器、拍摄装置以及图像解析单元构成生长状态检测单元。另外,将作为学习数据的生长状态信息称为学习用生长状态信息。
关于如上所述能够通过树液流动传感器、吸收养分传感器等的生长状态检测单元测量或检测的信息,控制部10也可以通过外部接口16控制这些生长状态检测单元来获取生长状态信息。该情况下,与生长状态检测单元连接的外部接口16和控制部10构成学习用生长状态信息获取部524。也可以获取已经测量或检测出并存储在外部装置中的学习用生长状态信息。该情况下,与外部装置连接的外部接口16或通信接口17构成学习用生长状态信息获取部524。另外,也可以由执行规定程序的处理器11获取用户经由输入部14输入的学习用生长状态信息。该情况下,输入部14和控制部10构成学习用生长状态信息获取部524。
这样,实施例2所涉及的学习数据除了学习用环境状态信息、学习用作业历史信息、学习用收获量信息以外,还包含学习用生长状态信息。这些学习数据存储于辅助存储部13的预定区域即学习数据存储部131中。
在此,学习用生长状态信息也与学习用环境状态信息、学习用作业历史信息、学习用收获量信息一同呈时间序列地于作为栽培对象的植物相关联。另外,这些信息既可以针对作为栽培对象的植物的每个株来获取,也可以针对规定的区划或规定的房屋中栽培的多个株统一获取。与各种情况相对应地,学习用环境状态信息、学习用作业历史信息、学习用收获量信息、学习用生长状态信息根据识别各个株或多个株的信息相关联。
学习处理部525在输入存储于学习数据存储部131中的学习用环境状态信息、学习用生长状态信息以及学习用收获量信息时,以输出与作业信息对应的输出值的方式进行学习器的机器学习。学习处理部525通过由控制部10执行存储在辅助存储部13的规定区域中的学习模型生成程序而实现。在此,学习器例如是将学习用环境状态信息、学习用生长状态信息、学习用收获量信息作为学习数据、将学习用作业历史信息作为示教数据,预测为了达成作为目标的收获量所需的作业的模型,例如是通过神经网络计算模型的程序,但并不限于此。例如,可以通过基于学习用环境状态信息(x1)、学习用收获量信息(x2)、学习用生长状态信息(x4)的包含形态变更作业在内的作业h(x1、x2、x4)进行计算。具体而言,如果是神经网络,则可以通过以使作为输出的作业h(x1、x2、x4)与学习用作业历史信息(x3)的误差函数最小化的方式调整包括含有x1、x2、x4的输入层的各层的节点间的各连接的权重而得到模型h(x1、x2、x4)。另外,如果是统计学方法,则可以通过利用最小二乘法等计算包括输入x1、x2、x4的回归方程式的权重系数而得到模型h(x1、x2、x4)。
通过针对多个学习数据反复进行学习处理部525中的学习器的机器学习,从而得到学习完毕的学习器526。这样得到的学习完毕的学习器526存储在作为辅助存储部13的规定区域的学习结果数据存储部132中。
<学习模型生成方法>
图10是表示学习模型生成方法的处理步骤的流程图。该学习模型生成方法在学习装置500中作为学习模型生成程序而执行。
首先,学习用环境状态信息获取部521获取学习用环境状态信息(步骤S301)。
接着,学习用生长状态信息获取部524获取学习用生长状态信息(步骤S302)。
接着,学习用作业历史信息获取部522获取学习用作业历史信息(步骤S303)。
接着,学习用收获量获取部523获取学习用收获量信息(步骤S304)。
然后,学习处理部525将获得的学习用环境状态信息、学习用生长状态信息、学习用收获量信息作为输入数据、将学习用作业历史信息作为示教数据,进行上述学习器的学习处理(步骤S305)。学习器的学习处理与实施例1相同,故省略详细的说明。
通过对多个学习数据反复进行步骤S301~S305的处理,从学习处理部525输出学习完毕的学习器526,控制部10获取学习完毕的学习器526,并将其存储于学习结果数据存储部132中(步骤S306)。
这样的话,生成考虑了人为作业对作为对象的植物的栽培的介入,从而能够进行适当的作业指示的学习器。
接着,对通过使用通过学习生成的模型的推论来进行栽培管理的过程进行说明。
<栽培管理系统>
图11是表示包括实施例2所涉及的学习装置500和栽培管理装置600、700的栽培管理系统2的概略构成的示意图。
学习装置500与栽培管理装置600及栽培管理装置700分别经由网络连接。栽培管理装置600与栽培植物的房屋410的控制器412连接。栽培管理装置700也同样地与栽培植物的房屋420的控制器422连接。以下,对栽培管理装置600进行说明,但对于栽培管理装置700也是同样的。另外,栽培管理装置600并不限于与一个房屋410的控制器412连接的情况,也可以与多个房屋的控制器连接。学习装置500中生成的学习器526经由网络4被发送至栽培管理装置600、700。另外,从栽培管理装置600、700经由网络4向学习装置500发送学习用环境状态信息、学习用作业历史信息、学习用收获量信息、学习用生长状态信息。通过由学习装置500和栽培管理装置600、700构成栽培管理系统,能够从栽培管理装置600、700收集学习数据,使学习器进一步进行学习而提高性能。而且,通过将更新后的学习器提供给栽培管理装置600、700,从而能够进行更高精度的栽培。
在此,设置有作为生长状态检测单元的树液流动传感器414,测量作为栽培对象的植物411的树液流量。树液流动传感器414与控制器412连接,通过树液流动传感器414测量出的树液流量经由控制器412发送至栽培管理装置600,作为生长状态信息而被获得。房屋420的植物421上也设置有树液流动传感器424,与控制器422连接。
由于实施例2所涉及的栽培管理装置600的硬件构成与图5所示的实施例1所涉及的栽培管理装置200相同,因而使用相同的附图标记并省略详细的说明。
图12的(A)是实施例2所涉及的栽培管理装置600的第一功能框图。
栽培管理装置600至少包括环境状态信息获取部620、生长状态信息获取部621、计划收获量获取部622以及运算部624。
环境状态信息获取部620是获取与放置有作为栽培对象的植物的环境相关的信息即环境状态信息的单元。此处,也可以由控制部210获取用户经由输入部214输入的环境状态信息。该情况下,输入部214和控制部210构成环境状态信息获取部620。另外,关于如作为环境状态信息的房屋内的温度、湿度、光照度这样能够通过设置于房屋的温度传感器、湿度传感器、光照度传感器等的环境检测单元检测的信息,也可以由控制部210从通过外部接口216连接的房屋410的控制器412,获取由设置于房屋410中的温度传感器、湿度传感器、光照度传感器等的环境检测单元检测出的环境状态信息。该情况下,在图11的例子中,与温湿度传感器413及控制器412连接的外部接口216构成环境状态信息获取部620。另外,关于如作为环境状态信息的外部空气的温度、湿度这样能够经由网络从外部服务器获得的信息,也可以由控制部210通过通信接口217经由因特网等网络从外部服务器获取。该情况下,通信接口217和控制部210构成环境状态信息获取部620。
生长状态信息获取部621是获取与作为栽培对象的植物自身的生长状态相关的信息即生长状态信息的单元。生长状态信息例如是由树液流动传感器测量出的树液流量、由吸收养分传感器测量出的吸收养分量等,且是能够从植物自身测量或检测的与生长状态相关的信息。另外,通过利用图像解析单元对于由摄像机等拍摄装置拍摄作为栽培对象的植物而得到的图像进行解析而检测到的树的长势也包含于生长状态信息。在此,树液流动传感器、吸收养分传感器、拍摄装置以及图像解析单元构成生长状态检测单元。
如上所述,关于能够通过树液流动传感器、吸收养分传感器等的生长状态检测单元测量或检测的信息,控制部210也可以通过外部接口216控制这些生长状态检测单元来获取生长状态信息。该情况下,与生长状态检测单元连接的外部接口216构成生长状态信息获取部621。也可以获取已经测量或检测出并存储在外部装置中的生长状态信息。该情况下,与外部装置连接的外部接口216或通信接口217构成生长状态信息获取部621。也可以由控制部210获取用户经由输入部214输入的生长状态信息。该情况下,输入部214和控制部210构成生长状态信息获取部621。
作业历史信息获取部623是获取将人对作为栽培对象的植物进行的作业的历史定量化的作业历史信息的单元。在此,也可以由控制部210获取用户经由输入部214输入的作业历史信息。该情况下,输入部214和控制部210构成作业历史信息获取部623。另外,也可以由控制部210将用户经由输入部214输入的信息转换为作业历史信息来获取。在此,控制部210作为定量化单元发挥功能。这样的话,用户无需以定量化的作业历史信息的形式输入作业的历史,能够减轻用户的输入作业的负担。例如,用户通过从作为输出部215的显示器中显示的下拉菜单中选择作业的种类,并从根据所选择的作业的种类而显示的作业量的下拉菜单中选择作业量,从而输入作业历史。在栽培管理装置600中,与学习装置500同样地,例如将与所选择的作业的种类对应的作业种类标志(例如,若作业是摘花则为摘花标志)设定为开启(ON),并且获取基于根据作业的种类确定的单位(此处为个数)定量化后的数值(例如3)作为学习用作业历史信息。也可以是将用户输入的作业历史信息逐次存储在辅助存储部213的规定区域中,当运算部624进行收获量的预测时,由控制部210从该区域读出而获取。另外,也可以由控制部210通过外部接口216或通信接口217从外部的装置获取。该情况下,外部接口216或通信接口217及控制部210构成作业历史信息获取部623。
计划收获量获取部622是获取计划收获量信息的单元,该计划收获量信息是与用户在栽培计划中预定的收获量相关的信息。在此,也可以由控制部210获取用户经由输入部214输入的计划收获量信息。该情况下,输入部214和控制部210构成计划收获量获取部622。另外,也可以将用户预先经由输入部214输入的计划收获量信息存储在辅助存储部213的规定区域中,并由控制部210读出该计划收获量信息。
栽培管理装置600的运算部624可以通过将由环境状态信息获取部620获得的环境状态信息、由生长状态信息获取部621获得的生长状态信息、由计划收获量获取部622获得的计划收获量信息输入上述学习器526,从而根据由环境状态信息确定的环境状态和由生长状态信息确定的生长状态,将与包括为了实现计划收获量所需的形态变更作业在内的作业相关的作业指示信息625输出至输出部215。作业指示信息625例如显示在作为输出部215的显示器中,或者从作为输出部215的打印机以文档的显示打印出来。也可以经由外部接口216或通信接口217发送至外部装置。在此,运算部624由执行运算程序的控制部210构成。
图12的(B)是实施例2所涉及的栽培管理装置600的第二功能框图。
栽培管理装置600至少包括环境状态信息获取部620、生长状态信息获取部621、作业历史信息获取部623以及运算部624。对于与图12的(A)所示的第一功能框图相同的构成,使用相同的附图标记并省略详细的说明。
作业历史信息获取部623是获取将人对作为栽培对象的植物进行的作业的历史定量化的作业历史信息的单元。在此,也可以由控制部210获取用户经由输入部214输入的作业历史信息。该情况下,输入部214和控制部210构成作业历史信息获取部623。另外,也可以由控制部210将用户经由输入部214输入的信息转换为作业历史信息而获取。在此,控制部210作为定量化单元发挥功能。这样的话,用户无需以定量化的作业历史信息的形式输入作业的历史,能够减轻用户的输入作业的负担。例如,用户通过从作为输出部215的显示器中显示的下拉菜单中选择作业的种类,并从根据所选择的作业的种类而显示的作业量的下拉菜单中选择作业量,从而输入作业历史。在栽培管理装置600中,与学习装置500同样地,例如将与所选择的作业的种类对应的作业种类标志(例如,若作业是摘花则为摘花标志)设定为开启(ON),并且获取基于根据作业的种类确定的单位(此处为个数)定量化后的数值(例如3)作为学习用作业历史信息。也可以是将用户输入的作业历史信息逐次存储在辅助存储部213的规定区域中,当运算部624进行收获量的预测时,由控制部210从该区域读出而获取。另外,也可以由控制部210通过外部接口216或通信接口217从外部的装置获取。该情况下,外部接口216或通信接口217及控制部210构成作业历史信息获取部623。
栽培管理装置600的运算部624可以通过将由环境状态信息获取部620获得的环境状态信息、由生长状态信息获取部621获得的生长状态信息、由作业历史信息获取部623获得的作业历史信息输入上述学习器526,从而将基于由环境状态信息确定的环境状态和由生长状态信息确定的生长状态以及截至目前为止的作业历史的预测收获量信息626输出至输出部215。预测收获量信息626例如被显示在作为输出部215的显示器中,或者从作为输出部215的打印机以文档的形式被打印出来。也可以经由外部接口216或通信接口217发送至外部装置。在此,运算部624由执行运算程序的控制部210构成。
<栽培管理方法>
图13的(A)是表示栽培管理方法的处理步骤的流程图。该栽培管理方法在栽培管理装置600中作为栽培管理程序执行。
首先,环境状态信息获取部620获取环境状态信息(步骤S401)。
接着,生长状态信息获取部621获取生长状态信息(步骤S402)。
接着,计划收获量获取部622获取计划收获量信息(步骤S403)。
然后,运算部624将环境状态信息、生长状态信息以及计划收获量信息输入学习完毕的学习器526,进行运算处理(步骤S404)。
然后,由于运算部624根据由输入的环境状态信息和生长状态信息确定的环境状态和生长状态,并通过运算处理输出指示包含为了实现计划收获量所需的形态变更作业在内的作业的作业指示信息625,因此,控制部210获取该作业指示信息625,并且例如输出至输出部215(步骤S405)。作业指示信息625的运算处理与实施例1相同,故省略详细的说明。
这样的话,通过使用考虑了人为作业对作为对象的植物的栽培的介入的学习器,栽培作业的指示的精度提高。另外,即便是与栽培作业相关的知识、经验少的作业人员,通过根据该作业指示进行栽培,也能够实现计划收获量。
图13的(B)是表示作为其他的栽培管理方法的收获量预测方法的处理步骤的流程图。关于与图13的(A)所示的栽培管理方法同样的处理,使用相同的附图标记并省略说明。
首先,环境状态信息获取部620获取环境状态信息(步骤S401)。
接着,生长状态信息获取部621获取生长状态信息(步骤S402)。
接着,作业历史信息获取部623获取作业历史信息(步骤S406)。
然后,运算部624将环境状态信息、生长状态信息以及作业历史信息输入学习完毕的学习器526,进行运算处理(步骤S404)。
然后,由于运算部624通过运算处理输出基于由输入的环境状态信息和生长状态信息确定的环境状态和生长状态、以及截止目前为止的作业历史的预测收获量信息626,因此,控制部210获取该预测收获量信息626,并且例如输出至输出部215(步骤S407)。
这样的话,通过使用考虑了人为作业对作为对象的植物的栽培的介入的学习器,收获量预测的精度提高。
[实施例3]
以下,对实施例3所涉及的学习装置800和栽培管理装置900、1000进行说明。
由于实施例3所涉及的学习装置800的硬件构成、功能块以及学习模型生成方法与实施例2相同,因此,对于通过学习生成栽培管理中使用的模型的过程,使用相同的附图标记并省略详细的说明。以下,对通过使用通过学习生成的模型的推论进行栽培管理的过程进行说明。
<栽培管理系统>
图14是表示包括实施例3所涉及的学习装置800和栽培管理装置900、1000的栽培管理系统3的概略构成的示意图。
学习装置800与栽培管理装置900及栽培管理装置1000分别经由网络4连接。栽培管理装置900与栽培植物411的房屋410的控制器412连接。栽培管理装置1000也同样地与栽培植物421的房屋420的控制器422连接。以下,对栽培管理装置900进行说明,但对于栽培管理装置1000也是同样的。另外,栽培管理装置900并不限于与一个房屋410的控制器412连接的情况,也可以与多个房屋的控制器连接。学习装置800中生成的学习器526经由网络4被发送至栽培管理装置900、1000。另外,从栽培管理装置900、1000经由网络4向学习装置800发送学习用环境状态信息、学习用作业历史信息、学习用收获量信息。通过由学习装置800和栽培管理装置900、1000构成栽培管理系统,能够从栽培管理装置900、1000收集学习数据,使学习器进一步进行学习而提高性能。而且,通过将更新后的学习器提供给栽培管理装置900、1000,从而能够进行更高精度的栽培。
在此,作为通过调整开度来控制对作为栽培对象的植物的日照量的环境状态控制机构而设置有遮光帘415。该遮光帘415与控制器412连接,根据从栽培管理装置900发送的状态控制指示信息控制开度。由此,控制对植物的日照量。房屋420中也设置有遮光帘425,并与控制器422连接。
由于实施例3所涉及的栽培管理装置900的硬件构成与图6所示的实施例1所涉及的栽培管理装置200相同,因而使用相同的附图标记并省略详细的说明。
图15的(A)是栽培管理装置900的第一功能框图。
栽培管理装置900至少包括环境状态信息获取部920、生长状态信息获取部921、计划收获量获取部922、运算部924以及状态控制指示部925。
运算部924将由环境状态信息获取部920获得的环境状态信息、由生长状态信息获取部921获得的生长状态信息以及由计划收获量获取部922获得的计划收获量输入学习完毕的学习器526,将作业指示信息926输出至输出部215,并将状态控制指示信息927输出至状态控制指示部925。
状态控制指示部925由控制部210获取该状态控制指示信息927,并对通过外部接口216连接的控制器412,发送用于指示对房屋410的环境状态、生长状态进行控制的状态控制单元(例如遮光帘415)的控制的信息。
在此,状态控制单元包括如控制放置作为栽培对象的植物的环境状态即温度和湿度的加温加湿器、控制日照量的遮光帘、控制二氧化碳量的二氧化碳发生器这样控制环境状态的环境状态控制单元。另外,状态控制单元还包括如控制影响植物的吸收养分量的土中的养分的施肥器、控制影响树液流量的土中的水分的灌水器这样控制生长状态的生长状态控制单元。
图16的(A)是表示栽培管理方法的处理步骤的流程图。该栽培管理方法在栽培管理装置900中作为栽培管理程序执行。
首先,环境状态信息获取部920获取环境状态信息(步骤S501)。
接着,生长状态信息获取部921获取生长状态信息(步骤S502)。
接着,计划收获量获取部922获取计划收获量信息(步骤S503)。
然后,运算部924将环境状态信息、生长状态信息以及计划收获量信息输入学习完毕的学习器526,并进行运算处理(步骤S504)。
然后,运算部924通过步骤S505的运算处理,根据由输入的环境状态信息和生长状态信息确定的环境状态和生长状态,输出指示包含为了实现计划收获量所需的形态变更作业在内的作业的作业指示信息926(步骤S505)和状态控制指示信息927(步骤S506)。由于所需的作业指示信息、状态控制指示信息的运算处理与实施例1相同,因而省略详细的说明。控制部210获取作业指示信息926,并且例如输出至输出部215,另外,获取状态控制指示信息927,并且例如输出至状态控制指示部925。
这样的话,通过使用考虑了人为作业对作为对象的植物的栽培的介入的学习器,栽培作业的指示的精度提高,并且,环境状态、生长状态的控制的指示的精度提高。另外,即便是与栽培作业相关的知识、经验少的作业人员,通过根据该作业指示进行栽培,也能够实现计划收获量。
图15的(B)是栽培管理装置900的第二功能框图。
栽培管理装置900至少包括环境状态信息获取部920、生长状态信息获取部921、作业历史信息获取部923以及运算部924。关于与图15的(A)所示的第一框图相同的构成,使用相同的附图标记并省略说明。
图16的(B)是表示作为其他的栽培管理方法的收获量预测方法的处理步骤的流程图。关于与图16的(A)所示的栽培管理方法同样的处理,使用相同的附图标记并省略说明。
首先,环境状态信息获取部920获取环境状态信息(步骤S501)。
接着,生长状态信息获取部921获取生长状态信息(步骤S502)。
接着,作业历史信息获取部923获取作业历史(步骤S507)。
然后,运算部924将环境状态信息、生长状态信息以及作业历史信息输入学习完毕的学习器526,并进行运算处理(步骤S504)。
然后,运算部924通过步骤S704的运算处理,输出基于由输入的环境状态信息和生长状态信息确定的环境状态和生长状态、以及截止目前为止的作业历史的预测收获量。控制部210获取预定收获量信息928,并且例如输出至输出部215。
这样的话,通过使用考虑了人为作业对作为对象的植物的栽培的介入的学习器,收获量预测的精度提高。
此外,以下以带有附图标记的方式记载本发明的构成要件,以便能够对本发明的构成要件和实施例的构成进行对比。
<发明1>
一种果菜类植物和果树栽培管理装置(200),其特征在于,具备:
与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
与所述果菜类植物或果树的预先计划的栽培评价指标相关的信息即计划栽培评价指标信息;
运算部(223),使用学习模型(25)针对所述环境状态信息和所述计划栽培评价指标信息的输入,确定并输出包括形态变更作业在内的针对所述果菜类植物或果树的作业,所述学习模型(25)已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史;以及
输出部,输出包括所述形态变更作业在内的针对所述果菜类植物或果树的作业。
<发明2>
一种果菜类植物和果树栽培管理装置(200),其特征在于,具备:
与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
与包括变更所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的作业历史信息;
运算部(223),使用学习模型(25)针对所述环境状态信息和所述作业历史信息的输入,输出所述果菜类植物或果树的预测栽培评价指标,所述学习模型(25)已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时的所述形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史;以及
输出部(215),输出所述果菜类植物或果树的所述预测栽培评价指标。
<发明3>
一种学习装置(100),其特征在于,具备:
学习用环境状态信息获取部(21),获取与作为栽培对象的果菜类植物或果树的环境状态相关的学习用环境状态信息;
学习用作业历史信息获取部(22),获取与包括栽培所述果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对所述果菜类植物或果树的作业的历史相关的学习用作业历史信息;
学习用栽培评价指标获取部(23),获取与所述果菜类植物或果树的栽培评价指标相关的学习用栽培评价指标信息;以及
学习处理部(24),通过学习至少包括所述学习用环境状态信息、所述学习用作业历史信息以及所述学习用栽培评价指标信息的学习数据而生成学习模型(25),该学习模型(25)针对栽培所述果菜类植物或果树时的该果菜类植物或果树的环境状态信息及预先计划的栽培评价指标信息的输入,确定并输出包括所述形态变更作业在内的针对所述果菜类植物或果树的作业。
附图标记说明
100:学习装置
21:学习用环境状态信息获取部
22:学习用作业历史信息获取部
23:学习用收获量获取部
24:学习处理部
25:学习器
500:学习装置
521:学习用环境状态信息获取部
522:学习用作业历史信息获取部
523:学习用收获量获取部
524:学习用生长状态信息获取部
525:学习处理部
526:学习器
200:栽培管理装置
220:环境状态信息获取部
221:计划收获量获取部
223:运算部
224:作业指示信息
600:栽培管理装置
620:环境状态信息获取部
621:生长状态信息获取部
622:计划收获量获取部
624:运算部
625:作业指示信息。
Claims (10)
1.一种果菜类植物和果树栽培管理装置,其特征在于,具备:
与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
与所述果菜类植物或果树的预先计划的栽培评价指标相关的信息即计划栽培评价指标信息;
运算部,使用学习模型针对所述环境状态信息和所述计划栽培评价指标信息的输入,确定并输出包括形态变更作业在内的针对所述果菜类植物或果树的作业,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史;以及
输出部,输出包括所述形态变更作业在内的针对所述果菜类植物或果树的作业。
2.一种果菜类植物和果树栽培管理装置,其特征在于,具备:
与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
与包括变更所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的作业历史信息;
运算部,使用学习模型针对所述环境状态信息和所述作业历史信息的输入,输出所述果菜类植物或果树的预测栽培评价指标,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时的所述形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史;以及
输出部,输出所述果菜类植物或果树的所述预测栽培评价指标。
3.一种学习装置,其特征在于,具备:
学习用环境状态信息获取部,获取与作为栽培对象的果菜类植物或果树的环境状态相关的学习用环境状态信息;
学习用作业历史信息获取部,获取与包括栽培所述果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对所述果菜类植物或果树的作业的历史相关的学习用作业历史信息;
学习用栽培评价指标获取部,获取与所述果菜类植物或果树的栽培评价指标相关的学习用栽培评价指标信息;以及
学习处理部,通过学习至少包括所述学习用环境状态信息、所述学习用作业历史信息以及所述学习用栽培评价指标信息的学习数据而生成学习模型,该学习模型针对栽培所述果菜类植物或果树时的该果菜类植物或果树的环境状态信息及预先计划的栽培评价指标信息的输入,确定并输出包括所述形态变更作业在内的针对所述果菜类植物或果树的作业。
4.一种果菜类植物和果树栽培管理方法,其特征在于,由计算机执行如下步骤:
获取与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
获取与所述果菜类植物或果树的预先计划的栽培评价指标相关的信息即计划栽培评价指标信息;以及
使用学习模型,基于获得的所述环境状态信息和所述计划栽培评价指标信息,确定包括形态变更作业在内的针对所述果菜类植物或果树的作业,所述学习模型已学习了所栽培的所述果菜类植物或果树的所述栽培评价指标、栽培该果菜类植物或果树时的所述环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。
5.一种果菜类植物和果树栽培管理方法,其特征在于,由计算机执行如下步骤:
获取与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
获取与包括变更所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的作业历史信息;以及
使用学习模型,基于获得的所述环境状态信息和所述作业历史信息,输出所述果菜类植物或果树的预测栽培评价指标,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时的所述形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。
6.一种学习模型生成方法,其特征在于,由计算机执行如下步骤:
获取与栽培果菜类植物或果树时的栽培评价指标相关的学习用栽培评价指标信息;
获取与所栽培的所述果菜类植物或果树的环境状态相关的学习用环境状态信息;
获取与包括变更所栽培的所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的学习用作业历史信息;以及
学习至少包括所述学习用栽培评价指标信息、所述学习用环境状态信息以及所述学习用作业历史信息的学习数据,从而生成学习模型,所述学习模型基于与所述果菜类植物或果树的环境状态相关的环境状态信息和与该果菜类植物或果树的预先计划的栽培评价指标相关的计划栽培评价指标信息,确定包括所述形态变更作业在内的针对该果菜类植物或果树的作业。
7.根据权利要求6所述的学习模型生成方法,其特征在于,
生成所述学习模型的步骤包括如下步骤:通过将所述环境状态信息设为环境的状态、将包括所述形态变更作业在内的针对所述果菜类植物或果树的作业设为针对环境的行动、将所述栽培评价指标设为报酬的强化学习来生成该学习模型。
8.一种果菜类植物和果树栽培管理程序,其特征在于,使计算机执行如下步骤:
获取与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
获取与所述果菜类植物或果树的预先计划的栽培评价指标相关的计划栽培评价指标信息;
使用学习模型,基于获得的所述环境状态信息和所述计划栽培评价指标信息,确定包括形态变更作业在内的针对该果菜类植物或果树的作业,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的所述环境状态以及包括栽培该果菜类植物或果树时变更该果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。
9.一种果菜类植物和果树栽培管理程序,其特征在于,使计算机执行如下步骤:
获取与作为栽培对象的果菜类植物或果树的环境状态相关的环境状态信息;
获取与包括变更所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的作业历史信息;以及
使用学习模型,基于获得的所述环境状态信息和所述作业历史信息,输出所述果菜类植物或果树的预测栽培评价指标,所述学习模型已学习了所栽培的所述果菜类植物或果树的栽培评价指标、栽培该果菜类植物或果树时的该果菜类植物或果树的环境状态以及包括栽培该果菜类植物或果树时的所述形态变更作业在内的针对该果菜类植物或果树的作业的历史即作业历史。
10.一种学习模型生成程序,其特征在于,使计算机执行如下步骤:
获取与栽培果菜类植物或果树时的栽培评价指标相关的学习用栽培评价指标信息;
获取与所栽培的所述果菜类植物或果树的环境状态相关的学习用环境状态信息;
获取与包括变更所栽培的所述果菜类植物或果树的形态的形态变更作业在内的针对该果菜类植物或果树的作业的历史相关的学习用作业历史信息;以及
学习至少包括所述学习用栽培评价指标信息、所述学习用环境状态信息以及所述学习用作业历史信息的学习数据,从而生成学习模型,所述学习模型基于与所述果菜类植物或果树的环境状态相关的环境状态信息和与该果菜类植物的预先计划的栽培评价指标相关的信息即计划栽培评价指标,确定包括所述形态变更作业在内的针对该果菜类植物或果树的作业。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-184104 | 2019-10-04 | ||
JP2019184104A JP7140086B2 (ja) | 2019-10-04 | 2019-10-04 | 果菜類植物及び果樹栽培管理装置、学習装置、果菜類植物及び果樹栽培管理方法、学習モデル生成方法、果菜類植物及び果樹栽培管理プログラム及び学習モデル生成プログラム |
PCT/JP2020/036846 WO2021065891A1 (ja) | 2019-10-04 | 2020-09-29 | 果菜類植物及び果樹栽培管理装置、学習装置、果菜類植物及び果樹栽培管理方法、学習モデル生成方法、果菜類植物及び果樹栽培管理プログラム及び学習モデル生成プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113196320A true CN113196320A (zh) | 2021-07-30 |
Family
ID=75338309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080006629.0A Pending CN113196320A (zh) | 2019-10-04 | 2020-09-29 | 果菜类植物和果树栽培管理装置、学习装置、果菜类植物和果树栽培管理方法、学习模型生成方法、果菜类植物和果树栽培管理程序以及学习模型生成程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220225583A1 (zh) |
EP (2) | EP4177815A1 (zh) |
JP (1) | JP7140086B2 (zh) |
CN (1) | CN113196320A (zh) |
WO (1) | WO2021065891A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7113555B1 (ja) | 2021-08-30 | 2022-08-05 | 亮志 西ヶ谷 | 果樹栽培支援装置、推論装置、機械学習装置、果樹栽培支援方法、推論方法、及び、機械学習方法 |
IT202200005237A1 (it) * | 2022-03-17 | 2023-09-17 | Valente S R L | Un metodo di coltivazione |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162384A (zh) * | 2006-10-12 | 2008-04-16 | 魏珉 | 人工智能植物生长环境调控专家决策系统 |
US20170131254A1 (en) * | 2015-01-30 | 2017-05-11 | AgriSight, Inc. | System and method for crop health monitoring |
US20180209901A1 (en) * | 2017-01-26 | 2018-07-26 | Aklartech Ltd | System and method for evaluating fruits and vegetables |
WO2019073472A1 (en) * | 2017-10-13 | 2019-04-18 | Atp Labs Ltd. | SYSTEM AND METHOD FOR MANAGING AND OPERATING A LOGISTIC CHAIN FOR MANUFACTURING AGRICULTURAL PRODUCTS |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4058544B2 (ja) * | 1998-04-20 | 2008-03-12 | 農工大ティー・エル・オー株式会社 | 作業決定支援装置および方法、並びに記録媒体 |
JPH11313594A (ja) * | 1998-04-30 | 1999-11-16 | Omron Corp | 農作業決定支援装置および方法、並びに記録媒体 |
JP5756374B2 (ja) | 2011-08-31 | 2015-07-29 | 株式会社日立ソリューションズ東日本 | 生育管理方法 |
JP6261492B2 (ja) * | 2014-11-28 | 2018-01-17 | 三菱電機株式会社 | 情報処理装置及び情報処理方法及びプログラム |
US9792557B2 (en) * | 2015-01-14 | 2017-10-17 | Accenture Global Services Limited | Precision agriculture system |
US20170332544A1 (en) * | 2015-10-05 | 2017-11-23 | iUNU, LLC | Data driven indoor farming optimization |
CN110139552B (zh) * | 2016-11-08 | 2023-08-15 | 道格图斯科技有限公司 | 机器人水果采摘系统 |
US10839503B2 (en) * | 2017-01-26 | 2020-11-17 | ClariFruit | System and method for evaluating fruits and vegetables |
US20180271015A1 (en) * | 2017-03-21 | 2018-09-27 | Blue River Technology Inc. | Combine Harvester Including Machine Feedback Control |
EP3707990B1 (en) * | 2017-12-01 | 2021-07-14 | Sony Corporation | Information processing device, information processing method, and vegetation management system |
WO2019169434A1 (en) * | 2018-03-05 | 2019-09-12 | Csbp Limited | Agricultural condition determination |
WO2020049576A2 (en) * | 2018-09-09 | 2020-03-12 | Viewnetic Ltd. | System and method for monitoring plants in plant growing areas |
WO2020178694A1 (fr) * | 2019-03-07 | 2020-09-10 | 3D2Cut Sa | Système et méthode d'assistance à la taille de végétaux |
FR3098083B1 (fr) * | 2019-07-01 | 2022-12-23 | Farm3 | Système et procédé de culture. |
-
2019
- 2019-10-04 JP JP2019184104A patent/JP7140086B2/ja active Active
-
2020
- 2020-09-29 WO PCT/JP2020/036846 patent/WO2021065891A1/ja unknown
- 2020-09-29 CN CN202080006629.0A patent/CN113196320A/zh active Pending
- 2020-09-29 EP EP22215017.9A patent/EP4177815A1/en active Pending
- 2020-09-29 US US17/298,729 patent/US20220225583A1/en active Pending
- 2020-09-29 EP EP20871156.4A patent/EP3876183A4/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162384A (zh) * | 2006-10-12 | 2008-04-16 | 魏珉 | 人工智能植物生长环境调控专家决策系统 |
US20170131254A1 (en) * | 2015-01-30 | 2017-05-11 | AgriSight, Inc. | System and method for crop health monitoring |
US20180209901A1 (en) * | 2017-01-26 | 2018-07-26 | Aklartech Ltd | System and method for evaluating fruits and vegetables |
WO2019073472A1 (en) * | 2017-10-13 | 2019-04-18 | Atp Labs Ltd. | SYSTEM AND METHOD FOR MANAGING AND OPERATING A LOGISTIC CHAIN FOR MANUFACTURING AGRICULTURAL PRODUCTS |
Also Published As
Publication number | Publication date |
---|---|
US20220225583A1 (en) | 2022-07-21 |
EP3876183A1 (en) | 2021-09-08 |
WO2021065891A1 (ja) | 2021-04-08 |
JP7140086B2 (ja) | 2022-09-21 |
JP2021058124A (ja) | 2021-04-15 |
EP3876183A4 (en) | 2023-01-18 |
EP4177815A1 (en) | 2023-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6753936B2 (ja) | 情報処理装置および情報処理システム | |
JP6261492B2 (ja) | 情報処理装置及び情報処理方法及びプログラム | |
KR20180086738A (ko) | 작물 재배 가이드 정보 제공 장치, 및 그 방법 | |
JP6551943B2 (ja) | 生育管理装置、生育管理方法、及び、プログラム | |
US11631475B2 (en) | Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents | |
JP2021056573A (ja) | 作物成長予測プログラム、作物成長予測方法および作物成長予測装置 | |
US20220189025A1 (en) | Crop yield prediction program and cultivation environment assessment program | |
WO2020170939A1 (ja) | 人工光型植物工場コホートフェノタイピングシステム | |
CN113196320A (zh) | 果菜类植物和果树栽培管理装置、学习装置、果菜类植物和果树栽培管理方法、学习模型生成方法、果菜类植物和果树栽培管理程序以及学习模型生成程序 | |
WO2021002439A1 (ja) | 植物の栽培管理システム及び、植物の栽培管理装置 | |
KR20210063218A (ko) | 시설 운영 이력을 저장할 수 있는 스마트팜 운영 시스템 | |
Sathanapriya et al. | Analysis of Hydroponic System Crop Yield Prediction and Crop IoT-based monitoring system for precision agriculture | |
JP2022136058A (ja) | 農作物の生産成績を予測する予測モデルの生成方法、生成装置、及び生成プログラム | |
JP7386503B2 (ja) | 収量推定プログラム、収量推定方法及び収量推定装置 | |
WO2016178314A1 (ja) | 植物育成データ作成装置、植物育成システム、および植物育成データ作成プログラム | |
CN113010529A (zh) | 基于知识图谱的作物管理方法和装置 | |
JP7024733B2 (ja) | 情報処理装置、情報処理方法、及び、情報処理プログラム | |
KR20210056213A (ko) | 농장 운영정보 제공 시스템 | |
EP4292413A1 (en) | Dynamic generation of experimental treatment plans | |
Kempelis et al. | Design and Implementation of IoT Network Prototype to Facilitate the Food Production Process in Agriculture | |
WO2023119529A1 (ja) | 生育予測装置、生育予測方法、及び生育予測プログラム | |
Bansal et al. | IoT Applications in Agriculture | |
TWI821719B (zh) | 預測水稻用水需求的系統及方法 | |
JP7416394B2 (ja) | 作付スケジュール算出装置、作付スケジュール算出プログラム、及び、作付スケジュール算出方法 | |
JP7220881B1 (ja) | 灌水制御システム |
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 |