CN113329617A - 信息处理设备和信息处理系统 - Google Patents

信息处理设备和信息处理系统 Download PDF

Info

Publication number
CN113329617A
CN113329617A CN201980086614.7A CN201980086614A CN113329617A CN 113329617 A CN113329617 A CN 113329617A CN 201980086614 A CN201980086614 A CN 201980086614A CN 113329617 A CN113329617 A CN 113329617A
Authority
CN
China
Prior art keywords
information
infection
information processing
crop
unit
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
Application number
CN201980086614.7A
Other languages
English (en)
Inventor
伊藤圣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bayer CropScience KK
Original Assignee
Bayer CropScience KK
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bayer CropScience KK filed Critical Bayer CropScience KK
Publication of CN113329617A publication Critical patent/CN113329617A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Environmental Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Ecology (AREA)
  • Mechanical Engineering (AREA)
  • Botany (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Forests & Forestry (AREA)
  • Soil Sciences (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明基于更适当的栽培信息使更准确地估计与农作物感染有关的信息成为可能。所提供的一种信息处理设备(10)包括：特征量特征值转换单元(131)，其通过对与造成农作物疾病的三个因素有关的多项信息之中的至少任一项信息执行特征值转换来生成特征值，三个因素即病原体因素、宿主因素和环境因素；以及估计单元(133)，其基于感染估计模型估计农作物感染信息，该感染估计模型用于估计与农作物的感染有关的感染信息，感染估计模型基于机器学习算法被生成，并且使用与三个因素有关的包括特征值的信息作为输入。

Description

信息处理设备和信息处理系统
技术领域
本发明涉及信息处理设备和信息处理系统。
背景技术
当农作物发生病害，会导致农作物的产量和质量降低。如果能够预测农作物中病害的发生，将使病害的预防成为可能。例如通过以适当的定时给农作物喷洒农药。预防农作物疾病发生的技术在过去已经取得了发展。
例如，专利文献1描述了用于预测病害发生的方法，该方法包括通过大量将造成农作物病害以及造成一定所允许损害率的感染源，以获得农药的喷洒条件的处理过程；以及确定使用农药喷洒农作物的适宜性的处理过程。更具体的，专利文献1描述了基于气温、湿度和降雨栽培信息预测发病的技术。
现有技术
专利文献
专利文献1：JP 2002-305971 A
发明内容
本发明要解决的问题
一旦农作物被感染，通常离农作物发生病害有一段潜伏期。除了专利文献1描述的预测农作物病害发生的技术之外，还需要对农作物发生感染的风险进行估计的技术。也就是说，需要如下技术：对农作物中病害的风险进行估计并且对与农作物的感染有关的感染信息(诸如感染的风险)进行被估计的技术。
虽然专利文献1描述了用于估计与农作物中病害的发生有关的信息的栽培信息，但是还需要如下技术：基于与农作物的栽培有关的更合适的栽培信息，更准确地估计与农作物的感染有关的感染信息。
本发明是鉴于上述问题而提出的，本发明的目的在于提供一种新颖且改进的信息处理设备和信息处理系统，该信息处理设备和信息处理系统能够基于更合适的栽培信息更准确地估计与农作物的感染有关的信息。
用于解决问题的方法
为了解决上述问题，本发明的一个方面提供一种信息处理设备，包括：特征值转换单元，用于通过对与农作物中发病的三个因素中的每个因素有关的多项信息之中的至少任一项信息执行特征值转换，来生成特征值，三个因素即病原体因素、宿主因素和环境因素；以及估计单元，用于基于感染估计模型来估计与农作物的感染有关的感染信息，感染估计模型被使用以便估计感染信息，并且感染估计模型使用与三个因素有关的包括特征值的信息作为输入数据，基于机器学习算法而被生成。
另外，信息处理设备还可以包括第一机器学习单元，第一机器学习单元使用与三个因素有关的包括特征值的信息作为输入数据，并且基于机器学习算法来更新感染估计模型，并且估计单元可以基于经更新的感染估计模型来估计感染信息。
另外，与病原体因素有关的信息可以包括与农作物中的病害的发生历史有关的信息。
另外，与病害的发生历史有关的信息可以包括与病害已经在农作物中发生的时段有关的时段信息。
另外，与病害的发生历史有关的信息可以包括与农作物中发生病害的频率有关的频率信息。
另外，与病害的发生历史有关的信息可以包括与如下长度有关的长度信息：从时间轴上的农作物中发生病害的时间点到估计单元估计感染信息的时间点为止的长度。
另外，与宿主因素有关的信息可以包括与农作物对病害的抵抗力有关的信息，并且与环境因素有关的信息可以包括与农作物在其中被栽培的空间中的湿度或者温度中的至少任一项有关的信息。
另外，估计单元可以基于感染信息的过去估计结果来估计感染信息，感染信息的过去估计结果是基于感染估计模型估计的。
另外，信息处理设备还可以包括第二机器学习单元，第二机器学习单元使用过去估计结果作为输入数据，并且基于机器学习算法来更新感染估计模型，并且估计单元可以基于经更新的感染估计模型来估计感染信息。
本发明还提供一种信息处理系统，包括：输入单元，输入单元接收与关于农作物中发病的病原体因素、宿主因素和环境因素中的每个因素有关的信息作为输入；特征值转换单元，用于通过对与农作物中发病的三个因素中的每个因素有关的多项信息之中的至少任一项信息执行特征值转换，来生成特征值，三个因素即病原体因素、宿主因素和环境因素；估计单元，用于基于感染估计模型来估计与农作物的感染有关的感染信息，感染估计模型被使用以便估计感染信息，并且感染估计模型使用与三个因素有关的包括特征值的信息作为输入数据，基于机器学习算法而被生成；以及输入单元，用于输出由估计单元估计的结果。
本发明的优点
如上所述，本发明提供一种新颖且改进的信息处理设备和信息处理系统，该信息处理设备和信息处理系统能够基于更合适的栽培信息更准确地估计与农作物的感染有关的信息。
附图说明
图1是示出根据本发明的一个实施方式的信息处理系统1的概要的图。
图2是示出根据本发明的一个实施方式的信息处理系统1的概略功能配置的示例的框图。
图3是示出植物病的金字塔P的图。
图4是示出在根据本发明的一个实施方式的信息处理终端20上显示的病害发生历史画面的示例的图。
图5是示出在根据本发明的一个实施方式的信息处理终端20上显示的病害发生历史画面的示例的图。
图6是示出在根据本发明的一个实施方式的信息处理终端20上显示的病害发生历农药喷洒记录画面的示例的图。
图7是示出在根据本发明的一个实施方式的信息处理终端20上显示的病害发生信息画面的示例的图。
图8是示出在根据本发明的一个实施方式的信息处理终端20上显示的播种信息画面的示例的图。
图9示意性示出根据本发明的一个实施方式的信息处理系统1中的整体处理的流程的示例。
图10是示意性示出由根据本发明的一个实施方式的信息处理设备10执行的更新处理的示例的流程图。
图11是示意性示出根据本发明的一个实施方式的信息处理设备10中的估计处理的示例的流程图。
图12是示出根据本发明的一个实施方式的信息处理设备10的硬件配置的说明图。
具体实施方式
下面将参考附图详细描述本发明的优选实施方式。应当注意，在本说明书和附图中具有基本相同功能配置的构成元件具有相同的附图标记，并且将不给出对其的重复描述。
<1.介绍>
根据本发明的一个实施方式的信息处理系统1将会首先参考图1被描述。图1是示出根据本发明的一个实施方式的信息处理系统1的概要的图。
信息处理系统1具有收集农作物的栽培信息的功能、基于栽培信息估计感染信息的功能、以及呈现估计结果的功能。这些功能通过信息处理系统1中所提供的信息处理设备10、信息处理终端20、以及传感器节点30的协作而被实现。
例如，如图1所示，信息处理设备10从由用户U1(诸如农作物的栽培方)管理的信息处理终端20收集农作物信息、栽培场地信息、病害信息和农药信息，从栽培场地31处安装的传感器节点30收集栽培场地观测信息，并且从气象信息服务器40收集气象信息。随后会详细描述以上提到的各种类型的信息。信息处理设备10将收集到的信息输入给感染估计模型，并且将输出信息从感染估计模型递送给信息处理终端20。用户U1检阅由信息处理终端20呈现的递送到的输出信息，并且检查与农作物有关的感染信息。
应当注意，感染信息可以是与农作物中发生的感染有关的信息。更具体地，例如，感染信息可以是指示农作物被病原微生物等感染的风险的感染风险。备选地，感染信息可以是与发生在农作物中的病害有关的信息。在该实施方式中，信息处理设备10基于栽培信息估计感染风险。
应当注意到的是，信息处理设备10的上述功能可以由多个设备实现。例如，信息处理设备10的功能可以通过多个设备的云计算来实现。此外，图1示出了信息处理终端20是便携式通信终端(诸如智能电话)的示例，但是信息处理终端20同样可以是信息通信设备(诸如固定式个人计算机)。
<2.本发明的实施方式>
以上描述了根据本发明的一个实施方式的信息处理系统1的概要。接下来将描述根据本发明的一个实施方式的信息处理系统1的细节。
<2.1系统配置>
首先参考图2描述信息处理系统1的功能配置。图2是示出根据本发明的一个实施方式的信息处理系统1的概略功能配置的示例的框图。
如图2所示，信息处理系统1包括信息处理设备10、信息处理终端20，以及传感器节点30。信息处理设备10、信息处理终端20，传感器节点30、以及之后将进行描述的气象信息服务器40经由网络50被连接。上述设备经由例如广域网(WAN)(诸如互联网)被连接。
[信息处理设备]
信息处理设备10具有如下功能：通过对与农作物中发病的三个因素中的每个因素有关的多项信息之中的至少任一项信息执行特征值转换，来生成特征值的功能，三个因素即病原体因素、宿主因素和环境因素(以下也简称为“三因素信息”)。该信息处理设备10还具有如下功能：基于感染估计模型估计农作物的感染风险的功能，该感染估计模型被使用以便估计农作物的感染风险，并且感染估计模型使用包括特征值的三因素信息作为输入数据，基于机器学习算法而被生成。该信息处理设备10的功能通过信息处理设备10中所提供的通信单元110、存储器单元120、以及处理单元130的协作而被实现。
在此描述农作物中发病的三个因素。植物病(诸如农作物的疾病)被认为是由全部三个因素(即病原体因素、宿主因素和环境因素)的复合作用引起的。
首先将描述病原体因素。病原体因素(致病因：病原体)是指诸如病原微生物、害虫、农药、肥料、污染物或杂草等引起疾病的原因。此外，与病原体因素有关的信息可以是例如病害发生历史、喷洒农药的后遗症、一组所喷洒的农药、或农作物的孢子数目等。
接下来描述宿主因素。宿主因素(植物：宿主)是与植物及其抵抗力以及生长阶段等有关的因素。此外，例如与宿主因素有关的信息可以是诸如农作物的生长阶段、农作物的病害抵抗力以及根茎特性的信息。
最后，将描述环境因素。环境因素信息是与环境因素(环境：环境)有关的信息，是与栽培产品的环境有关的信息，例如温度或湿度。例如，环境因素信息是包括以下信息中的至少任一信息的信息：基于由各种类型的传感器(诸如下文将描述的大气传感器或土壤传感器)检测的结果的栽培场地观测信息、或者与各种类型的环境有关的信息(诸如与种植密度有关的信息)。例如，大气传感器是诸如被安装在农作物在其中被栽培的空间中的温度传感器或湿度传感器等传感器。
三个因素(即病原体因素、宿主因素和环境因素)在上面分别被描述。与这三个因素有关的信息从信息处理终端20、传感器节点30或气象信息服务器40被发送给信息处理设备10。此外，与这三个因素有关的未被详细描述的信息可以被用户同样地输入到信息处理终端20，并且该输入信息可以例如经由网络50被发送给信息处理设备10。另外，除信息处理终端20之外的设备也可以获取与该三个因素有关的信息，并且所获取的信息可以例如经由网络50被发送给信息处理设备10。
已知现有的植物病金字塔以模型的形式呈现上述三个因素以及由植物病造成的对植物的损害量。
图3是示出植物病金字塔P的图。在植物病金字塔P中，三个因素的影响的量级由边表示，可以被形成的三角形的表面积表示在该时间点对植物的损害。更具体地说，病原体因素的影响的量级由第一边L1的长度表示，宿主因素的影响的量级由第二边L2的长度表示，以及环境因素的影响的量级由第三边L3的长度表示。由这三个边围成的三角形的表面积示出在给定时间点的植物病害的量级。
此外，植物病金字塔P的体积V表示由植物病造成的最终损害量。更具体地，其中上述三角形形成底且高度是由逝去时间表示的第四边L4的三棱锥的体积V是由植物病造成的最终损害量。因此，植物病的损害量是根据三个因素的影响来确定的。因此，由发病造成的对农作物的损害量是根据这三个因素的影响来确定的。因此，使用这三个因素对估计感染风险具有重要意义。
(通信单元)
通信单元110与信息处理终端20、传感器节点30以及气象信息服务器40通信。具体地，通信单元110接收农作物信息、栽培场地信息、病害信息、农药信息以及来自信息处理终端20的请求信息。从信息处理终端20向通信单元110发送的农作物信息、栽培场地信息、病害信息和农药信息可以包括三因素信息。另外，通信单元110从传感器节点30接收栽培场地观测信息。栽培场地观测信息包括例如与环境因素有关的信息。附加地，通信单元110从气象信息服务器接收气象信息。气象信息包括例如与环境因素有关的信息。此外，通信单元110向信息处理终端20发送显示信息。信息处理终端20基于显示信息显示各种类型的信息。
(存储器单元)
存储器单元120存储与处理单元130的处理有关的信息。具体地，存储器单元120记录包括由通信单元接收的三因素信息的各种类型的栽培信息。更具体地说，存储器单元120记录栽培信息(农作物信息、栽培场地信息、病害信息、农药信息、栽培场地观测信息以及气象信息)。此外，存储器单元120记录感染估计模型和机器学习参数。
(控制单元)
处理单元130控制信息处理设备10的整体操作。具体地，如图2所示，处理单元130包括：特征值转换单元131、机器学习单元132、估计单元133、显示控制单元134，并且执行与感染风险的估计有关的处理。应当注意的是，感染风险的估计可以涉及估计农作物在当前时间的感染风险，或者可以涉及预测农作物的未来感染风险。
特征值转换单元131通过对与农作物中发病的三个因素中的每个因素有关的多项信息之中的至少任一项信息执行特征值转换来生成特征值，三个因素即病原体因素、宿主因素和环境因素。在所描述的示例中，特征值转换单元131生成特征值。需要注意的是，与病原体因素、宿主因素和环境因素有关的信息可以各自包括多项信息。在本说明书中，“与三个因素(即病原体因素、宿主因素和环境因素)的每个因素有关的多项信息之中的至少任一项信息”是指该多项信息中的至少任一项信息。一个典型用例将被描述，其中特征值转换单元131执行对与病原体因素、宿主因素和环境因素之中的环境因素有关的信息的特征值转换。假设与环境因素有关的信息包括多项信息，诸如与由大气传感器提供的检测结果有关的信息和与种植密度有关的信息。在该情况下，在与环境因素有关的多项信息中，特征值转换单元131可以仅执行对与由大气传感器提供的检测结果有关的信息的特征值转换。当然。特征值转换单元131也可以对与除了检测结果之外的环境因素有关的信息执行特征值转换，或者它可以在不对检测结果执行特征值转换的情况下，对与环境因素有关的其他项信息执行特征值转换。
首先说明特征值转换单元131执行对病害发生历史的特征值转换的示例。需要注意的是，病害发生历史是与病原体因素有关的信息。例如，病害发生历史是病害发生的日期或病害的类型等被用户记录在其中的信息。特征值转换单元131从病害发生历史提取指示例如多少天前病害发生的信息，并且将该信息生成为特征值。
此外，该病害可以发生在给定时段期间。从而，该病害发生历史包括与农作物中发生病害的时段的长度有关的时段信息。特征值转换单元131可以将病害发生的时段生成为特征值。
此外，病害发生历史可以包括与病害发生的频率有关的信息。例如，估计感染风险在病害发生的频率逐渐增加时增加。因此，病害发生的频率充当用于估计感染风险的重要信息。然后，特征值转换单元131可以将病害发生的频率生成为如下形式的特征值：病害发生的天数/预定的天数。更具体地说，特征值转换单元131可以将病害发生的频率生成为如下形式的特征值：病害发生的天数/栽培的总天数。
此外，发病发生历史可以包括与如下长度有关的长度信息：从时间轴上的农作物中发生病害的时间点到估计单元133估计感染风险(稍后描述)的时间点为止的长度。例如，当该长度短时，可以估计感染风险较高，因此该信息可以充当用于估计感染风险的重要信息。特征值转换单元131然后可以从该长度信息将如下时段生成为特征值：从估计单元133估计感染风险的时间到来自农作物中的发病发生的时间点之中最短的时间点为止的时段。
下个例子将说明特征值转换单元131执行检测结果的特征值转换的示例，检测结果是通过各种类型的传感器(诸如传感器节点30中所提供的大气传感器或者土壤传感器)检测的。应当注意的是这些检测结果可以是与环境因素有关的信息。例如，特征值转换单元131获取与在预定时段中以时间序列获取的检测结果有关的数据的分布，并且输出与该分布有关的代表值作为特征值。
例如，该代表值可以是百分位值。例如，特征值转换单元131可以将预定时段中以时间序列获取的检测结果的时序数据以升序或降序重新安排，并且可以输出经重新安排的数据的预定百分位值。这样的特征值可以被用作针对感染估计模型的一项输入数据。
此外，例如各种类型的统计学代表值可以被用作该代表值，诸如最小值、最大值、平均值、众数、方差或标准差。被用作针对感染估计模型的输入数据的此类代表值可以根据用于确定感染风险估计的对象的参数的特性或者随时间变化的趋势而被适当地设置。
此外，对上文提到的时段(即获取检测结果的时序数据的时段)的设置没有特定限制。预定的时段可以是从执行特征值转换的时间点之前的若干天到特征值转换的时间点为止的时段，或者可以是从执行特征值转换的时间点之前的几个月到特征值转换的时间点为止的时段。该预定的时段可以根据病害感染行为或者发生行为、或化学药剂效能行为等而被适当地设置。
上面描述了通过传感器节点30中所提供的传感器检测到的数据的特征值转换的示例。接下来将描述与种植密度有关的信息的特征值转换的示例。需要注意的是，与种植密度有关的信息可以是与环境因素有关的信息。种植密度是衡量农作物拥挤程度的指标。例如，较高的种植密度通常会产生较高的湿度，并且会增加发生丝状真菌病害的风险。随着种植密度的增加，植物簇内更可能缺乏阳光或通风，这对植物生长和周围环境产生影响。因此，对种植密度进行分组对于估计感染风险非常重要。例如，特征值转换单元131通过对种植密度为2000-2200株植物/10a周围每±200株植物/10a的种植密度进行分类，来生成与种植密度有关的特征值。
与种植密度有关的信息可以是未修改的种植密度的信息，或者也可以是通过包括种植密度的信息的特征值转换所生成的特征值。
上文描述了特征值转换单元131生成特征值的例子。特征值转换单元131将生成的特征值输出到机器学习单元132。在该情况下，机器学习单元132在使用特征值作为输入数据的同时，生成或更新感染估计模型。此外，特征值转换单元131将生成的特征值输出到估计单元133。该情况下，估计单元133可以将特征值输入到感染估计模型，从感染估计模型输出估计结果，并且将估计结果传输到显示控制单元134。此外，所生成的特征值可以被存储在存储器单元120中。应当注意的是，已经历了特征值转换的各种类型的栽培信息也可以在不被执行特征值转换的情况下被机器学习单元132或估计单元133使用。
机器学习单元132基于预定的机器学习算法生成或更新感染估计模型。具体地，机器学习单元132使用被存储在存储器单元120中的三因素信息作为输入数据，并基于机器学习算法(以上操作在下文中也被简称为“机器学习”)生成或更新传染估计模型。应当注意的是，机器学习算法可以是能够被用于感染估计模型的机器学习的任何种类的现有机器学习算法。例如，机器学习算法可以是分类技术，诸如逻辑回归、支持向量机、随机森林或领域法，或者可以是采用神经网络或贝叶斯网络的计算算法。
具体地，机器学习单元132从存储器单元120获取包括由特征值转换单元131生成的特征值的三因素信息。需要注意的是，机器学习单元132可以从特征值转换单元131获取特征值。然后机器学习单元132通过使用所获取的三因素信息来生成传染估计模型。由机器学习单元132生成的传染估计模型被存储在存储器单元120中。
应当注意的是，传染估计模型可以针对每个栽培场地被生成。具体地，病害信息包括指示病害发生的栽培场地的信息，并且机器学习单元132基于与病害发生的栽培场地相对应的栽培信息生成传染估计模型。例如，机器学习单元132从存储器单元120获取与由病害信息指示的栽培场地有关的三因素信息。附加地，机器学习单元132通过使用所获取的三个因素在栽培场地生成与农作物有关的感染估计模型。
此外，机器学习单元132可以更新已被生成的感染估计模型。更具体地说，机器学习单元132从存储器单元120获取与三个因素有关的包括特征值的信息和现有的感染估计模型，并且从特征值转换单元131获取特征值。机器学习单元132使用所获取的信息作为输入数据，并基于机器学习算法更新现有的感染估计模型。估计单元133可以通过使用更新的感染估计模型，更准确的估计感染风险。应当注意的是，机器学习单元132更新感染估计模型的功能是第一机器学习单元的功能。
估计单元133对农作物中发生感染的风险进行估计。具体地，估计单元133基于感染估计模型对与农作物的感染有关的感染信息进行估计，该感染估计模型被使用以便估计农作物的感染信息并且该感染估计模型使用包括特征值的三因素信息作为输入数据，基于机器学习被生成。在该实施方式中，该感染信息是与农作物的感染的风险有关的信息。例如，该估计单元133从存储器单元120获取特定时间点的感染估计模型和三因素信息，并且将获取到的三因素信息输入给感染估计模型。然后，该估计单元133将指示感染发生的风险的信息传输给显示控制单元134，该信息是从感染估计模型输出的(以下也称为“估计结果”)
此外，该估计单元133也可以基于感染风险的过去估计结果来估计感染风险，该过去估计结果是基于感染估计模型所估计的。更具体地说，估计单元133可以在使用感染风险的过去估计结果作为输入数据的同时，基于感染估计模型来估计感染风险。这使得估计单元133能够更准确的估计感染风险。
此外，使用过去估计结果作为输入数据，估计单元133可以通过使用基于机器学习算法而被更新的感染估计模型来估计感染风险。更具体地，首先，机器学习单元132在使用由估计单元133估计的过去估计结果作为输入数据的同时，基于预定的机器学习算法来更新感染估计模型。估计单元133基于经更新的感染估计模型估计感染风险。因此，估计单元133可以使用基于过去估计结果而被更新的感染估计模型，并且因此可以以更好的准确度估计感染风险。应当注意的是，机器学习单元132的基于过去估计结果更新感染估计模型的功能是第二机器学习单元的功能。
显示控制单元134生成被显示在信息处理终端20上的信息。具体地，显示控制单元134生成显示信息用于在信息处理终端20显示与估计结果有关的信息。例如，请求信息(是请求对显示信息的传输的信息)从信息处理终端20被发送给信息处理设备10，并且该请求信息被通信单元110接收。此时，显示控制单元134基于请求信息，获取与所指定的栽培场地有关的、从请求信息所指定的时段的估计结果。然后，显示控制单元134通过处理所获得的估计结果生成显示信息，并将该生成的显示信息传输给通信单元110。此外，估计结果可以在不被处理的情况下同样地被传输。
与所显示的估计结果相对应的栽培信息还可以作为显示信息被添加。例如，显示控制单元134从存储器单元120获取栽培信息(气象信息或农药信息等)，该栽培信息是估计处理中的输入，所获取的估计结果是该估计处理的输出。然后，显示控制单元134通过处理所获取的栽培信息来生成显示信息，并将该生成的显示信息传输给通信单元110。应当注意的是，该栽培信息也可以在不被处理的情况下被传输给通信单元110。
[信息处理终端]
信息处理终端20具有如下功能：经由网络50向信息处理设备10发送根据用户操作所生成的信息的功能、以及根据由信息处理设备10执行的控制显示与农作物有关的各种信息的功能。信息处理终端20的这些功能是通过图2所示的输入单元210、控制单元220、通信单元230和显示单元240的协作实现的。
输入单元210接收关于信息处理终端20的操作。具体地，该输入单元210接收输入操作并且根据接收的操作生成各种类型的信息。所生成的各种类型的信息被发送到控制单元220。具体地，根据用户操作所生成的多项信息是病害信息、农药信息、农作物信息、栽培场地信息、以及请求信息。这些信息将在此更具体的描述。
病害信息是与农作物中发生的病害有关的信息。该病害信息包括指示发生的病害的类型的信息，例如灰霉菌、叶霉菌、粉状霉菌或枯萎病。应当注意的是，病害是微生物疾病、生理失调或由杂草引起的生理失调等。此外，病害信息包括指示疾病发生的日期或发生程度的信息。病害发生历史是通过将这些项病害信息进行适当的组合而生成的。该病害发生历史是指示农作物中已发生的病害的类型、病害发生的日期或时间等的信息。
应当注意的是图像获取设备可以安装在栽培场地31，并且该图像获取设备可以获取农作物的图像信息并且经由网络50将图像信息发送给信息处理设备10。通过分析图像信息，该信息处理设备10可以确定农作物中是否发生病害，并且可以生成病害发生历史。此外，农作物中已发生的病害可以基于间接的事实被估计，并且该病害发生历史可以基于所估计的信息而被生成。例如，如果用户(诸如在栽培场地31种植农作物的农民)患病了，病害可能是这种疾病发生的原因。然后，基于该患病可以估计农作物中正在发生病害。附加地，该病害发生历史可以基于该估计结果被生成。
农药信息是与已喷洒的农药有关的信息。更具体地，该农药信息是指示名称、类型、分组或影响、所喷洒农药的喷洒日期或喷洒量的信息。信息处理终端20基于已喷洒的农药的喷洒信息(诸如名称和喷洒日期等)估计农药的后效。此外，用户可以通过信息处理终端20输入农药分组，并且该信息处理终端20可以基于由用户输入的农药的名称等估计农药分组。应当注意的是，农药的后效和农药分组可以被包括在与宿主因素有关的信息中。
此外，该农药后效是指喷洒在农作物上的残留在农作物上的农药的效果。农药的后效可以基于该农药被喷洒的日期和所喷洒的农药的名称被计算。例如，农药的名称作为农药信息被用户输入到信息处理终端20。该信息经由网络50被发送到信息处理设备10。此处，农药的名称和与农药随时间变化的药效有关的信息被存储在信息处理设备10中。该信息处理设备10可以基于从信息处理终端20获取的农药的名称和与农药随时间变化的药效有关的信息计算农药的后效。
此外，该农药分组是指将具有后效的农药向与化合物分组有关的信息的转换。此处，信息处理设备10存储数据库，农药的名称与农药分组在该数据库中相关联。例如，信息处理设备10可以基于该数据库将从信息处理终端20获取的农药的名称转换为与农药分组有关的信息。
农作物信息是与生长在栽培场地31的农作物有关的信息。更具体地，该农作物信息是指示生长阶段、农作物的种类和品种、病害抵抗力、种植密度、根茎品种和特性、以及叶子的稀薄程度或活力等的信息。
与农作物的生长阶段有关的信息是与农作物的生长的阶段有关的信息，诸如播种日期、定植日期、农作物的收获开始日期或栽培结束日期等。这些项信息可以作为农作物信息由用户输入到信息处理终端20。
农作物的病害抵抗力是与农作物对各种类型的病害的抵抗力有关的特性。病害抵抗力可以由信息处理设备10基于用户输入的信息生成。例如，指示每种农作物对病害的抵抗力的数据库被预先存储在信息处理设备10中。例如，用户向信息处理终端20输入与农作物品种有关的信息作为农作物信息。该信息经由网络50被发送到信息处理设备10。信息处理设备10可以基于已被发送的信息和数据库，生成与农作物的病害抵抗力有关的信息。此外，病害抵抗力可以由用户直接输入到信息处理终端20，并且被发送到信息处理设备10。
此外，与根茎的特性有关的信息可以是指示哪个根茎品种被用于农作物的根茎的信息。更具体地，与根茎的特性有关的信息可以是指示根茎品种的名称或根茎品种的特性的信息。
栽培场地信息是指示栽培场地的海拔、气象特性，土壤类型或土壤营养状态等的信息。应当注意的是，栽培场地信息可以是与单个栽培场地有关的信息，或者它可以是与多个栽培场地有关的信息。这些项栽培场地信息可以被包括在与环境因素有关的信息中。
请求信息是指示向信息处理设备10请求显示信息的传输的信息。例如，输入画面通过显示单元240显示，并且通过用户操作输入画面，上述各种类型的信息被生成。
控制单元220控制信息处理终端20的整体操作。具体地，控制单元220控制通信单元230和显示单元240的操作。例如，控制单元220使通信单元230发送由输入单元210生成的信息。此外，控制单元220基于从信息处理设备10传输的显示信息生成图像信息，并且通过传输图像信息到显示单元240，使图像被显示。
通信单元230与信息处理设备10通信。具体地，通信单元230向信息处理设备10发送由输入单元210生成的农作物信息、栽培场地信息、病害信息、农药信息、以及请求信息。应当注意的是，信息处理终端20可以与传感器节点30或气象信息服务器40通信，并接收栽培场地观测信息或气象信息。
显示单元240在该实施方式中充当输出单元，基于来自控制单元220的指令显示图像。具体地，显示单元240基于从控制单元220传输的图像信息来显示信息显示画面和操作输入画面。例如，显示单元240显示病害发生历史画面、农药喷洒记录画面、病害发生信息画面或播种信息画面。这些画面将参考图4至图8更具体的描述。图4和图5是根据本发明的实施方式各自示出病害发生历史画面的示例的示图，该画面是显示在信息处理终端20上的。图6是根据本发明的实施方式示出农药喷洒记录画面的示例的示图，该画面显示在信息处理终端20上。图7是根据本发明的实施方式示出病害发生信息画面的示例的示图，该画面显示在信息处理终端20上。图8是根据本发明的实施方式示出了播种信息画面的示例的示图，该画面显示在信息处理终端20上。
(病害发生历史画面)
通过控制单元220，显示单元240基于用户输入的各种类型的信息和基于信息处理设备10的估计结果生成的图像信息，显示每个栽培场地的病害发生历史画面。更具体地，病害发生历史画面是诸如图4示出的画面img1，其显示病害的发生的历史、感染风险估计结果、以及与农药的喷洒有关的记录等。更具体地，病害发生历史画面img1从顶部依次显示：日期图像241a、估计结果图像242b、农药输入按钮243a、病害输入按钮244a、农药记录图像245a、以及病害记录图像246a。
日期图像241a显示病害发生历史画面img1在显示单元240上被显示的日期。例如，在图4所示的示例中，日期图像241a显示y1年m2月d5日作为日期。
估计结果图像242a依次从顶部显示针对不同日期(例如图4所示日期y1年m2月23-30日)的传染风险、有无发病(发生/不发生病害)、以及有无农药喷洒。估计结果画面242a中的感染风险行基于由信息处理设备10估计的估计结果以字符、图形或符号等形式被显示。例如，当感染风险高时，显示字符“H”，而当感染风险低时，显示字符“L”。在图4所示示例中，估计感染风险在y1年m2月23-30日是低。因此，字符“L”显示在对应于y1年m2月23-30日的感染风险行的字段中。
此外，在有无发病行中，例如，诸如叉号的标志指示发病在与农作物中发病的日子相对应的字段中显示。另一方面，对应于农作物中没有发病的日子的字段是空白。因此，在有无发病行中，对应于y1年m2月23-30日的字段是空白指示了在y1年m2月23-30日，农作物没有发病。由于农作物中没有发病，因此在y1年m2月23-30日的感染风险被估计为低。
此外，在农药喷洒行，例如，诸如圆圈的指示农药被喷洒的符号被显示在与农药喷洒的日期对应的字段中。此外，在农药喷洒行，与没有农药被喷洒的日子对应的字段是空白的。相应的，在农药喷洒行中对应于y1年m2月23-30日的字段是空白的，指示在y1年m2月23-30日没有农药被喷洒。
当农药输入按钮243a由用户操作时，显示在显示单元240的画面从图像img1切换到画面img3，画面img3是图6所示农药喷洒记录画面的示例。此外，当病害输入按钮244a由用户操作时，显示在显示单元240上的画面从图像img1切换到画面img4，画面img4是图7所示的病害发生信息画面的示例。
此外，画面img1显示农药记录图像245a或病害记录图像246a，其以时间序列示出了农药的喷洒的记录或发病的发生的记录。例如，农药记录图像245a显示如下图像，该图像指示在y1年m2月d9日喷洒了农药_B。此外，病害记录图像246a以时间序列显示病害_D、病害_E和病害_F发生的指示。
作为不同于上述画面img1的病害发生历史画面的示例，画面img2将参考图5在接下来描述。与画面img1一样，画面img2从顶部依次显示：日期图像241b、估计结果图像242b、农药输入按钮243b、病害输入按钮244b、农药记录图像245b和病害记录图像246b。这里将描述在画面img1和画面img2之间不同的估计结果图像242b。
在估计结果图像242b中，叉号标志指示了在与有无发病行的第23天和第24天对应的字段中显示有发病。信息处理设备10在第23天和第24天接收到发病的信息，并且估计在第25天和第26天感染风险高。因此在与第25天和第26天对应的感染风险行的字段中显示指示感染风险高的字符“H”。此外，与有无发病行中第25-29天对应的字段为空白，指示没有发病。信息处理设备10在第25-29天接收没有发病的信息，并且估计在第27-30天感染风险低。因此，在与第27-30天对应的感染风险行的字段中显示字符“L”。然而，第30天会显示一个指示发病的叉号标志。一旦农作物被感染，通常会有一个潜伏期，直到农作物发生病害。例如，在农作物感染后大约4-5天后，农作物中可能会发病。从图5所示的例子可以理解，信息处理设备10对感染风险的估计是正确的。也就是说，如由信息处理设备10估计的，农作物在第25或26天被感染，并且在感染的日子后4-5天在农作物中发病。
(农药喷洒记录画面)
显示单元240基于由控制单元220生成的图像信息来显示农药喷洒记录画面。例如，当用户记录已喷洒的农药时显示的如图6所示的画面img3充当农药喷洒记录画面。用户通过参考画面img3向信息处理终端20输入农药信息等。例如，农药被喷洒的日期被输入到画面img3的顶部所给出的日期框中。用户从农药框中所给出的6种农药_A-农药_F中选择被喷洒的农药的类型，并勾选复选框。在图6所示示例中，农药_A的复选框被勾选。与所喷洒农药等有关的注释被录入到农药框下显示的另一框中。
当保存按钮被操作时，与所喷洒农药有关的农药的喷洒日期、所喷洒农药的类型(例如图6所示农药_A)以及注释等被录入到画面img3中的信息，作为农药信息被输入到信息处理终端20中。被输入到信息处理终端20的信息经由网络50被发送给信息处理设备10，并且被存储在信息处理设备10。
应当注意的是，虽然农药的类型被录入图6所示的农药框中，但这不是限制性的，名称、农药的分组或影响、或所喷洒农药的量等可以同样地被公开在农药框。此外，虽然图6所示的农药框中给出了6个类型的农药，但可以给出1至5个类型的农药，或者也可以给出7个或更多个类型的农药。
(病害发生信息画面)
显示单元240基于由控制单元220生成的图像信息，显示病害发生信息画面。例如，如图7所示的用于记录农作物中发生的病害的画面img4充当病害发生信息画面。例如病害发生的日期被输入到画面img4顶部给定的日期框中。用户从病害框中所显示的6个类型的病害_A-病害_F中选择发生的病害类型，并勾选复选框。在图7所示示例中，农药_C的复选框被勾选。另外，与病害程度等有关的注释被录入到另一框中。
当保存按钮被操作时，病害发生的日期、病害的类型和注释等被录入到画面img4中的信息作为病害信息被输入到信息处理终端20。输入信息经由网络50被发送到信息处理设备10，并被存储在信息处理设备10中。
应当注意的是，在图7所示的病害框中给出了6个类型的病害，但可以给出1至5个类型的病害，或者也可以给出7个或更多个类型的病害。备选地，在病害发生信息画面上可以显示用于输入病害程度的图像。
(播种信息画面)
显示单元240基于由控制单元220生成的图像信息显示播种信息画面。如图8所示的画面img5，例如，用于记录本期的播种信息作为播种信息画面。画面img5从顶部依次显示用于输入的框：农作物名称、品种、种植密度、栽培方法、播种开始日、收获开始日和收获结束日。在农作物名称框中录入农作物_A作为农作物的种类。此外，XXXX株/10a被输入到种植密度框作为农作物的种植密度。此外，栽培方法_A(例如滴灌等)被输入到栽培方法框中。附加地，在播种开始日、收获开始日和收获结束日的每个框中录入相对应的日期。
当用户操作画面img5上的保存按钮时，在画面img5上录入的信息被输入到信息处理终端20作为农作物信息。输入信息经由网络50被发送到信息处理设备10，并存储在信息处理设备10中。
应当注意的是，播种信息画面同样可以作为除了画面img5上显示的项之外的能够输入项的画面。例如，播种信息画面还可以显示针对如下条目的项：诸如播种日期、定植日期、栽培结束日期、根茎的品种或根茎的特性等。用户可以录入与这些项相对应的信息，当用户按下保存按钮时，例如，所录入的信息可以经由网络50被发送到信息处理设备10，并存储在信息处理设备10中。
应当注意的是，通过使用病害发生历史画面、农药喷洒记录画面、病害发生信息画面和播种信息画面而被记录的信息被存储在信息处理设备10中。这不是限制性的，并且信息处理终端20同样可以存储使用上述画面所录入的信息。
[传感器节点]
传感器节点30被安装在农作物栽培场地31。此外，该传感器节点30包括信号处理单元与通信单元。传感器通过执行涉及传感器周围环境的观测来生成信号。例如，该传感器是各种类型的已知传感器，例如温度传感器、湿度传感器、太阳辐射传感器、二氧化碳浓度传感器、或土壤湿度传感器。土壤湿度传感器是检测与土壤有关的信息的传感器，例如土壤湿度传感器或土壤pH值传感器。此外，用于生成环境因素信息的传感器可以是诸如太阳辐射传感器或湿度传感器的传感器。
信号处理单元基于传感器所生成的信号生成栽培场地观测信息。具体地，该信号处理单元通过执行信号处理(诸如对从传感器所获得的信号采样或滤波)来生成栽培场地观测信息。应当注意的是，所生成的栽培场地观测信息可以是数字数据或模拟数据。
通信单元与信息处理设备10通信。具体地，该通信单元经由网络50向信息处理设备10发送由信号处理单元生成的栽培场地观测信息。应当注意的是，通信单元可以在每次信息被生成时发送栽培场地观测信息，或者可以按预定的时间间隔发送栽培场地观测信息。另外，通信单元可以根据来自信息处理设备的请求发送栽培场地观测信息。
此外，传感器节点30可以发送与农作物的孢子的数目有关的信息，农作物的孢子的数目是由栽培场地31处设置的孢子计数器所测量的。更具体地，该传感器节点30将与所测量的孢子的数目有关的信息作为栽培场地观测信息经由网络50向信息处理设备10发送。
[气象信息服务器]
气象信息服务器40向外部设备传输气象信息。具体地，当信息处理设备10请求传输气象信息时，该气象信息服务器40将所请求的气象信息发送到信息处理设备10。例如，气象信息是指示空气温度、湿度、太阳辐射量或降雨的信息。这些项气象信息可以是与三个因素之中的环境因素有关的信息。
<2.2系统处理>
信息处理系统1的处理将在接下来描述。
(整体处理)
首先参考图9描述根据本发明实施方式的信息处理系统1中的整体处理的流程。图9示意性示出根据本发明的一个实施方式的信息处理系统1中的整体处理的流程的示例。
首先，信息处理终端20将农作物信息、栽培场地信息、病害信息、以及农药信息发送到信息处理设备10(步骤S101)。具体地，通信单元230将由输入单元210基于用户操作生成的农作物信息、栽培场地信息、病害信息以及农药信息发送给信息处理设备10。
然后，传感器节点30发送栽培场地观测信息到信息处理设备10(步骤S102)。具体地，该传感器节点30将基于通过传感器所获得的信号而生成的栽培场地观测信息发送给信息处理设备10。
气象信息服务器40发送气象信息到信息处理设备10(步骤S103)。具体地，该气象信息服务器40生成气象信息或者从另一设备获取气象信息。气象信息服务器40周期性地或根据来自信息处理设备10的请求将气象信息发送给信息处理设备10。
然后，信息处理设备10通过使用接收到的信息执行感染估计模型的更新处理(步骤S104)。具体地，通信单元110使存储器单元120存储从信息处理终端20、传感器节点30和气象信息服务器40发送的栽培场地信息。然后，机器学习单元132通过使用所存储的栽培信息来更新感染估计模型。应当注意的是，该处理的细节将参考图10在之后描述。
然后，信息处理设备10通过使用感染估计模型执行对于感染风险的估计(步骤S105)。具体地，估计单元133输入包括特征值的三因素信息到感染估计模型。更具体地，估计单元133向感染估计模型输入三因素信息，三因素信息包括由特征值转换单元131生成的特征值。估计单元133使存储器单元120存储感染估计模型输出的估计结果。应当注意的是，该处理的细节将参考图11在之后描述。
然后，信息处理终端20发送对风险估计结果的请求信息到信息处理设备10(步骤S106)。具体地，通信单元230发送关于与感染风险估计结果有关的显示信息的请求信息到信息处理设备10，该请求信息是由输入单元210基于用户操作生成的。
然后，信息处理设备10响应于接受到的请求信息而发送显示信息到信息处理终端20(步骤S107)。具体地，当请求信息被通信单元110接收时，显示控制单元134基于被存储在存储器单元120中的估计结果生成显示信息。显示控制单元134使图像单元110发送生成的显示信息到信息处理终端20。
信息处理终端20基于接收到的显示信息显示感染风险估计信息(步骤S108)。具体地，控制单元220从由通信单元230接收到的显示信息生成图像信息，并且传输所生成的图像信息到显示单元240。显示单元240基于所传输的图像信息显示估计结果画面。该估计结果画面可以是用于显示感染风险的级别的画面，如图4或图5所示。
(机器学习处理)
根据本发明实施方式的信息处理系统1中的整体处理的流程已在上面描述。由信息处理设备10执行的更新处理的流程将在接下来详细描述，该更新处理步骤S104中的处理。图10是示意性示出由根据本发明的一个实施方式的信息处理设备10执行的更新处理的示例的流程图。
信息处理设备10获取三因素信息(步骤S201)。具体地，特征值转换单元131获取包括被存储在存储器单元120的三因素信息的栽培信息。此外，机器学习单元132还根据需要获取包括被存储在存储器单元120中的三因素信息的栽培信息。
此外，信息处理设备10通过对三因素信息中的至少任一项信息执行特征值转换来生成特征值，并且输出所生成的特征值(步骤S202)。具体地，特征值转换单元131通过对三因素信息中的至少任一项信息执行特征值转换生成特征值，该至少任一项信息被包括在所获取的栽培信息中，并且输出所生成的特征值到机器学习单元132。此时，特征值转换单元131可以在存储器单元120中存储生成的特征值。
此外，信息处理设备10获取现有的感染估计模型(步骤S203)。具体地，机器学习单元132获取存储在存储器单元120中的感染估计模型。
然后，信息处理设备10使用包括特征值的三因素信息更新感染估计模型(步骤S204)。具体地，机器学习单元132获取存储在存储器单元120中的机器学习算法。该机器学习单元132在使用包括特征值的三因素信息作为输入数据的同时，基于获取的机器学习算法更新感染估计模型。应当注意的是，该输入数据可以是仅包括由特征值转换单元131生成的特征值的信息，或者该输入数据可以是与还未经过特征值转换的三因素信息相结合的特征值所在的信息。
然后，信息处理设备10计算经更新的感染估计模型的正确性(步骤S205)。具体地，机器学习单元132输入测试输入数据到在步骤S204中被更新的感染估计模型，并且通过比较输出值与测试输出数据来计算该模型的准确性。该测试输入数据可以是仅包括由特征值转换单元131生成的特征的信息，或者该测试输入数据也可以是与还未经过特征值转换的三因素信息相结合的特征值所在的信息。
然后，机器学习单元132确定步骤S205中计算出的计算值是否等于或大于预定的阈值，该阈值是预先定义的(步骤S206)。如果该计算出的值等于或大于该阈值(步骤S206/是)，则该信息处理设备10存储经更新的感染估计模型(步骤S207)。具体地，当计算出的准确性等于或大于阈值时，机器学习单元132使存储器单元120存储新的感染估计模型。应当注意的是，如果计算出的值小于阈值(步骤S206/否)，该处理会再次在步骤S204中执行。
(估计处理)
由信息处理设备10执行的估计处理的流程将在接下来参考图11详细描述。图11是示意性示出根据本发明的一个实施方式的信息处理设备10中的估计处理的示例的流程图。
信息处理设备10设置关于与感染风险估计的对象有关的参数(步骤S301)。具体地，该估计单元133设置诸如栽培场地、农作物名称、病害名称以及估计时段的参数。应当注意的是，所设置的参数同样可以是上述参数之外的参数，并且可以添加不同于上述参数的参数，或者省略以上提到的参数。
然后，信息处理设备10从参数获取特定时段中的栽培信息(步骤S302)。具体地，估计单元133获取所设置的估计时段中的对应于设置栽培场地、农作物名称以及病害名称的栽培信息。
然后，信息处理设备10通过执行三因素信息中的至少任一项信息的特征值转换来生成特征值，并输出生成的特征值(步骤S303)。具体地，特征值转换单元131获取包括来自存储器单元120的三因素信息的栽培信息。该特征值转换单元131通过执行三因素信息中的至少任一项信息的特征值转换来生成特征值，该至少任一项信息包括在获取的栽培信息中，并且输出生成的特征值到估计单元133。
然后，信息处理设备10获取感染估计模型(步骤S304)。具体地，该估计单元133获取存储在存储器单元120的感染估计模型。此外，估计单元133根据需要从存储器单元120获取包括用于估计感染风险的三因素信息的栽培信息。
然后，信息处理设备10基于感染估计模型生成感染风险估计信息(步骤S305)。具体地，估计单元133使用与三个因素有关的包括由特征值转换单元131生成的特征值的信息作为输入数据，并输入该输入数据到感染估计模型，以从感染估计模型获得感染风险估计结果。该估计结果充当感染风险估计信息。应当注意的是，该输入数据可以是仅包括特征值的信息，或者可以是与还未经过特征值转换的三因素信息相结合的特征值所在的信息。
然后，信息处理设备10存储所生成的感染风险估计信息(步骤S306)。具体地，估计单元133使存储器单元120存储所生成的估计信息。
<2.3.本发明实施方式的概要>
根据本发明实施方式，信息处理设备10通过对与农作物中发病的三个因素中的每个因素有关的多项信息中的至少任一项信息执行特征值转换来生成特征值，三个因素即病原体因素、宿主因素和环境因素。附加地，信息处理设备10基于感染估计模型来估计农作物的感染风险，感染估计模型被使用以便估计农作物的感染风险，并且感染估计模型使用与三个因素有关的包括特征值的信息作为输入数据，基于机器学习算法而被生成。因此，该信息处理设备10基于更合适的栽培信息(即与三个因素有关的信息)估计农作物的感染风险，并且因此能够以更高的准确度估计感染风险。
此外，迄今为止很难收集与病害中的三个因素有关的信息并且利用该信息估计病害。此外，虽然病害的发生是由于三个因素之中的大量元素，但难以获取全部这些大量元素。例如，当感染风险通过使用仅由传感器数据所获取的信息被估计时，对估计的准确性的改进受到限制。此外，如果所收集的各种类型的数据中存在无尽的的增长，这需要运行成本，诸如记录信息的记录介质和用于预测感染风险的算法处理设备等。
同时，人工智能(AI)技术的最新进展使得使用大量元素执行分析成为可能。此外，随着智能手机等通信终端的普及，用户能够更容易地向通信终端输入包含与上述三个因素有关的信息等的栽培信息。
在该实施方式中，用户U1输入栽培信息到信息处理终端20，并且信息处理设备10通过使用基于机器学习算法生成的感染估计模型来使用该栽培信息估计感染风险。这不仅可以提高估计感染风险的准确性，而且可以通过更简单且成本更低的方法来估计感染风险。
此外，机器学习单元132根据本实施方式更新基于机器学习算法的感染估计模型，同时使用与三个因素有关的包括特征值的信息作为输入数据。此外，该估计单元133基于更新的感染估计模型估计农作物的感染风险。换句话说，根据本实施方式，感染估计模型被自动更新为更准确的感染估计模型。结果，可以使信息处理设备10自主更新感染估计模型。这使得可以减少改进感染估计模型所涉及的时间和成本，而无需任何直接的人工干预来改进模型。因此，可以在降低成本的同时提高估计感染风险的正确性。
此外，根据本实施方式的与病原体因素有关的信息包括与农作物中病害发生历史有关信息。该历史信息是估计感染风险的非常重要的信息。更具体地，该历史信息包括农作物中实际发生的病害的类型和发病的日期等，因此该历史信息与农作物的感染密切相关。因此，信息处理设备10能够通过基于历史信息估计感染风险来更准确的估计感染风险。
此外，根据本实施方式的历史信息包括与农作物中发生病害的时段的长度有关的时段信息。该时段信息是估计感染风险的重要的信息。例如，当病害发生了较长时段的时间时，感染风险被估计为高。因此，通过使用时段信息，可以更准确地估计感染风险。
此外，与病害发生历史有关的信息也可以包括与农作物中病害发生的频率有关的频率信息。频率信息可以充当估计感染风险的重要信息。例如，当病害发生的频率为高时，感染风险可能被估计为高。此外，当病害发生的频率逐渐增加时，可以估计到感染风险为高。因此，该感染风险可以通过使用与农作物中病害发生的频率有关的信息来更准确地被估计。
与病害发生历史有关的信息也可以包括与如下长度有关的长度信息：从时间轴上的农作物中发生病害的时间点到估计单元估计感染信息的时间点为止的长度。该长度信息可以充当估计感染风险的重要信息。例如，当从病害发病到感染风险被估计为止的时段较短时，感染风险可以被估计为较高。因此，通过使用长度信息，该感染风险可以更准确地被估计。
此外，与宿主因素有关的信息包括与农作物对病害的抵抗力有关的信息，并且与环境因素有关的信息可以包括与农作物在其中被栽培的空间的湿度或温度中至少一项有关的信息。这些项信息是估计感染风险的重要信息。农作物对病害的抵抗力是宿主因素之中对感染具有较大影响的特性。此外，湿度和温度是环境因素之中对感染具有较大影响的指标。因此，通过使用这些项信息项，感染风险可以更准确地被估计。
估计单元133可以基于感染风险的过去估计结果估计农作物的感染风险，过去估计结果是基于感染估计模型被估计的。例如，估计单元133可以通过使用感染风险的过去估计结果和被用于估计感染风险的栽培信息等基于感染估计模型来估计感染风险。因此，通过使用感染风险的过去估计结果，感染风险可以更准确地被估计。
机器学习单元132可以在使用过去估计结果作为输入数据的同时，基于机器学习算法来更新感染估计模型。基于过去估计结果的感染估计模型可以通过该方法被生成。过去估计结果反映在该感染估计模型中，所以估计单元133可以通过使用该感染估计模型来更准确地估计感染风险。
<3.根据本发明实施方式的信息处理设备的软件配置>
本发明实施方式在上文被描述。上述信息处理设备10中的处理通过将在下文描述的信息处理设备10的软件与硬件的协作而被执行。
图12是示出根据本发明的一个实施方式的信息处理设备10的硬件配置的说明图。如图12所示，该信息处理设备10包括：处理器141、存储器142、内部总线143、接口144、输入设备145、输出设备146、存储设备147、连接端口148以及通信模块149。
(处理器)
处理器144充当算法处理设备与控制设备，并且通过与各种类型的程序的协作实现处理器单元130的功能(特征值转换单元131、机器学习单元132、估计单元133、显示控制单元134)。该处理器141通过实施被存储在另一存储介质(诸如存储器142或存储设备147)中的程序，来使用控制电路装置操作信息处理设备10的各种逻辑功能。例如，处理器141可以是中央处理单元(CPU)或图形处理单元(GPU)。此外，处理器141可以是微处理器。
(存储器)
存储器142存储由处理器141使用的程序或计算参数等，并且实现存储器单元120的功能。例如，存储器142包括随机存取存储器(RAM)和只读存储器(ROM)，并且临时存储用于由处理器141实施的程序或在实现期间适当变化的参数等。应当注意的是，外部存储设备也可以被用作存储器142的一部分，该外部存储设备经由连接端口148或通信模块149被连接。
应当注意的是，处理器141和存储器142通过包括CPU总线等的内部总线143而互相连接。此外，接口144连接内部总线143、输入设备145、输出设备146、存储设备147、连接端口148以及通信模块149。
(输入设备)
输入设备145包括用于信息的输入的输入装置、以及输入控制电路，输入控制电路基于输入生成输入信号并且向CPU 131输出该输入信号，输入设备145实现操作单元的功能。例如，输入装置可以是按钮、开关、控制杆或麦克风等。各种类型的数据是向信息处理设备10的输入，并且处理操作被输入设备145的操作指示(instruct)。
(输出设备)
输出设备146基于输出信号输出声音或光等，并且实现输出单元的功能。例如，输出设备146包括声音输出设备(诸如扬声器或耳机)以及显示设备(诸如采用发光二极管(LED)的灯等、液晶显示设备(LCD)、有机发光二极管(OLED)设备和投影仪设备等)。
(存储设备)
存储设备147是用于数据存储的设备。存储设备147可以包括用于在记录介质上记录数据的记录设备、用于从记录介质读取数据的读取设备、以及用于擦除记录在记录介质上的数据的擦除设备等。存储设备147存储由CPU 131实施的程序和各种类型的数据。
(连接端口)
连接端口148是用于将装备直接连接到信息处理设备10的端口。例如，连接端口148可以是通用串行总线(USB)端口、IEEE 1394端口、RS-232C端口或高清多媒体接口(HDMI(注册商标))端口等。通过连接外部装备到连接端口148，数据可以在信息处理设备10和外部装备之间交换。
(通信设备)
通信模块149是用于连接到网络的通信设备，并且实现通信单元110的功能。例如，通信模块149可以是兼容无线局域网(LAN)的通信设备，或者可以是兼容3G或LTE的通信设备。此外，通信模块149可以是用于执行有线通信的有线通信兼容设备。
<4.补充>
以上参照附图详细描述了本发明的优选实施方式，但本发明不限于该实施例。具有本发明所属技术领域的普通知识的人显然能够想到在权利要求所公开的技术概念的范围内的各种修改示例或修改示例，并且任何这样的修改或修改示例自然应该被理解属于本发明的技术范围。
例如，在上述实施方式中，信息处理设备10基于栽培信息估计作为感染信息的感染风险。这不是限制性的，并且该信息处理设备10可以同样地基于栽培信息估计与农作物中病害的发生有关的信息作为感染信息。更具体地，信息处理设备10可以估计农作物中病害发生的日期或概率、或这样的病害的类型等。
此外，上述实施方式中由输入单元210生成的所描述的信息同样可以在没有用户的操作的情况下被自动生成。例如，病害信息通过使用从传感器(例如图像传感器和湿度传感器)获取的信息而被生成。
此外，上述实施方式中描述的多项信息可以是定量信息或定性信息。
此外，在上述实施方式中图8至图11的流程图所指示的步骤中，按所述顺序按时间序列执行的处理当然不一定必须按时间序列执行，也包括并行或单独执行的处理。此外，还不言而喻的是，时间序列中处理的步骤顺序也可以适当修改，视情况而定。
例如，在上述实施方式中，信息处理终端20、传感器节点30以及气象信息服务器40按照步骤S101至步骤S103的顺序发送各种类型的信息到信息处理设备10。当然，这不是限制性的，并且信息处理终端20、传感器节点30以及气象信息服务器40发送各种类型信息的顺序可以适当的交换。此外，信息处理终端20、传感器节点30以及气象信息服务器40也可以根据需要多次发送各种类型的信息。此外，上述实施方式描述了在来自信息处理终端20的请求信息被发送给信息处理设备10之前通过信息处理设备10实施估计处理的示例。这不是限制性的，并且估计处理同样可以根据信息传输的请求来实现。
此外，上述实施方式描述了将估计结果呈现给用户的示例，但是同样可以向用户提供基于估计结果的通知。例如，信息处理设备10根据计算出的感染风险的大小，向信息处理终端20发送指示存在感染风险的警报信息。在接收到该警报信息时，信息处理终端20通过使用声音或振动等将警报信息的接收通知给用户，并显示指示存在感染风险的图像。
此外，由气象信息服务器40获取的气象信息可以同样地被用于估计感染风险或更新感染估计模型等。例如，气象信息包括预测未来的气象信息。估计单元133可以通过使用所预测的气象信息来估计未来的所预测的感染风险。
此外，根据该实施方式的估计单元133基于感染估计模型估计两个级别(高级别或低级别)的感染风险。这不限于此，估计单元133同样可以基于感染估计模型估计三个或更多个级别的感染风险，或者可以通过使用数值等执行估计。
此外，根据本实施方式的信息处理终端20通过显示单元240将感染信息估计结果作为图像输出。这不是限制性的，并且信息处理终端20同样可以将感染信息估计结果输出为声音。在这种情况下，信息处理终端20包括作为输出单元的用于将感染信息估计结果输出为语音的语音输出设备。
此外，还可以通过计算机程序来执行操作，以使内置于信息处理设备10中的硬件展示与信息处理设备10的上述功能配置等效的功能。此外，存储该计算机程序的存储器介质也被传输。
符号说明
10…信息处理设备
110…通信单元
120…存储器单元
130…处理单元
131…特征值转换单元
132…机器学习单元
133…估计单元
134…显示控制单元
20…信息处理终端
210…输入单元
220…控制单元
230…通信单元
240…显示单元
30…传感器节点
40…气象信息服务器

Claims (10)

1.一种信息处理设备(10)，包括：
特征值转换单元(131)，用于通过对与农作物中发病的三个因素中的每个因素有关的多项信息之中的至少任一项信息执行特征值转换，来生成特征值，所述三个因素即病原体因素、宿主因素和环境因素；以及
估计单元(133)，用于基于感染估计模型来估计与所述农作物的感染有关的感染信息，所述感染估计模型被使用以便估计所述农作物的所述感染信息，并且所述感染估计模型使用与所述三个因素有关的包括所述特征值的所述信息作为输入数据，基于机器学习算法而被生成。
2.根据权利要求1所述的信息处理设备(10)，还包括第一机器学习单元(132)，所述第一机器学习单元使用与所述三个因素有关的包括所述特征值的所述信息作为输入数据，并且基于所述机器学习算法来更新所述感染估计模型，
其中所述估计单元(133)基于经更新的所述感染估计模型来估计所述感染信息。
3.根据权利要求1或2所述的信息处理设备(10)，其中与所述病原体因素有关的所述信息包括与所述农作物中的病害的发生历史有关的信息。
4.根据权利要求3所述的信息处理设备(10)，其中与病害的发生历史有关的所述信息包括与病害已经在所述农作物中发生的时段有关的时段信息。
5.根据权利要求3或4所述的信息处理设备(10)，其中与病害的发生历史有关的所述信息包括与所述农作物中病害发生的频率有关的频率信息。
6.根据权利要求3至5中任一项所述的信息处理设备(10)，其中与病害的发生历史有关的所述信息包括与如下长度有关的长度信息：从时间轴上的所述农作物中病害发生的时间点到所述估计单元(133)估计所述感染信息的时间点为止的长度。
7.根据权利要求1至6中任一项所述的信息处理设备(10)，其中与所述宿主因素有关的所述信息包括与所述农作物对病害的抵抗力有关的信息，并且
与所述环境因素有关的信息包括与所述农作物在其中被栽培的空间中的湿度或者温度中的至少任一项有关的信息。
8.根据权利要求1至7中任一项所述的信息处理设备(10)，其中所述估计单元(133)基于所述感染信息的过去估计结果来估计所述感染信息，所述感染信息的所述过去估计结果是基于所述感染估计模型而被估计的。
9.根据权利要求8所述的信息处理设备(10)，还包括第二机器学习单元(132)，所述第二机器学习单元使用所述过去估计结果作为输入数据，并且基于所述机器学习算法来更新所述感染估计模型，
其中所述估计单元(133)基于经更新的所述感染估计模型来估计所述感染信息。
10.一种信息处理系统(1)，包括：
输入单元(210)，所述输入单元接收与关于农作物中发病的病原体因素、宿主因素和环境因素中的每个因素有关的信息作为输入；
特征值转换单元(131)，用于通过对与农作物中发病的三个因素中的每个因素有关的多项信息之中的至少任一项信息执行特征值转换，来生成特征值，所述三个因素即所述病原体因素、宿主因素和环境因素；
估计单元(133)，用于基于感染估计模型来估计与所述农作物的感染有关的感染信息，所述感染估计模型被使用以便估计所述感染信息，并且所述感染估计模型使用与所述三个因素有关的包括所述特征值的所述信息作为输入数据，基于机器学习算法而被生成；以及
输出单元(240)，用于输出由所述估计单元(133)估计的结果。
CN201980086614.7A 2018-12-27 2019-10-10 信息处理设备和信息处理系统 Pending CN113329617A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018243832 2018-12-27
JP2018-243832 2018-12-27
PCT/JP2019/039928 WO2020137085A1 (ja) 2018-12-27 2019-10-10 情報処理装置及び情報処理システム

Publications (1)

Publication Number Publication Date
CN113329617A true CN113329617A (zh) 2021-08-31

Family

ID=71126246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980086614.7A Pending CN113329617A (zh) 2018-12-27 2019-10-10 信息处理设备和信息处理系统

Country Status (8)

Country Link
US (1) US20220076014A1 (zh)
EP (1) EP3903566A4 (zh)
JP (1) JPWO2020137085A1 (zh)
KR (1) KR20210109575A (zh)
CN (1) CN113329617A (zh)
AU (1) AU2019415077A1 (zh)
BR (1) BR112021011955A2 (zh)
WO (1) WO2020137085A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2022216767A1 (en) * 2021-02-03 2023-08-10 Bayer Aktiengesellschaft Prediction of residues of plant protection agents in harvested products
JP7416025B2 (ja) * 2021-07-30 2024-01-17 横河電機株式会社 栽培支援システム、栽培支援方法、及びプログラム
KR20230052324A (ko) * 2021-10-12 2023-04-20 농업회사법인주식회사지인 인공지능 기반 작물 병충해 판별 시스템
JP2023094673A (ja) * 2021-12-24 2023-07-06 東洋製罐グループホールディングス株式会社 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107450449A (zh) * 2017-09-14 2017-12-08 广东工业大学 一种农业监控系统
CN109643431A (zh) * 2016-09-07 2019-04-16 博世株式会社 信息处理装置和信息处理系统
CN110651157A (zh) * 2017-03-27 2020-01-03 博世株式会社 信息处理装置和信息处理方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002305971A (ja) 2001-04-06 2002-10-22 Kawasaki Kiko Co Ltd 病害発生予察方法及びそのシステム
JP2004185222A (ja) * 2002-12-02 2004-07-02 Osaka Gas Co Ltd 植物病害防除用微生物資材提案システム
US20110020785A1 (en) * 2007-07-26 2011-01-27 T2 Biosystems, Inc. Diagnostic Information Generation and Use
JP6237210B2 (ja) * 2013-12-20 2017-11-29 大日本印刷株式会社 病害虫発生推定装置及びプログラム
ZA201501916B (en) * 2014-12-11 2016-08-31 Tata Consultancy Services Ltd Method and system for classifying plant disease through crowdsourcing using a mobile communiacation device
US9792557B2 (en) * 2015-01-14 2017-10-17 Accenture Global Services Limited Precision agriculture system
US9563852B1 (en) * 2016-06-21 2017-02-07 Iteris, Inc. Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data
EP3287007A1 (de) * 2016-08-24 2018-02-28 Bayer CropScience AG Bekämpfung von schadorganismen auf basis der vorhersage von befallsrisiken
US10509378B2 (en) * 2016-11-07 2019-12-17 FarmX Inc. Systems and methods for soil modeling and automatic irrigation control
US10699185B2 (en) * 2017-01-26 2020-06-30 The Climate Corporation Crop yield estimation using agronomic neural network
US20220270252A1 (en) * 2022-03-02 2022-08-25 Nuzhat Faiz Shaikh Automated System And Method For Detecting Plant Disease And Providing Disease Treatment Solution

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109643431A (zh) * 2016-09-07 2019-04-16 博世株式会社 信息处理装置和信息处理系统
CN110651157A (zh) * 2017-03-27 2020-01-03 博世株式会社 信息处理装置和信息处理方法
CN107450449A (zh) * 2017-09-14 2017-12-08 广东工业大学 一种农业监控系统

Also Published As

Publication number Publication date
AU2019415077A1 (en) 2021-06-24
US20220076014A1 (en) 2022-03-10
JPWO2020137085A1 (ja) 2021-11-11
KR20210109575A (ko) 2021-09-06
WO2020137085A1 (ja) 2020-07-02
EP3903566A4 (en) 2022-10-19
EP3903566A1 (en) 2021-11-03
BR112021011955A2 (pt) 2021-09-08

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
Kukar et al. AgroDSS: A decision support system for agriculture and farming
CN113329617A (zh) 信息处理设备和信息处理系统
AU2015394080B2 (en) Farm field management apparatus, farm field management method, and storage medium
EP3482630B1 (en) Method, system and computer program for performing a pest forecast
KR20220159400A (ko) 하위-농장 수준에서 작물 병해충 위험 및/또는 작물 질병 위험 추정
EP2890232A2 (en) Targeted agricultural recommendation system
JP5525555B2 (ja) 栽培支援装置、栽培支援システム、栽培支援方法及びプログラム
EP3422280A1 (en) A method for forecasting the parameters of a phenomenon or the activities of an object, particularly animate, in a given geographic area
CN113544714A (zh) 农作物的收获量预测程序、栽培环境判别程序
CN112400184A (zh) 信息处理装置、信息处理系统以及程序
JP2021128756A (ja) 先物取引情報表示プログラム
Confalonieri CoSMo: A simple approach for reproducing plant community dynamics using a single instance of generic crop simulators
CN114550848A (zh) 作物病害处理方法、装置、电子设备及计算机可读介质
WO2022094698A1 (en) Advanced crop manager for crops stress mitigation
Nagrare et al. Potential risk of establishment and survival of cotton aphid Aphis gossypii in India based on simulation of temperature-dependent phenology model
CN116579521B (zh) 产量预测时间窗口确定方法、装置、设备及可读存储介质
CN113010529A (zh) 基于知识图谱的作物管理方法和装置
WO2021219486A1 (en) Systems and methods for monitoring pollination activity
WO2023157687A1 (ja) 情報処理装置、情報処理方法、及び、プログラム
US11610157B1 (en) Machine learning methods and systems for characterizing corn growth efficiency
Togami et al. Field and weather monitoring with youths as sensors for agricultural decision support
Kulkarni Automatic agriculture crop yield production maintenance system based on remote monitoring techniques in cloud environment
US20230074663A1 (en) Auditing task performance
Friesland et al. Simulation models of plant pests and diseases

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

Application publication date: 20210831

RJ01 Rejection of invention patent application after publication