CN113544714A - 农作物的收获量预测程序、栽培环境判别程序 - Google Patents
农作物的收获量预测程序、栽培环境判别程序 Download PDFInfo
- Publication number
- CN113544714A CN113544714A CN202080019395.3A CN202080019395A CN113544714A CN 113544714 A CN113544714 A CN 113544714A CN 202080019395 A CN202080019395 A CN 202080019395A CN 113544714 A CN113544714 A CN 113544714A
- Authority
- CN
- China
- Prior art keywords
- crop
- information
- degree
- association
- data
- 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.)
- Withdrawn
Links
- 238000003306 harvesting Methods 0.000 claims abstract description 84
- 239000002689 soil Substances 0.000 claims abstract description 80
- 238000003384 imaging method Methods 0.000 claims abstract description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 23
- 241000607479 Yersinia pestis Species 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 5
- 241000238631 Hexapoda Species 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 29
- 238000000034 method Methods 0.000 description 27
- 239000003337 fertilizer Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000005856 abnormality Effects 0.000 description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 244000038559 crop plants Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 239000003905 agrochemical Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000035929 gnawing Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Environmental Sciences (AREA)
- Forests & Forestry (AREA)
- Botany (AREA)
- Mining & Mineral Resources (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
在预测农作物的收获量的农作物的收获量预测程序中,其特征在于,使计算机执行以下步骤:关联度取得步骤,预先取得具有拍摄培育中的农作物得到的参照用图像信息和与种植该农作物的土壤有关的参照用土壤信息的组合与针对该组合的收获上述培育中的农作物时的收获量之间的3个阶段以上的关联度;信息取得步骤,在新预测农作物的收获量时,通过新拍摄培育中的农作物的图像而取得图像信息,并且取得与种植该农作物的土壤有关的土壤信息;以及预测步骤,参照在上述关联度取得步骤中取得的关联度,基于经由上述信息取得步骤而取得的图像信息和土壤信息,新预测培育中的农作物的收获量。
Description
技术领域
本发明涉及自动地进行预测农作物的收获量的农作物的收获量预测的农作物的收获量预测程序、判别栽培农作物的栽培环境的正常性的栽培环境判别程序。
背景技术
最近出现如下问题:伴随农业人口的高龄化,具有农作业技能的经验丰富的农户的减少,进而传承技能的年轻农户不足。在这种形势下提出了如下想法:代替由经验丰富的农户来传承技能,通过人工智能来辅助农作业的作业计划。
发明内容
发明要解决的问题
为了通过人工智能来辅助农作业的作业计划,需要预测培育中的农作物的将来的收获量或品质。如果能够预测该收获量或品质,则能够将其反馈给用于进一步提高的作业计划。然而,以往的状况是没有特别提出高精度地预测该农作物的收获量或品质的技术。
除此之外,在创造栽培环境的设备中发生了故障等异常的情况下,农作物的栽培环境会急剧恶化。在控制设备发生了故障的情况下,有时到叫业者来修理为止需要耗费时间,如果可能的话,需要事先察觉故障的征兆,尽早发出警报。特别是在农作物的苗期或收获之前,温度或湿度的控制设备发生了故障的情况下,存在如果不尽早结束该设备则无法挽回的情况。以往的状况是没有特别提出如下技术:从创造栽培环境的设备这一侧随时监视该栽培环境的正常性,在发生异常或者出现了异常的征兆的阶段马上发出警报。
因此,本发明是鉴于上述问题点而提出的,其目的在于,提供能够高精度地预测当前培育中的农作物的收获量或品质的农作物的收获量预测程序和农作物的品质预测程序。此外,在本发明中,提供如下栽培环境判别程序,通过从创造栽培环境的设备这一侧高精度地判别栽培环境的正常性,从而能够在发生设备的故障或出现故障的征兆的阶段马上发出警报。
用于解决问题的手段
本发明的农作物的收获量预测程序预测农作物的收获量,其特征在于,所述农作物的收获量预测程序使计算机执行以下步骤:参照用信息取得步骤,取得参照用图像信息和参照用土壤信息,该参照用图像信息是从拍摄培育中的农作物而得到的图像中提取农作物的生长状况、农作物发生的害虫灾害、农作物发生的病害中的任意信息而得到的,该参照用土壤信息反映了种植该农作物的土壤的成分的调査结果;关联度取得步骤,取得如下的组合与针对该组合的收获所述培育中的农作物时的收获量之间的3个阶段以上的关联度,其中,该组合具有在所述参照用信息取得步骤中取得的所述参照用图像信息和所述参照用土壤信息;信息取得步骤,在新预测农作物的收获量时,通过新拍摄培育中的农作物的图像,取得提取所述农作物的生长状况、农作物发生的害虫灾害、农作物发生的病害中的任意信息得到的图像信息,并且取得与种植该农作物的土壤有关的土壤信息;以及预测步骤,参照在所述关联度取得步骤中取得的关联度,基于经由所述信息取得步骤而取得的图像信息和土壤信息,新预测培育中的农作物的收获量。
本发明的农作物的收获量预测程序预测农作物的收获量,其特征在于,所述农作物的收获量预测程序使计算机执行如下步骤:参照用信息取得步骤,取得参照用图像信息和参照用外部环境信息,该参照用图像信息是从拍摄培育中的农作物而得到的图像中提取农作物的生长状况、农作物发生的害虫灾害、农作物发生的病害中的任意信息而得到的,该参照用外部环境信息是检测该农作物的培育过程中的包含洪水、干旱的灾害状况而得到的;关联度取得步骤,取得如下的组合与针对该组合的收获所述培育中的农作物时的收获量之间的3个阶段以上的关联度,其中,该组合具有在所述参照用信息取得步骤中取得的所述参照用图像信息和所述参照用土壤信息;信息取得步骤,在新预测农作物的收获量时,通过新拍摄培育中的农作物的图像,取得提取所述农作物的生长状况、农作物发生的害虫灾害、农作物发生的病害中的任意信息得到的图像信息,并且取得与该农作物的培育过程中的包含洪水、干旱的灾害状况有关的外部环境信息;以及预测步骤,参照在所述关联度取得步骤中取得的关联度,基于经由所述信息取得步骤而取得的图像信息和外部环境信息,新预测培育中的农作物的收获量。
本发明的栽培环境判别程序判别栽培农作物的栽培环境的正常性,其特征在于,所述栽培环境判别程序使计算机执行以下步骤:关联度取得步骤,预先取得参照用设备数据与由温度或湿度构成的栽培环境的正常性之间的3个阶段以上的关联度,其中,该参照用设备数据由从创造栽培农作物的栽培环境的空调设备取得的电力、电气、电压、振动、声音中的任意1个以上构成;信息取得步骤,在新判别农作物的栽培环境时,从创造该栽培环境的空调设备取得电力、电气、电压、振动、声音中的任意1个以上的数据中的与所述参照用设备数据对应的设备数据;以及判别步骤,利用在所述关联度取得步骤中取得的关联度,基于经由所述信息取得步骤而取得的设备数据,判别由温度或湿度构成的栽培环境的正常性。
发明的效果
能够高精度地预测当前培育中的农作物的收获量或品质。
附图说明
图1是示出应用本发明的收获量预测系统的整体结构的框图。
图2是示出预测装置的具体的结构例的图。
图3是示出形成有收获量相对于具有参照用图像信息和参照用土壤信息的组合的关联度的例子的图。
图4是示出形成有品质相对于具有参照用图像信息和参照用土壤信息的组合的关联度的例子的图。
图5是示出形成有收获量相对于具有参照用图像信息和参照用外部环境信息的组合的关联度的例子的图。
图6是示出形成有品质相对于具有参照用图像信息和参照用外部环境信息的组合的关联度的例子的图。
图7是示出形成有收获量相对于具有参照用图像信息和参照用历史信息的组合的关联度的例子的图。
图8是示出形成有品质相对于具有参照用图像信息和参照用历史信息的组合的关联度的例子的图。
图9是示出形成有收获量相对于具有参照用图像信息、参照用土壤信息和参照用时期信息的组合的关联度的例子的图。
图10是示出形成有收获量相对于具有参照用图像信息、参照用土壤信息和参照用种类信息的组合的关联度的例子的图。
图11是示出形成有栽培环境相对于参照用设备数据的关联度的例子的图。
图12是示出形成有栽培环境相对于具有参照用设备数据和参照用环境数据的组合的关联度的例子的图。
图13是示出形成有栽培环境相对于具有参照用设备数据和参照用农作物状态数据的组合的关联度的例子的图。
图14是示出形成有栽培环境相对于具有参照用设备数据和参照用农作物培育阶段数据的组合的关联度的例子的图。
具体实施方式
以下,参照附图来详细说明应用了本发明的农作物的收获量预测程序。
图1是示出安装应用了本发明的农作物的收获量预测程序的收获量预测系统1的整体结构的框图。收获量预测系统1具有信息取得部9、与信息取得部9连接的预测装置2、以及与预测装置2连接的数据库3。
信息取得部9是供利用本系统的人输入各种命令或信息的设备,具体而言,由键盘或按钮、触摸面板、鼠标、开关等构成。信息取得部9不限于用于输入文本信息的设备,也可以由麦克风等能够检测声音并将声音转换为文本信息的设备构成。此外,信息取得部9也可以构成为照相机等能够拍摄图像的摄像装置。信息取得部9也可以由具有能够从纸介质的文档识别字符串的功能的扫描仪构成。此外,信息取得部9也可以与后述的预测装置2一体化。信息取得部9将检测到的信息向预测装置2输出。此外,也可以由温度传感器、湿度传感器、雨量传感器等用于计测外部环境的各种传感器构成。
数据库3蓄积与过去的农作物的培育有关的各种信息。例如记录有拍摄农作物的生长状况得到的图像数据、示出农作物的害虫导致的灾害状况或农作物的病害导致的灾害状况的图像数据、分析种植农作物的土壤得到的土壤数据、在该农作物的培育过程中检测到的外部环境数据(例如,日照量、温度、湿度、风向、雨量等与天气状况有关的数据、台风、洪水、干旱、无雨等的灾害状况有关的数据)、与过去的农作业历史有关的数据、与农作物的培育时期有关的数据、与农作物的种类有关的数据等。
预测装置2例如由以个人计算机(PC)等为首的电子设备构成,但是,除了PC以外,也可以由便携电话、智能手机、平板式终端、可穿戴终端等其他所有电子设备实现。用户通过得到基于该预测装置2的搜索解,能够高精度地预测当前培育中的农作物的收获量或品质。
图2示出预测装置2的具体的结构例。在该预测装置2中,用于控制预测装置2整体的控制部24、用于经由操作按钮或键盘等而输入各种控制用的指令的操作部25、用于进行有线通信或无线通信的通信部26、用于进行各种判断的判断部27、存储部28分别与内部总线21连接,其中,存储部28以硬盘等为代表,用于存储用于进行应执行的检索的程序。并且,在该内部总线21上连接有作为实际显示信息的监视器的显示部23。
控制部24是所谓的中央控制单元,用于经由内部总线21发送控制信号,从而控制在预测装置2内安装的各结构要素。此外,该控制部24根据经由操作部25的操作,经由内部总线21传递各种控制用的指令。
操作部25由键盘、触摸面板实现,从用户输入用于执行程序的执行命令。该操作部25在从用户输入了上述执行命令的情况下,将其通知给控制部24。接受到该通知的控制部24以判断部27为首,与各结构要素协调来执行所希望的处理动作。该操作部25也可以被实现为前述的信息取得部9。
判断部27负责农作物的收获量、农作物的品质的判断。该判断部27在执行估计动作时,作为所需要的信息而读出存储部28中存储的各种信息、数据库3中存储的各种信息。该判断部27可以通过人工智能来控制。该人工智能可以是基于任何公知的人工智能技术的人工智能。
显示部23由基于控制部24的控制来制作显示图像的图形控制器构成。该显示部23例如由液晶显示器(LCD)等实现。
存储部28在由硬盘构成的情况下,基于控制部24的控制,针对各地址读入规定的信息,并且根据需要读出该规定的信息。此外,在该存储部28中存储有用于执行本发明的程序。该程序由控制部24读出并执行。
对由上述结构构成的农作物的收获量预测系统1的动作进行说明。
在收获量预测系统1中,例如图3所示,前提是形成具有参照用图像信息和参照用土壤信息的组合。参照用图像信息是通过照相机拍摄处于培育过程的农作物而得到的图像。农作物的摄影图像可以是从播种、育苗的阶段到收获为止按照时间序列依次拍摄到的图像。此外,农作物的摄影图像可以由整体捕捉田地或水田的摄影范围的图像构成,也包含以极近距离拍摄田地或水田中的农作物的叶或茎、果实等得到的图像。此外,摄影图像可以是经由无人机等这样的无人飞机拍摄的图像,也可以是通过设置于地上的照相机拍摄的图像。通过这样的照相机,能够检测农作物的生长状况、农作物发生的害虫灾害、农作物发生的病害等。另外,关于该参照用图像信息,可以直接取得由照相机拍摄的原始图像作为图像信息,也可以利用公知的的深度学习技术,仅提取图像的特征部分并将其作为参照用图像信息。
此外,参照用土壤信息包含与种植农作物的土壤有关的所有信息。作为该参照用土壤信息的例子,包含土壤的成分、pH、含水量、温度等。可以使用实际取得土壤的成分并基于化学分析方法进行分析得到的结果,也可以使用通过公知的土壤传感器检测到的数据。此外,也可以是,通过照相机拍摄土壤而得到图像,进而利用公知的深度学习技术,针对该图像仅提取图像的特征部分,将其用作参照用土壤信息。
在图3的例中,作为输入数据,例如是参照用图像信息P11~P13、参照用土壤信息P14~17。作为这样的输入数据,参照用土壤信息与参照用图像信息组合得到的是图3所示的中间节点。各中间节点进一步与输出连结。在该输出处示出作为输出解的收获量。
参照用图像信息与参照用土壤信息的各组合(中间节点)相对于作为该输出解的农作物的收获量,通过3个阶段以上的关联度而相互关联。参照用图像信息和参照用土壤信息经由该关联度而排列于左侧,各农作物的收获量经由关联度而排列于右侧。关联度示出相对于排列于左侧的参照用图像信息和参照用土壤信息,与哪个农作物的收获量的关联性高的程度。换言之,该关联度是示出各参照用图像信息和参照用土壤信息与怎样的农作物的收获量关联的可能性高的指标,示出在根据参照用图像信息和参照用土壤信息选择最可能的农作物的收获量时的准确性。在图3的例中,作为关联度而示出w13~w22。如以下的表1所示,该w13~w22示出10个阶段,并且越接近10分,则表示作为中间节点的各组合与作为输出的农作物的收获量彼此关联程度越高,相反,越接近1分,则表示作为中间节点的各组合与作为输出的农作物的收获量彼此关联程度越低。
[表1]
记号 | 关联度 |
w13 | 7 |
w14 | 2 |
w15 | 9 |
w16 | 5 |
w17 | 2 |
w18 | 1 |
w19 | 8 |
w20 | 6 |
w21 | 10 |
w22 | 3 |
预测装置2预先取得这样的图3所示的3个阶段以上的关联度w13~w22。即,预测装置2在进行实际的搜索解的判别时,预先对参照用图像信息、参照用土壤信息、以及该情况下的农作物的收获量是何种程度这样的过去的数据进行蓄积,并对这些数据进行分析、解析,从而制作出图3所示的关联度。
例如,假设参照用图像信息P11反映出受到外注灾害的农作物的状态。此时,在调查实际种植该农作物的土壤的成分的结果是与参照用土壤信息P14对应的“pH●●,成分○×”时,在以前的数据中跟踪调查到收获实际的农作物为止,提取是何种程度的收获量。收获量可以由任意的单位构成,但是,例如也可以用重量(吨)来表示每单位面积的该农作物的收获量。
该分析、解析也可以通过人工智能来进行。该情况下,例如在是参照用图像信息P11、且参照用土壤信息P16“pH▲▲,成分□○”的情况下,根据过去的数据来分析该农作物的实际的收获量。在假定收获量为9吨的事例多的情况下,将与该收获量9吨连接的关联度设定得高,在假定收获量为3吨的事例多、且收获量为9吨的事例少的情况下,将与收获量3吨连接的关联度设定得高,将与收获量9吨连接的关联度设定得低。例如在中间节点61a的例中,与收获量9吨和收获量3吨的输出连接,但是,根据以前的事例,将与收获量9吨连接的w13的关联度设定为7分,将与收获量3吨连接的w14的关联度设定为2分。
此外,该图3所示的关联度也可以由人工智能的神经网络的节点构成。即,该神经网络的节点相对于输出的权重系数对应于上述的关联度。此外,不限于神经网络,也可以由构成人工智能的所有的意思决定因素构成。
在图3所示的关联度的例中,节点61b是参照用土壤信息P14与参照用图像信息P11的组合的节点,收获量6吨的关联度为w15,收获量1吨的关联度为w16。节点61c是参照用土壤信息P15、P17与参照用图像信息P12的组合的节点,收获量3吨的关联度为w17,收获量6吨的关联度为w18。
这样的关联度成为人工智能中所说的学习完毕数据。在制作了这样的学习完毕数据后,在实际将要新判别农作物的收获量时,利用上述的学习完毕数据来判别农作物的收获量。该情况下,新取得图像信息并且取得土壤信息。
关于新取得的图像信息,通过上述的信息取得部9的照相机来拍摄图像。该拍摄把将要进行新培育的农作物作为对象。
关于土壤信息的取得,是实际种植了要新培育的农作物的土壤,该取得方法与取得上述的参照用土壤信息时的方法同样。
基于这样新取得的图像信息和土壤信息,预测实际新取得了该图像信息和土壤信息的农作物的收获量。该情况下,参照预先取得的图3(表1)所示的关联度。例如,在新取得的图像信息与P12相同或与其类似、且土壤信息是P17的情况下,经由关联度将节点61d关联起来,该节点61d以关联度w19与“收获量6吨”关联,并且以关联度w20与“收获量7吨”关联。该情况下,选择关联度最高的“收获量6吨”作为最优解。但是,不是必须选择关联度最高的解作为最优解,也可以选择虽然关联度低但关联性本身被认可的“收获量7吨”作为最优解。此外,除此以外当然也可以选择箭头未连接的输出解,只要是基于关联度进行选择,则也可以以其他任何优先顺序来进行选择。
此外,以下的表2示出从输入延伸出的关联度w1~w12的例。
[表2]
记号 | 关联度 |
w1 | 8 |
w2 | 1 |
w3 | 7 |
w4 | 6 |
w5 | 5 |
w6 | 9 |
w7 | 3 |
w8 | 9 |
w9 | 2 |
w10 | 4 |
w11 | 10 |
w12 | 2 |
也可以基于从该输入延伸出的关联度w1~w12来选择中间节点61。即,也可以是,关联度w1~w12越大,则越增加中间节点61的选择的权重。但是,也可以将该关联度w1~w12设为全部相同的值,还可以使中间节点61的选择的权重全部相同。
在图4中利用同样的方法,不是将输出设为收获量,而是输出农作物的品质。该情况下也同样,根据过去的数据预先调查相对于参照用图像信息和参照用土壤信息的农作物的品质,同样预先设定关联度并构筑学习完毕模型。而且,同样地从培育中的农作物取得图像信息和土壤方法,根据所取得的图像信息和土壤方法来参照学习完毕模型(关联度),由此预测农作物的品质。由此,能够与收获量同样地预测农作物的品质。
图5示出设定了具有上述参照用图像信息和参照用外部环境信息的组合和相对于该组合的农作物的收获量之间的3个阶段以上的关联度的例子。
作为输入数据,排列有这样的参照用图像信息和参照用外部环境信息。作为这样的输入数据的参照用外部环境信息与参照用图像信息组合后得到的是图5所示的中间节点。
参照用外部环境信息是在该农作物的培育过程中检测到的外部环境数据,例如,是日照量、温度、湿度、风向、雨量等与天气状况有关的数据,与台风、洪水、干旱、无雨等灾害状况有关的数据等。实际上,关于该参照用外部环境信息,期望取得参照用图像信息的取得时间点的外部环境,但是不限于此。关于这些参照用外部环境信息,可以由温度传感器、湿度传感器、光量传感器、风向计、雨量计等用于取得实时数据的检测单元构成,但也可以事后对台风或洪水的灾害状况、干旱、无雨等状况进行解析。
预测装置2预先取得这样的图5所示的3个阶段以上的关联度w13~w22。即预测装置2在进行实际的农作物的收获量的预测时,预先蓄积参照用图像信息、参照用外部环境信息、以及该情况下的收获量是何种程度的数据,对这些数据进行分析、解析,从而制作出图5所示的关联度。
在图5所示的关联度的例中,节点61b是参照用外部环境信息P18“雨量●●,温度○×”与参照用图像信息P11的组合的节点,收获量6吨的关联度为w15,收获量1吨的关联度为w16。
在设定了这样的关联度的情况下,也同样新取得图像信息,并且取得外部环境信息。图像信息对应于参照用图像信息,外部环境信息对应于参照用外部环境信息。
外部环境信息的取得方法与上述的参照用外部环境信息的取得方法相同。
在求出收获量时,参照预先取得的图5所示的关联度。例如,在取得的图像与参照用图像信息P12相同或类似、且取得的外部环境信息与参照用外部环境信息P19相当的情况下,其组合与节点61c关联,该节点61c以关联度w17与收获量3吨关联,并且以关联度w18与收获量7吨关联。这样的关联度的结果是,基于w17、w18,求出实际新取得了该图像信息和外部环境信息的时间点的农作物的收获量。
在图6中利用同样的方法,不是将输出设为收获量,而是输出农作物的品质。该情况下也同样地,预先根据过去的数据调查相对于参照用图像信息和参照用外部环境信息的农作物的品质,同样预先设定关联度并构建学习完毕模型。而且,同样根据培育中的农作物取得图像信息和土壤方法,根据所取得的图像信息和土壤方法来参照学习完毕模型(关联度),由此预测农作物的品质。由此,能够与收获量同样地预测农作物的品质。
图7示出设定了具有上述的参照用图像信息和参照用历史信息的组合与针对该组合的农作物的收获量之间的3个阶段以上的关联度的例子。
作为输入数据,排列有这样的参照用图像信息和参照用历史信息。作为这样的输入数据的参照用历史信息与参照用图像信息组合后得到的是图7所示的中间节点61。
参照用历史信息是在该农作物的培育过程中实际进行的农作业的历史。整理了从播种开始到育苗、收获为止,具体进行了什么样的农作业。例如,作为该参照用历史信息而反映了何时、以何种程度怎样进行了浇水、施肥、撒农药、或除草的农作业。实际上,该参照用历史信息可以由将农户制作的农作业日记电子数据化而得到的信息构成,也可以通过记载有实际进行了农作业的记录的PC或智能手机等而取得。
预测装置2预先取得这样的图7所示的3个阶段以上的关联度w13~w22。即,预测装置2在进行实际的农作物的收获量的预测时,预先蓄积参照用图像信息、参照用历史信息、以及该情况下的收获量是何种程度的数据,对这些数据进行分析、解析,从而制作出图7所示的关联度。
在图7所示的关联度的例中,节点61b是参照用外部环境信息P22与参照用图像信息P11的组合的节点,收获量6吨的关联度为w15,收获量1吨的关联度为w16。
在设定了这样的关联度的情况下,也同样新取得图像信息,并且取得历史信息。图像信息对应于参照用图像信息,历史信息对应于参照用历史信息。
历史信息的取得方法与上述的参照用历史信息的取得方法相同。
在求出收获量的基础上,参照预先取得的图7所示的关联度。例如,在取得的图像与参照用图像信息P12相同或类似、且取得的历史信息与参照用历史信息P23相当的情况下,其组合与节点61c关联,该节点61c以关联度w17与收获量3吨关联,并且以关联度w18与收获量7吨关联。这样的关联度的结果是,基于w17、w18,实际新取得图像信息和历史信息,并求出农作物的收获量。
在图8中利用同样的方法,不是将输出设为收获量,而是输出农作物的品质。该情况下也同样地,预先根据过去的数据调查相对于参照用图像信息和参照用历史信息的农作物的品质,同样预先设定关联度并构建学习完毕模型。而且,同样根据培育中的农作物取得图像信息和土壤方法,根据所取得的图像信息和土壤方法来参照学习完毕模型(关联度),由此预测农作物的品质。由此,能够与收获量同样地预测农作物的品质。
图9示出设定了具有上述的参照用图像信息、参照用土壤信息以及参照用时期信息的组合与针对该组合的收获量之间的3个阶段以上的关联度的例子。
参照用时期信息是表示实际取得该参照用图像信息的时间点是何时的信息。
该情况下,关于关联度,如图9所示,具有参照用图像信息、参照用土壤信息以及参照用时期信息的组合的集合与上述同样表现为中间节点的节点61a~61e。
例如,在图9中,节点61c以关联度w3与参照用图像信息P12关联,以关联度w7与参照用土壤信息P15关联,以关联度w11与参照用时期信息P27关联。同样,节点61e以关联度w5与参照用图像信息P13关联,以关联度w8与参照用土壤信息P15关联,以关联度w10与参照用时期信息P26关联。
在设定了这样的关联度的情况下也同样地,基于新取得的图像信息、土壤信息,以及该图像信息的取得时间点的时期信息,来预测收获量。
在求出该收获量的基础上,参照预先取得的图9所示的关联度。例如,在取得的图像与参照用图像信息P12相同或类似、且取得的土壤信息对应于参照用土壤信息P15、并且取得的时期信息对应于参照用时期信息P27的情况下,其组合与节点61c关联,该节点61c以关联度w17与收获量3吨关联,并且以关联度w18与收获量7吨关联。这样的关联度的结果是,基于w17、w18,实际求出搜索解。
在进一步组合这样的参照用时期信息的情况下,除了上述的具有参照用图像信息和参照用土壤信息的组合以外,还可以应用于具有参照用图像信息和参照用外部环境信息的组合、具有参照用图像信息和参照用历史信息的组合。
此外,通过进一步组合参照用时期信息,也能够同样应用于输出农作物的品质作为输出解的情况。
图10示出设定了具有上述的参照用图像信息、参照用土壤信息以及参照用种类信息的组合与相对于该组合的收获量之间的3个阶段以上的关联度的例子。
参照用种类信息是与农作物的种类、品种有关的信息。农作物的种类是通过从培育农作物的农户等听取或从图像判别而取得的。
该情况下,关于关联度,如图10所示,具有参照用图像信息、参照用土壤信息以及参照用种类信息的组合的集合与上述同样表现为中间节点的节点61a~61e。
例如,在图10中,节点61c以关联度w3与参照用图像信息P12关联,以关联度w7与参照用土壤信息P15关联,以关联度w11与参照用种类信息P29关联。同样,节点61e以关联度w5与参照用图像信息P13关联,以关联度w8与参照用土壤信息P15关联,以关联度w10与参照用种类信息P28关联。
在设定了这样的关联度的情况下也同样地,基于新取得的图像信息、土壤信息、以及可以说是该图像信息的取得对象的农作物的种类,来预测收获量。
在求出该收获量的基础上,参照预先取得的图10所示的关联度。例如,在取得的图像与参照用图像信息P12相同或类似、且取得的土壤信息对应于参照用土壤信息P15、并且取得的种类信息对应于参照用种类信息P29的情况下,其组合与节点61c关联,该节点61c以关联度w17与收获量3吨关联,并且以关联度w18与收获量7吨关联。这样的关联度的结果是,基于w17、w18,实际求出搜索解。
在进一步组合这样的参照用种类信息的情况下,除了具有上述的参照用图像信息和参照用土壤信息的组合以外,还可以应用于具有参照用图像信息和参照用外部环境信息的组合、具有参照用图像信息和参照用历史信息的组合、以及在这些组合中组合参照用时期信息的情况。
此外,通过进一步组合参照用种类信息,也能够同样应用于输出农作物的品质作为输出解的情况。
另外,本发明也可以被实现为以下说明的栽培环境判别系统。栽培环境判别系统的结构利用上述的收获量预测系统1中的信息取得部9、与信息取得部9连接的预测装置2、与预测装置2连接的数据库3。
在栽培环境判别系统中,如图11所示,前提是预先设定并取得参照用设备数据与栽培环境的正常性之间的3个阶段以上的关联度。参照用设备数据是创造栽培环境的基础上从所需要的设备(装置)直接取得的数据。栽培环境由温度、湿度、肥料的供给量、农药的供给量、光、水的供给量、供给的气体的流量或气流的流量及方向、照明的照度等来决定。近年来,在自动化的温室或植物工厂内的农业中,在栽培农作物方面,通过各种设备来创造这些栽培环境。例如通过空调设备来调节温度、湿度,通过用于供给肥料的管道或工厂设备等来进行肥料或水、农药的供给。此外,通过管道或工厂设备等进行气体、气流的供给。此外,通过照明设备调整照明的照度。
参照用设备数据包含针对这样的设备直接或间接安装传感器或计测器并取得的所有数据。例如,对上述各种设备供给的电力、电气、电压、振动、声音、光、电波(以下将这些总称为物理数据。)、空气或液体的流量、肥料的供给量、农药的供给量、排水设备中的排水量等是该参照用设备数据。检测由使设备进行动作的物理数据、供给肥料或水的供给量数据、供给或排出气体的气体流量数据、农药的供给量数据、照射的光的光量中的任意一方以上构成的动作数据。通过检测这些动作数据,能够掌握栽培环境的现状是正常还是发生了某些异常。此外,通过检测这些动作数据,还能够估计栽培环境是可能在今后不久发生异常,还是维持正常。
在图11的例中,作为输入数据,假设例如是参照用设备数据P01~P03。作为这样的输入数据的参照用设备数据与输出连结。在该输出处,显示有作为输出解的栽培环境。栽培环境包含是正常还是异常,或者如果发生了异常,还包含具体的异常的内容(例如,温度低、肥料少、光少等)。
参照用设备数据与作为该输出解的栽培环境通过3个阶段以上的关联度而彼此关联。参照用设备数据经由该关联度而排列于左侧,各栽培环境经由该关联度而排列于右侧。关联度示出相对于排列于左侧的参照用设备数据,与哪个栽培环境的关联性高的程度。换言之,该关联度是示出各参照用设备数据与怎样的栽培环境关联的可能性高的指标,示出在根据参照用设备数据选择最可能的栽培环境时的准确性。在图11的例中,示出w13~w19作为关联度。如以下的表1所示,该w13~w19示出10个阶段,越接近10分,则表示作为中间节点的各组合与作为输出的栽培环境彼此关联程度越高,相反,越接近1分,则表示作为中间节点的各组合与作为输出的价格彼此关联程度越低。
判别装置2预先取得这样的图11所示的3个阶段以上的关联度w13~w19。即,判别装置2在进行实际的搜索解的判别时,预先对参照用设备数据、以及该情况下的栽培环境是何种程度这样的过去的数据进行蓄积,并对这些数据进行分析、解析,从而制作出图11所示的关联度。
例如,假设参照用设备数据是与从空调设备产生的振动有关的数据。假设在该振动数据的振动量或振动频率成分中出现某个特定的征候时,在其数小时后~数日后空调设备损坏的情况较多。通过收集并分析这样的数据集,参照用设备数据和栽培环境异常(例如由于空调损坏,栽培环境的温度变低。)之间的关联度变强。
该分析、解析也可以通过人工智能来进行。该情况下,例如在是参照用设备数据P01的情况下,根据过去的栽培环境的数据进行分析。在是参照用设备数据P01的情况下,当栽培环境为异常的事例多时,将与该异常连接的关联度设定得高,当栽培环境为正常的事例多时,将与该正常连接的关联度设定得高。例如在参照用设备数据P01的例中,与异常(温度低)以及异常(肥料少)连接,但是,根据以前的事例,将与异常(温度低)连接的w13的关联度设定为7分,将与异常(肥料少)连接的w14的关联度设定为2分。
此外,该图11所示的关联度也可以由人工智能的神经网络的节点构成。即,该神经网络的节点相对于输出的权重系数对应于上述的关联度。此外,不限于神经网络,也可以由构成人工智能的所有的意思决定因素构成。
这样的关联度成为人工智能中所说的的学习完毕数据。在制作了这样的学习完毕数据后,在实际将要新判别栽培环境时,利用上述的学习完毕数据来判别栽培环境。该情况下,新取得创造该栽培环境的各种设备的设备数据。
通过上述的信息取得部9输入新取得的设备数据。
基于这样新取得的设备数据,判别实际通过该设备创造的栽培环境。该情况下,参照预先取得的图11(表1)所示的关联度。例如,在新取得的设备数据与P02相同或与其类似的情况下,经由关联度,以关联度w15与“正常”关联,以关联度w16与“异常(肥料少)”关联。该情况下,选择关联度最高的“正常”作为最优解。但是,不是必须选择关联度最高的解作为最优解,也可以选择虽然关联度低但关联性本身被认可的“异常(肥料少)”作为最优解。此外,除此以外当然也可以选择箭头未连接的输出解,只要是基于关联度进行选择,则也可以以其他任何优先顺序来进行选择。
这样,能够根据新取得的设备数据来掌握是否在栽培环境中发生了异常,并根据需要而掌握该发生的异常的详细情况。此外,不仅是判别在栽培环境中当前发生的异常的情况,还能够判别在近期内可能发生的异常。该情况下,作为进行学习的数据集,利用按照时间序列取得设备数据得到的数据集,其结果是,关联是否发生了异常。例如在按照时间序列取得的电力逐渐变弱、最终设备故障而成为异常状态的情况下,将该电力按照时间序列逐渐变弱的过程与栽培环境的异常状态关联起来而进行学习。预先利用这样的学习用数据集进行学习,并通过关联度进行关联,由此,能够判别将来的异常状态。此外,如果当前时间点或将来发生异常事态,则能够发出用于唤起注意的警报。
在图12的例中,前提是形成有具有参照用设备数据和参照用环境数据的组合。参照用环境数据是通过对栽培环境直接检测而得到的数据,其如实地表示该检测时的栽培环境的状态。作为检测为该参照用环境数据的栽培环境,可以设为温度、湿度、肥料的供给量、光量、水的供给量、气体或气流的流量中的任意1个以上。
在图12的例中,作为输入数据,例如设为是参照用设备数据P11~P13、参照用环境数据P14~17。作为这样的输入数据的参照用环境数据与参照用设备数据组合后得到的是图12所示的中间节点。各中间节点进一步与输出连结。在该输出处显示有作为输出解的栽培环境。
参照用设备数据与参照用环境数据的各组合(中间节点)相对于作为该输出解的栽培环境的正常性,通过3个阶段以上的关联度而彼此关联。参照用设备数据和参照用环境数据经由该关联度而排列于左侧,栽培环境的正常性经由关联度而排列于右侧。关联度示出相对于排列于左侧的参照用设备数据和参照用环境数据,与栽培环境的关联性是否高的程度。换言之,该关联度是各参照用设备数据和参照用环境数据与怎样的栽培环境的正常性关联的可能性高的指标,示出在根据参照用设备数据和参照用环境数据选择最可能的栽培环境的正常性时的准确性。在图12的例中,作为关联度而示出w13~w22。如表1所示,该w13~w22示出10个阶段,并且越接近10分,则表示作为中间节点的各组合与作为输出的价格彼此关联程度越高,相反,越接近1分,则表示作为中间节点的各组合与作为输出的栽培环境的正常性彼此关联程度越低。
判别装置2预先取得这样的图12所示的3个阶段以上的关联度w13~w22。即,判别装置2在进行实际的搜索解的判别时,预先对积参照用设备数据、参照用环境数据、以及该情况下的栽培环境是何种程度这样的过去的数据进行蓄积,并对这些数据进行分析、解析,从而制作图12所示的关联度。
例如,假设过去检测到的设备数据是1个单位时间的水的供给量(例如设为每1分钟1l。)。此外,假设参照用环境数据是“温度为34℃”。在根据该水的供给量与温度的关系,成为明显对农作物供给的水不足的状态的情况下,设为栽培环境异常(水不足状态),将这些作为数据集而进行学习,以上述的关联度这样的形式预先进行定义。
该分析、解析也可以通过人工智能来进行。该情况下,例如在是参照用设备数据P01、且参照用环境数据P16的情况下,根据过去的数据来分析该栽培环境的正常性。在栽培环境为“异常(温度低)”的事例多的情况下,将与该“异常(温度低)”连接的关联度设定得高,在“正常”的事例多、“异常(温度低)”的事例少的情况下,将与“正常”连接的关联度设定得高,将与“异常(温度低)”连接的关联度设定得低。例如在中间节点61a的例中,与“异常(温度低)”和“正常”的输出连接,但是,根据以前的事例,将与“异常(温度低)”连接的w13的关联度设定为7分,将与“正常”连接的w14的关联度设定为2分。
此外,该图12所示的关联度也可以由人工智能的神经网络的节点构成。即,该神经网络的节点相对于输出的权重系数对应于上述的关联度。此外,不限于神经网络,也可以由构成人工智能的所有的意思决定因素构成。
在图12所述的关联度的例中,节点61b是参照用环境数据P14与参照用设备数据P01组合的节点,“异常(肥料少)”的关联度为w15,“正常”的关联度为w16。节点61c是参照用环境数据P15、P17与参照用设备数据P02组合的节点,“正常”的关联度为w17,“异常(光少)”的关联度为w18。
这样的关联度成为人工智能中所说的学习完毕数据。在制作了这样的学习完毕数据后,在实际将要进行栽培环境的正常性的判别时,利用上述的学习完毕数据来进行正常性的判别。该情况下,通过实际测量而取得创造进行该判别的栽培环境的设备数据及其环境数据。
新取得的设备数据、环境数据可以经由各种传感器、信息取得部9而取得。
这样,基于新取得的设备数据、环境数据,判别实际新取得了该设备数据、环境数据的栽培环境的正常性。该情况下,参照预先取得的图12(表1)所示的关联度。例如,在新取得的设备数据与P02相同或与其类似、且环境数据是P17的情况下,经由关联度而与节点61d关联,该节点61d以关联度w19与“异常(肥料少)”关联,并且以关联度w20与“异常(光少)”关联。该情况下,选择关联度最高的“异常(肥料少)”作为最优解。但是,不是必须选择关联度最高的解作为最优解,也可以选择虽然关联度低但关联性本身被认可的“异常(光少)”作为最优解。此外,除此以外当然也可以选择箭头未连接的输出解,只要是基于关联度进行选择,则也可以以其他任何优先顺序来进行选择。
此外,也可以基于从该输入延伸出的关联度w1~w12来选择中间节点61。即,关联度w1~w12越大,则越增加中间节点61的选择的权重。但是,也可以将该关联度w1~w12设为全部相同的值,还可以使中间节点61的选择的权重全部相同。
图13示出设定有具有上述的参照用设备数据和参照用农作物状态数据的组合与针对该组合的栽培环境之间的3个阶段以上的关联度的例子。
作为输入数据,排列有这样的参照用设备数据和参照用农作物状态数据。作为这样的输入数据的参照用农作物状态数据与参照用设备数据组合得到的是图13所示的中间节点。
参照用农作物状态数据是对农作物的状态进行检测得到的数据。农作物的状态例如能够通过图像数据而取得。农作物缺水、或生病或被害虫啃食的状态全部能够根据图像解析来掌握。
判别装置2预先取得这样的图13所示的3个阶段以上的关联度w13~w22。即,判别装置2在进行实际的栽培环境的正常性的判别时,预先对参照用设备数据、参照用农作物状态数据、以及该情况下的栽培环境是何种程度的数据进行蓄积,通过对这些数据进行分析、解析,从而制作出图13所述的关联度。关于栽培环境的正常性,除了设备数据以外,还能够根据农作物的状态来进行判别。通过组合这些设备数据和农作物状态数据,能够进行更高精度的栽培环境的正常性的判别。
在图13所示的关联度的例中,节点61b是参照用农作物状态数据P18(例如,被害虫啃食而变色等)与参照用设备数据P01的组合的节点,“异常(肥料少)”的关联度为w15,“正常”的关联度为w16。
在设定了这样的关联度的情况下也同样地,新取得设备数据,并且取得农作物状态数据。设备数据对应于参照用设备数据,农作物状态数据对应于参照用农作物状态数据。
在进行栽培环境的判别时,参照预先取得的图13所示的关联度。例如,在取得的设备数据与参照用设备数据P02相同或类似、且取得的农作物状态数据与参照用农作物状态数据P19相当的情况下,其组合与节点61c关联,该节点61c以关联度w17与“正常”关联,并且以关联度w18与“异常(光少)”关联。这样的关联度的结果是,基于w17、w18,判别实际新取得了该设备数据、农作物状态数据的栽培室中的栽培环境的正常性。
图14示出设定有具有上述的参照用设备数据和参照用农作物培育阶段数据的组合与针对该组合的栽培环境之间的3个阶段以上的关联度的例子。
作为输入数据,排列有这样的参照用设备数据和参照用农作物培育阶段数据。作为这样的输入数据的参照用农作物培育数据与参照用设备数据组合得到的是图14所述的中间节点。
参照用农作物培育阶段数据是示出农作物的培育状况的数据。即,示出农作物是刚播种还是刚育苗、或者是育苗后的1个月、2个月、3个月···还是处于收获期,即示出其培育阶段。
判别装置2预先取得这样的图14所示的3个阶段以上的关联度w13~w22。即判别装置2在进行实际的栽培环境的正常性的判别时,预先对参照用设备数据、参照用农作物培育阶段数据、以及该情况下的栽培环境是何种程度的数据进行蓄积,通过对这些数据进行分析、解析,从而制造出图14所述的关联度。栽培环境的正常性除了受到设备数据影响以外,还受到农作物的培育阶段的影响。例如如果农作物是育苗时期以外,则即使空调设备故障而使温度急剧下降,在栽培农作物时影响也不那么大,因此栽培环境判断为“正常”,但是,如果农作物处于育苗的时期,在该阶段空调设备故障而使温度急剧下降的情况下会一下子枯萎,那么判断为“异常”。这样,关于栽培环境是否正常,除了设备数据之外,还受到农作物培育阶段数据的大幅支配。因此,通过组合这些设备数据和农作物培育阶段数据,能够进行更高精度的栽培环境的正常性的判别。
在图14所示的关联度的例中,节点61b是参照用农作物状态数据P22(例如,从育苗时期起3个月后)与参照用设备数据P01组合的节点,“异常(肥料少)”的关联度为w15,“正常”的关联度为w16。
在设定了这样的关联度的情况下也同样地,新取得设备数据,并且取得农作物培育阶段数据。设备数据对应于参照用设备数据,农作物培育阶段数据对应于参照用农作物培育阶段数据。
在进行栽培环境的判别时,参照预先取得的图14所示的关联度。例如,在取得的设备数据与参照用设备数据P02相同或类似、且取得的农作物培育阶段数据与参照用农作物培育阶段数据P23相当的情况下,其组合与节点61c关联,该节点61c以关联度w17与“正常”关联,并且以关联度w18与“异常(光少)”关联。这样的关联度的结果是,基于w17、w18,判别实际新取得了该设备数据、农作物培育阶段数据的栽培室中的栽培环境的正常性。
此外,在本发明中,在对上述的输入参数的种类跨越3个种类以上进行组合的情况下,即使除了参照用设备数据以外还利用参照用环境数据、参照用农作物状态数据和参照用农作物培育阶段数据中的任意2种以上来构成组合,也能够应用。而且,预先取得这些组合与上述栽培环境的正常性之间的关联度,在新取得了数据的情况下,利用该关联度判别栽培环境的正常性。
在上述的关联度中,利用10个阶段评价来表现关联度,但不限于此,只要利用3个阶段以上的关联度来表现即可,相反,如果是3个阶段以上,则也可以利用100个阶段或1000阶段。另一方面,该关联度也可以包含利用2个阶段、即是否彼此关联的1或0中的任意一方来表现。
根据由上述结构构成的本发明,不需要特别熟练,能够以较少的劳力而容易地进行收获量或品质的预测。此外,根据本发明,相比于由人进行判断,能够更高精度地进行该搜索解的判断。并且,利用人工智能(神经网络等)构成上述的关联度,由此,通过对其进行学习能够进一步提高其判别精度。
此外,根据本发明,其特征在于,经由被设定为3个阶段以上的关联度来进行最佳的物性或生成机构的搜索。关于关联度,除了上述的5个阶段以外,例如可以利用0~100%的数值来记述,但是不限于此,只要能够利用3个阶段以上的数值记述,则可以利用任意的阶段来构成。
在基于利用这样的3个阶段以上的数值表示的关联度搜索最可能的收获量或品质从而考虑多个具有搜索解的可能性的候选的状况下,还能够按照该关联度从高到低的顺序进行搜索并显示。如果能够这样按照关联度从高到低的顺序向用户显示,则还能够优先地显示更可能的搜索解。
除此之外,根据本发明,关联度为1%这样的极低的输出的判别结果也能够不遗漏地判断。即使是关联度极低的判别结果也作为细微的征兆而关联,能够提醒用户注意该判别结果有时在几十次、几百次中有一次有用。
进而,根据本发明,基于这样的3个阶段以上的关联度进行搜索,由此存在能够利用阈值的设定方法来决定搜索方针的优点。如果使阈值降低,则即使上述的关联度为1%也能够不遗漏地选出,但相反,能够适当地检测更合适的判别结果的可能性降低,有时选出大量的噪声。另一方面,如果提高阈值,则能够以高概率检测到最优搜索解的可能性高,但相反,虽然通常关联度较低而通过,但有时会忽略几十次、几百次中出现一次的合适的解。关于注重哪一方,可以基于用户侧、系统侧的考虑方法来决定,但是,能够提高选择这样的重要关注点的自由度。
进而,在本发明中,也可以使上述的关联度更新。该更新例如可以反映经由以因特网为首的公共通信网提供的信息。此外,在拍摄农作物的图像,且除此以外取得了土壤信息、外部环境信息、历史信息、时期信息、种类信息、以及与针对这些信息的收获量或品质有关的见解、信息、数据的情况下,根据它们来提高或降低关联度。
即,该更新相当于人工智能中所说的学习。由于进行了取得新的数据并将其反映于学习完毕数据的处理,因此可以说是学习行为。
此外,关于该关联度的更新,除了基于可从公共通信网取得的信息进行更新以外,也可以是,基于专家的研究数据或论文、学会发表、或报纸文章、书籍等的内容而由系统侧或用户侧人为或自动地进行更新。在这些更新处理中也可以使用人工智能。
此外,最初制作学习完毕模型的过程以及上述的更新不仅可以使用监督学习,也可以使用无监督学习、深度学习、强化学习等。在无监督学习的情况下,也可以读入与输入数据相当的信息而进行学习来取代读入输入数据和输出数据的数据集进行学习,由此自己形成与输出数据关联的关联度。
附图标记说明
1 收获量预测系统
2 预测装置
21 内部总线
23 显示部
24 控制部
25 操作部
26 通信部
27 估计部
28 存储部
61 节点
Claims (10)
1.一种农作物的收获量预测程序,其预测农作物的收获量,其特征在于,所述农作物的收获量预测程序使计算机执行以下步骤:
参照用信息取得步骤,取得参照用图像信息和参照用土壤信息,该参照用图像信息是从拍摄培育中的农作物而得到的图像中提取农作物的生长状况、农作物发生的害虫灾害、农作物发生的病害中的任意信息而得到的,该参照用土壤信息反映了种植该农作物的土壤的成分的调査结果;
关联度取得步骤,取得如下的组合与针对该组合的收获所述培育中的农作物时的收获量之间的3个阶段以上的关联度,其中,该组合具有在所述参照用信息取得步骤中取得的所述参照用图像信息和所述参照用土壤信息;
信息取得步骤,在新预测农作物的收获量时,通过新拍摄培育中的农作物的图像,取得提取所述农作物的生长状况、农作物发生的害虫灾害、农作物发生的病害中的任意信息得到的图像信息,并且取得与种植该农作物的土壤有关的土壤信息;以及
预测步骤,参照在所述关联度取得步骤中取得的关联度,基于经由所述信息取得步骤而取得的图像信息和土壤信息,新预测培育中的农作物的收获量。
2.一种农作物的收获量预测程序,其预测农作物的收获量,其特征在于,所述农作物的收获量预测程序使计算机执行以下步骤:
参照用信息取得步骤,取得参照用图像信息和参照用外部环境信息,该参照用图像信息是从拍摄培育中的农作物而得到的图像中提取农作物的生长状况、农作物发生的害虫灾害、农作物发生的病害中的任意信息而得到的,该参照用外部环境信息是检测该农作物的培育过程中的包含洪水、干旱的灾害状况而得到的;
关联度取得步骤,取得如下的组合与针对该组合的收获所述培育中的农作物时的收获量之间的3个阶段以上的关联度,其中,该组合具有在所述参照用信息取得步骤中取得的所述参照用图像信息和所述参照用土壤信息;
信息取得步骤,在新预测农作物的收获量时,通过新拍摄培育中的农作物的图像,取得提取所述农作物的生长状况、农作物发生的害虫灾害、农作物发生的病害中的任意信息得到的图像信息,并且取得与该农作物的培育过程中的包含洪水、干旱的灾害状况有关的外部环境信息;以及
预测步骤,参照在所述关联度取得步骤中取得的关联度,基于经由所述信息取得步骤而取得的图像信息和外部环境信息,新预测培育中的农作物的收获量。
3.根据权利要求1所述的农作物的收获量预测程序,其特征在于,
在所述关联度取得步骤中,还取得具有与所述农作物的培育时期有关的参照用时期信息的组合与针对该组合的收获所述培育中的农作物时的收获量之间的3个阶段以上的关联度,
在信息取得步骤中,还新取得与培育中的农作物的培育时期有关的时期信息,
在所述预测步骤中,还基于经由所述信息取得步骤而取得的时期信息来预测所述收获量。
4.根据权利要求1所述的农作物的收获量预测程序,其特征在于,
在所述关联度取得步骤中,取得还具有与所述农作物的种类有关的参照用种类信息的组合与针对该组合的收获所述培育中的农作物时的收获量之间的3个阶段以上的关联度,
在信息取得步骤中,还新取得与培育中的农作物的种类有关的种类信息,
在所述预测步骤中,还基于经由所述信息取得步骤而取得的种类信息来预测所述收获量。
5.根据权利要求1所述的农作物的收获量预测程序,其特征在于,
在所述关联度取得步骤中,取得与人工智能的神经网络的节点的各输出的权重系数对应的所述关联度。
6.一种栽培环境判别程序,其判别栽培农作物的栽培环境的正常性,其特征在于,所述栽培环境判别程序使计算机执行以下步骤:
关联度取得步骤,预先取得参照用设备数据与由温度或湿度构成的栽培环境的正常性之间的3个阶段以上的关联度,其中,该参照用设备数据由从创造栽培农作物的栽培环境的空调设备取得的电力、电气、电压、振动、声音中的任意1个以上构成;
信息取得步骤,在新判别农作物的栽培环境时,从创造该栽培环境的空调设备取得电力、电气、电压、振动、声音中的任意1个以上的数据中的与所述参照用设备数据对应的设备数据;以及
判别步骤,利用在所述关联度取得步骤中取得的关联度,基于经由所述信息取得步骤而取得的设备数据,判别由温度或湿度构成的栽培环境的正常性。
7.根据权利要求6所述的栽培环境判别程序,其特征在于,
在所述关联度取得步骤中,取得具有所述参照用设备数据和直接检测所述栽培环境得到的参照用环境数据的组合与所述栽培环境的正常性之间的关联度,
在所述信息取得步骤中,取得所述设备数据和直接检测该栽培环境得到的环境数据,
在所述判别步骤中,利用在所述关联度取得步骤中取得的关联度,基于经由所述信息取得步骤而取得的设备数据和环境数据,判别所述栽培环境的正常性。
8.根据权利要求6所述的栽培环境判别程序,其特征在于,
在所述关联度取得步骤中,取得具有所述参照用设备数据和直接检测农作物的状态得到的参照用农作物状态数据的组合与所述栽培环境的正常性之间的关联度,
在所述信息取得步骤中,取得所述设备数据和直接检测农作物的状态得到的农作物状态数据,
在所述判别步骤中,利用在所述关联度取得步骤中取得的关联度,基于经由所述信息取得步骤而取得的设备数据和农作物状态数据,判别所述栽培环境的正常性。
9.根据权利要求6所述的栽培环境判别程序,其特征在于,
在所述关联度取得步骤中,取得具有所述参照用设备数据和对农作物的培育阶段进行分类得到的参照用农作物培育阶段数据的组合与所述栽培环境的正常性之间的关联度,
在所述信息取得步骤中,取得所述设备数据和农作物培育阶段数据,
在所述判别步骤中,利用在所述关联度取得步骤中取得的关联度,基于经由所述信息取得步骤而取得的设备数据和农作物培育阶段数据,判别所述栽培环境的正常性。
10.根据权利要求6所述的栽培环境判别程序,其特征在于,
在所述关联度取得步骤中,预先取得由人工智能的神经网络的节点构成的所述3个阶段以上的关联度。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019043082A JP6704148B1 (ja) | 2019-03-08 | 2019-03-08 | 農作物の収穫量予測プログラム及び農作物の品質予測プログラム |
JP2019-043082 | 2019-03-08 | ||
JP2019-069869 | 2019-04-01 | ||
JP2019069869A JP6696651B1 (ja) | 2019-04-01 | 2019-04-01 | 栽培環境判別プログラム |
PCT/JP2020/008598 WO2020184241A1 (ja) | 2019-03-08 | 2020-03-02 | 農作物の収穫量予測プログラム、栽培環境判別プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113544714A true CN113544714A (zh) | 2021-10-22 |
Family
ID=72426535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080019395.3A Withdrawn CN113544714A (zh) | 2019-03-08 | 2020-03-02 | 农作物的收获量预测程序、栽培环境判别程序 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220189025A1 (zh) |
EP (1) | EP3937098A1 (zh) |
CN (1) | CN113544714A (zh) |
WO (1) | WO2020184241A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110000785B (zh) * | 2019-04-11 | 2021-12-14 | 上海交通大学 | 农业场景无标定机器人运动视觉协同伺服控制方法与设备 |
CN113435649B (zh) * | 2021-06-29 | 2022-09-16 | 布瑞克农业大数据科技集团有限公司 | 一种全域农业数据整理方法、系统、装置及介质 |
CN116894514A (zh) * | 2023-07-13 | 2023-10-17 | 中国农业科学院农业环境与可持续发展研究所 | 一种基于土壤质量指标的作物产量预测方法及系统 |
CN117688404B (zh) * | 2024-02-02 | 2024-05-10 | 北京市农林科学院智能装备技术研究中心 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3577286B2 (ja) * | 2001-03-30 | 2004-10-13 | 渡辺パイプ株式会社 | 栽培支援システム及び養液栽培システム |
JP2003018918A (ja) * | 2001-07-09 | 2003-01-21 | Onga Eng:Kk | 農場管理システム |
JP5194520B2 (ja) * | 2007-03-30 | 2013-05-08 | 富士通株式会社 | 作業手順提案装置 |
JP2010166851A (ja) * | 2009-01-22 | 2010-08-05 | Chiharu Hongo | 作物の収量予測方法及びその装置 |
JP2011193843A (ja) * | 2010-03-23 | 2011-10-06 | Panasonic Electric Works Co Ltd | 農作物情報管理システム |
JP6147579B2 (ja) * | 2013-06-18 | 2017-06-14 | 株式会社日立製作所 | 収量予測システムおよび収量予測装置 |
WO2018181041A1 (ja) * | 2017-03-29 | 2018-10-04 | 日本電気株式会社 | 圃場管理装置、圃場管理方法、及びコンピュータ読み取り可能な記録媒体 |
JP6260979B1 (ja) * | 2017-06-05 | 2018-01-17 | クリスタルメソッド株式会社 | 事象評価支援システム、事象評価支援装置、及び事象評価支援プログラム |
JP2019020825A (ja) * | 2017-07-12 | 2019-02-07 | 日本車輌製造株式会社 | 営農設備監視管理システム |
-
2020
- 2020-03-02 EP EP20769040.5A patent/EP3937098A1/en not_active Withdrawn
- 2020-03-02 CN CN202080019395.3A patent/CN113544714A/zh not_active Withdrawn
- 2020-03-02 WO PCT/JP2020/008598 patent/WO2020184241A1/ja active Application Filing
- 2020-03-02 US US17/436,383 patent/US20220189025A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220189025A1 (en) | 2022-06-16 |
WO2020184241A1 (ja) | 2020-09-17 |
EP3937098A1 (en) | 2022-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113544714A (zh) | 农作物的收获量预测程序、栽培环境判别程序 | |
US9336492B1 (en) | Modeling of re-moistening of stored grain crop for acceptable time-of-sale moisture level and opportunity windows for operation of storage bin fans based on expected atmospheric conditions | |
EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
Madden et al. | How to develop plant disease forecasters | |
US9009087B1 (en) | Modeling the impact of time-varying weather conditions on unit costs of post-harvest crop drying techniques using field-level analysis and forecasts of weather conditions, facility metadata, and observations and user input of grain drying data | |
US9076118B1 (en) | Harvest advisory modeling using field-level analysis of weather conditions, observations and user input of harvest condition states, wherein a predicted harvest condition includes an estimation of standing crop dry-down rates, and an estimation of fuel costs | |
EP3550498A1 (en) | Information processing device and information processing system | |
JP6704148B1 (ja) | 農作物の収穫量予測プログラム及び農作物の品質予測プログラム | |
JP6551943B2 (ja) | 生育管理装置、生育管理方法、及び、プログラム | |
CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
JP2021057071A (ja) | 農作物の栽培方法提案プログラム及びシステム | |
WO2016118684A1 (en) | Harvest advisory modeling using field-level analysis of weather conditions and observations and user input of harvest condition states and tool for supporting management of farm operations in precision agriculture | |
CN113329617A (zh) | 信息处理设备和信息处理系统 | |
KR20220034166A (ko) | 자동화 식물 모니터링 시스템 및 그 방법 | |
CN114723118A (zh) | 一种基于物联网的虫害预警系统 | |
KR102381491B1 (ko) | 작물 재배 애플리케이션을 통한 적응형 재배 정보 제공 시스템 | |
Elghamrawy | An AI-Based Prediction Model for Climate Change Effects on Crop production using IoT | |
JP6974662B2 (ja) | 予測装置 | |
FAISAL | A pest monitoring system for agriculture using deep learning | |
JP2021128783A (ja) | 屋内環境判別プログラム | |
JP6696651B1 (ja) | 栽培環境判別プログラム | |
JP2021128686A (ja) | 栽培環境判別プログラム | |
JP7405177B2 (ja) | 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 | |
Choudhury et al. | Scalable Prediction of Potato Pests and Diseases with Insights from Mobile Sensing for Rabi 2021–22 | |
Manjunatha et al. | Machine Learning and Internet of Things for infection Prediction in Fruits and Vegetables |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211022 |
|
WW01 | Invention patent application withdrawn after publication |