CN115023134A - 生长诊断系统、生长诊断服务器以及生长诊断方法 - Google Patents
生长诊断系统、生长诊断服务器以及生长诊断方法 Download PDFInfo
- Publication number
- CN115023134A CN115023134A CN202080095040.2A CN202080095040A CN115023134A CN 115023134 A CN115023134 A CN 115023134A CN 202080095040 A CN202080095040 A CN 202080095040A CN 115023134 A CN115023134 A CN 115023134A
- Authority
- CN
- China
- Prior art keywords
- growth
- state value
- crop
- image
- estimated
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供能够提高生长诊断模型的精度的生长诊断系统、生长诊断服务器以及生长诊断方法。生长诊断系统(10)的偏离判定部(83)将由生长诊断模型计算出的作物(502)的生长状态值即推定生长状态值与基于由摄像机(120)获取到的场圃(500)或作物(502)的图像计算出的作物(502)的生长状态值即检测生长状态值进行比较。模型修正部(84)根据偏离判定部的比较结果来修正生长诊断模型。
Description
技术领域
本发明涉及生长诊断系统、生长诊断服务器以及生长诊断方法。
背景技术
在日本特开2015-000049号(以下称为“JP2015-000049A”)中,以尽可能抑制调查场圃数的同时,使用航拍图像和农作物的特定的生长阶段中的时序气象数据来高精度地推测收获量为课题(摘要)。为了解决该课题,在JP2015-000049A(摘要)中,根据过去存储的调查地域的图像或场圃的属性信息、作为调查对象的场圃被拍摄到的航拍图像,决定成为用于选定应调查的实测场圃的判断基准的参数组,以使所述参数组尽可能具有方差的方式选定实测场圃,另外,为了尽可能地减少调查的负担,以尽可能使实测场圃的候选在位置上集中的方式选定实测场圃。另外,通过按照每个生长阶段解析气象数据的时序模式,由此,计算与生长状况相关的某参数组,实施将图像特征量、场圃的属性信息和所述参数组作为说明变量的收获量推算。
在JP2015-000049A中,利用使用式3~式5那样的模型的收获量推算模型([0056]~[0059])。
在日本特开2018-082648号(以下称为“JP2018-082648A”)中,以提供能够比以往更容易地确定场圃内的氮施用量的施肥设计方法等为目的(摘要、[0009])。为了实现该目的,在JP2018-082648A(摘要)中,具有以下步骤:测量本期生长中的作物的叶色及茎数(S31);根据测量出的叶色及茎数,求出作物的吸收氮量的阶段(S32);通过从吸收氮量减去本期投入完毕氮施用量(S33),求出当前的地力氮量的阶段(S34);以及根据用于使地力氮量和用于使作物生长的适当氮量,求出使下一期的作物生长所需的下一期生长用氮施用量的阶段(S35)。
发明内容
(发明要解决的课题)
如上所述,JP2015-000049A(摘要)中,作为实施收获量推算的生长诊断模型而使用。另外,JP2018-082648A(摘要)中,使用求出下一期生长用氮施用量的生长诊断模型。但是,在这些生长诊断模型中,在精度方面存在改善的余地。
本发明是考虑上述那样的课题而完成的,其目的在于提供能够提高生长诊断模型的精度的生长诊断系统、生长诊断服务器以及生长诊断方法。
(用于解决课题的技术方案)
本发明的生长诊断系统具有:
生长诊断装置,其利用生长诊断模型来诊断场圃中的作物的生长状态;
摄像机,其获取所述场圃的图像;
检测状态值计算部,其基于所述场圃的图像,计算作为所述作物的生长状态值的检测生长状态值;
偏离判定部,其将作为通过所述生长诊断模型计算出的所述作物的生长状态值的推定生长状态值与所述检测生长状态值进行比较;以及
模型修正部,其根据所述偏离判定部的比较结果来修正所述生长诊断模型。
根据本发明,对由生长诊断模型计算出的推断生长状态值与基于由摄像机获取到的场圃的图像的检测生长状态值进行比较来修正生长诊断模型。由此,能够以与基于场圃的图像的检测生长状态值的可靠性相应的精度进行与每个场圃的特性相应的生长诊断,因此能够提高生长诊断模型的精度。另外,通过使用场圃的图像,能够简单地进行与每个场圃的特性相应的生长诊断。
所述作物的生长状态值例如可以包括所述作物的谷粒数、或者在所述场圃中进行光合作用的叶的面积率的有效受光面积率、或者在所述场圃的图像中被所述作物吸收的红色光的比例即红色光吸收率。另外,作为所述作物的生长状态值,也可以使用将有效受光面积率乘以对象面积而得到的有效受光面积、将红色光吸收率乘以对象面积而得到的红色光吸收量。该情况下,也可以是,在所述偏离判定部判定为通过所述生长诊断模型计算出的所述作物的推定谷粒数、推定有效受光面积率、推定红色光吸收率、推定有效受光面积、或者推定红色光吸收量、与基于所述场圃的图像算出的所述作物的检测谷粒数、检测有效受光面积率、检测红色光吸收率、检测有效受光面积或检测红色光吸收量之间的差分的绝对值或差分的比例超过了所述生长状态值的第一差分阈值的情况下,所述模型修正部修正所述生长诊断模型。由此,能够仅在修正生长诊断模型的必要性高的情况下,进行该修正。
另外,这里所说的有效受光面积率是指进行光合作用的叶(以及茎)在场圃的图像整体中所占的比例。另外,红色光吸收率表示在场圃的图像中红色光的波段被作物吸收的比例,是表示进行光合作用的叶绿素的量的指标之一。
也可以是,所述生长诊断系统还具备拍摄不良判定部,所述拍摄不良判定部基于所述场圃的图像来判定有无所述摄像机的拍摄不良。另外,也可以是,所述检测状态值计算部基于所述拍摄不良判定部判定为无所述拍摄不良的所述场圃的图像,来计算所述检测生长状态值。由此,能够仅在无拍摄不良的情况下(即,拍摄正常的情况),使用检测生长状态值。
所述生长诊断系统还可以具有再拍摄请求部,在所述拍摄不良判定部判定为存在所述拍摄不良的情况下,所述再拍摄请求部请求由所述摄像机进行再拍摄。由此,通过再拍摄来提高检测生长状态值的精度,从而能够提高生长诊断模型的可靠性。
也可以是,所述拍摄不良判定部针对每个所述场圃或针对所述场圃所包含的每个部分区域来判定有无所述拍摄不良。也可以是,在存在所述拍摄不良的情况下,所述再拍摄请求部请求针对存在所述拍摄不良的场圃进行所述再拍摄。由此,能够以场圃为单位重新获取检测生长状态值。
或者,也可以是,所述拍摄不良判定部针对所述场圃所包含的每个部分区域来判定有无所述拍摄不良。也可以是,在存在所述拍摄不良的情况下,所述再拍摄请求部请求针对存在所述拍摄不良的所述部分区域进行所述再拍摄。由此,通过仅对存在拍摄不良的部分区域进行再拍摄,能够减少工时。
也可以是,所述再拍摄请求部在所述拍摄不良判定部判定为存在所述拍摄不良的情况下,请求以与前次拍摄不同的时间段或不同的太阳高度进行所述再拍摄。由此,能够降低再次出现拍摄不良的可能性。
也可以是,所述再拍摄请求部在所述拍摄不良判定部判定为存在所述拍摄不良的情况下,请求以所述摄像机和太阳的相对位置关系与前次拍摄不同的朝向进行所述再拍摄。由此,能够降低再次出现拍摄不良的可能性。
也可以是,所述再拍摄请求部在所述拍摄不良判定部判定为存在所述拍摄不良的情况下,请求以与前次拍摄不同的天气进行所述再拍摄。由此,能够降低再次出现拍摄不良的可能性。
也可以是,所述再拍摄请求部在所述拍摄不良判定部判定为存在所述拍摄不良的情况下,请求以所述摄像机和所述场圃的相对位置关系与前次拍摄不同的朝向进行所述再拍摄。由此,能够降低再次出现拍摄不良的可能性。
也可以是,在通过所述生长诊断模型计算出的所述作物的推定谷粒数、所述推定有效受光面积率、所述推定红色光吸收率、所述推定有效受光面积、或者所述推定红色光吸收量、与基于所述场圃的图像计算出的所述作物的检测谷粒数、所述检测有效受光面积率、所述检测红色光吸收率、所述检测有效受光面积或所述检测红色光吸收量之间的差分的绝对值或差分的比例超过所述第一差分阈值的情况下,修正所述生长诊断模型的系数或初始值。由此,在推定生长状态值与检测生长状态值的偏离的原因在于生长诊断模型的系数或初始值的情况下,能够更适当地修正生长诊断模型。
所述生长诊断系统还可以具有:无人机,其搭载有所述摄像机;以及时间表管理部,其对用于所述推定生长状态值与所述检测生长状态值的比较的、由所述无人机进行的拍摄的时间表进行管理。也可以是,在所述偏离判定部判定为所述推定生长状态值与所述检测生长状态值之间的差分的绝对值或者差分的比例超过所述第一差分阈值的情况下,所述时间表管理部在原计划的下次拍摄之前加入新的拍摄计划,或者使下次拍摄的时期比所述原计划提前。由此,能够比较早期地再确认推定生长状态值与检测生长状态值的偏离,换言之,生长诊断模型的可靠性高。
也可以是,在所述偏离判定部判定为所述推定生长状态值与所述检测生长状态值之间的差分的绝对值或差分的比例超过所述第一差分阈值之后,在所述推定生长状态值与所述检测生长状态值之间的差分低于第二差分阈值的情况下,所述时间表管理部使所述拍摄的时间表返回到原计划。由此,在能够判定为推定生长状态值与检测生长状态值的差分的绝对值或者差分的比例充分小的情况下,换言之,在能够判定为生长诊断模型的可靠性充分高的情况下,能够使无人机的拍摄定时延迟。
也可以是,在所述推定生长状态值与所述检测生长状态值之间的差分的绝对值或差分的比例低于第三差分阈值、且所述作物的成长与预期一致或比预期提前的情况下,与原计划相比,所述时间表管理部减少拍摄次数。由此,在能够判定为推定生长状态值与检测生长状态值的差分充分小的情况下,换言之,在能够判定为生长诊断模型的可靠性充分高的情况下,能够使无人机的拍摄定时延迟。
也可以是,在所述作物比预期更早成熟的情况下,所述时间表管理部使最后一次拍摄的定时提前。由此,能够避免在不需要的定时的拍摄。
也可以是,在所述作物的生长状态值的变化量、或者每单位期间的所述作物的生长状态值的变化量、或者所述生长状态值的绝对值比第一频度判定阈值大的定时,所述时间表管理部提高所述拍摄的频度。由此,在作物的生长状态值的变化量或每单位期间的生长状态值的变化量或生长状态值的绝对值大的定时,容易确认生长诊断系统的可靠性。另外,这里所说的“提高频度”可以是缩短拍摄的最小日程间隔(间隙)、以及增加给定期间中的拍摄的次数中的任意一种。
也可以是,在所述生长状态值的绝对值或者每单位期间的所述生长状态值的变化量或者所述生长状态值的变化量的绝对值比第二频度判定阈值小的定时,所述时间表管理部降低所述拍摄的频度。由此,在生长状态值的绝对值或每单位期间的作物的生长状态值的变化量或生长状态值的变化量的绝对值小的定时,能够抑制无人机的拍摄频度。
也可以是,所述时间表管理部配合所述作物的生长阶段来切换所述第一频度判定阈值或者所述第二频度判定阈值。由此,能够根据作物的生长阶段来切换拍摄频度。
也可以是,所述作物的生长阶段的转移时期中的所述无人机的拍摄频度即转移时频度大于所述作物的生长阶段的转移时期以外的时期中的通常的所述拍摄频度即通常频度。也可以是,偏离时最大频度比所述转移时频度大,所述偏离时最大频度是在所述偏离判定部判定为所述推定生长状态值与所述检测生长状态值之间的差分的绝对值或差分的比例超过所述第一差分阈值时由所述时间表管理部能够设定的所述拍摄频度的最大值。由此,能够提高推定生长状态值与检测生长状态值的偏离的情况下的拍摄频度,提高生长诊断系统的可靠性。
也可以是,所述生长诊断系统具备:收获量传感器,其对收割的所述作物的谷粒数或重量即收获量进行测量;以及收获量输入部,其输入作为测量出的所述谷粒数或所述重量的测量收获量。另外,也可以是,所述推定生长状态值包括推定收获量,该推定收获量是由所述生长诊断模型计算出的所述作物的谷粒数或重量。也可以是,在对所述收获量输入部输入了所述测量收获量的情况下,所述模型修正部对所述测量收获量和所述推定收获量进行比较并修正所述生长诊断模型。由此,在测量收获量的精度比检测收获量(基于图像计算出的作物的谷粒数或重量)的精度高的情况下,通过优先使用测量收获量与推定收获量的比较结果,能够提高生长诊断系统的可靠性。
也可以是,在所述作物为稻的情况下,所述生长诊断系统具备:碎米率测量器,其测量收获后的单位量的米中包含的未成熟米的比例即碎米率;以及碎米率输入部,其输入作为测量出的所述碎米率的测量碎米率。也可以是,所述推定生长状态值包括作为通过所述生长诊断模型计算出的所述碎米率的推定碎米率。也可以是,在对所述碎米率输入部输入了所述测量碎米率的情况下,所述模型修正部对所述测量碎米率与所述推定碎米率进行比较并修正所述生长诊断模型。由此,在测量碎米率的精度比检测碎米率(基于图像计算出的碎米率)的精度高的情况下,通过优先使用测量碎米率和推定碎米率的比较结果,能够提高生长诊断系统的可靠性。
本发明的生长诊断服务器是利用生长诊断模型诊断作物的生长状态的生长诊断服务器,具有:
检测状态值计算部,其基于由摄像机获取到的所述作物的图像,计算作为所述作物的生长状态值的检测生长状态值;
偏离判定部,其将作为通过所述生长诊断模型计算出的所述作物的生长状态值的推定生长状态值与所述检测生长状态值进行比较;以及
模型修正部,其根据所述偏离判定部的比较结果来修正所述生长诊断模型。
本发明的生长诊断方法是利用生长诊断模型诊断作物的生长状态的生长诊断方法,具有:
检测状态值计算步骤,基于由摄像机获取到的所述作物的图像,计算作为所述作物的生长状态值的检测生长状态值;
偏离判定步骤,将作为通过所述生长诊断模型计算出的所述作物的生长状态值的推定生长状态值与所述检测生长状态值进行比较;以及
模型修正步骤,根据所述偏离判定步骤中的比较结果来修正所述生长诊断模型。
(发明效果)
根据本发明,能够提高生长诊断模型的精度。
附图说明
图1是表示本发明的一个实施方式的生长诊断系统的概要的整体结构图。
图2是简略表示所述实施方式的生长诊断服务器的结构的结构图。
图3是简略表示所述实施方式的无人机的结构的结构图。
图4是表示所述实施方式中的校准时间表管理控制的第一流程图。
图5是表示所述实施方式中的所述校准时间表管理控制的第二流程图。
图6是用于说明所述实施方式中的必要监视状况的判定方法的说明图。
图7是所述实施方式中的校准执行控制的流程图。
具体实施方式
A.一实施方式
<A-1.结构>
[A-1-1.整体结构]
图1是表示本发明的一个实施方式的生长诊断系统10的概要的整体结构图。生长诊断系统10(以下也称为“系统10”)能够进行在场圃500生长的作物502的生长诊断,并且对作物502播撒药剂(包括液体肥料)。本实施方式的作物502是稻(水稻),但如后所述也可以是其他作物。场圃500是水田。
如图1所示,系统10具有:场圃传感器组20、生长诊断服务器22、无人机24、第一用户终端26、第二用户终端28、第三用户终端30、收获量传感器32以及选米机34(碎米率测量器)。场圃传感器组20、无人机24、第一用户终端26以及第二用户终端28能够经由通信网络38(包括无线基站36)相互进行无线通信,并且能够与生长诊断服务器22进行通信。作为无线通信,能够使用不经由无线基站36的通信(例如,LTE(Long Term Evolution:长期演进)、WiFi等)。生长诊断服务器22也能够经由通信网络38与信息提供服务器40通信。
[A-1-2.场圃传感器组20]
场圃传感器组20设置于作为水田的场圃500,检测场圃500中的各种数据并提供给生长诊断服务器22等。场圃传感器组20例如包括水温传感器、温度传感器、降水量传感器、照度计、风速计、气压计及湿度计。水温传感器检测作为水田的场圃500的水温。温度传感器检测场圃500的气温。降水量传感器检测场圃500的降水量。照度计检测场圃500的日照量。风速计检测场圃500的风速。气压计检测场圃500的气压。湿度计检测场圃500的湿度。这些传感器的值的一部分也可以从信息提供服务器40获取。
[A-1-3.生长诊断服务器22]
(A-1-3-1.概要)
图2是简略表示本实施方式的生长诊断服务器22的结构的结构图。生长诊断服务器22(以下也称为“诊断服务器22”)进行使用了生长诊断模型的生长诊断,基于诊断结果对用户进行作业指示。作业指示中包括施肥的定时、肥料的种类/量、农药的播撒定时、农药的种类/量等。
如图2所示,诊断服务器22具有输入输出部50、通信部52、运算部54以及存储部56。通信部52具有未图示的调制解调器等。通信部52通过经由通信网络38,能够与场圃传感器组20、无人机24、第一用户终端26、第二用户终端28、第三用户终端30、信息提供服务器40等进行通信。
运算部54包括中央运算装置(CPU),通过执行存储于存储部56的程序来进行动作。运算部54执行的功能的一部分也能够使用逻辑IC(Integrated Circuit:集成电路)来实现。运算部54也可以由硬件(电路部件)构成所述程序的一部分。后述的无人机24的运算部等也是同样的。
存储部56存储运算部54使用的程序以及数据,具备随机访问存储器(以下称为“RAM”)。作为RAM,可以使用寄存器等易失性存储器、以及硬盘、闪存等非易失性存储器。另外,存储部56除了具有RAM以外,还可以具有读取/写入存储器(ROM)。后述的无人机24的存储部等也是同样的。
(A-1-3-2.运算部54)
如图2所示,运算部54具有无人机飞行管理部60和生长诊断部62。无人机飞行管理部60管理无人机24的飞行(路径等)。生长诊断部62进行使用了生长诊断模型的生长诊断。
无人机飞行管理部60具有飞行路线生成部70和再拍摄请求部72。飞行路线生成部70生成无人机24的飞行路线。再拍摄请求部74在拍摄不良判定部81(后述)判定为由无人机24进行的拍摄不正常的情况下,请求由无人机24进行的再拍摄。
生长诊断部62具有时间表管理部80、拍摄不良判定部81、图像处理部82、偏离判定部83、模型修正部84以及诊断执行部85。时间表管理部80管理生长诊断模型的校准的时间表。拍摄不良判定部81在校准时判定由无人机24进行的拍摄不良。图像处理部82对无人机24拍摄到的图像进行处理,计算作物502的生长状态值V(检测生长状态值Vd)。偏离判定部83将由生长诊断模型计算出的作物的生长状态值V即推定生长状态值Ve与检测生长状态值Vd进行比较,判定两者的偏离。模型修正部84根据偏离判定部83的比较结果修正生长诊断模型。诊断执行部85执行生长诊断控制。
(A-1-3-3.存储部56)
存储部56存储为了实现无人机飞行管理部60、生长诊断部62等而供运算部54使用的程序以及数据,并且具有场圃数据库90(以下称为“场圃DB90”)以及生长诊断数据库92(以下称为“生长诊断DB92”)。场圃DB90累积无人机24的飞行所需的每个场圃500的信息(飞行用场圃信息)。飞行用场圃信息例如包含场圃500的位置信息。生长诊断DB92累积与生长诊断相关的各种信息(生长诊断信息)。在生长诊断信息中,例如包含生长诊断的时间表、过去的诊断结果(包括过去栽培的作物502的种类、收获量Q、碎米率R)、生长诊断模型(包括系数、初始值的参数等)、拍摄数据(场圃500的图像)。
[A-1-4.无人机24]
图3是简略表示本实施方式的无人机24的结构的结构图。在本实施方式中,无人机24作为获取生长诊断模型的校准用的场圃图像的机构而发挥功能,并且还作为播撒针对作物502的药液(包括液体肥料)的机构而发挥功能。无人机24在起落地点510(图1)进行起降。
如图3所示,无人机24具有无人机传感器组100、通信部102、飞行机构104、拍摄机构106、播撒机构108、以及无人机控制部110。
无人机传感器组100具有全球定位系统传感器(以下称为“GPS传感器”)、速度计、高度计、陀螺仪传感器、液量传感器(均未图示)等。GPS传感器输出无人机24的当前位置信息。速度计检测无人机24的飞行速度。高度计检测作为无人机24下方相对于地面的距离的对地高度。陀螺仪传感器检测无人机24的角速度。液量传感器检测播撒机构108的罐内的液量。
通信部102能够经由通信网络38进行电波通信,例如包括电波通信模块。通信部102通过经由通信网络38(包括无线基站36),能够与生长诊断服务器22、第一用户终端26、第二用户终端28等进行通信。
飞行机构104是使无人机24飞行的机构,具有多个螺旋桨和多个螺旋桨促动器。螺旋桨促动器例如具有电动马达。
拍摄机构106是拍摄场圃500或作物502的图像(以下也称为“无人机图像”或“场圃图像”)的机构,具有摄像机120。本实施方式的摄像机120是多光谱摄像机,获取特别是能够分析作物502的生长状况的图像。拍摄机构106还可以具备对场圃500照射特定波长的光线的照射部,能够接收来自场圃500相对于该光线的反射光。特定波长的光线例如可以是红色光(波长约650nm)和近红外光(波长约774nm)。通过分析该光线的反射光,能够推定作物502的氮吸收量,基于推定出的氮吸收量来分析作物502的生长状况。
摄像机120配置于无人机24的主体的下部,输出与拍摄无人机24的周边的周边图像相关的图像数据。摄像机120是拍摄动态图像的摄影机。或者,摄像机120也可以能够拍摄动态图像以及静态图像双方或者仅能够拍摄静态图像。
摄像机120能够通过未图示的摄像机促动器来调整朝向(摄像机120相对于无人机24的主体的姿势)。或者,摄像机120也可以相对于无人机24的主体而位置固定。
播撒机构108是播撒药剂(包括液体肥料)的机构,例如具有药剂罐、泵、流量调整阀以及药剂喷嘴。
无人机控制部110控制无人机24的飞行、拍摄、药剂的播撒等无人机24整体。无人机控制部110包括未图示的输入输出部、运算部以及存储部。无人机控制部110具有飞行控制部130、拍摄控制部132以及播撒控制部134。飞行控制部130经由飞行机构104控制无人机24的飞行。拍摄控制部132经由拍摄机构106控制由无人机24进行的拍摄。播撒控制部134经由播撒机构108控制由无人机24进行的药剂播撒。
[A-1-5.第一用户终端26]
第一用户终端26是在场圃500中通过作为操作者的用户600(图1)的操作来控制无人机24并且显示从无人机24接收到的信息(例如,位置、药剂量、电池余量、摄像机影像等)的便携信息终端。另外,在本实施方式中,无人机24的飞行状态(高度、姿势等)不是第一用户终端26远程控制,而是无人机24自主地进行控制。因此,当经由第一用户终端26从用户600向无人机24发送飞行指令时,无人机24进行自主飞行。但是,也可以在起飞、返回等基本操作时以及紧急时进行手动操作。第一用户终端26具备未图示的输入输出部(包括触摸面板等)、通信部、运算部以及存储部,例如由一般的平板终端构成。
另外,本实施方式的第一用户终端26接收来自生长诊断服务器22的作业指示等并进行显示。
[A-1-6.第二用户终端28]
第二用户终端28是在场圃500中操作者以外的用户602(图1)使用的便携信息终端,从诊断服务器22或者无人机24接收并显示无人机24的飞行信息(当前的飞行状况、飞行结束预定时刻等)、针对用户602的作业指示、生长诊断的信息等。第二用户终端28具备未图示的输入输出部(包括触摸面板等)、通信部、运算部以及存储部,例如由一般的智能手机构成。
[A-1-7.第三用户终端30]
第三用户终端30是在场圃500以外的场所(例如,用户600、602所属的公司)中为了利用由生长诊断服务器22进行的生长诊断而供用户600、602等使用的终端。第三用户终端30具备未图示的输入输出部(例如包括键盘以及显示部)、通信部、运算部以及存储部,例如由台式个人计算机(PC)或者笔记本型PC构成。
[A-1-8.收获量传感器32]
收获量传感器32是测量收割的作物502的收获量Q的装置。此处的收获量Q是收割的作物502(水稻)的谷粒数。或者,收获量Q也可以是收割的作物502的重量。收获量传感器32例如配置于保管收获后的作物502的仓库(未图示)。或者,收获量传感器32也可以设置于进行收获的联合收割机(未图示)。
在本实施方式中,由收获量传感器32测量出的收获量Q(以下也称为“测量收获量Qm”)由第三用户终端30输入,与场圃500的ID一起发送到生长诊断服务器22。或者,在收获量传感器32具有网络通信功能的情况下,也可以经由通信网络38向生长诊断服务器22自动地发送测量收获量Qm。另外,使用了收获量传感器32的收获量Q的测量不仅包括场圃500整体的收获后(场圃500整体的收割),还包括仅针对场圃500的一部分收割农作物502来作为农作物502的收获量Q进行测量的情况。
[A-1-9.选米机34]
选米机34(碎米率测量器)是测量收获后的作物502(水稻)的碎米率R的装置。碎米率R是每单位量的作物502中包含的未成熟米(例如,通过网眼宽度1.7mm的筛子的米)的比例。选米机34例如配置于保管收获后的作物502的仓库(未图示)。在本实施方式中,由选米机34测量出的碎米率R(以下也称为“测量碎米率Rm”)与场圃500的ID一起由第三用户终端30输入,发送到生长诊断服务器22。或者,在选米机34具有网络通信功能的情况下,也可以经由通信网络38自动地向生长诊断服务器22发送测量碎米率Rm。
[A-1-10.信息提供服务器40]
信息提供服务器40将与由气象卫星等得到的场圃500有关的信息(场圃信息)提供给生长诊断服务器22。这里所说的场圃信息例如包括场圃500的气温、降水量等。
<A-2.本实施方式的控制>
[A-2-1.概要]
在本实施方式的生长诊断系统10中,进行生长诊断控制、无人机飞行管理控制和生长诊断模型校准管理控制。生长诊断控制是基于来自场圃传感器组20的各种检测值等进行作物502的生长诊断的控制。无人机飞行管理控制是为了生长诊断控制、生长诊断模型校准管理控制等而在场圃500中管理无人机24的飞行的控制。生长诊断模型校准管理控制是进行生长诊断模型的校准的控制。
[A-2-2.生长诊断控制]
如上所述,生长诊断控制是基于来自场圃传感器组20的各种检测值等进行作物502的生长诊断的控制,主要由生长诊断服务器22(特别是生长诊断部62的诊断执行部85)执行。在此所说的生长诊断中,例如包括每个场圃500的收获量Q的推测值(推测收获量Qe)的计算以及提示、作物502的各生长阶段的时期的计算以及提供。另外,在生长诊断控制中,还进行与施肥、药剂播撒等相关的作业指示。作业指示例如显示于第一用户终端26、第二用户终端28或者第三用户终端30的显示部。
作为生长诊断控制,例如可以使用JP2015-000049A或JP2018-082648A中记载的控制。
[A-2-3.无人机飞行管理控制]
如上所述,无人机飞行管理控制是为了生长诊断控制、生长诊断模型校准管理控制等而在场圃500中管理无人机24的飞行的控制,主要由生长诊断服务器22(特别是无人机飞行管理部60)执行。具体而言,在无人机飞行管理控制中,计算拍摄场圃500时的飞行路径、目标速度、目标高度等,并发送至无人机24。
[A-2-4.生长诊断模型校准管理控制]
(A-2-4-1.概要)
如上所述,生长诊断模型校准管理控制(以下也称为“校准管理控制”)是进行生长诊断模型的校准的控制,主要由生长诊断服务器22(主要是生长诊断部62)执行。这里所说的生长诊断模型的校准包括基于无人机24所获取的场圃500(或作物502)的图像而计算出的检测值,对生长诊断模型的参数进行校准(或修正)。
校准管理控制包括校准时间表管理控制和校准执行控制。校准时间表管理控制(以下也称为“时间表管理控制”)是管理校准的执行定时的控制。校准执行控制是根据在时间表管理控制中设定的执行定时等来执行生长诊断模型的校准的控制。
(A-2-4-2.校准时间表管理控制)
(A-2-4-2-1.整体的流程)
图4以及图5是表示本实施方式中的校准时间表管理控制的第一以及第二流程图。如上所述,时间表管理控制是管理校准的执行定时的控制。在本实施方式的时间表管理控制中,进行配合作物502的生长阶段等的时间表管理、以及伴随着校准执行时的生长诊断模型的参数的变更的时间表管理。在本实施方式中,时间表管理控制以及校准执行控制按每个场圃500进行。
在图4的步骤S11中,生长诊断服务器22判定当前需要的监视状况(必要监视状况)。在必要监视状况中包含进行通常监视的通常监视状况和进行集中监视的集中监视状况。集中监视状况是由于作物502的生长状态的变化较大而提高校准的频度(频度F)的状况。
在集中监视状况中,包含例如作物502的生长阶段的切换时期、施肥的前后、作物502的生长状态值V(推定生长状态值Ve等)从目标值(目标生长状态值Vt)偏离大时、从全年的平均温度或平均日照量的偏离大时(35℃以上持续的情况等)、肥料的吸收定时、土壤中的氮量的变化。关于生长阶段的切换,参照图6在后面叙述。推定生长状态值Ve等与目标生长状态值Vt的偏离是否大的阈值(生长不良判定阈值THvd)能够按照作物502的每个生长阶段进行切换。判定从全年的平均温度的偏离是否大的阈值(温度偏离判定阈值THt)以及判定从全年的平均日照量的偏离是否大的阈值(日照量偏离判定阈值THs)能够按照作物502的每个生长阶段进行切换。
通常监视状况是校准对象期间中的集中监视状况以外的状况。
在图4的步骤S12中,生长诊断服务器22基于步骤S11的判定结果,判定当前的必要监视状况是否为通常监视状况。在当前的必要监视状况为通常监视状况的情况下(S12:真),进入步骤S13。
在步骤S13中,诊断服务器22判定作物502的成熟期(或收获期)是否未到来。该判定是针对成为控制对象的场圃500,例如基于是否进行了对象时期中的作物502的测量收获量Qm或测量碎米率Rm的输入来进行判定。在作物502的成熟期未到来的情况下(S13:真),进入步骤S14。
在步骤S14中,诊断服务器22判定当前的校准时间表是否为通常监视状况下的默认(初始)时间表。换言之,诊断服务器22判定在上次以前的时间表管理控制中是否未维持在步骤S17、S19中时间表被变更了的状态。该判定例如能够通过确认表示是否进行了时间表变更的标志的值来进行。在是通常监视状况下的默认时间表的情况下(S14:真),进入步骤S15。
在步骤S15中,诊断服务器22判定由生长诊断模型计算出的作物502的生长状态值(以下称为“推定生长状态值Ve”或“推定值Ve”)与基于场圃图像计算出的作物502的生长状态值(以下称为“检测生长状态值Vd”或“检测值Vd”)的差分D是否在允许范围内。换言之,判定差分D的绝对值是否为第一频度判定差分阈值THfm1以下。第一频度判定差分阈值THfm1能够使用与后述的差分阈值THd(图7的S58)相同的值。关于推定值Ve以及检测值Vd的计算方法、种类等,与图7的步骤S56、S57相关联地进行后述。在差分D处于允许范围内的情况下(S15:真),进入步骤S16。
在步骤S16中,诊断服务器22判定差分D是否微小(换言之,处于所述允许范围内的差分D在其中是否为非常小的值)。换言之,判定差分D的绝对值是否为第二频度判定差分阈值THfm2以下。在差分D微小的情况下(S16:真),生长诊断模型的参数可以认为是非常有效的值。因此,在步骤S17中,与默认时间表相比诊断服务器22降低校准的频度F。例如,在通常监视状况下的默认时间表中,1个月进行1次校准,步骤S17的结果是,诊断服务器22将校准变更为1.5个月进行1次。
返回到步骤S16,在微差D不是微小的情况下(S16:假),在步骤S18中,诊断服务器22维持通常监视状况下的默认时间表。
返回步骤S15,在差分D不在允许范围内的情况下(S15:假),生长诊断模型的参数的可靠性有可能变低。因此,在步骤S19中,与通常监视状况下的默认时间表相比诊断服务器22提高校准的频度F。例如,在通常监视状况下的默认时间表中,1个月进行1次校准,步骤S19的结果是,诊断服务器22将校准变更为0.5个月进行1次。
返回步骤S14,在当前的校准时间表不是通常监视状况下的默认时间表的情况下(S14:假),当前的校准时间表是通过步骤S17、S19从默认时间表变更后的时间表。在该情况下,进入步骤S20。
在步骤S20中,诊断服务器22判定时间表变更的解除条件是否成立。例如,在步骤S17中使校准频度F降低的情况下,判定差分D的绝对值是否超过了将频度F的降低进行解除的阈值(第一解除阈值THfr1)。在差分D的绝对值超过第一解除阈值THfr1的情况下,判定为解除条件成立。另外,在步骤S19中使校准频度F提高的情况下,判定差分D的绝对值是否低于将频度F的提高进行解除的阈值(第二解除阈值THfr2)。在差分D的绝对值低于第二解除阈值THfr2的情况下,判定为解除条件成立。
在时间表变更的解除条件成立的情况下(S20:真),在步骤S21中,诊断服务器22将时间表恢复为通常监视状况下的默认时间表。在时间表变更的解除条件不成立的情况下(S20:假),在步骤S22中,诊断服务器22维持当前的时间表(从通常监视状况下的默认时间表变更后的时间表)。换言之,诊断服务器22维持当前的校准频度F。
返回步骤S13,在作物502的成熟期已到来的情况下(S13:假),可以说对于本次的生长没有校准的必要性。因此,在步骤S23中,诊断服务器22提前结束校准。
返回步骤S12,在当前的必要监视状况不是通常监视状况的情况下(S12:假),当前的必要监视状况是集中监视状况。在该情况下,进入图5的步骤S31。图5的步骤S31~S39基本上成为与图4的步骤S14~S22相同的流程。但是,图4的步骤S14~S22基于通常监视状况,与此相对,图5的步骤S31~S39基于集中监视状况。因此,各步骤中的阈值等能够与图4不同。
具体而言,在步骤S31中,诊断服务器22判定当前的校准时间表是否为集中监视状况下的默认时间表。换言之,诊断服务器22判定在上次以前的时间表管理控制中是否未维持在步骤S34、S36中时间表被变更后的状态。在是集中监视状况下的默认时间表的情况下(S31:真),进入步骤S32。
在步骤S32中,诊断服务器22判定由生长诊断模型计算出的推定生长状态值Ve(推定值Ve)与基于无人机图像的检测生长状态值Vd(检测值Vd)的差分D是否在允许范围内。换言之,判定差分D的绝对值是否为第一频度判定差分阈值THfm1以下。在差分D处于允许范围内的情况下(S32:真),进入步骤S33。
在步骤S33中,诊断服务器22判定差分D是否微小(换言之,处于所述允许范围内的差分D在其中是否为非常小的值)。换言之,判定差分D的绝对值是否为第二频度判定差分阈值THfm2以下。在差分D微小的情况下(S33:真),在步骤S34中,与集中监视状况下的默认时间表相比诊断服务器22降低校准的频度F。例如,在集中监视状况下的默认时间表中,在1周中进行1次校准,步骤S34的结果是,诊断服务器22将校准变更为2周进行1次。
返回到步骤S33,在差分D并非微小的情况下(S33:假),在步骤S35中,诊断服务器22维持集中监视状况下的默认时间表。
返回到步骤S32,在差分D不在允许范围内的情况下(S32:假),在步骤S36中,与集中监视状况下的默认时间表相比诊断服务器22使校准的频度F提高。例如,在集中监视状况下的默认时间表中,在1周中进行1次校准,步骤S36的结果是,诊断服务器22将校准变更为3天进行1次。
返回到步骤S31,在当前的校准时间表不是集中监视状况下的默认时间表的情况下(S31:假),当前的校准时间表是通过步骤S34、S36从默认时间表变更后的时间表。在该情况下,进入步骤S37。
在步骤S37中,诊断服务器22判定时间表变更的解除条件是否成立。例如,在步骤S34中使校准频度F降低的情况下,判定差分D的绝对值是否超过了将频度F的降低进行解除的阈值(第一解除阈值THfr1)。在差分D的绝对值超过第一解除阈值THfr1的情况下,判定为解除条件成立。另外,在步骤S36中使校准频度F提高的情况下,判定差分D的绝对值是否低于将频度F的提高进行解除的阈值(第二解除阈值THfr2)。在差分D的绝对值低于第二解除阈值THfr2的情况下,判定为解除条件成立。
在时间表变更的解除条件成立的情况下(S37:真),在步骤S38中,诊断服务器22将时间表恢复为集中监视状况下的默认时间表。在时间表变更的解除条件不成立的情况下(S37:假),在步骤S39中,诊断服务器22维持当前的时间表(从集中监视状况下的默认时间表变更后的时间表)。换言之,诊断服务器22维持当前的校准频度F。
(A-2-4-2-2.必要监视状况的判定(图4的S11))
图6是用于说明本实施方式中的必要监视状况的判定方法的说明图。在图6中,示出了作物502的生长阶段、必要监视状况以及校准频度F的关系。
生长阶段包括营养成长期、生殖成长期和成熟期。营养成长期是从发芽到能够成为穗的基团(穗的原基)为止的期间。生殖成长期为从形成穗的原基起到出穗/开花为止的期间。成熟期是从出穗/开花到成熟的期间。
如图6所示,在本实施方式中,将营养成长期和生殖成长期的切换时期所需的监视状况设为集中监视状况,将其他期间设为通常监视状况。
需要说明的是,如上所述,必要监视状况的判定(图4的S11)不限于生长阶段,也考虑其他要素(例如施肥的定时、通常的平均气温、平均日照量的偏离量、肥料的吸收定时、土壤中的氮量的变化)来进行。例如,即使生长阶段不是营养成长期和生殖成长期的切换时期,在施肥前后、异常气象等情况下,也选择集中监视状况。
(A-2-4-3.校准执行控制)
图7是本实施方式中的校准执行控制的流程图。如上所述,校准执行控制是根据在时间表管理控制中设定的执行定时等来执行生长诊断模型的校准的控制。
在图7的步骤S51中,生长诊断服务器22(时间表管理部80)判定基于校准时间表管理控制的校准执行定时是否到来。针对诊断服务器22所管理的每个场圃500进行该判定。在校准执行定时到来的情况下(S51:真),进入步骤S52。
在步骤S52中,诊断服务器22为了校准而请求由无人机24进行的场圃500的拍摄。具体而言,诊断服务器22使第一用户终端26等显示部(触摸面板等)显示作业指示。观察到该作业指示的用户600对第一用户终端26进行操作,针对成为对象的场圃500实施由无人机24进行的拍摄。无人机24获取到的图像的数据立即被发送到诊断服务器22。或者,图像的数据也可以在拍摄结束后一并发送。
在步骤S53中,诊断服务器22判定由无人机24进行的拍摄是否正常进行。例如,诊断服务器22持续给定时间以上,判定场圃图像的相同部分的检测照度是否成为固定值。通过该判定,能够判定在摄像机120的拍摄部分是否附着有污垢。另外,诊断服务器22能够在场圃图像整体的照度过弱或过强时判定为是拍摄不良。例如,判定场圃图像中的光晕区域的面积(或像素数)是否为判定拍摄不良的阈值(拍摄不良阈值)以上。光晕区域表示像素的亮度为最大值(8比特的情况下为255)的区域。
步骤S53的判定针对每个场圃500进行。或者,步骤S53的判定也可以针对场圃500所包含的每个部分区域进行。在判定为由无人机24进行的拍摄正常的情况下(S53:真),进入步骤S56。
另一方面,在判定为由无人机24进行的拍摄不正常的情况下(S53:假),在步骤S54中,诊断服务器22请求由无人机24进行的再拍摄。具体而言,再拍摄请求部74请求在与前次拍摄不同的时间段进行再拍摄(S54)。例如,请求在从前次拍摄起经过了30分钟以上之后进行再拍摄。在使拍摄日不同的情况下,也可以使用相对于前次拍摄的拍摄时刻错开±30分钟以上的时刻。或者,也可以使用不同的太阳高度(例如±3.8度以上)来代替不同的时间段。该请求例如显示于第一用户终端26的显示部。
或者,再拍摄请求部74也可以请求无人机24与太阳的相对位置关系在与前次拍摄不同的方向上的再拍摄。由此,能够应对前次拍摄在逆光状态下进行的情况等。或者,再拍摄请求部74也可以请求与前次拍摄不同的天气下的再拍摄。例如,在晴天时进行前次拍摄的情况下,也可以请求在阴天时进行再拍摄。或者,再拍摄请求部74也可以请求无人机24与场圃500的相对位置关系在与前次拍摄不同的方向上的再拍摄。例如,在前次拍摄在沿着垄间的方向上进行的情况下,再拍摄也可以请求在与垄间正交的方向或相对于垄间倾斜的方向上进行。
在按每个场圃500或其每个部分区域进行拍摄不良的判定的情况下,能够将再拍摄的对象设为该场圃500。另外,在对场圃500的每个部分区域进行了拍摄不良的判定的情况下,再拍摄的对象也可以是该部分区域。
接受了再拍摄的作业指示的用户600在步骤S55中,对第一用户终端26进行操作,对对象的场圃500执行由无人机24进行的再拍摄。在步骤S55之后返回到步骤S53。
在步骤S56中,诊断服务器22对从无人机24接收到的图像数据进行处理,计算作物502的生长状态值V(检测生长状态值Vd)。例如,在拍摄作为作物502的水稻的近红外光(NIR)以及红外光(IR)的情况下,能够基于由摄像机120接收到的近红外光与红外光的光量的差在整体光量中所占的比例即红色光吸收率(即,被作物502吸收的红色光的比例)来判定水稻的成长程度。
在此计算出的检测生长状态值Vd能够配合生长阶段(图6)进行选择。在营养成长期中,例如,能够使用作物502的高度、叶的数量、红色光吸收率、有效受光面积率(在场圃面积中能够进行光合作用的叶的面积率)、NDVI(Normalized Diffu Vehicle Index,归一化索引)、分蘖数、叶身高、作物502的密度(土与作物502的面积比例)。在生殖成长期中,例如可以使用作物502的高度、叶的数量、有效受光面积率、NDVI。在成熟期中,例如能够使用谷粒数、NDVI。
在步骤S57中,诊断服务器22基于生长诊断模型,计算作物502的生长状态值V(推定生长状态值Ve)。在此计算出的推定生长状态值Ve用于与检测生长状态值Vd的比较,因此计算出与在步骤S56中计算出的检测生长状态值Vd相同的种类的值。
在步骤S58中,诊断服务器22判定推定生长状态值Ve与检测生长状态值Vd的差分D是否在允许范围内。换言之,判定差分D的绝对值是否为差分阈值THd以下。例如,关于步骤S56,设定与上述那样的生长状态值V(谷粒数等)的种类对应的允许范围,判定差分D是否在该允许范围内。另外,在步骤S58中进行比较的生长状态值V为收获量Q且在前期以前输入了测量收获量Qm的情况下,也可以与作为检测值Vd的收获量Q(检测收获量Qd)相比更优先使用测量收获量Qm。在前期以前输入了测量碎米率Rm的情况下也是同样的。
在差分Dv在允许范围内的情况下(S58:真),认为生长诊断模型正常地发挥功能。因此,结束本次的校准执行控制。在差分Dv不在允许范围内的情况下(S58:假),认为生长诊断模型的参数(系数或初始值)存在问题。在该情况下,进入步骤S59。
在步骤S59中,诊断服务器22修正生长模型的参数。例如,也可以使JP2015-000049A的式3([0056])中的斜率a变化给定量以使推定值Ve接近检测值Vd。
返回到步骤S51,在基于校准时间表管理控制的校准执行定时未到来的情况下(S51:假),进入步骤S60。在步骤S60中,诊断服务器22判定是否存在基于收获量传感器32的收获量Q(测量收获量Qm)或基于选米机34的碎米率R(测量碎米率Rm)的输入。
在存在测量收获量Qm或测量碎米率Rm的输入的情况下(S60:真),在步骤S61中,诊断服务器22使用输入的测量收获量Qm或测量碎米率Rm来修正生长诊断模型的参数。例如,修正模型参数以使作为当前的推定值Ve的收获量Q(推定收获量Qe)接近所输入的收获量Q(测量收获量Qm)。同样地,修正模型参数以使作为当前的推定值Ve的碎米率R(推定碎米率Re)接近所输入的碎米率R(测量碎米率Rm)。
如上所述,无人机图像在拍摄后立即被发送,因此也可以并行地进行图7的各步骤。
<A-3.本实施方式的效果>
根据本实施方式,比较由生长诊断模型计算出的推定生长状态值Ve和基于摄像机120获取到的场圃500的图像的检测生长状态值Vd来修正生长诊断模型(图7的S56~S59)。由此,能够以与基于场圃500的图像的检测生长状态值Vd的可靠性相应的精度,进行与每个场圃500的特性相应的生长诊断。另外,通过使用场圃500的图像,能够简单地进行与每个场圃500的特性相应的生长诊断。
在本实施方式中,作物502的生长状态值V包含稻的谷粒数。模型修正部84在由生长诊断模型计算出的作物20的推定谷粒数与基于无人机24的图像计算出的作物20(水稻)的检测谷粒数的差分D超过了差分阈值THd(第一差分阈值)的情况下(图7的S58:假),修正生长诊断模型(S59)。由此,能够仅在修正生长诊断模型的必要性高的情况下,进行该修正。
在本实施方式中,生长诊断系统10还具有基于场圃500的图像判定有无基于摄像机120的拍摄不良的拍摄不良判定部81(图2)。另外,图像处理部82(检测状态值计算部)在没有拍摄不良(图7的S53:真)时,基于拍摄不良判定部81判定后的场圃500的图像,计算出作为作物502的生长状态值V的检测生长状态值Vd(图7的S56)。由此,能够仅在没有拍摄不良的情况下(即,拍摄正常的情况),使用检测生长状态值Vd。
在本实施方式中,还具有在拍摄不良判定部81判定为存在拍摄不良的情况下(图7的S53:假),请求由摄像机120进行的再拍摄(S54)的再拍摄请求部74(图2)。由此,通过再拍摄来提高检测生长状态值Vd的精度,从而能够提高生长诊断模型的可靠性。
在本实施方式中,拍摄不良判定部81针对每个场圃500或场圃500所包含的每个部分区域判定有无拍摄不良(图7的S53)。另外,再拍摄请求部74在存在拍摄不良的情况下(S53:假),请求针对存在拍摄不良的场圃500的再拍摄(S54)。由此,能够以场圃500为单位重新获取检测生长状态值Ve。
另外,在拍摄不良判定部81针对场圃500所包含的每个部分区域判定了有无拍摄不良的情况且存在拍摄不良的情况下,再拍摄请求部74也可以请求针对存在拍摄不良的部分区域的再拍摄。由此,通过仅对产生了拍摄不良的部分区域进行再拍摄,能够减少工时。
在本实施方式中,在拍摄不良判定部81判定为存在拍摄不良的情况下(图7的S53:假),再拍摄请求部74请求以与前次拍摄不同的时间段或不同的太阳高度进行再拍摄(S54)。或者,再拍摄请求部74请求无人机24与太阳的相对位置关系在与前次拍摄不同的朝向上的再拍摄。或者,再拍摄请求部74请求与前次拍摄不同的天气下的再拍摄。或者,再拍摄请求部74请求摄像机120与场圃500的相对位置关系在与前次拍摄不同的朝向上的再拍摄。在任一情况下,都能够降低再次出现拍摄不良的可能性。
在本实施方式中,生长诊断系统10中,在偏离判定部83判定为推定生长状态值Ve与检测生长状态值Vd的差分D的绝对值超过了差分阈值THd(第一差分阈值)的情况下(图7的S58:假),模型修正部84修正诊断模型的参数(S59)。由此,在推定生长状态值Ve与检测生长状态值Vd的偏离的原因在于生长诊断模型的参数的情况下,能够更适当地修正生长诊断模型。
在本实施方式中,生长诊断系统10还具有:无人机24,其搭载有摄像机120;以及时间表管理部80,其对用于推定生长状态值Ve与检测生长状态值Vd的比较的由无人机24进行的拍摄的时间表进行管理(图2和图3)。在偏离判定部83判定为推定生长状态值Ve与检测生长状态值Vd的差分D的绝对值超过了第一频度判定差分阈值THfm1(=差分阈值THd(第一差分阈值))的情况下(图4的S15:假、或图5的S32:假),时间表管理部80在原计划的下次拍摄之前加入新的拍摄计划,或使下次拍摄的时期比原计划提前(图4的S19或图5的S36)。由此,能够比较早期地再确认是否不存在推定生长状态值Ve与检测生长状态值Vd的偏离,换言之,比较早期地再确认是否生长诊断模型的可靠性高。
在本实施方式中,在偏离判定部83判定为推定生长状态值Ve与检测生长状态值Vd的差分D的绝对值超过了第一频度判定差分阈值THfm1(=差分阈值THd(第一差分阈值))之后(图4的S15:假、或图5的S32:假),在差分D低于第二解除阈值THfr2(第二差分阈值)的情况下(图4的S20:真、或图5的S37:真),时间表管理部80使拍摄的时间表返回到原计划(图4的S38、图5的S21)。由此,在能够判定为推定生长状态值Ve与检测生长状态值Vd的差分D的绝对值充分小的情况下,换言之,在能够判定为生长诊断模型的可靠性充分高的情况下,能够使无人机24的拍摄定时延迟。
在本实施方式中,在推定生长状态值Ve与检测生长状态值Vd的差分D的绝对值低于第二频度判定差分阈值THfm2(第三差分阈值)(图4的S16:真、或图5的S33:真)、作物502的成长与预期一致或比预期提前的情况下,与原计划相比时间表管理部80减少拍摄次数(图4的S17、图5的S34)。由此,在能够判定为推定生长状态值Ve与检测生长状态值Vd的差分D的绝对值充分小的情况下,换言之,在能够判定为生长诊断模型的可靠性充分高的情况下,能够使无人机24的拍摄定时延迟。
在本实施方式中,在作物502比预期更早地成熟的情况下(图4的S13:假),时间表管理部80将最后一次拍摄的定时提前(S23)。由此,能够避免在不需要的定时的拍摄。
在本实施方式中,时间表管理部80在集中监视状况(作物502的生长状态值V的变化量、或者每单位期间的生长状态值V的变化量、或者生长状态值V的绝对值比第一频度阈值大的定时)(图4的S12:假),提高校准频度F(或者由无人机24进行的拍摄频度)(图5的S35、S38、图6)。由此,在集中监视状况下容易确认生长诊断系统10的可靠性。
在本实施方式中,时间表管理部80在通常监视状况(作物502的生长状态值V的变化量、或者每单位期间的生长状态值V的变化量、或者生长状态值V的绝对值比第二频度阈值小的定时)(图4的S12:真),降低校准频度F(或者由无人机24进行的拍摄频度)(S18、S21)。由此,在通常监视状况下,能够抑制由无人机24进行的拍摄频度。
在本实施方式中,时间表管理部80配合作物502的生长阶段来切换在必要监视状况的判定中使用的阈值(生长不良判定阈值THvd、温度偏离判定阈值THt、日照量偏离判定阈值THs)等(第一频度判定阈值、第二频度判定阈值)(图4的S11),由此,能够根据作物502的生长阶段切换拍摄频度。
在本实施方式中,从营养成长期向生殖成长期的切换时期(作物502的生长阶段的转移时期)中的无人机24的拍摄频度F(转移时频度)大于该切换时期以外的时期中的通常的拍摄频度F(通常频度)(图6)。另外,在偏离判定部83判定为推定生长状态值Ve与检测生长状态值Vd的差分D的绝对值超过了第一频度判定差分阈值THfm1(=差分阈值THd(第一差分阈值))时(图5的S32:假)由时间表管理部80能够设定的拍摄频度F的最大值即偏离时最大频度比转移时频度大(图5的S35、S36、S38)。由此,提高推定生长状态值Ve与检测生长状态值Vd的偏离的情况下的拍摄频度,能够提高生长诊断系统10的可靠性。
在本实施方式中,生长诊断系统10具备测量收割的作物502的收获量Q的收获量传感器32和输入测量出的收获量Q(测量收获量Qm)的第三用户终端30(收获量输入部)(图1)。推定生长状态值Ve包含由生长诊断模型计算出的作物502的收获量Q(推定收获量Qe),检测生长状态值Vd包括基于场圃500的图像计算出的作物502的收获量Q(检测收获量Qd)(图7的S56、S57)。在向第三用户终端30输入了测量收获量Qm的情况下(S60:真),模型修正部84将测量收获量Qm与推定收获量Qe进行比较来修正生长诊断模型(S61)。
由此,在测量收获量Qm比检测收获量Qd高的情况下,通过优先使用测量收获量Qm和推定收获量Qe的比较结果,能够提高生长诊断系统10的可靠性。
在本实施方式中,生长诊断系统10具备:对收获后的碎米率R进行测量的选米机34(碎米率测量器);以及输入测量出的碎米率R(测量碎米率Rm)的第三用户终端30(碎米率输入部)(图1)。推定生长状态值Ve包含由生长诊断模型计算出的碎米率R(推定碎米率Re),检测生长状态值Vd包括基于无人机图像计算出的碎米率R(检测碎米率Rd)(图7的S56、S57)。在向第三用户终端30输入了测量碎米率Rm的情况下(S60:真),模型修正部84将测量碎米率Rm与推定碎米率Re进行比较来修正生长诊断模型(S61)。
由此,在测量碎米率Rm的精度比检测碎米率Rd的精度高的情况下,通过优先使用测量碎米率Rm与推定碎米率Re的比较结果,能够提高生长诊断系统10的可靠性。
B.变形例
另外,本发明不限于上述实施方式,当然能够基于本说明书的记载内容而采用各种结构。例如,能够采用以下的结构。
<B-1.生长诊断系统10>
上述实施方式的生长诊断系统10具有图1所示的构成要素。但是,例如,从对基于生长诊断模型的推定生长状态值Ve和基于场圃500或作物502的图像的检测生长状态值Vd进行比较来修正生长诊断模型的观点出发,不限于此。例如,生长诊断系统10也能够省略第一用户终端26、第二用户终端28、第三用户终端30、收获量传感器32、选米机34以及信息提供服务器40中的1个或者多个。
在上述实施方式中,将拍摄场圃图像的摄像机120设置于无人机24(图3)。但是,例如,从对基于生长诊断模型的推定生长状态值Ve和基于场圃500或作物502的图像的检测生长状态值Vd进行比较来修正生长诊断模型的观点出发,不限于此。例如,也可以将拍摄场圃500或作物502的图像的摄像机120固定配置于场圃500。或者,从对基于生长诊断模型的推定生长状态值Ve和基于作物502的图像的检测生长状态值Vd进行比较来修正生长诊断模型的观点出发,摄像机120也可以在场圃500以外的场所拍摄作物502的图像。
在上述实施方式中,将生长诊断的功能(生长诊断部62)设置于生长诊断服务器22(图2)。但是,例如,从对基于生长诊断模型的推定生长状态值Ve和基于场圃500或作物502的图像的检测生长状态值Vd进行比较来修正生长诊断模型的观点出发,不限于此。例如,也可以使无人机24具有生长诊断的功能。同样地,也能够将生长诊断模型的校准功能设置于无人机24。
在上述实施方式中,使用水稻作为作物502。但是,例如,从对基于生长诊断模型的推定生长状态值Ve和基于场圃500或作物502的图像的检测生长状态值Vd进行比较来修正生长诊断模型的观点出发,不限于此。例如,作物502也可以是旱稻、小麦、大麦、大豆等。
<B-2.校准控制>
在上述实施方式中,生长诊断服务器22自动设定进行校准执行控制的定时(图4、图5)。但是,例如,从对基于生长诊断模型的推定生长状态值Ve和基于场圃500或作物502的图像的检测生长状态值Vd进行比较来修正生长诊断模型的观点出发,不限于此。例如,进行校准执行控制的定时也可以由用户600进行判断。
在上述实施方式中,关于通常监视状况假定了3个阶段的校准频度F(图4的S17、S18、S19)。然而,例如,从根据生长诊断模型的可靠性来设定频度F的观点出发,不限于此。例如,也可以将通常监视状况下的频度F设为2个阶段或4个阶段以上。关于集中监视状况也是同样的。
在上述实施方式中,通过差分D的绝对值与差分阈值THd(第一差分阈值)的比较来判定推定生长状态值Ve与检测生长状态值Vd的差分D是否在允许范围内(图7的S58)。然而,例如,从判定差分D是否处于允许范围内的观点出发,不限于此。例如,也可以使用差分D在推定生长状态值Ve(或检测生长状态值Vd)中所占的比例是否在阈值内,来判定差分D是否在允许范围内。图4的步骤S15、S16、S20、图5的步骤S32、S33、S37等也是同样的。
<B-3.其他>
在上述实施方式中,使用图4、图5以及图7所示的流程。然而,例如,在获得本发明的效果的情况下,流程的内容(各步骤的顺序)不限于此。例如,能够调换图7的步骤S52、S56与步骤S57的顺序。
(标号说明)
10 生长诊断系统
22 生长诊断服务器(生长诊断装置)
24 无人机
30 第三用户终端(收获量输入部、碎米率输入部)
32 收获量传感器
34 选米机(碎米率测量器)
72 再拍摄请求部 80时间表管理部
81 拍摄不良判定部
82 图像处理部(检测生长状态值计算部)
83 偏离判定部 84模型修正部
120 摄像机 500场圃
502 作物 D 差分
Q 收获量 Qe 推定收获量
Qm 测量收获量 R 碎米率
Re 推定碎米率 Rm 测量碎米率
V 生长状态值 Vd 检测生长状态值
Ve 推定生长状态值 THd 差分阈值(第一差分阈值)
THfm1 第一频度判定差分阈值(第一差分阈值)
THfm2 第二频度判定差分阈值(第三差分阈值)
THfr2 第二解除阈值(第二差分阈值)
THs 日照量偏离判定阈值(第一频度判定阈值、第二频度判定阈值)
THt 温度偏离判定阈值(第一频度判定阈值、第二频度判定阈值)
THvd 生长不良判定阈值(第一频度判定阈值、第二频度判定阈值)。
Claims (24)
1.一种生长诊断系统,其特征在于,具有:
生长诊断装置,其利用生长诊断模型来诊断场圃中的作物的生长状态;
摄像机,其获取所述场圃的图像;
检测状态值计算部,其基于所述场圃的图像,计算作为所述作物的生长状态值的检测生长状态值;
偏离判定部,其将作为通过所述生长诊断模型计算出的所述作物的生长状态值的推定生长状态值与所述检测生长状态值进行比较;以及
模型修正部,其根据所述偏离判定部的比较结果来修正所述生长诊断模型。
2.根据权利要求1所述的生长诊断系统,其特征在于,
所述作物的生长状态值包含:所述作物的谷粒数、或者在所述场圃中进行光合作用的叶的面积率即有效受光面积率、或者在所述场圃的图像中被所述作物吸收的红色光的比例即红色光吸收率、或者将所述有效受光面积率乘以对象面积而得到的有效受光面积、或者将所述红色光吸收率乘以对象面积而得到的红色光吸收量,
在所述偏离判定部判定为通过所述生长诊断模型计算出的所述作物的推定谷粒数或推定有效受光面积率或推定红色光吸收率或推定有效受光面积或推定红色光吸收量、与基于所述场圃的图像生成的所述作物的检测谷粒数或检测有效受光面积率或检测红色光吸收率或检测有效受光面积或检测红色光吸收量之间的差分的绝对值或差分的比例超过所述生长状态值的第一差分阈值的情况下,所述模型修正部修正所述生长诊断模型。
3.根据权利要求1或2所述的生长诊断系统,其特征在于,
所述生长诊断系统还具备拍摄不良判定部,所述拍摄不良判定部基于所述场圃的图像来判定有无所述摄像机的拍摄不良,
所述检测状态值计算部基于所述拍摄不良判定部判定为无所述拍摄不良的所述场圃的图像,来计算所述检测生长状态值。
4.根据权利要求3所述的生长诊断系统,其特征在于,
所述生长诊断系统还具有再拍摄请求部,在所述拍摄不良判定部判定为存在所述拍摄不良的情况下,所述再拍摄请求部请求由所述摄像机进行再拍摄。
5.根据权利要求4所述的生长诊断系统,其特征在于,
所述拍摄不良判定部针对每个所述场圃或针对所述场圃所包含的每个部分区域来判定有无所述拍摄不良,
在存在所述拍摄不良的情况下,所述再拍摄请求部请求针对存在所述拍摄不良的场圃进行所述再拍摄。
6.根据权利要求4所述的生长诊断系统,其特征在于,
所述拍摄不良判定部针对所述场圃所包含的每个部分区域来判定有无所述拍摄不良,
在存在所述拍摄不良的情况下,所述再拍摄请求部请求针对存在所述拍摄不良的所述部分区域进行所述再拍摄。
7.根据权利要求4~6中任一项所述的生长诊断系统,其特征在于,
在所述拍摄不良判定部判定为存在所述拍摄不良的情况下,所述再拍摄请求部请求以与前次拍摄不同的时间段或不同的太阳高度进行所述再拍摄。
8.根据权利要求4~6中任一项所述的生长诊断系统,其特征在于,
在所述拍摄不良判定部判定为存在所述拍摄不良的情况下,所述再拍摄请求部请求以所述摄像机和太阳的相对位置关系与前次拍摄不同的朝向进行所述再拍摄。
9.根据权利要求4~6中任一项所述的生长诊断系统,其特征在于,
在所述拍摄不良判定部判定为存在所述拍摄不良的情况下,所述再拍摄请求部请求以与前次拍摄不同的天气进行所述再拍摄。
10.根据权利要求4~6中任一项所述的生长诊断系统,其特征在于,
在所述拍摄不良判定部判定为存在所述拍摄不良的情况下,所述再拍摄请求部请求以所述摄像机和所述场圃的相对位置关系与前次拍摄不同的朝向进行所述再拍摄。
11.根据权利要求2所述的生长诊断系统,其特征在于,
在通过所述生长诊断模型计算出的所述作物的所述推定谷粒数或所述推定有效受光面积率或所述推定红色光吸收率或所述推定有效受光面积或所述推定红色光吸收量、与基于所述场圃的图像而计算出的所述作物的所述检测谷粒数或所述检测有效受光面积率或所述检测红色光吸收率或所述检测有效受光面积或所述检测红色光吸收量之间的差分的绝对值或差分的比例超过所述第一差分阈值的情况下,修正所述生长诊断模型的系数或初始值。
12.根据权利要求11所述的生长诊断系统,其特征在于,
所述生长诊断系统还具有:
无人机,其搭载有所述摄像机;以及
时间表管理部,其对用于所述推定生长状态值与所述检测生长状态值的比较的、由所述无人机进行的拍摄的时间表进行管理,
在所述偏离判定部判定为所述推定生长状态值与所述检测生长状态值之间的差分的绝对值或者差分的比例超过所述第一差分阈值的情况下,所述时间表管理部在原计划的下次拍摄之前加入新的拍摄计划,或者使下次拍摄的时期比所述原计划提前。
13.根据权利要求12所述的生长诊断系统,其特征在于,
在所述偏离判定部判定为所述推定生长状态值与所述检测生长状态值之间的差分的绝对值或差分的比例超过所述第一差分阈值之后,在所述推定生长状态值与所述检测生长状态值之间的差分的绝对值或差分的比例低于第二差分阈值的情况下,所述时间表管理部使所述拍摄的时间表返回到原计划。
14.根据权利要求12或13所述的生长诊断系统,其特征在于,
在所述推定生长状态值与所述检测生长状态值之间的差分低于第三差分阈值、且所述作物的成长与预期一致或比预期提前的情况下,与原计划相比,所述时间表管理部减少拍摄次数。
15.根据权利要求12~14中任一项所述的生长诊断系统,其特征在于,
在所述作物比预期更早成熟的情况下,所述时间表管理部将最后一次拍摄的定时提前。
16.根据权利要求12~15中任一项所述的生长诊断系统,其特征在于,
在所述作物的生长状态值的变化量或每单位期间的所述生长状态值的变化量或所述生长状态值的绝对值比第一频度判定阈值大的定时,所述时间表管理部提高所述拍摄的频度。
17.根据权利要求16所述的生长诊断系统,其特征在于,
所述时间表管理部配合所述作物的生长阶段来切换所述第一频度判定阈值。
18.根据权利要求12~17中任一项所述的生长诊断系统,其特征在于,
在所述作物的生长状态值的变化量或每单位期间的所述生长状态值的变化量或所述生长状态值的变化量的绝对值小于第二频度判定阈值的定时,所述时间表管理部降低所述拍摄的频度。
19.根据权利要求18所述的生长诊断系统,其特征在于,
所述时间表管理部配合所述作物的生长阶段来切换所述第二频度判定阈值。
20.根据权利要求12~19中任一项所述的生长诊断系统,其特征在于,
所述作物的生长阶段的转移时期中的所述无人机的拍摄频度即转移时频度比所述作物的生长阶段的转移时期以外的时期中的通常的所述拍摄频度即通常频度大,
偏离时最大频度比所述转移时频度大,所述偏离时最大频度是在所述偏离判定部判定为所述推定生长状态值与所述检测生长状态值之间的差分的绝对值或差分的比例超过所述第一差分阈值时由所述时间表管理部能够设定的所述拍摄频度的最大值。
21.根据权利要求1~20中任一项所述的生长诊断系统,其特征在于,
所述生长诊断系统具备:
收获量传感器,其对收割的所述作物的谷粒数或重量即收获量进行测量;以及
收获量输入部,其输入作为测量出的所述谷粒数或所述重量的测量收获量,
所述推定生长状态值包括作为通过所述生长诊断模型计算出的所述作物的谷粒数或重量的推定收获量,
在对所述收获量输入部输入了所述测量收获量的情况下,所述模型修正部将所述测量收获量与所述推定收获量进行比较并修正所述生长诊断模型。
22.根据权利要求1~21中任一项所述的生长诊断系统,其特征在于,
所述作物是稻,
所述生长诊断系统具备:
碎米率测量器,其测量收获后的单位量的米中包含的未成熟米的比例即碎米率;以及
碎米率输入部,其输入作为测量出的所述碎米率的测量碎米率。
所述推定生长状态值包括作为通过所述生长诊断模型计算出的所述碎米率的推定碎米率,
在对所述收获量输入部输入了所述测量碎米率的情况下,所述模型修正部对所述测量碎米率与所述推定碎米率进行比较并修正所述生长诊断模型。
23.一种生长诊断服务器,利用生长诊断模型来诊断作物的生长状态,所述生长诊断服务器的特征在于,具有:
检测状态值计算部,其基于由摄像机获取到的所述作物的图像,计算作为所述作物的生长状态值的检测生长状态值;
偏离判定部,其将作为通过所述生长诊断模型计算出的所述作物的生长状态值的推定生长状态值与所述检测生长状态值进行比较;以及
模型修正部,其根据所述偏离判定部的比较结果来修正所述生长诊断模型。
24.一种生长诊断方法,是利用生长诊断模型来诊断作物的生长状态的生长诊断方法,所述生长诊断方法的特征在于,具有:
检测状态值计算步骤,基于由摄像机获取到的所述作物的图像,计算作为所述作物的生长状态值的检测生长状态值;
偏离判定步骤,将作为通过所述生长诊断模型计算出的所述作物的生长状态值的推定生长状态值与所述检测生长状态值进行比较;以及
模型修正步骤,根据所述偏离判定步骤中的比较结果来修正所述生长诊断模型。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/004639 WO2021157032A1 (ja) | 2020-02-06 | 2020-02-06 | 生育診断システム、生育診断サーバ及び生育診断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115023134A true CN115023134A (zh) | 2022-09-06 |
CN115023134B CN115023134B (zh) | 2023-08-08 |
Family
ID=77200581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080095040.2A Active CN115023134B (zh) | 2020-02-06 | 2020-02-06 | 生长诊断系统、生长诊断服务器以及生长诊断方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230169640A1 (zh) |
JP (1) | JP7175537B2 (zh) |
CN (1) | CN115023134B (zh) |
WO (1) | WO2021157032A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220121919A1 (en) * | 2020-10-16 | 2022-04-21 | X Development Llc | Determining Cereal Grain Crop Yield Based On Cereal Grain Trait Value(s) |
CN113850132A (zh) * | 2021-08-23 | 2021-12-28 | 湖北工程学院 | 农作物识别方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1286898A (zh) * | 1999-06-17 | 2001-03-14 | 株式会社佐竹制作所 | 种植场中农作物营养状况的诊断方法 |
CN102215666A (zh) * | 2008-11-14 | 2011-10-12 | 株式会社博思科 | 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器 |
JP2011229402A (ja) * | 2010-04-23 | 2011-11-17 | Nec Soft Ltd | 育成システム |
CA2901125A1 (en) * | 2015-08-21 | 2017-02-21 | Murgyver Consulting Ltd. | Method and system for the optimization of plant growth |
WO2017104841A1 (ja) * | 2015-12-16 | 2017-06-22 | プランティオ株式会社 | 情報処理装置、情報処理方法、及びプログラム |
CN106954385A (zh) * | 2015-01-09 | 2017-07-14 | 日立麦克赛尔株式会社 | 植物信息取得系统、植物信息取得装置、植物信息取得方法、作物管理系统以及作物管理方法 |
JP2019193581A (ja) * | 2018-05-01 | 2019-11-07 | 株式会社クボタ | 植物栽培システム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4982823B2 (ja) * | 2006-08-18 | 2012-07-25 | 長崎県 | 果実栽培における水管理方法 |
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 |
US9140824B1 (en) * | 2015-01-23 | 2015-09-22 | Iteris, Inc. | Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states |
AU2016335176B2 (en) * | 2015-10-05 | 2021-05-13 | Bayer Cropscience Ag | Method for operating a harvesting machine with the aid of a plant growth model |
WO2019040538A1 (en) * | 2017-08-21 | 2019-02-28 | The Climate Corporation | DIGITAL MODELING AND TRACKING OF AGRICULTURAL FIELDS FOR THE IMPLEMENTATION OF AGRICULTURAL FIELD TRIALS |
JP7125704B2 (ja) * | 2018-05-01 | 2022-08-25 | 国立大学法人千葉大学 | 農業支援システム |
-
2020
- 2020-02-06 US US17/797,122 patent/US20230169640A1/en active Pending
- 2020-02-06 WO PCT/JP2020/004639 patent/WO2021157032A1/ja active Application Filing
- 2020-02-06 CN CN202080095040.2A patent/CN115023134B/zh active Active
- 2020-02-06 JP JP2021575532A patent/JP7175537B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1286898A (zh) * | 1999-06-17 | 2001-03-14 | 株式会社佐竹制作所 | 种植场中农作物营养状况的诊断方法 |
CN102215666A (zh) * | 2008-11-14 | 2011-10-12 | 株式会社博思科 | 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器 |
JP2011229402A (ja) * | 2010-04-23 | 2011-11-17 | Nec Soft Ltd | 育成システム |
CN106954385A (zh) * | 2015-01-09 | 2017-07-14 | 日立麦克赛尔株式会社 | 植物信息取得系统、植物信息取得装置、植物信息取得方法、作物管理系统以及作物管理方法 |
CA2901125A1 (en) * | 2015-08-21 | 2017-02-21 | Murgyver Consulting Ltd. | Method and system for the optimization of plant growth |
WO2017104841A1 (ja) * | 2015-12-16 | 2017-06-22 | プランティオ株式会社 | 情報処理装置、情報処理方法、及びプログラム |
JP2019193581A (ja) * | 2018-05-01 | 2019-11-07 | 株式会社クボタ | 植物栽培システム |
Also Published As
Publication number | Publication date |
---|---|
CN115023134B (zh) | 2023-08-08 |
US20230169640A1 (en) | 2023-06-01 |
WO2021157032A1 (ja) | 2021-08-12 |
JPWO2021157032A1 (zh) | 2021-08-12 |
JP7175537B2 (ja) | 2022-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180122020A1 (en) | Correcting bias in agricultural parameter monitoring | |
AU2020101709A4 (en) | Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle | |
JP7243635B2 (ja) | 施肥設計方法および施肥設計装置 | |
US11632905B2 (en) | Methods and imaging systems for harvesting | |
US20210345567A1 (en) | Method and system for plant stress determination and irrigation based thereon | |
CN115023134B (zh) | 生长诊断系统、生长诊断服务器以及生长诊断方法 | |
JP2006314215A (ja) | 移動体搭載用の生育度測定装置 | |
EP2633460A1 (en) | System and method for calibrating agricultural measurements | |
US11953872B2 (en) | Methods and systems for the management of precise agricultural irrigation | |
JP7137426B2 (ja) | 施設栽培果実の収穫予測システム | |
US11849671B2 (en) | Crop state map generation and control system | |
US20220110254A1 (en) | Map generation and control system | |
CN112580491A (zh) | 作物生长阶段的确定方法、装置、非易失性存储装置 | |
JP6765109B2 (ja) | 農業システム | |
JP7313056B2 (ja) | 施肥量決定装置および施肥量決定方法 | |
US20230281987A1 (en) | Compensating for occlusions in a detection system of a farming machine | |
WO2019235240A1 (ja) | 情報処理装置 | |
EP4011186A1 (en) | Agricultural nutrient application using real-time spectroscopic analysis of live crop | |
JP7442873B2 (ja) | 営農システム、営農サーバ及び営農方法 | |
KR20200084638A (ko) | 농작물 모니터링 방법, 장치 및 컴퓨터 프로그램 | |
Sibanda et al. | Exploring the prospects of UAV-Remotely sensed data in estimating productivity of Maize crops in typical smallholder farms of Southern Africa | |
JP7412021B2 (ja) | 水管理システム、水管理サーバ及び水管理方法 | |
KR20200027324A (ko) | 식물체 재배환경 통합분석 시스템 | |
EP4016416A1 (en) | Method for operating on an environment | |
US20240284826A1 (en) | Agricultural operation evaluation system and method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |