JP2012208046A - 植物種識別方法及び植物種識別装置 - Google Patents

Abstract

【課題】熟練度に左右されることなく正確且つ効率的に植物種を識別し得る植物種識別方法及び植物種識別装置を提供する。
【解決手段】識別対象のスペクトルデータをスペクトルセンサにより取得するステップＳ１と、スペクトルデータに含まれる複数の特異点のデータを所定の演算式で演算することにより演算値を求めるステップＳ３と、予め植物種毎に取得されたスペクトルデータに含まれる複数の特異点のデータを所定の演算式で演算することにより得られる参照値と、演算値とを対比することにより、識別対象の植物種を識別するステップＳ４とを有し、所定の演算式は、第１の波長領域において極大な第１の特異点ａの値と、第１の波長領域と異なる第２の波長領域において極大な第２の特異点ｃの値との比を求める式である。
【選択図】図４

Description

本発明は、植物種識別方法及び植物種識別装置に関する。

環境保全等の観点から、植生調査が行われている。

植生調査における植物種の識別方法としては、以下のような方法が知られている。

第１の方法は、識別者が実際に現地に行き、目視等により植物種を識別する方法である（現地調査）。

第２の方法は、人工衛星や航空機等から撮影した写真や画像を用いて識別者が識別する方法である（リモートセンシング）。

これらの方法を単独又は組み合わせて行うことにより、従来の植生調査が実施されてきた。

しかしながら、現地調査では、識別精度は高いものの、調査に長時間を要してしまう。また、現地調査では、環境保護等の観点から立ち入りが禁止されている区域等においては、調査を行うことが困難である。

このため、近時では、リモートセンシングを用いた植生調査が主流となっている。そして、リモートセンシングを用いた調査結果の検証や補完等のために現地調査が行われている。

特開２００５−１８９１００号公報 特開２００７−１０９３２号公報

しかしながら、リモートセンシングを用いた植生調査では、識別者の知識や熟練度等により識別結果が左右され、識別結果が識別者によって異なってしまう場合があった。また、植物種の識別に長時間を要するため、植生図が完成するまでに多大な労力と時間を要していた。このため、植生図が完成したときには、完成した植生図と実際の植生との間に乖離が生じている場合があった。

本発明の目的は、熟練度に左右されることなく正確且つ効率的に植物種を識別し得る植物種識別方法及び植物種識別装置に関する。

実施形態の一観点によれば、識別対象のスペクトルデータをスペクトルセンサにより取得するステップと、前記スペクトルデータに含まれる複数の特異点のデータを所定の演算式で演算することにより演算値を求めるステップと、予め植物種毎に取得されたスペクトルデータに含まれる複数の特異点のデータを前記所定の演算式で演算することにより得られる参照値と、前記演算値とを対比することにより、前記識別対象の植物種を識別するステップとを有し、前記所定の演算式は、第１の波長領域において極大な第１の特異点に基づく第１の値と、前記第１の波長領域と異なる第２の波長領域において極大な第２の特異点に基づく第２の値との比を求める式、前記第１の波長領域において極大な第３の特異点の値と前記第１の波長領域において極小な第４の特異点の値との比である第３の値と、前記第２の波長領域において極大な第５の特異点の値と前記第４の特異点の値との比である第４の値との比を求める式、又は、前記第１の波長領域において極小な第５の特異点の相対的な大きさである第５の値と、前記第２の波長領域において極小な第６の特異点の相対的な大きさである第６の値と、前記第２の波長領域において極大な第７の特異点の相対的な大きさである第７の値とを用いて比を求める式であることを特徴とする植物種識別方法が提供される。

実施形態の他の観点によれば、識別対象のスペクトルデータに含まれる複数の特異点のデータを所定の演算式で演算することにより得られる演算値と、予め植物種毎に取得されたスペクトルデータに含まれる複数のデータを前記所定の演算式で演算することにより得られる参照値とを対比することにより、前記識別対象の植物種を識別する処理装置を有し、前記所定の演算式は、第１の波長領域において極大な第１の特異点に基づく第１の値と、前記第１の波長領域と異なる第２の波長領域において極大な第２の特異点に基づく第２の値との比を求める式、前記第１の波長領域において極大な第３の特異点の値と前記第１の波長領域において極小な第４の特異点の値との比である第３の値と、前記第２の波長領域において極大な第５の特異点の値と前記第４の特異点の値との比である第４の値との比を求める式、又は、前記第１の波長領域において極小な第５の特異点の相対的な大きさである第５の値と、前記第２の波長領域において極小な第６の特異点の相対的な大きさである第６の値と、前記第２の波長領域において極大な第７の特異点の相対的な大きさである第７の値とを用いて比を求める式であることを特徴とする植物種識別装置が提供される。

開示の植物種識別方法及び植物種識別装置によれば、識別対象のスペクトルデータをスペクトルセンサにより取得し、スペクトルデータに含まれる複数のデータを、所定の演算式で演算することにより、演算値を得る。そして、かかる演算値と、予め植物種毎に所定の演算式で演算して得た参照値とを対比することにより、識別対象の植物種を識別する。かかる演算式は、撮影環境等の影響が現れにくいものが用いられる。また、測定を行う際には、高度な知識や高い熟練度は要しない。従って、熟練度に左右されることなく正確且つ効率的に植物種を識別することができる。

図１は、一実施形態による植物種識別装置を示すブロック図である。 図２は、植物種毎のスペクトルデータに基づいて生成されるスペクトル強度分布の例を示すグラフ（その１）である。 図２は、植物種毎のスペクトルデータに基づいて生成されるスペクトル強度分布の例を示すグラフ（その２）である。 図４は、一実施形態による植物種識別方法を示すフローチャートである。 図５は、スペクトル強度分布のグラフにおける特異点を示す図である。 図６は、植物種毎に予め求められた参照値α′の値を示すグラフである。 図７は、植物種毎に予め求められた参照値β′の値を示すグラフである。 図８は、植物種毎に予め求められた参照値γ′の値を示すグラフである。 図９は、植物種毎に予め求められた参照値δ′の値を示すグラフである。 図１０は、植物種毎の参照値α′〜δ′の値を示すテーブルである。 図１１は、演算値α〜δと植物種毎の参照値α′〜δ′の値を示すテーブルとを概念的に示す図である。 図１２は、一般のデジタルカメラにより画像である。 図１３は、植物Ａをマッピングした場合の例を示す図である。 図１４は、植物Ｂをマッピングした場合の例を示す図である。 図１５は、正規化されたスペクトル強度分布の例、及び、スペクトル強度分布の例を示すグラフである。 図１６は、相対反射率の例を示すグラフである。 図１７は、相対反射率分布のグラフにおける特異点等を示す図である。

［一実施形態］
一実施形態による植物種識別装置及び植物種識別方法を図１乃至図１４を用いて説明する。

（植物種識別装置）
まず、本実施形態による植物種識別装置について図１乃至図３を用いて説明する。図１は、本実施形態による植物種識別装置を示すブロック図である。

本実施形態による植物種識別装置は、波長情報と光強度情報とを取得するスペクトルセンサ１０と、スペクトルセンサ１０により取得されたスペクトルデータを用いて所定の処理を行う処理装置１２とを有している。

スペクトルセンサ（スペクトルカメラ）１０としては、例えば、いわゆるハイパースペクトルセンサ（ハイパースペクトルカメラ）を用いることができる。ハイパースペクトルセンサ（ハイパースペクトルカメラ）１０は、例えば、エバ・ジャパン株式会社やヘッドウォールフォトニクス社等により提供されている。

図１に示すように、対物レンズ１４の後段には、スリット１６が配されている。

スリット１６の後段には、回折格子１８が配されている。スリット１６の開口部１６ａの形状は、ライン状となっている。スリット１６の開口部１６ａの長手方向は、図１における紙面垂直方向となっている。回折格子１８としては、例えば透過型の回折格子が用いられている。

回折格子１８の後段には、リレーレンズ２０が配されている。対物レンズ１４を通った光のうちのスリット１６の開口部１６ａを通った光は、回折格子１８を通って、リレーレンズ２０に導入される。リレーレンズ２０は、所定の波長域の光を所定の波長分解能で分光するものである。リレーレンズ２０内に導入された光は、リレーレンズ２０によって波長毎に分光され、撮像素子２２に導入される。リレーレンズ２０が分光し得る波長域は、例えば４００ｎｍ〜１０００ｎｍ程度である。また、リレーレンズ２０の波長分解能は、例えば５ｎｍ程度である。

リレーレンズ２０の後段には、撮像素子２２が配されている。 撮像素子２２としては、例えばＣＣＤイメージセンサ（Charge Coupled Device image sensor）が用いられている。

制御部２４は、スリット１６、リレーレンズ２０及び撮像素子２２を制御する。

撮像素子２２及び制御部（制御回路）２４は、処理装置（制御装置）１２に接続されている。

処理装置１２としては、例えばパーソナルコンピュータ（Personal Computer、ＰＣ）が用いられている。処理装置１２には、所定の処理を行うためのプログラムがインストールされている。

スリット１６を順次走査させながら、各波長における光の強度を撮像素子２２により順次取得していくと、画像の１ピクセル（画素）毎に波長情報と光強度情報とを含むデータが得られる。なお、スリット１６の走査方向は、スリット１６の開口部１６ａの長手方向に対して垂直な方向、即ち、図１における紙面上下方向である。

このようにして得られるデータは、ハイパースペクトルデータと称される。ハイパースペクトルデータは、画像の１ピクセル毎に波長情報と光強度情報とを含むスペクトルデータを有しているため、画像としての二次元要素にスペクトルデータとしての要素を併せ持った３次元的構成のデータということができる。

このように、ハイパースペクトルカメラ１０は、スリット１６を介して取り込まれる光を分光しつつ、撮像素子２０に受光されることにより、波長情報と光強度情報とを画素毎に含むハイパースペクトルデータを取得し得るものである。

ハイパースペクトルカメラ１０により取得されたハイパースペクトルデータは、処理装置１２に入力される。処理装置１２は、入力されたハイパースペクトルデータを、処理装置１２内に設けられた記憶部（図示せず）に記憶する。記憶部としては、例えばハードディスクドライブ（Hard Disk Drive、ＨＤＤ）やメモリ等を用いることができる。

本実施形態では、例えば、測定波長域が４００ｎｍ〜１０００ｎｍ程度のハイパースペクトルカメラ１０を用いる。このようなハイパースペクトルカメラ１０を用いれば、可視光領域と近赤外線領域の一部についてのハイパースペクトルデータを取得し得る。なお、可視光領域は、約４００ｎｍ〜約７００ｎｍ程度の波長領域である。また、近赤外領域は、約７００ｎｍ〜約２５００ｎｍ程度の波長領域である。

なお、撮影に用いるハイパースペクトルカメラ１０の測定波長域は、４００ｎｍ〜１０００ｎｍに限定されるものではない。測定対象や測定目的等に応じて、様々な測定波長域のハイパースペクトルカメラ１０を適宜選択し得る。

処理装置１２内に設けられた記憶部（図示せず）内には、データベース（図示せず）が設けられている。具体的には、記憶部内には、予め植物種毎に取得されたスペクトルデータである参照スペクトルデータ（教師スペクトルデータ）が、データベースとして記憶されている。

図２及び図３は、植物種毎のスペクトルデータに基づいて生成されるスペクトル強度分布の例を示すグラフである。図２及び図３における横軸は、それぞれ波長を示している。図２及び図３における縦軸は、それぞれスペクトル強度を示している。

図２における細い実線は、オニグルミの場合を示している。図２における細い点線は、ハリエンジュの場合を示している。図２における破線は、アオギリの場合を示している。図２における一点鎖線は、クスノキの場合を示している。図２における二点鎖線は、シラカシの場合を示している。図２における太い実線は、イチョウの場合を示している。図２における太い点線は、ユズリハの場合を示している。

図３における細い実線は、ヒマラヤスギの場合を示している。図３における点線は、キンモクセイの場合を示している。図３における破線は、シダレザクラの場合を示している。図３における一点鎖線は、ケヤキの場合を示している。図３における二点鎖線は、モッコクの場合を示している。図３における太い実線は、ソメイヨシノの場合を示している。

図２及び図３に示すように、スペクトル強度分布は、植物種毎に異なっている。

スペクトル強度分布が植物種毎に異なっているため、新たに撮影した識別対象のスペクトル強度分布と、予め取得した植物種毎のスペクトル強度分布とを対比すれば、新たに撮影した識別対象の植物種を識別することが可能である。

しかしながら、スペクトル強度の値自体は、撮影条件等によって変動するものである。

従って、スペクトル強度分布同士を単に対比する方法では、識別者の知識や熟練度等により識別結果が左右されてしまい、識別結果が識別者によって異なってしまう。また、識別が必ずしも容易ではないため、識別に長時間を要してしまう。

そこで、本実施形態では、スペクトル強度分布同士を単に対比するのではなく、スペクトルデータに含まれる複数のデータを所定の演算式で演算することにより得られる演算値を用い、後述するようにして植物種を識別する。かかる演算式としては、撮影条件等の影響が現れにくい演算式が選択される。従って、本実施形態によれば、熟練度に左右されることなく正確且つ効率的に植物種を識別することが可能となる。

処理装置１２の記憶部内には、参照値（参照データ、教師データ）がデータベースとして記憶されている。かかる参照値は、植物種毎に予め取得されたスペクトルデータに含まれる複数のデータを所定の演算式で演算することにより求められた演算値である。

処理装置１２は、新たに取得されたハイパースペクトルデータに含まれる複数のデータを所定の演算式で演算することにより演算値を得る。

そして、処理装置１２は、かかる演算値とデータベースに記憶された参照値とを対比することにより、後述するようにして、植物種の識別を行う。そして、処理装置１２は、識別結果に基づいて、後述するようにして、マッピングや植生図の作成等を行う。

（植物種識別方法）
次に、本実施形態による植物種識別方法について図１、図４乃至図１４を用いて説明する。図４は、本実施形態による植物種識別方法を示すフローチャートである。

まず、ハイパースペクトルカメラ（スペクトルセンサ、ハイパースペクトルセンサ）１０を用いて撮影を行う（ステップＳ１）。これにより、識別対象となる植物を含む画像が取得される。撮影は、例えば、航空機や人工衛星等から行われる。これにより、波長情報と光強度情報とを１画素毎に含むハイパースペクトルデータ（スペクトルデータ）が取得される。

なお、ここでは、航空機や人工衛星から撮影する場合を例に説明したが、これに限定されるものではない。例えば、地上から撮影するようにしてもよい。

このようにして新たに取得されたハイパースペクトルデータは、処理装置１２に入力される。処理装置１２は、新たに取得されたハイパースペクトルデータを、処理装置１２内に設けられた記憶部（図示せず）に記憶する。

次に、処理装置１２は、ハイパースペクトルデータに含まれる画素毎のスペクトルデータに基づいて、特異点を画素毎に判定する（ステップＳ２）。

図５は、スペクトル強度分布のグラフにおける特異点を示す図である。図５における横軸は、波長を示している。図５における縦軸は、スペクトル強度を示している。

特異点ａは、可視光領域内に現れる極大点である。特異点ｂは、可視光領域内に現れる極小点である。特異点ｃは、近赤外領域内に現れる極大点のうちの短波長側の極大点である。特異点ｄは、近赤外領域内に現れる極小点である。特異点ｅは、近赤外領域内に現れる極大点のうちの長波長側の極大点である。

次に、処理装置１２は、画素毎のスペクトルデータにおける特異点ａ〜ｅの値（データ）を、以下のような演算式で画素毎に演算することにより、演算値を画素毎に求める（ステップＳ３）。

演算式としては、例えば以下のような演算式（１）〜（４）を用いることができる。なお、以下の演算式（１）〜（４）におけるａ〜ｅは、図４に示す特異点ａ〜ｅにおける各々のスペクトル強度の値を示している。

第１の演算式としては、例えば以下のような演算式（１）を用いることができる。

α＝ｃ／ａ ・・・（１）
演算式（１）は、可視光領域の極大値ａの値と、近赤外領域の極大値ｃとの比を求める式である。換言すれば、演算式（１）は、可視光領域の極大値ａに基づく第１の値と、近赤外領域の極大値ｃに基づく第２の値との比を求める式である。

演算式（１）は、比を求めるものであるため、撮影条件等の影響が現れにくい。

第２の演算式としては、例えば以下のような演算式（２）を用いることができる。

β＝（ｃ−ｂ）／（ａ−ｂ） ・・・（２）
演算式（２）は、可視光領域の極大値ａの相対的な大きさと、近赤外領域の極大値ｃの相対的な大きさとの比を求める式である。換言すれば、演算式（２）は、可視光領域の極大値ａに基づく第１の値と、近赤外領域の極大値ｃに基づく第２の値との比を求める式である。

演算式（２）も比を求めるものであるため、撮影条件等の影響が現れにくい。

第３の演算式としては、例えば以下のような演算式（３）を用いることができる。

γ＝（ａ／ｂ）／（ａ／ｃ） ・・・（３）
演算式（３）は、可視光領域の極大値ａと可視光領域の極小値ｂとの比である第３の値と、近赤外領域の極大値ｃと可視光領域の極大値ａとの比である第４の値との比を求める式である。

演算式（３）も比を求めるものであるため、撮影条件等の影響が現れにくい。

第４の演算式としては、例えば以下のような演算式（４）を用いることができる。

δ＝［（ｃ−ｂ）／（ｃ−ｄ）］／［（ｃ−ｄ）／（ｃ−ｅ）］
＝（ｃ−ｂ）×（ｃ−ｅ）／（ｃ−ｄ）^２ ・・・（４）
演算式（４）は、可視光領域の極小値ｂの相対的な大きさである第５の値と、近赤外領域の極小値ｄの相対的な大きさである第６の値と、近赤外領域の極大値ｅの相対的な大きさである第７の値とを用いて比を求める式である。

演算式（４）における（ｃ−ｂ）は、近赤外領域における短波長側の極大値ｃと可視光領域における極小値ｂとの差分である。演算式（４）における（ｃ−ｄ）は、近赤外領域における短波長側の極大値ｃと近赤外領域における極小値ｄとの差分である。演算式（４）における（ｃ−ｂ）／（ｃ−ｄ）は、差分値（ｃ−ｂ）と差分値（ｃ−ｄ）との比を意味する。演算式（４）における（ｃ−ｅ）は、近赤外領域における短波長側のピークｃと近赤外領域における長波長側のピークｅとの差分値である。演算式（４）における（ｃ−ｄ）／（ｃ−ｅ）は、差分値（ｃ−ｄ）と差分値（ｃ−ｅ）の比を意味する。演算式（４）は、［（ｃ−ｂ）／（ｃ−ｄ）］と［（ｃ−ｄ）／（ｃ−ｅ）］との比を意味する。

演算式（４）も比を求めるものであるため、撮影条件等の影響が現れにくい。

なお、演算式は上記に限定されるものではなく、適宜設定し得る。

但し、撮影条件等の影響が現れにくい演算式を用いることが好ましい。

次に、処理装置１２は、ステップＳ３において求められた画素毎の演算値α〜δの値と、植物種毎に予め求められた参照値α′〜δ′の値とを以下のようにして対比することにより、植物種を識別する（ステップＳ４）。

即ち、処理装置１２の記憶部（図示せず）内には、植物種毎に予め取得したハイパースペクトルデータ（参照スペクトルデータ）が、データベースとして記憶されている。そして、処理装置１２の記憶部内には、予め求められた植物種毎の参照値（参照データ、教師データ）α′〜δ′が、データベースとして記憶されている。かかる参照値α′〜δ′は、予め植物種毎に取得したスペクトルデータに含まれる複数の特異点のデータを、上記のような演算式で演算することにより得られたものである。参照値α′と演算値αとは、例えば、同一の演算式（１）により求められるものである。参照値β′と演算値βとは、例えば、同一の演算式（２）により求められるものである。参照値γ′と演算値γとは、例えば、同一の演算式（３）により求められるものである。参照値δ′と演算値δとは、例えば、同一の演算式（４）により求められるものである。

図６は、植物種毎に予め求められた参照値α′の値を示すグラフである。図７は、植物種毎に予め求められた参照値β′の値を示すグラフである。図８は、植物種毎に予め求められた参照値γ′の値を示すグラフである。図９は、植物種毎に予め求められた参照値δ′の値を示すグラフである。

図１０は、植物種毎の参照値α′〜δ′の値を示すテーブルである。図１０に示すようなテーブルは、処理装置１２の記憶部内に記憶されている。図１０に示すようなテーブルは、図６〜図９に示すような植物種毎の測定結果に基づいて予め作成される。

図１１（ａ）は、ある画素のスペクトルデータ、即ち、識別対象のスペクトルデータに基づいて求められた演算値α〜δの値を示している。

図１１（ｂ）は、植物種毎の参照値α′〜δ′の値を示すテーブルを概念的に示す図である。図１１における○○○、△△△、×××、□□□は、参照値α′〜δ′の値を概念的に示している。

図１１（ａ）に示すように、演算値αの値は○○○であり、演算値βの値は△△△であり、演算値γの値は×××であり、演算値δの値は□□□である。

処理装置１２は、演算値α〜δの値と、参照値α′〜δ′の値とを対比する。

図１１から分かるように、識別対象の演算値α〜δの値と合致するのは植物Ａの参照値α′〜δ′の値である。この場合、処理装置１２は、識別対象の植物種は植物Ａであると判断する。

このように、処理装置１２は、新たに取得されたスペクトルデータに含まれる複数のデータを演算することにより求められる演算値α〜δと、予め植物種毎に取得された参照値α′〜δ′とを対比することにより、識別対象の植物種を識別する。

このような植物種の識別は、撮影された画像の画素毎に行われる。処理装置１２は、上記と同様にして、識別対象の植物種を画素毎に識別する。

次に、処理装置１２は、識別結果に基づいて、以下のようにしてマッピングを行う（ステップＳ５）。

なお、ここでは、地上から撮影した画像をマッピングする場合を例に説明するが、航空機や人工衛星から撮影した画像も同様にしてマッピングすることが可能である。

図１２は、参考として取得した画像を示す図であり、一般のデジタルカメラにより取得したものである。図１２（ａ）は画像であり、図１２（ｂ）は図１２（ａ）の模式図である。

撮影した画像に植物Ａが存在する場合、処理装置１２は、植物Ａが存在する箇所を以下のようにしてマッピングし得る。

即ち、処理装置１２は、演算値α〜δの値が植物Ａの参照値α′〜δ′の値と同じ又は類似している画素を抽出する。

そして、処理装置１２は、抽出された画素を所定の色で表示する一方、抽出されなかった画素を他の色で表示する。

図１３は、植物Ａをマッピングした場合の例を示す図である。図１３（ａ）は画像であり、図１３（ｂ）は図１３（ａ）の模式図である。

紙面左側に植物Ａが存在しているため、図１３においては、紙面左側の植物が所定の色で表示される。

撮影した画像に植物Ｂが存在する場合、処理装置１２は、植物Ｂが存在する箇所を以下のようにしてマッピングし得る。

即ち、処理装置１２は、演算値α〜δの値が植物Ｂの参照値α′〜δ′の値と同じ又は類似している画素を抽出する。

そして、処理装置１２は、抽出された画素を所定の色で表示する一方、抽出されなかった画素を他の色で表示する。

図１４は、植物Ｂをマッピングした場合の例を示す図である。図１４（ａ）は画像であり、図１４（ｂ）は図１４（ａ）の模式図である。

紙面右側に植物Ｂが存在しているため、図１４においては、紙面右側の植物が所定の色で表示される。

処理装置１２は、測定結果に基づいて、植生図を作成することも可能である。具体的には、上記と同様にして、各植物種が存在する箇所（画素）を抽出する。そして、各画素を植物種毎に色分けして表示する。また、色分けではなく、ハッチングの種類を異ならせることにより、表示してもよい。こうして、処理装置１２は、植生図を作成することも可能である。

このように、本実施形態によれば、識別対象のスペクトルデータをスペクトルセンサにより取得し、スペクトルデータに含まれる複数のデータを、所定の演算式で演算することにより、演算値を得る。そして、かかる演算値と、予め植物種毎に所定の演算式で演算して得た参照値とを対比することにより、識別対象の植物種を識別する。かかる演算式は、撮影環境等の影響が現れにくいものが用いられる。また、測定を行う際に、高度な知識や高い熟練度は要しない。従って、本実施形態によれば、熟練度に左右されることなく正確且つ効率的に植物種を識別することができる。

［変形実施形態］
上記実施形態に限らず種々の変形が可能である。

例えば、上記実施形態では、処理装置１２を用いて植物種の識別を行う場合を例に説明したが、これに限定されるものではない。例えば、ハイパースペクトルカメラ１０に接続された処理装置１２と別個の処理装置（図示せず）を用いて植物種の識別を行ってもよい。この場合には、処理装置１２と別個の処理装置に、本実施形態による植物種識別方法を実行するためのプログラムをインストールしておく。そして、処理装置１２に入力されたハイパースペクトルデータは、処理装置１２と別個の処理装置に転送され、かかる別個の処理装置において植物種の識別が行われる。

また、上記実施形態では、ハイパースペクトルカメラ１０と処理装置１２とが接続されている状態で撮影を行う場合を例に説明したが、これに限定されるものではない。例えば、ハイパースペクトルカメラ１０側に記憶手段（図示せず）を設け、かかる記憶手段にハイパースペクトルデータを記憶するようにしてもよい。かかる記憶手段としては、例えばメモリカード等を挙げることができる。この場合には、例えば、撮影後にメモリカードをハイパースペクトルカメラ１０から取り外し、メモリカードに記載されたデータを処理装置１２に読み込ませる。

また、上記実施形態では、スペクトル強度分布における特異点ａ〜ｅの値を用いる場合を例に説明したが、これに限定されるものではない。例えば、正規化されたスペクトル強度分布における特異点ａ〜ｅの値を用いてもよい。正規化されたスペクトル強度分布は、例えば最大値が１になるように正規化されたものである。図１５（ａ）は、正規化されたスペクトル強度分布の例を示すグラフである。一方、図１５（ｂ）は、スペクトル強度分布、即ち、正規化されていないスペクトル強度分布の例を示すグラフである。図１４における横軸は、波長を示している。図１５における縦軸はスペクトル強度を示している。図１５における実線は、オニグルミの場合を示している。図１５における破線は、ハリエンジュの一種の場合を示している。図１５における点線は、ハリエンジュの他の一種の場合を示している。このように、正規化されたスペクトル強度分布における特異点ａ〜ｅの値を用いてもよい。処理装置１２は、スペクトルデータ（生データ）に対して正規化の演算を行うことにより、正規化されたスペクトル強度分布のデータを得る。

また、上記実施形態では、スペクトル強度分布における特異点ａ〜ｅの値を用いる場合を例に説明したが、これに限定されるものではない。例えば相対反射率のデータにおける値を用いて演算を行ってもよい。相対反射率のデータは、スペクトルデータ（生データ）から光源のスペクトル成分を除去することにより得ることが可能である。図１６は、相対反射率の例を示すグラフである。図１６における横軸は、波長を示している。図１６における縦軸は、相対反射率を示している。図１６における実線は、オニグルミの場合を示している。図１６における破線は、ハリエンジュの一種の場合を示している。図１６における点線は、ハリエンジュの他の一種の場合を示している。図１７は、相対反射率分布のグラフにおける特異点等を示す図である。図１７における横軸は、波長を示している。図１７における縦軸は、スペクトル強度を示している。点ａは、例えば可視光領域内の最小値（ベースライン）を示す点である。特異点ｂは、可視光領域内に現れる極大点である。点ｃは、可視光領域内に現れる極小点である。より具体的には、点ｃは、波長６５０ｎｍ〜７００ｎｍ付近での極小値（レッドエッジ）である。特異点ｄは、近赤外領域内に現れる極大点である。処理装置１２は、画素毎のスペクトルデータにおける点ａ〜ｄの値（データ）を、以下のような演算式で画素毎に演算することにより、演算値を画素毎に求める。演算式としては、例えば以下のような演算式（５）〜（８）を用いることができる。なお、以下の演算式（５）〜（８）におけるａ〜ｄは、図１７に示す点ａ〜ｄにおける各々の相対反射率の値を示している。第１の演算式としては、例えば以下のような演算式（５）を用いることができる。

α＝ｄ／ａ ・・・（５）
演算式（５）は、可視光領域の最小値ａの値と、近赤外領域の極大値ｄとの比を求める式である。換言すれば、演算式（５）は、可視光領域の最小値ａに基づく第１の値と、近赤外領域の極大値ｄに基づく第２の値との比を求める式である。

演算式（５）は、比を求めるものであるため、撮影条件等の影響が現れにくい。

第２の演算式としては、例えば以下のような演算式（６）を用いることができる。

β＝（ｄ−ｃ）／（ｂ−ｃ） ・・・（６）
演算式（６）は、可視光領域の極大値ｂの相対的な大きさと、近赤外領域の極大値ｄの相対的な大きさとの比を求める式である。換言すれば、演算式（６）は、可視光領域の極大値ｂに基づく第３の値と、近赤外領域の極大値ｄに基づく第４の値との比を求める式である。

演算式（６）も比を求めるものであるため、撮影条件等の影響が現れにくい。

第３の演算式としては、例えば以下のような演算式（７）を用いることができる。

γ＝（ｂ／ｃ）／（ｄ／ｂ） ・・・（７）
演算式（７）は、可視光領域の極大値ｂと可視光領域の極小値ｃとの比である第５の値と、近赤外領域の極大値ｄと可視光領域の極大値ｂとの比である第６の値との比を求める式である。

演算式（７）も比を求めるものであるため、撮影条件等の影響が現れにくい。

第４の演算式としては、例えば以下のような演算式（８）を用いることができる。

δ＝（ｂ−ａ）／（ｄ−ａ） ・・・（８）
演算式（８）は、可視光領域の極大値ｂの相対的な大きさと、近赤外領域の極大値ｄの相対的な大きさとの比を求める式である。換言すれば、演算式（８）は、可視光領域の極大値ｂに基づく第７の値と、近赤外領域の極大値ｄに基づく第８の値との比を求める式である。

演算式（４）も比を求めるものであるため、撮影条件等の影響が現れにくい。

また、波長の変化量に対する相対反射率の変化量の比ｅの値を用いてもよい。波長の変化量に対する相対反射率の変化量の比ｅは、図１７に示す相対反射率分布のグラフにおける傾きに対応する。例えば、波長７００ｎｍ付近における波長の変化量に対する相対反射率の変化量の比ｅを用いてもよい。波長７００ｎｍ付近においては、波長の変化量に対する相対反射率の変化量が大きいため、識別を行う際に用いるデータとして有用である。

このように、相対反射率のデータに基づく値を用いてもよい。

また、上記実施形態では、単に植物種毎に予めハイパースペクトルデータを取得しておく場合を例に説明したが、これに限定されるものではない。例えば、各植物種について、成長度が異なる毎にハイパースペクトルデータを取得しておいてもよい。また、各植物種について、水分量が異なる毎にハイパースペクトルデータを取得しておいてもよい。また、各植物種について、樹齢毎にハイパースペクトルデータを取得しておいてもよい。また、各植物種について、季節毎にハイパースペクトルデータを取得しておいてもよい。このような豊富なデータをデータベースとして取得しておけば、更に高精度な識別が可能となる。

１０…スペクトルセンサ
１２…処理装置
１４…対物レンズ
１６…スリット
１６ａ…開口部
１８…回折格子
２０…リレーレンズ
２２…撮像素子
２４…制御部

Claims (7)

1. 識別対象のスペクトルデータをスペクトルセンサにより取得するステップと、
   前記スペクトルデータに含まれる複数の特異点のデータを所定の演算式で演算することにより演算値を求めるステップと、
   予め植物種毎に取得されたスペクトルデータに含まれる複数の特異点のデータを前記所定の演算式で演算することにより得られる参照値と、前記演算値とを対比することにより、前記識別対象の植物種を識別するステップとを有し、
   前記所定の演算式は、
   第１の波長領域において極大な第１の特異点に基づく第１の値と、前記第１の波長領域と異なる第２の波長領域において極大な第２の特異点に基づく第２の値との比を求める式、
   前記第１の波長領域において極大な第３の特異点の値と前記第１の波長領域において極小な第４の特異点の値との比である第３の値と、前記第２の波長領域において極大な第５の特異点の値と前記第４の特異点の値との比である第４の値との比を求める式、又は、
   前記第１の波長領域において極小な第５の特異点の相対的な大きさである第５の値と、前記第２の波長領域において極小な第６の特異点の相対的な大きさである第６の値と、前記第２の波長領域において極大な第７の特異点の相対的な大きさである第７の値とを用いて比を求める式である
   ことを特徴とする植物種識別方法。
2. 請求項１記載の植物種識別方法において、
   前記第１の値は、前記第１の特異点の相対的な大きさであり、
   前記第２の値は、前記第２の特異点の相対的な大きさである
   ことを特徴とする植物種識別方法。
3. 請求項１又は２記載の植物種識別方法において、
   前記第１の波長領域は、可視光領域であり、
   前記第２の波長領域は、近赤外領域である
   ことを特徴とする植物種識別方法。
4. 請求項１乃至３のいずれか１項に記載の植物種識別方法において、
   前記スペクトルセンサは、スリットを介して取り込まれる光を分光しつつ撮像素子に受光させることにより、各波長における光強度を示す前記スペクトルデータを取得するスペクトルセンサである
   ことを特徴とする植物種識別方法。
5. 識別対象のスペクトルデータに含まれる複数の特異点のデータを所定の演算式で演算することにより得られる演算値と、予め植物種毎に取得されたスペクトルデータに含まれる複数のデータを前記所定の演算式で演算することにより得られる参照値とを対比することにより、前記識別対象の植物種を識別する処理装置を有し、
   前記所定の演算式は、
   第１の波長領域において極大な第１の特異点に基づく第１の値と、前記第１の波長領域と異なる第２の波長領域において極大な第２の特異点に基づく第２の値との比を求める式、
   前記第１の波長領域において極大な第３の特異点の値と前記第１の波長領域において極小な第４の特異点の値との比である第３の値と、前記第２の波長領域において極大な第５の特異点の値と前記第４の特異点の値との比である第４の値との比を求める式、又は、
   前記第１の波長領域において極小な第５の特異点の相対的な大きさである第５の値と、前記第２の波長領域において極小な第６の特異点の相対的な大きさである第６の値と、前記第２の波長領域において極大な第７の特異点の相対的な大きさである第７の値とを用いて比を求める式である
   ことを特徴とする植物種識別装置。
6. 請求項５記載の植物種識別装置において、
   前記第１の値は、前記第１の特異点の相対的な大きさであり、
   前記第２の値は、前記第２の特異点の相対的な大きさである
   ことを特徴とする植物種識別装置。
7. 請求項５又は６記載の植物種識別装置において、
   前記識別対象の前記スペクトルデータを取得するスペクトルセンサを更に有し、
   前記スペクトルセンサは、スリットを介して取り込まれる光を分光しつつ撮像素子に受光させることにより、各波長における光強度を示す前記スペクトルデータを取得するスペクトルセンサである
   ことを特徴とする植物種識別装置。