JP2015077113A - 植物判定装置、植物判定方法、及びプログラム - Google Patents
植物判定装置、植物判定方法、及びプログラム Download PDFInfo
- Publication number
- JP2015077113A JP2015077113A JP2013217483A JP2013217483A JP2015077113A JP 2015077113 A JP2015077113 A JP 2015077113A JP 2013217483 A JP2013217483 A JP 2013217483A JP 2013217483 A JP2013217483 A JP 2013217483A JP 2015077113 A JP2015077113 A JP 2015077113A
- Authority
- JP
- Japan
- Prior art keywords
- wavelength region
- reflection intensity
- relationship
- spectrum data
- plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/02—Mechanical
- G01N2201/021—Special mounting in general
- G01N2201/0214—Airborne
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/06—Illumination; Optics
- G01N2201/061—Sources
- G01N2201/0616—Ambient light is used
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
【課題】植物により反射された太陽光の反射強度を示すスペクトルデータを用いて、植物の種類を精度良く判定する。【解決手段】記憶部５１１は、第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する。判定部５１２は、第１乃至第４の関係を求める。第１の関係は、第１のスペクトルデータの第１及び第２の波長領域間の反射強度の関係であり、第２の関係は、第１のスペクトルデータの第２及び第３の波長領域間の反射強度の関係である。第２及び第３の波長領域は、それぞれ、第１及び第２の波長領域に隣接する。第３及び第４の関係は、第２のスペクトルデータにおける反射強度の関係である。判定部５１２は、第１及び第３の関係を比較した比較結果と、第２及び第４の関係を比較した比較結果とに基づいて、第１の植物種が第２の植物種であるか否かを判定する。【選択図】図５
Description
本発明は、植物判定装置、植物判定方法、及びプログラムに関する。
多くの圃場を管理する農業協同組合等において、連作の抑制、作物の伝染病の拡大防止等を可能にするため、圃場毎にどんな作物が植えられているかを把握することが有益である。従来、農業協同組合等においては、農業従事者からの報告に基づいて植え付け作物の種類を管理していることが多い。
移動体搭載用の生育度測定装置も知られている（例えば、特許文献１を参照）。この生育度測定装置は、圃場の植物から反射された太陽光を分光して受光し、２種以上の特定波長の光強度に基づいて植物の生育指標を求める。
管理対象圃場における作物品種毎の農作業を支援する圃場管理支援方法も知られている（例えば、特許文献２を参照）。この圃場管理支援方法は、衛星画像データの波長成分に基づいて作物品種の生育状態を認識し、生育状態に対応する作業内容をデータベースから読み出して、管理対象圃場毎に出力する。
衛星や航空機からのリモートセンシングを用いた植生調査において、日向部分及び日陰部分を含む領域区分で分類された反射率スペクトルの特徴を示す基準スペクトルデータを用いて植物種を識別する植物種識別装置も知られている（例えば、特許文献３を参照）。この植物種識別装置は、ハイパースペクトルデータの各ピクセルの反射率スペクトルの特徴と最も類似する基準スペクトルデータを特定し、特定した基準スペクトルデータの分類をもとに、そのピクセルの植物種を判定する。
作物の画像データから収穫量を予測する収穫予測装置も知られている（例えば、特許文献４を参照）。この収穫予測装置は、画像データから得られるスペクトルと種別スペクトル情報とを比較することにより作物の種別を識別し、画像データから得られるスペクトルと育成段階スペクトル情報とを比較することにより作物の育成段階を識別する。そして、収穫予測装置は、画像データに基づいて作付面積を算出し、種別、育成段階、及び作付面積に基づいて、任意の時期における作物の収穫量を予測する。
圃場内の作物情報を算出するリモートセンシングにおいて、作物情報の演算に使用する演算式を作成する方法も知られている（例えば、特許文献５を参照）。この方法は、圃場内の複数の区域に生育している作物からの反射光を区域毎に測定し、化学分析等により作物情報を求め、反射光の情報を説明変数とし、作物情報を目的変数とし、撮影条件に関する要因にダミー変数を用いて、重回帰式の重回帰係数を算出する。
農業従事者からの報告に基づいて植え付け作物の種類（作物種）を管理する方法では、必ずしも正確な作物種が報告されるとは限らない。しかし、人手により圃場を踏査する方法では、多くの圃場の作物種を効率良く取得することが困難である。
そこで、特許文献３の植物種識別装置のように、衛星や航空機からのリモートセンシングを用いて作物種を識別することが望ましい。リモートセンシングを用いれば、作物により反射された太陽光の反射強度を示すスペクトルデータを取得することができる。反射強度のスペクトルデータの形状は作物種によって異なるため、スペクトルデータを既知の作物種の基準スペクトルデータと比較することで、作物種を判定することが可能になる。
しかしながら、同じ作物種であっても、入射する太陽光の条件や生育状況が異なると、反射強度にバラツキが生じる。このようなバラツキのため、取得したスペクトルデータを基準スペクトルデータと比較する際の反射強度の閾値が小さい場合は、同じ作物種が異なる作物種と判定されて除外される可能性がある。逆に、閾値が大きい場合は、異なる作物種が同じ作物種と判定される可能性がある。このため、単純な閾値判定のみでは、作物種の判定精度が低下するという問題がある。
なお、かかる問題は、圃場で栽培されている作物の種類を判定する場合に限らず、他の場所で生育する植物の種類を判定する場合においても生ずるものである。
１つの側面において、本発明は、植物により反射された太陽光の反射強度を示すスペクトルデータを用いて、植物の種類を精度良く判定することを目的とする。
１つの案では、植物判定装置は、記憶部、判定部、及び出力部を含む。
記憶部は、第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する。
記憶部は、第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する。
判定部は、第１の関係、第２の関係と、第３の関係、及び第４の関係を求める。第１の関係は、第１のスペクトルデータの第１の波長領域における反射強度と第１の波長領域に隣接する第２の波長領域における反射強度との間の関係である。第２の関係は、第１のスペクトルデータの第２の波長領域における反射強度と第２の波長領域に隣接する第３の波長領域における反射強度との間の関係である。第３の関係は、第２のスペクトルデータの第１の波長領域における反射強度と第２の波長領域における反射強度との間の関係である。第４の関係は、第２のスペクトルデータの第２の波長領域における反射強度と第３の波長領域における反射強度との間の関係である。
次に、判定部は、第１の関係と第３の関係とを比較した第１の比較結果と、第２の関係と第４の関係とを比較した第２の比較結果とに基づいて、第１の植物種が第２の植物種であるか否かを判定する。
出力部は、第１の植物種が第２の植物種であるか否かを示す判定結果を出力する。
実施形態によれば、植物により反射された太陽光の反射強度を示すスペクトルデータを用いて、植物の種類を精度良く判定することができる。
以下、図面を参照しながら、実施形態を詳細に説明する。
農業従事者からの報告に基づいて植え付け作物の種類（作物種）を管理する方法では、必ずしも正確な作物種が報告されるとは限らない。しかし、人手により圃場を踏査する方法では、多くの圃場の作物種を効率良く取得することが困難である。
農業従事者からの報告に基づいて植え付け作物の種類（作物種）を管理する方法では、必ずしも正確な作物種が報告されるとは限らない。しかし、人手により圃場を踏査する方法では、多くの圃場の作物種を効率良く取得することが困難である。
そこで、特許文献３の植物種識別装置のように、衛星や航空機からのリモートセンシングを用いて作物種を識別することが望ましい。リモートセンシングを用いれば、作物により反射された太陽光の反射強度を示すスペクトルデータを取得することができる。
図１は、７種類の作物種のスペクトルデータの例を示している。図１の横軸は、４つの波長領域を表す。波長領域Ｇは、緑成分の波長領域であり、例えば、５００〜５９０ｎｍの波長に対応する。波長領域Ｒは、赤成分の波長領域であり、例えば、６１０〜６８０ｎｍの波長に対応する。波長領域ＮＩＲは、近赤外成分の波長領域であり、例えば、７８０〜８９０ｎｍの波長に対応する。波長領域ＳＷＩＲは、短波長赤外成分の波長領域であり、例えば、１５８０〜１７５０ｎｍの波長に対応する。
図１の縦軸は、各波長領域における太陽光の反射強度を表し、折れ線１０１〜折れ線１０７は、それぞれ、小麦、ばれいしょ、てん菜、小豆、スイートコーン、牧草、及びかぼちゃのスペクトルデータを表す。各波長領域の反射強度は、その波長領域に含まれる複数の波長の反射強度の積分値に対応する。折れ線１０１〜折れ線１０７が示すように、反射強度のスペクトルデータの形状は作物種によって異なるため、スペクトルデータを既知の作物種の基準スペクトルデータと比較することで、作物種を判定することが可能になる。
しかしながら、同じ作物種であっても、入射する太陽光の条件や生育状況が異なると、反射強度にバラツキが生じる。図２、図３、及び図４は、それぞれ、小麦、ばれいしょ、及びてん菜の反射強度のバラツキの例を示している。
このようなバラツキのため、取得したスペクトルデータを基準スペクトルデータと比較する際の反射強度の閾値が小さい場合は、同じ作物種が異なる作物種と判定されて除外される可能性がある。逆に、閾値が大きい場合は、異なる作物種が同じ作物種と判定される可能性がある。このため、単純な閾値判定のみでは、作物種の判定精度が低下するという問題がある。
なお、かかる問題は、圃場で栽培されている作物の種類を判定する場合に限らず、他の場所で生育する植物の種類を判定する場合においても生ずるものである。
図５は、実施形態の植物判定装置の機能的構成例を示している。図５の植物判定装置５０１は、記憶部５１１、判定部５１２、及び出力部５１３を含む。
記憶部５１１は、第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する。判定部５１２は、記憶部５１１が記憶する第１及び第２のスペクトルデータを用いて、第１の植物種が第２の植物種であるか否かを判定し、出力部５１３は、判定結果を出力する。
出力部５１３は、例えば、表示装置、プリンタ、又はネットワーク接続装置である。出力部５１３が表示装置である場合、出力部５１３は、判定結果を画面上に表示し、出力部５１３がプリンタである場合、出力部５１３は、判定結果を紙媒体に印刷して出力する。
出力部５１３がネットワーク接続装置である場合、出力部５１３は、判定結果を通信ネットワークに出力し、その通信ネットワークに接続された情報処理装置（コンピュータ）等へ判定結果が送信される。情報処理装置は、受信した計測結果を表示装置又はプリンタを介して表示又は印刷することができる。
図６は、図５の植物判定装置５０１が行う植物判定処理の例を示すフローチャートである。まず、判定部５１２は、第１の関係、第２の関係と、第３の関係、及び第４の関係を求める（ステップ６０１）。
第１の関係は、第１のスペクトルデータの第１の波長領域における反射強度と第１の波長領域に隣接する第２の波長領域における反射強度との間の関係である。第２の関係は、第１のスペクトルデータの第２の波長領域における反射強度と第２の波長領域に隣接する第３の波長領域における反射強度との間の関係である。第３の関係は、第２のスペクトルデータの第１の波長領域における反射強度と第２の波長領域における反射強度との間の関係である。第４の関係は、第２のスペクトルデータの第２の波長領域における反射強度と第３の波長領域における反射強度との間の関係である。
次に、判定部５１２は、第１の関係と第３の関係とを比較した第１の比較結果と、第２の関係と第４の関係とを比較した第２の比較結果とに基づいて、第１の植物種が第２の植物種であるか否かを判定する（ステップ６０２）。
そして、出力部５１３は、第１の植物種が第２の植物種であるか否かを示す判定結果を出力する（ステップ６０３）。
このような植物判定装置５０１によれば、植物により反射された太陽光の反射強度を示すスペクトルデータを用いて、植物の種類を精度良く判定することができる。
図７は、圃場で栽培されている作物の種類を判定する植物判定装置の機能的構成例を示している。図７の植物判定装置７０１は、図５の植物判定装置５０１の構成に生成部７１１を追加した構成を有する。
記憶部５１１は、リモートセンシングにより取得された、複数の圃場で栽培されている複数の作物の複数のスペクトルデータを記憶する。記憶部５１１が記憶するスペクトルデータは、例えば、図１に示したようなスペクトルデータであり、スペクトルデータの各波長領域の反射強度は、その波長領域に含まれる複数の波長の反射強度を代表する代表値である。代表値としては、例えば、複数の波長の反射強度の積分値、平均値、重み付き平均値、最大値、又は最小値を用いることができる。
生成部７１１は、記憶部５１１が記憶する複数のスペクトルデータのうち、作物種が既知である作物のスペクトルデータを用いて、その作物種の基準スペクトルデータを生成し、記憶部５１１に格納する。判定部５１２は、取得されたスペクトルデータと生成された基準スペクトルデータとを用いて、取得されたスペクトルデータの作物種が基準スペクトルデータの作物種であるか否かを判定する。そして、出力部５１３は、判定結果を出力する。
図８は、図７の植物判定装置７０１が行う作物判定処理の例を示すフローチャートである。まず、生成部７１１は、記憶部５１１が記憶する複数のスペクトルデータの中から、人手により圃場を踏査する方法等により作物種が判明している圃場のスペクトルデータを抽出する（ステップ８０１）。
次に、生成部７１１は、抽出した同じ作物種の１つ以上の圃場のスペクトルデータを用いて、その作物種の基準スペクトルデータを生成し、記憶部５１１に格納する（ステップ８０２）。１つの圃場のスペクトルデータのみが抽出された場合は、そのスペクトルデータを基準スペクトルデータとして用いることができる。また、複数の圃場のスペクトルデータが抽出された場合は、それらのスペクトルデータを用いた演算により、基準スペクトルデータを生成することができる。例えば、基準スペクトルデータは、複数の圃場のスペクトルデータの平均値、重み付き平均値、最大値、又は最小値であってもよい。
これにより、例えば、図１に示したスペクトルデータと類似する、作物種毎の基準スペクトルデータが生成される。
次に、判定部５１２は、記憶部５１１が記憶する複数のスペクトルデータの反射強度と基準スペクトルデータの反射強度とを比較し、複数のスペクトルデータの中から、反射強度の差分が閾値以下であるスペクトルデータを抽出する（ステップ８０３）。
次に、判定部５１２は、基準スペクトルデータにおいて隣接する２つの波長領域間の反射強度の関係を求める（ステップ８０４）。例えば、図１の波長領域Ｇ、波長領域Ｒ、波長領域ＮＩＲ、及び波長領域ＳＷＩＲにおける反射強度を、それぞれ、Ｉ（Ｇ）、Ｉ（Ｒ）、Ｉ（ＮＩＲ）、及びＩ（ＳＷＩＲ）とすると、次式により反射強度の関係を表す指標を求めることができる。
Ｒ（Ｇ，Ｒ）＝Ｉ（Ｇ）／Ｉ（Ｒ） （１）
Ｒ（Ｒ，ＮＩＲ）＝Ｉ（Ｒ）／Ｉ（ＮＩＲ） （２）
Ｒ（ＮＩＲ，ＳＷＩＲ）＝Ｉ（ＮＩＲ）／Ｉ（ＳＷＩＲ） （３）
Ｒ（Ｇ，Ｒ）＝Ｉ（Ｇ）／Ｉ（Ｒ） （１）
Ｒ（Ｒ，ＮＩＲ）＝Ｉ（Ｒ）／Ｉ（ＮＩＲ） （２）
Ｒ（ＮＩＲ，ＳＷＩＲ）＝Ｉ（ＮＩＲ）／Ｉ（ＳＷＩＲ） （３）
式（１）のＲ（Ｇ，Ｒ）は、波長領域Ｇにおける反射強度Ｉ（Ｇ）と波長領域Ｒにおける反射強度Ｉ（Ｒ）との比率を表す。式（２）のＲ（Ｒ，ＮＩＲ）は、波長領域Ｒにおける反射強度Ｉ（Ｒ）と波長領域ＮＩＲにおける反射強度Ｉ（ＮＩＲ）との比率を表す。式（３）のＲ（ＮＩＲ，ＳＷＩＲ）は、波長領域ＮＩＲにおける反射強度Ｉ（ＮＩＲ）と波長領域ＳＷＩＲにおける反射強度Ｉ（ＳＷＩＲ）との比率を表す。
次に、判定部５１２は、ステップ８０３で抽出した１つ以上のスペクトルデータの各々について、隣接する２つの波長領域間の反射強度の関係を求める（ステップ８０５）。そして、判定部５１２は、各スペクトルデータについて求めた反射強度の関係と基準スペクトルデータについて求めた反射強度の関係とを比較し、反射強度の関係が類似するスペクトルデータを抽出する。
ステップ８０４では、例えば、基準スペクトルデータの反射強度の関係として、Ｒ０（Ｇ，Ｒ）、Ｒ０（Ｒ，ＮＩＲ）、及びＲ０（ＮＩＲ，ＳＷＩＲ）が求められる。そして、ステップ８０５では、例えば、あるスペクトルデータの反射強度の関係として、Ｒ１（Ｇ，Ｒ）、Ｒ１（Ｒ，ＮＩＲ）、及びＲ１（ＮＩＲ，ＳＷＩＲ）が求められる。この場合、以下の３つの条件が満たされるときに、２つのスペクトルデータの反射強度の関係が類似するとみなすことができる。
（ａ）Ｒ０（Ｇ，Ｒ）とＲ１（Ｇ，Ｒ）との差分が閾値以下
（ｂ）Ｒ０（Ｒ，ＮＩＲ）とＲ１（Ｒ，ＮＩＲ）との差分が閾値以下
（ｃ）Ｒ０（ＮＩＲ，ＳＷＩＲ）とＲ１（ＮＩＲ，ＳＷＩＲ）との差分が閾値以下
（ａ）Ｒ０（Ｇ，Ｒ）とＲ１（Ｇ，Ｒ）との差分が閾値以下
（ｂ）Ｒ０（Ｒ，ＮＩＲ）とＲ１（Ｒ，ＮＩＲ）との差分が閾値以下
（ｃ）Ｒ０（ＮＩＲ，ＳＷＩＲ）とＲ１（ＮＩＲ，ＳＷＩＲ）との差分が閾値以下
次に、判定部５１２は、ステップ８０３で抽出した１つ以上のスペクトルデータに対応する圃場の作物種が基準スペクトルデータの作物種と同じであることを示す判定結果を出力部５１３へ転送する（ステップ８０６）。この判定結果は、ステップ８０３で抽出したスペクトルデータ以外のスペクトルデータに対応する圃場の作物種が基準スペクトルデータの作物種とは異なることを示している。そして、出力部５１３は、転送された判定結果を出力する。
このような作物判定処理によれば、各圃場の作物により反射された太陽光の反射強度を示すスペクトルデータを用いて、各圃場の作物種を精度良く判定することができ、複数の圃場の作物種マップを容易に作成することが可能になる。
次に、衛星からのリモートセンシングにより取得された複数の圃場のスペクトルデータを用いて行った作物判定処理の具体例について説明する。各圃場では、小麦、ばれいしょ、スイートコーン、及びてん菜の４種類の作物のうちいずれか１種類の作物が栽培されている。そして、各圃場のスペクトルデータには、波長領域Ｇ、波長領域Ｒ、波長領域ＮＩＲ、及び波長領域ＳＷＩＲの４つの波長領域の反射強度が含まれている。
１．第１の具体例
作物種が小麦であることが判明している２０箇所の圃場を抽出し、それらの圃場のスペクトルデータの平均値を小麦の基準スペクトルデータとして用いる。各波長領域において、基準スペクトルデータの生成に用いた２０箇所の圃場の反射強度の標準偏差σを求め、標準偏差σをステップ８０３の閾値として用いる。そして、任意に抽出された１００箇所の圃場のスペクトルデータの中から、すべての波長領域において、小麦の基準スペクトルデータの反射強度±σの範囲内に入る反射強度を有するスペクトルデータを抽出する。
作物種が小麦であることが判明している２０箇所の圃場を抽出し、それらの圃場のスペクトルデータの平均値を小麦の基準スペクトルデータとして用いる。各波長領域において、基準スペクトルデータの生成に用いた２０箇所の圃場の反射強度の標準偏差σを求め、標準偏差σをステップ８０３の閾値として用いる。そして、任意に抽出された１００箇所の圃場のスペクトルデータの中から、すべての波長領域において、小麦の基準スペクトルデータの反射強度±σの範囲内に入る反射強度を有するスペクトルデータを抽出する。
次に、基準スペクトルデータの反射強度の関係を表す指標として、Ｒ０（Ｇ，Ｒ）、Ｒ０（Ｒ，ＮＩＲ）、及びＲ０（ＮＩＲ，ＳＷＩＲ）を求め、求めた各指標の５０％に相当する値をステップ８０５の閾値として用いる。また、ステップ８０３で抽出されたスペクトルデータの反射強度の関係を表す指標として、Ｒ１（Ｇ，Ｒ）、Ｒ１（Ｒ，ＮＩＲ）、及びＲ１（ＮＩＲ，ＳＷＩＲ）を求める。そして、ステップ８０３で抽出されたスペクトルデータの中から、すべての波長領域において、基準スペクトルデータの指標±５０％の範囲内に入る指標を有するスペクトルデータを抽出する。
この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
・５０個のスペクトルデータのうち、基準スペクトルデータの指標±５０％の範囲内に入るスペクトルデータ：３５個
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
・５０個のスペクトルデータのうち、基準スペクトルデータの指標±５０％の範囲内に入るスペクトルデータ：３５個
抽出された３５個のスペクトルデータに対応する３５箇所の圃場を実際に調査した結果、すべての圃場の作物種が小麦であることが確認できた。さらに、基準スペクトルデータの反射強度±σの範囲内ではあるが、基準スペクトルデータの指標±５０％の範囲外である１５個のスペクトルデータに対応する１５箇所の圃場を実際に調査した結果、すべての圃場の作物種が小麦ではないことが確認できた。この場合、すべての小麦圃場の判定結果が正しいため、小麦圃場の判定精度は１００％である。
２．第２の具体例
第１の具体例における各指標の閾値を５０％から４０％に変更する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
・５０個のスペクトルデータのうち、基準スペクトルデータの指標±４０％の範囲内に入るスペクトルデータ：３４個
第１の具体例における各指標の閾値を５０％から４０％に変更する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
・５０個のスペクトルデータのうち、基準スペクトルデータの指標±４０％の範囲内に入るスペクトルデータ：３４個
抽出された３４個のスペクトルデータに対応する３４箇所の圃場を実際に調査した結果、すべての圃場の作物種が小麦であることが確認できた。この場合、３５箇所の小麦圃場のうち３４箇所の小麦圃場の判定結果が正しいため、小麦圃場の判定精度は約９７％である。
３．第３の具体例
第１の具体例における各指標の閾値を５０％から３０％に変更する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
・５０個のスペクトルデータのうち、基準スペクトルデータの指標±３０％の範囲内に入るスペクトルデータ：２９個
第１の具体例における各指標の閾値を５０％から３０％に変更する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
・５０個のスペクトルデータのうち、基準スペクトルデータの指標±３０％の範囲内に入るスペクトルデータ：２９個
抽出された２９個のスペクトルデータに対応する２９箇所の圃場を実際に調査した結果、すべての圃場の作物種が小麦であることが確認できた。さらに、基準スペクトルデータの反射強度±σの範囲内ではあるが、基準スペクトルデータの指標±３０％の範囲外である２１個のスペクトルデータに対応する２１箇所の圃場を実際に調査した結果、６箇所の圃場の作物種が小麦であることが確認できた。この場合、３５箇所の小麦圃場のうち２９箇所の小麦圃場の判定結果が正しいため、小麦圃場の判定精度は約８３％である。
４．第４の具体例
第１の具体例における各指標の閾値を５０％から６０％に変更する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
・５０個のスペクトルデータのうち、基準スペクトルデータの指標±６０％の範囲内に入るスペクトルデータ：３６個
第１の具体例における各指標の閾値を５０％から６０％に変更する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
・５０個のスペクトルデータのうち、基準スペクトルデータの指標±６０％の範囲内に入るスペクトルデータ：３６個
抽出された３６個のスペクトルデータに対応する３６箇所の圃場を実際に調査した結果、３５箇所の圃場の作物種が小麦であり、１箇所の圃場の作物種が小麦ではないことが確認できた。この場合、３６箇所の圃場のうち３５箇所の小麦圃場の判定結果が正しいため、小麦圃場の判定精度は約９７％である。
５．第５の具体例
第１の具体例における各指標の閾値を５０％から７０％に変更する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
・５０個のスペクトルデータのうち、基準スペクトルデータの指標±７０％の範囲内に入るスペクトルデータ：４１個
第１の具体例における各指標の閾値を５０％から７０％に変更する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
・５０個のスペクトルデータのうち、基準スペクトルデータの指標±７０％の範囲内に入るスペクトルデータ：４１個
抽出された４１個のスペクトルデータに対応する４１箇所の圃場を実際に調査した結果、３５箇所の圃場の作物種が小麦であり、６箇所の圃場の作物種が小麦ではないことが確認できた。この場合、４１箇所の圃場のうち３５箇所の小麦圃場の判定結果が正しいため、小麦圃場の判定精度は約８５％である。
６．第６の具体例
第１の具体例における基準スペクトルデータの作物種を小麦からばれいしょに変更する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：７０個
・７０個のスペクトルデータのうち、基準スペクトルデータの指標±５０％の範囲内に入るスペクトルデータ：５５個
第１の具体例における基準スペクトルデータの作物種を小麦からばれいしょに変更する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：７０個
・７０個のスペクトルデータのうち、基準スペクトルデータの指標±５０％の範囲内に入るスペクトルデータ：５５個
抽出された５５個のスペクトルデータに対応する５５箇所の圃場を実際に調査した結果、５４箇所の圃場の作物種がばれいしょであり、１箇所の圃場の作物種がばれいしょではないことが確認できた。さらに、基準スペクトルデータの反射強度±σの範囲内ではあるが、基準スペクトルデータの指標±５０％の範囲外である１５個のスペクトルデータに対応する１５箇所の圃場を実際に調査した結果、すべての圃場の作物種がばれいしょではないことが確認できた。この場合、５５箇所の圃場のうち５４箇所のばれいしょ圃場の判定結果が正しいため、ばれいしょ圃場の判定精度は約９８％である。
７．第７の具体例
第１の具体例における基準スペクトルデータの指標に基づく抽出処理を省略する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
第１の具体例における基準スペクトルデータの指標に基づく抽出処理を省略する。この場合、抽出されたスペクトルデータの数は、以下の通りである。
・１００個のスペクトルデータのうち、基準スペクトルデータの反射強度±σの範囲内に入るスペクトルデータ：５０個
抽出された５０個のスペクトルデータに対応する５０箇所の圃場を実際に調査した結果、３５箇所の圃場の作物種が小麦であり、１５箇所の圃場の作物種が小麦ではないことが確認できた。この場合、５０箇所の圃場のうち３５箇所の小麦圃場の判定結果が正しいため、小麦圃場の判定精度は７０％である。
第１乃至第５の具体例と第７の具体例とを比較すると、図８のステップ８０３の抽出処理に加えてステップ８０５の抽出処理を行うことで、小麦圃場の判定精度が向上することが分かる。
また、第１乃至第５の具体例を互いに比較すると、ステップ８０５における反射強度の関係を表す指標の閾値として、指標の４０％から６０％までの範囲の値を用いることで、小麦圃場の判定精度が格段に向上することが分かる。
図８の作物判定処理において、２つの波長領域間の反射強度の関係を表す指標として、２つの波長領域における反射強度の比率を用いる代わりに、他の指標を用いることも可能である。例えば、式（１）〜式（３）の右辺の分母と分子を入れ替えた比率を用いてもよく、２つの波長領域における反射強度の差分を用いてもよい。２つの波長領域における反射強度の差分を用いた場合、次式により指標を求めることができる。
Ｒ（Ｇ，Ｒ）＝Ｉ（Ｇ）−Ｉ（Ｒ） （４）
Ｒ（Ｒ，ＮＩＲ）＝Ｉ（Ｒ）−Ｉ（ＮＩＲ） （５）
Ｒ（ＮＩＲ，ＳＷＩＲ）＝Ｉ（ＮＩＲ）−Ｉ（ＳＷＩＲ） （６）
Ｒ（Ｇ，Ｒ）＝Ｉ（Ｇ）−Ｉ（Ｒ） （４）
Ｒ（Ｒ，ＮＩＲ）＝Ｉ（Ｒ）−Ｉ（ＮＩＲ） （５）
Ｒ（ＮＩＲ，ＳＷＩＲ）＝Ｉ（ＮＩＲ）−Ｉ（ＳＷＩＲ） （６）
式（４）のＲ（Ｇ，Ｒ）は、波長領域Ｇにおける反射強度Ｉ（Ｇ）と波長領域Ｒにおける反射強度Ｉ（Ｒ）との差分を表す。式（５）のＲ（Ｒ，ＮＩＲ）は、波長領域Ｒにおける反射強度Ｉ（Ｒ）と波長領域ＮＩＲにおける反射強度Ｉ（ＮＩＲ）との差分を表す。式（６）のＲ（ＮＩＲ，ＳＷＩＲ）は、波長領域ＮＩＲにおける反射強度Ｉ（ＮＩＲ）と波長領域ＳＷＩＲにおける反射強度Ｉ（ＳＷＩＲ）との差分を表す。
ところで、図１〜図４の４つの波長領域は一例に過ぎず、植物判定装置の用途や条件に応じて、各波長領域の波長範囲又は波長領域の数を変更してもよい。例えば、波長領域Ｇ又は波長領域ＳＷＩＲのうちいずれか一方の反射強度を用いなくてもよく、波長領域Ｒより短い波長の波長領域又は波長領域ＳＷＩＲより長い波長の波長領域の反射強度を追加してもよい。
波長領域Ｇの反射強度を用いない場合、Ｒ０（Ｇ，Ｒ）及びＲ１（Ｇ，Ｒ）の計算を省略することができる。また、波長領域ＳＷＩＲの反射強度を用いない場合、Ｒ０（ＮＩＲ，ＳＷＩＲ）及びＲ１（ＮＩＲ，ＳＷＩＲ）の計算を省略することができる。
隣接するＮ個（Ｎは２以上の整数）の波長領域の反射強度を用いる場合、図８のステップ８０４において、判定部５１２は、基準スペクトルデータからＮ−１個の反射強度の関係を表す指標を求める。そして、ステップ８０５において、判定部５１２は、各スペクトルデータからＮ−１個の反射強度の関係を表す指標を求め、基準スペクトルデータのＮ−１個の指標と比較して、反射強度の関係が類似するスペクトルデータを抽出する。
Ｎが大きいほど、各スペクトルデータと基準スペクトルデータとをより詳細に比較することができるため、判定精度が向上することが期待できる。Ｎ＝２の場合よりもＮ＝３の場合の方が判定精度は向上し、Ｎ＝３の場合よりもＮ＝４の場合の方が判定精度は向上する。例えば、図１に示した７種類の作物種を判定する場合は、Ｎが４以上であることが好ましい。
図５の植物判定装置５０１及び図７の植物判定装置７０１の構成は一例に過ぎず、植物判定装置の用途や条件に応じて一部の構成要素を省略又は変更してもよい。例えば、記憶部５１１があらかじめ基準スペクトルデータを記憶している場合は、図７の生成部７１１を省略することができる。
図６及び図８のフローチャートは一例に過ぎず、植物判定装置の構成や条件に応じて一部の処理を省略又は変更してもよい。例えば、図８のステップ８０３の処理とステップ８０４の処理の順序は入れ替えることができる。また、記憶部５１１があらかじめ基準スペクトルデータを記憶している場合は、図８のステップ８０１及びステップ８０２の処理を省略することができる。
図５の植物判定装置５０１及び図７の植物判定装置７０１は、例えば、図９に示すような情報処理装置を用いて実現可能である。
図９の情報処理装置は、Central Processing Unit（ＣＰＵ）９０１、メモリ９０２、入力装置９０３、出力装置９０４、補助記憶装置９０５、媒体駆動装置９０６、及びネットワーク接続装置９０７を備える。これらの構成要素はバス９０８により互いに接続されている。
メモリ９０２は、例えば、Read Only Memory（ＲＯＭ）、Random Access Memory（ＲＡＭ）、フラッシュメモリ等の半導体メモリであり、処理に用いられるプログラム及びデータを格納する。メモリ９０２は、図５及び図７の記憶部５１１として用いることができる。
ＣＰＵ９０１（プロセッサ）は、例えば、メモリ９０２を利用してプログラムを実行することにより、図５及び図７の判定部５１２、及び図７の生成部７１１として動作する。
入力装置９０３は、例えば、キーボード、ポインティングデバイス等であり、オペレータからの指示や情報の入力に用いられる。出力装置９０４は、例えば、表示装置、プリンタ、スピーカ等であり、オペレータへの問い合わせや処理結果の出力に用いられる。処理結果には判定結果を示す情報が含まれる。出力装置９０４は、図５及び図７の出力部５１３として用いることができる。
補助記憶装置９０５は、例えば、磁気ディスク装置、光ディスク装置、光磁気ディスク装置、テープ装置等である。この補助記憶装置９０５には、ハードディスクドライブも含まれる。情報処理装置は、補助記憶装置９０５にプログラム及びデータを格納しておき、それらをメモリ９０２にロードして使用することができる。補助記憶装置９０５は、図５及び図７の記憶部５１１として用いることができる。
媒体駆動装置９０６は、可搬型記録媒体９０９を駆動し、その記録内容にアクセスする。可搬型記録媒体９０９は、メモリデバイス、フレキシブルディスク、光ディスク、光磁気ディスク等である。この可搬型記録媒体９０９には、Compact Disk Read Only Memory（ＣＤ−ＲＯＭ）、Digital Versatile Disk（ＤＶＤ）、Universal Serial Bus（ＵＳＢ）メモリ等も含まれる。オペレータは、この可搬型記録媒体９０９にプログラム及びデータを格納しておき、それらをメモリ９０２にロードして使用することができる。
このように、処理に用いられるプログラム及びデータを格納するコンピュータ読み取り可能な記録媒体には、メモリ９０２、補助記憶装置９０５、及び可搬型記録媒体９０９のような、物理的な（非一時的な）記録媒体が含まれる。
ネットワーク接続装置９０７は、Local Area Network、Wide Area Network等の通信ネットワークに接続され、通信に伴うデータ変換を行う通信インタフェースである。ネットワーク接続装置９０７は、図５及び図７の出力部５１３として用いることができる。
情報処理装置は、ネットワーク接続装置９０７を介して、ユーザ端末から処理要求を受信し、処理結果である植物種の判定結果を示す情報をユーザ端末へ送信することができる。情報処理装置は、プログラム及びデータを外部の装置からネットワーク接続装置９０７を介して受け取り、それらをメモリ９０２にロードして使用することもできる。
なお、情報処理装置が図９のすべての構成要素を含む必要はなく、用途や条件に応じて一部の構成要素を省略することも可能である。例えば、情報処理装置がユーザ端末から通信ネットワーク経由で処理要求を受信する場合は、入力装置９０３及び出力装置９０４を省略してもよい。
開示の実施形態とその利点について詳しく説明したが、当業者は、特許請求の範囲に明確に記載した本発明の範囲から逸脱することなく、様々な変更、追加、省略をすることができるであろう。
図２乃至図９を参照しながら説明した実施形態に関し、さらに以下の付記を開示する。
（付記１）
第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する記憶部と、
前記第１のスペクトルデータの第１の波長領域における反射強度と前記第１の波長領域に隣接する第２の波長領域における反射強度との間の第１の関係と、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２の波長領域に隣接する第３の波長領域における反射強度との間の第２の関係と、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との間の第３の関係と、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との間の第４の関係とを求め、前記第１の関係と前記第３の関係とを比較した第１の比較結果と、前記第２の関係と前記第４の関係とを比較した第２の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定する判定部と、
前記第１の植物種が前記第２の植物種であるか否かを示す判定結果を出力する出力部と、
を備えることを特徴とする植物判定装置。
（付記２）
前記判定部は、前記第１のスペクトルデータの前記第１の波長領域における反射強度と前記第２のスペクトルデータの前記第１の波長領域における反射強度との差分が第１の閾値より小さく、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２のスペクトルデータの前記第２の波長領域における反射強度との差分が第２の閾値より小さく、前記第１のスペクトルデータの前記第３の波長領域における反射強度と前記第２のスペクトルデータの前記第３の波長領域における反射強度との差分が第３の閾値より小さい場合に、前記第１の関係、前記第２の関係、前記第３の関係、及び前記第４の関係を求めることを特徴とする付記１記載の植物判定装置。
（付記３）
前記第１の関係は、前記第１のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との比率を表し、前記第２の関係は、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との比率を表し、前記第３の関係は、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との比率を表し、前記第４の関係は、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との比率を表すことを特徴とする付記１又は２記載の植物判定装置。
（付記４）
前記第１の関係は、前記第１のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との差分を表し、前記第２の関係は、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との差分を表し、前記第３の関係は、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との差分を表し、前記第４の関係は、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との差分を表すことを特徴とする付記１又は２記載の植物判定装置。
（付記５）
前記判定部は、前記第１のスペクトルデータの前記第３の波長領域における反射強度と前記第３の波長領域に隣接する第４の波長領域における反射強度との間の第５の関係と、前記第２のスペクトルデータの前記第３の波長領域における反射強度と前記第４の波長領域における反射強度との間の第６の関係とをさらに求め、前記第１の比較結果と、前記第２の比較結果と、前記第５の関係と前記第６の関係とを比較した第３の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定することを特徴とする付記１乃至４のいずれか１項に記載の植物判定装置。
（付記６）
コンピュータによって実行される植物判定方法であって、
第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する記憶部を参照して、前記第１のスペクトルデータの第１の波長領域における反射強度と前記第１の波長領域に隣接する第２の波長領域における反射強度との間の第１の関係と、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２の波長領域に隣接する第３の波長領域における反射強度との間の第２の関係と、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との間の第３の関係と、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との間の第４の関係とを求め、
前記第１の関係と前記第３の関係とを比較した第１の比較結果と、前記第２の関係と前記第４の関係とを比較した第２の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定する、
ことを特徴とする植物判定方法。
（付記７）
第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する記憶部を参照して、前記第１のスペクトルデータの第１の波長領域における反射強度と前記第１の波長領域に隣接する第２の波長領域における反射強度との間の第１の関係と、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２の波長領域に隣接する第３の波長領域における反射強度との間の第２の関係と、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との間の第３の関係と、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との間の第４の関係とを求め、
前記第１の関係と前記第３の関係とを比較した第１の比較結果と、前記第２の関係と前記第４の関係とを比較した第２の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定する、
処理をコンピュータに実行させるプログラム。
（付記１）
第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する記憶部と、
前記第１のスペクトルデータの第１の波長領域における反射強度と前記第１の波長領域に隣接する第２の波長領域における反射強度との間の第１の関係と、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２の波長領域に隣接する第３の波長領域における反射強度との間の第２の関係と、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との間の第３の関係と、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との間の第４の関係とを求め、前記第１の関係と前記第３の関係とを比較した第１の比較結果と、前記第２の関係と前記第４の関係とを比較した第２の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定する判定部と、
前記第１の植物種が前記第２の植物種であるか否かを示す判定結果を出力する出力部と、
を備えることを特徴とする植物判定装置。
（付記２）
前記判定部は、前記第１のスペクトルデータの前記第１の波長領域における反射強度と前記第２のスペクトルデータの前記第１の波長領域における反射強度との差分が第１の閾値より小さく、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２のスペクトルデータの前記第２の波長領域における反射強度との差分が第２の閾値より小さく、前記第１のスペクトルデータの前記第３の波長領域における反射強度と前記第２のスペクトルデータの前記第３の波長領域における反射強度との差分が第３の閾値より小さい場合に、前記第１の関係、前記第２の関係、前記第３の関係、及び前記第４の関係を求めることを特徴とする付記１記載の植物判定装置。
（付記３）
前記第１の関係は、前記第１のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との比率を表し、前記第２の関係は、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との比率を表し、前記第３の関係は、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との比率を表し、前記第４の関係は、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との比率を表すことを特徴とする付記１又は２記載の植物判定装置。
（付記４）
前記第１の関係は、前記第１のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との差分を表し、前記第２の関係は、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との差分を表し、前記第３の関係は、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との差分を表し、前記第４の関係は、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との差分を表すことを特徴とする付記１又は２記載の植物判定装置。
（付記５）
前記判定部は、前記第１のスペクトルデータの前記第３の波長領域における反射強度と前記第３の波長領域に隣接する第４の波長領域における反射強度との間の第５の関係と、前記第２のスペクトルデータの前記第３の波長領域における反射強度と前記第４の波長領域における反射強度との間の第６の関係とをさらに求め、前記第１の比較結果と、前記第２の比較結果と、前記第５の関係と前記第６の関係とを比較した第３の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定することを特徴とする付記１乃至４のいずれか１項に記載の植物判定装置。
（付記６）
コンピュータによって実行される植物判定方法であって、
第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する記憶部を参照して、前記第１のスペクトルデータの第１の波長領域における反射強度と前記第１の波長領域に隣接する第２の波長領域における反射強度との間の第１の関係と、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２の波長領域に隣接する第３の波長領域における反射強度との間の第２の関係と、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との間の第３の関係と、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との間の第４の関係とを求め、
前記第１の関係と前記第３の関係とを比較した第１の比較結果と、前記第２の関係と前記第４の関係とを比較した第２の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定する、
ことを特徴とする植物判定方法。
（付記７）
第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する記憶部を参照して、前記第１のスペクトルデータの第１の波長領域における反射強度と前記第１の波長領域に隣接する第２の波長領域における反射強度との間の第１の関係と、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２の波長領域に隣接する第３の波長領域における反射強度との間の第２の関係と、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との間の第３の関係と、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との間の第４の関係とを求め、
前記第１の関係と前記第３の関係とを比較した第１の比較結果と、前記第２の関係と前記第４の関係とを比較した第２の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定する、
処理をコンピュータに実行させるプログラム。
１０１〜１０７ 折れ線
５０１、７０１ 植物判定装置
５１１ 記憶部
５１２ 判定部
５１３ 出力部
７１１ 生成部
９０１ ＣＰＵ
９０２ メモリ
９０３ 入力装置
９０４ 出力装置
９０５ 補助記憶装置
９０６ 媒体駆動装置
９０７ ネットワーク接続装置
９０８ バス
９０９ 可搬型記録媒体
５０１、７０１ 植物判定装置
５１１ 記憶部
５１２ 判定部
５１３ 出力部
７１１ 生成部
９０１ ＣＰＵ
９０２ メモリ
９０３ 入力装置
９０４ 出力装置
９０５ 補助記憶装置
９０６ 媒体駆動装置
９０７ ネットワーク接続装置
９０８ バス
９０９ 可搬型記録媒体
Claims (5)
- 第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する記憶部と、
前記第１のスペクトルデータの第１の波長領域における反射強度と前記第１の波長領域に隣接する第２の波長領域における反射強度との間の第１の関係と、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２の波長領域に隣接する第３の波長領域における反射強度との間の第２の関係と、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との間の第３の関係と、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との間の第４の関係とを求め、前記第１の関係と前記第３の関係とを比較した第１の比較結果と、前記第２の関係と前記第４の関係とを比較した第２の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定する判定部と、
前記第１の植物種が前記第２の植物種であるか否かを示す判定結果を出力する出力部と、
を備えることを特徴とする植物判定装置。 - 前記判定部は、前記第１のスペクトルデータの前記第１の波長領域における反射強度と前記第２のスペクトルデータの前記第１の波長領域における反射強度との差分が第１の閾値より小さく、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２のスペクトルデータの前記第２の波長領域における反射強度との差分が第２の閾値より小さく、前記第１のスペクトルデータの前記第３の波長領域における反射強度と前記第２のスペクトルデータの前記第３の波長領域における反射強度との差分が第３の閾値より小さい場合に、前記第１の関係、前記第２の関係、前記第３の関係、及び前記第４の関係を求めることを特徴とする請求項１記載の植物判定装置。
- 前記判定部は、前記第１のスペクトルデータの前記第３の波長領域における反射強度と前記第３の波長領域に隣接する第４の波長領域における反射強度との間の第５の関係と、前記第２のスペクトルデータの前記第３の波長領域における反射強度と前記第４の波長領域における反射強度との間の第６の関係とをさらに求め、前記第１の比較結果と、前記第２の比較結果と、前記第５の関係と前記第６の関係とを比較した第３の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定することを特徴とする請求項１又は２記載の植物判定装置。
- コンピュータによって実行される植物判定方法であって、
第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する記憶部を参照して、前記第１のスペクトルデータの第１の波長領域における反射強度と前記第１の波長領域に隣接する第２の波長領域における反射強度との間の第１の関係と、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２の波長領域に隣接する第３の波長領域における反射強度との間の第２の関係と、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との間の第３の関係と、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との間の第４の関係とを求め、
前記第１の関係と前記第３の関係とを比較した第１の比較結果と、前記第２の関係と前記第４の関係とを比較した第２の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定する、
ことを特徴とする植物判定方法。 - 第１の植物種の植物により反射された太陽光の反射強度を示す第１のスペクトルデータと、第２の植物種に対応する反射強度を示す第２のスペクトルデータとを記憶する記憶部を参照して、前記第１のスペクトルデータの第１の波長領域における反射強度と前記第１の波長領域に隣接する第２の波長領域における反射強度との間の第１の関係と、前記第１のスペクトルデータの前記第２の波長領域における反射強度と前記第２の波長領域に隣接する第３の波長領域における反射強度との間の第２の関係と、前記第２のスペクトルデータの前記第１の波長領域における反射強度と前記第２の波長領域における反射強度との間の第３の関係と、前記第２のスペクトルデータの前記第２の波長領域における反射強度と前記第３の波長領域における反射強度との間の第４の関係とを求め、
前記第１の関係と前記第３の関係とを比較した第１の比較結果と、前記第２の関係と前記第４の関係とを比較した第２の比較結果とに基づいて、前記第１の植物種が前記第２の植物種であるか否かを判定する、
処理をコンピュータに実行させるプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013217483A JP2015077113A (ja) | 2013-10-18 | 2013-10-18 | 植物判定装置、植物判定方法、及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013217483A JP2015077113A (ja) | 2013-10-18 | 2013-10-18 | 植物判定装置、植物判定方法、及びプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2015077113A true JP2015077113A (ja) | 2015-04-23 |
Family
ID=53009167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013217483A Pending JP2015077113A (ja) | 2013-10-18 | 2013-10-18 | 植物判定装置、植物判定方法、及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2015077113A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019035306A1 (ja) * | 2017-08-18 | 2019-02-21 | コニカミノルタ株式会社 | 植物生育指標算出方法、植物生育指標算出プログラム及び植物生育指標算出システム |
| KR20190039879A (ko) | 2016-08-22 | 2019-04-16 | 국립대학법인 홋가이도 다이가쿠 | 물체 상태 검출 전송 시스템 |
| WO2020066251A1 (ja) * | 2018-09-28 | 2020-04-02 | Ckd株式会社 | 検査装置、ｐｔｐ包装機及びｐｔｐシートの製造方法 |
| JP2020197507A (ja) * | 2019-06-05 | 2020-12-10 | 野崎 眞次 | 精密農業支援システムおよび精密農業支援方法 |
| WO2023027197A1 (en) | 2021-08-24 | 2023-03-02 | Bayer Cropscience K.K. | System, information processing device, server device, program, or method |
| EP4145270A1 (en) | 2021-09-03 | 2023-03-08 | Bayer CropScience K.K. | System, information processing device, server device, program, or method |
| EP4224146A1 (en) | 2022-02-07 | 2023-08-09 | National University Corporation Hokkaido University | Spectroscopic measuring instrument |
-
2013
- 2013-10-18 JP JP2013217483A patent/JP2015077113A/ja active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11131583B2 (en) | 2016-08-22 | 2021-09-28 | National University Corporation Hokkaido University | Object state detection and transmission system |
| KR20190039879A (ko) | 2016-08-22 | 2019-04-16 | 국립대학법인 홋가이도 다이가쿠 | 물체 상태 검출 전송 시스템 |
| EP3943916A1 (en) | 2016-08-22 | 2022-01-26 | National University Corporation Hokkaido University | Server apparatus for an object state detection and transmission system and spectroscopic terminal apparatus |
| WO2019035306A1 (ja) * | 2017-08-18 | 2019-02-21 | コニカミノルタ株式会社 | 植物生育指標算出方法、植物生育指標算出プログラム及び植物生育指標算出システム |
| JP2020056587A (ja) * | 2018-09-28 | 2020-04-09 | Ckd株式会社 | 検査装置、ｐｔｐ包装機及びｐｔｐシートの製造方法 |
| CN112639446A (zh) * | 2018-09-28 | 2021-04-09 | Ckd株式会社 | 检查装置、ptp包装机和ptp片的制造方法 |
| WO2020066251A1 (ja) * | 2018-09-28 | 2020-04-02 | Ckd株式会社 | 検査装置、ｐｔｐ包装機及びｐｔｐシートの製造方法 |
| US11360033B2 (en) | 2018-09-28 | 2022-06-14 | Ckd Corporation | Inspection apparatus, PTP packaging machine, and method for manufacturing PTP sheet |
| JP2020197507A (ja) * | 2019-06-05 | 2020-12-10 | 野崎 眞次 | 精密農業支援システムおよび精密農業支援方法 |
| US11519892B2 (en) | 2019-06-05 | 2022-12-06 | Shinji Nozaki | Precision agriculture support system and precision agriculture support method |
| WO2023027197A1 (en) | 2021-08-24 | 2023-03-02 | Bayer Cropscience K.K. | System, information processing device, server device, program, or method |
| EP4145270A1 (en) | 2021-09-03 | 2023-03-08 | Bayer CropScience K.K. | System, information processing device, server device, program, or method |
| EP4224146A1 (en) | 2022-02-07 | 2023-08-09 | National University Corporation Hokkaido University | Spectroscopic measuring instrument |
| KR20230119568A (ko) | 2022-02-07 | 2023-08-16 | 국립대학법인 홋가이도 다이가쿠 | 분광 계측기 |
| US11768109B2 (en) | 2022-02-07 | 2023-09-26 | National University Corporation Hokkaido University | Spectroscopic measuring instrument |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Virlet et al. | Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring | |
| JP2015077113A (ja) | 植物判定装置、植物判定方法、及びプログラム | |
| Haghighattalab et al. | Application of unmanned aerial systems for high throughput phenotyping of large wheat breeding nurseries | |
| Raper et al. | Canopy-scale wavelength and vegetative index sensitivities to cotton growth parameters and nitrogen status | |
| Brewer et al. | Predicting the chlorophyll content of maize over phenotyping as a proxy for crop health in smallholder farming systems | |
| JP5021293B2 (ja) | 作物の生育状況分析方法、作物の生育状況分析装置及び作物の生育状況分析プログラム | |
| JP2006250827A (ja) | 作物の生育状況分析方法 | |
| Vanbrabant et al. | Multitemporal chlorophyll mapping in pome fruit orchards from remotely piloted aircraft systems | |
| Nogueira Martins et al. | A novel vegetation index for coffee ripeness monitoring using aerial imagery | |
| Singh et al. | UAV-based hyperspectral imaging technique to estimate canola (Brassica napus L.) seedpods maturity | |
| Lazaridis et al. | Penalized regression techniques for prediction: a case study for predicting tree mortality using remotely sensed vegetation indices | |
| Liu et al. | Early assessment of the yield loss in rice due to the brown planthopper using a hyperspectral remote sensing method | |
| Xu et al. | Estimation of leaf nitrogen content in rice using vegetation indices and feature variable optimization with information fusion of multiple-sensor images from UAV | |
| Guo et al. | Comparison of different machine learning algorithms for predicting maize grain yield using UAV-based hyperspectral images | |
| Wang et al. | Estimation of rice aboveground biomass by combining canopy spectral reflectance and unmanned aerial vehicle-based red green blue imagery data | |
| Shu et al. | Assessing maize lodging severity using multitemporal UAV-based digital images | |
| Yang et al. | Assessment of grain harvest moisture content using machine learning on smartphone images for optimal harvest timing | |
| Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
| Zevgolis et al. | Estimating productivity, detecting biotic disturbances, and assessing the health state of traditional olive groves, using nondestructive phenotypic techniques | |
| Leemans et al. | Estimation of leaf nitrogen concentration on winter wheat by multispectral imaging | |
| McNish et al. | Oat crown rust disease severity estimated at many time points using multispectral aerial photos | |
| He et al. | Fresh Yield Estimation of Spring Tea via Spectral Differences in UAV Hyperspectral Images from Unpicked and Picked Canopies | |
| Jackman et al. | Predicting key grassland characteristics from hyperspectral data | |
| Mohammadi et al. | Enhancing phenotyping efficiency in faba bean breeding: integrating UAV imaging and machine learning | |
| US11768152B2 (en) | Information processing system and spectroscopic measuring instrument |