JP2020170236A - 栽培環境判別プログラム - Google Patents

Abstract

【課題】ユーザの嗜好までを読み取り、これに応じた最適な飲食物を提供する飲食店又 はその飲食店における飲食メニューの何れかからなる紹介対象を紹介する。【解決手段】飲食物を提供する飲食店又はその飲食店における飲食メニューの何れかからなる紹介対象を紹介する外食紹介プログラムにおいて、飲食物の提供場所に関する参照用提供場所と、ユーザの嗜好を示す参照用嗜好との組み合わせと、当該組み合わせに対する紹介対象との３段階以上の連関度を予め取得する連関度取得ステップと、紹介対象を新たにユーザに紹介する際に、当該ユーザへの提供場所と当該ユーザの嗜好とを取得する情報取得ステップと、上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した提供場所と嗜好とに基づき、紹介対象を紹介する紹介ステップとをコンピュータに実行させる。【選択図】図３

Description

本発明は、農作物を栽培する栽培環境の正常性を判別する栽培環境判別プログラムに関する。

農作物の生育状況は、栽培環境に応じてその品質が大きく異なる。このため、栽培環境の正常性について、農作物業者は相当な注意を払う。近年において農作物の栽培環境を作り出す温室内の設備の自動化も進んでおり、温度、湿度、肥料の供給量、水の供給量、光量、ガスや気流の流量を最適にコントロールすることで、人手を介することなく最適な栽培環境を作ることも可能となっており、農業界における労働力不足の問題解決の糸口になることが期待されている。

しかしながら、このような栽培環境を作り出す設備において故障等の異常が発生した場合には、農作物の栽培環境が急激に悪化してしまう。制御設備が故障してしまった場合、業者を呼んで修理するまで時間がかかる場合もあり、可能であれば故障の兆候を事前に察知し、早めにアラートを流す必要がある。特に農作物が苗の段階や収穫する前において温度や湿度の制御設備が故障してしまった場合、その設備を早く終了しないと手遅れになってしまう場合もある。従来においては、この栽培環境の正常性をこれを作り出す設備の側から随時監視し、異常が発生するか、あるいはその兆候が現れた段階で即座にアラートを流す技術が特段提案されていないのが現状であった。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、この栽培環境の正常性をこれを作り出す設備の側から高精度に判別することで設備の故障が発生するか、あるいはその兆候が現れた段階で即座にアラートを流すことが可能な栽培環境判別プログラムを提供することにある。

本発明に係る栽培環境判別プログラムは、上述した課題を解決するために、農作物を栽培する栽培環境の正常性を判別する栽培環境判別プログラムにおいて、農作物を栽培する栽培環境を作り出す設備から取得した参照用設備データと、栽培環境の正常性との３段階以上の連関度を予め取得する連関度取得ステップと、農作物の栽培環境を新たに判別する際に、当該栽培環境を作り出す設備から設備データを取得する情報取得ステップと、上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データに基づき、栽培環境の正常性を判別する判別ステップとをコンピュータに実行させることを特徴とする。

特段のスキルや経験が無くても、ユーザの嗜好までを読み取り、これに応じた最適な飲食物を提供する飲食店又はその飲食店における飲食メニューの何れかからなる紹介対象を誰もが紹介することが可能となる。

本発明を適用したシステムの全体構成を示すブロック図である。 推定装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

以下、本発明を適用した栽培環境判別プログラムについて、図面を参照しながら詳細に説明をする。

図１は、本発明を適用した栽培環境判別プログラムが実装される栽培環境判別システム１の全体構成を示すブロック図である。栽培環境判別システム１は、情報取得部９と、情報取得部９に接続された判別装置２と、判別装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する判別装置２と一体化されていてもよい。情報取得部９は、検知した情報を判別装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。

データベース３は、農作物を栽培する栽培環境の正常性を判別する上で必要な様々な情報が蓄積される。栽培環境の正常性を判別する上で必要な情報としては、農作物を栽培する栽培環境を作り出す設備から取得した参照用設備データ、栽培環境を直接センシングした参照用環境データ、農作物の状態を直接センシングした参照用農作物状態データ等が含まれる。データベース３には、このような参照用設備データ、参照用環境データ、参照用農作物状態データの何れか１以上と、実際の農作物を栽培する栽培環境の正常性に関する情報が互いに紐づけられて記憶されている。

判別装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この判別装置２による探索解を得ることができる。

図２は、判別装置２の具体的な構成例を示している。この判別装置２は、判別装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、判別装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなる栽培環境判別システム１における動作について説明をする。

栽培環境判別システム１では、例えば図３に示すように、参照用設備データと、栽培環境の正常性との３段階以上の連関度が予め設定され、取得されていることが前提となる。参照用設備データとは、栽培環境を作り出す上で必要な設備（デバイス）から直接的に取得したデータである。栽培環境は、温度、湿度、肥料の供給量、農薬の供給量、光、水の供給量、供給するガスの流量や気流の流量並びに方向、照明の照度等によって決まる。近年における自動化された温室や植物工場内における農業においては農作物を栽培する上で、各種設備を通じてこれらの栽培環境を作り出す。例えば温度や湿度については空調設備、肥料や水、農薬の供給は、肥料供給するためのパイプラインやプラント設備等を通じて行われる。またガスや気流についてもパイプラインやプラント設備等を通じて行われる。また、照明の照度は照明設備を通じて行われる。

参照用設備データは、このような設備について直接的、又は間接的にセンサや計測器を取り付け、取得したあらゆるデータを含む。例えば、上述した各種設備に供給される電力、電気、電圧、振動、音、光、電波（以下、これらを総称して物理データという。）、空気や液体の流量、肥料の供給量、農薬の供給量、排水設備における排水量等がこの参照用設備データである。設備を動作させる物理データ、肥料や水を供給する供給量データ、ガスを供給又は排気するガス流量データ、農薬の供給量データ、照射する光の光量の何れか１以上からなる動作データを検知する。これらの動作データを検知することで、栽培環境の現状が正常か、或いは何らかの異常が発生しているのかを把握することができる。またこれらの動作データを検知することで、栽培環境が今後近いうちに異常が発生する可能性があるのか、或いは正常のままなのかも推定することができる。

図３の例では、入力データとして例えば参照用設備データＰ０１〜Ｐ０３であるものとする。このような入力データとしての参照用設備データは、出力に連結している。この出力においては、出力解としての、栽培環境が表示されている。栽培環境は、正常なのか、異常なのか、また異常が発生しているのであれば、具体的な異常の内容（例えば、温度が低い、肥料が少ない、光が少ない等）も含まれる。

参照用設備データは、この出力解としての、栽培環境に対して３段階以上の連関度を通じて互いに連関しあっている。参照用設備データがこの連関度を介して左側に配列し、各栽培環境が連関度を介して右側に配列している。連関度は、左側に配列された参照用設備データに対して、何れの栽培環境と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用設備データが、いかなる栽培環境に紐付けられる可能性が高いかを示す指標であり、参照用設備データから最も確からしい栽培環境を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３〜ｗ１９が示されている。このｗ１３〜ｗ１９は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての栽培環境と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。

判別装置２は、このような図３に示す３段階以上の連関度ｗ１３〜ｗ１９を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用設備データと、その場合の栽培環境がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

例えば、参照用設備データが、空調設備から発生する振動に関するデータであるとする。この振動データの振動量や振動周波数成分において、ある特定の徴候が現れたときに、その数時間後〜数日後に空調設備が壊れる場合が多いものとする。このようなデータセットを集めて分析することにより、参照用設備データと、栽培環境が異常（例えば空調が壊れることにより、栽培環境としては温度が低くなる。）との連関度が強くなる。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用設備データＰ０１である場合に、過去の栽培環境のデータから分析する。参照用設備データＰ０１である場合に、栽培環境が異常の事例が多い場合には、この異常につながる連関度をより高く設定し、栽培環境が正常の事例が多い場合には、この正常につながる連関度をより高く設定する。例えば参照用設備データＰ０１の例では、異常（温度が低い）と、異常（肥料が少ない）にリンクしているが、以前の事例から異常（温度が低い）につながるｗ１３の連関度を７点に、異常（肥料が少ない）につながるｗ１４の連関度を２点に設定している。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに栽培環境を判別しようとする際において、上述した学習済みデータを利用して栽培環境を判別することとなる。かかる場合には、その栽培環境を作り出す各種設備の設備データを新たに取得する。

新たに取得する設備データは、上述した情報取得部９により入力される。

このようにして新たに取得した設備データに基づいて、実際にその設備により作り出される栽培環境を判別する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した設備データがＰ０２と同一かこれに類似するものである場合には、連関度を介して「正常」がｗ１５、「異常（肥料が少ない）」が連関度ｗ１６で関連付けられている。かかる場合には、連関度のもっと高い「正常」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「異常（肥料が少ない）」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

このようにして、新たに取得する設備データから、栽培環境において異常が発生しているのか否か、必要に応じて、その発生している異常の詳細を把握することができる。また、栽培環境において現在発生している異常を判別する場合のみならず、近いうちに発生する可能性がある異常を判別することが可能となる。かかる場合には、学習させるデータセットとして、設備データを時系列的に取得したものを利用し、その結果、異常が発生したか否かを紐付ける。例えば時系列的に取得した電力が徐々に弱まり、最終的に設備が故障して異常状態となった場合、その電力が時系列的に徐々に弱まる過程を、栽培環境の異常状態と紐付けて学習する。このような学習用データセットで学習させ、連関度を通じて紐付けておくことにより、将来における異常状態を判別することが可能となる。また異常事態が現時点において、或いは将来において発生するのであれば、注意喚起をするためのアラートを流すことができる。

図４の例では、参照用設備データと、参照用環境データとの組み合わせが形成されていることが前提となる。参照用環境データとは、栽培環境を直接センシングすることにより得られたデータであり、そのセンシング時における栽培環境の状態を如実に表したものである。この参照用環境データとしてセンシングする栽培環境として、温度、湿度、肥料の供給量、光量、水の供給量、ガスや気流の流量の何れか１以上とされていてもよい。

図４の例では、入力データとして例えば参照用設備データＰ１１〜Ｐ１３、参照用環境データＰ１４〜１７であるものとする。このような入力データとしての、参照用設備データに対して、参照用環境データが組み合わさったものが、図４に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、栽培環境が表示されている。

参照用設備データと参照用環境データとの各組み合わせ（中間ノード）は、この出力解としての、栽培環境の正常性に対して３段階以上の連関度を通じて互いに連関しあっている。参照用設備データと参照用環境データがこの連関度を介して左側に配列し、栽培環境の正常性が連関度を介して右側に配列している。連関度は、左側に配列された参照用設備データと参照用環境データに対して、栽培環境と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用設備データと参照用環境データが、いかなる栽培環境の正常性に紐付けられる可能性が高いかを示す指標であり、参照用設備データと参照用環境データから最も確からしい栽培環境の正常性を選択する上での的確性を示すものである。図４の例では、連関度としてｗ１３〜ｗ２２が示されている。このｗ１３〜ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての栽培環境の正常性と互いに関連度合いが低いことを示している。

判別装置２は、このような図４に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の探索解の判別を行う上で、参照用設備データと、参照用環境データ、並びにその場合の栽培環境がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。

例えば、過去にセンシングした設備データが水の単位時間当たりのある供給量であるものとする（例えば１分当たり１ｌとする。）。また参照用環境データが「温度が３４℃」であったものとする。その水の供給量と温度との関係で明らかに農作物に供給する水が不足する状態となっていた場合には、栽培環境が異常（水不足状態）とし、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用設備データＰ０１で、参照用環境データＰ１６である場合に、その栽培環境の正常性を過去のデータから分析する。栽培環境が、「異常（温度が低い）」の事例が多い場合には、この「異常（温度が低い）」につながる連関度をより高く設定し、「正常」の事例が多く、「異常（温度が低い）」の事例が少ない場合には、「正常」につながる連関度を高くし、「異常（温度が低い）」につながる連関度を低く設定する。例えば中間ノード６１ａの例では、「異常（温度が低い）」と「正常」の出力にリンクしているが、以前の事例から「異常（温度が低い）」につながるｗ１３の連関度を７点に、「正常」につながるｗ１４の連関度を２点に設定している。

また、この図４に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図４に示す連関度の例で、ノード６１ｂは、参照用設備データＰ０１に対して、参照用環境データＰ１４の組み合わせのノードであり、「異常（肥料が少ない）」の連関度がｗ１５、「正常」の連関度がｗ１６となっている。ノード６１ｃは、参照用設備データＰ０２に対して、参照用環境データＰ１５、Ｐ１７の組み合わせのノードであり、「正常」の連関度がｗ１７、「異常（光が少ない）」の連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから栽培環境の正常性の判別を行う際において、上述した学習済みデータを利用して正常性の判別を行うこととなる。かかる場合には、その判別を行う栽培環境を作りだす設備データと、その環境データを実測することで取得する。

新たに取得する設備データ、環境データは、各種センサ、情報取得部９を介して取得するようにしてもよい。

このようにして新たに取得した設備データ、環境データに基づいて、実際にその新たに設備データ、環境データとを取得した栽培環境の正常性を判別する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した設備データがＰ０２と同一かこれに類似するものである場合であって、環境データがＰ１７である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、「異常
（肥料が少ない）」がｗ１９、「異常（光が少ない）」が連関度ｗ２０で関連付けられている。かかる場合には、連関度のもっと高い「異常（肥料が少ない）」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「異常（光が少ない）」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１〜ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１〜ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１〜ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１〜ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

図５は、上述した参照用設備データと、参照用農作物状態データとの組み合わせと、当該組み合わせに対する栽培環境との３段階以上の連関度が設定されている例を示している。

入力データとしては、このような参照用設備データと、参照用農作物状態データが並んでいる。このような入力データとしての、参照用設備データに対して、参照用農作物状態データが組み合わさったものが、図５に示す中間ノードである。

参照用農作物状態データとは、農作物の状態をセンシングしたデータである。農作物の状態は、例えば画像データを通じて取得することが可能となる。農作物が枯れていたり、病気になっていたり、害虫に食われていたりする状態は全て画像解析から把握することができる。

判別装置２は、このような図５に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の栽培環境の正常性の判別を行う上で、参照用設備データと、参照用農作物状態データ、並びにその場合の栽培環境がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図５に示す連関度を作り上げておく。栽培環境の正常性は、設備データ以外に、農作物の状態からも判別することができる。これら設備データと農作物状態データを組み合わせることで、より精度の高い栽培環境の正常性の判別を行うことが可能となる。

図５に示す連関度の例で、ノード６１ｂは、参照用設備データＰ０１に対して、参照用農作物状態データＰ１８（例えば、害虫に食われて変色している等）の組み合わせのノードであり、「異常（肥料が少ない）」の連関度がｗ１５、「正常」の連関度がｗ１６となっている。

このような連関度が設定されている場合も同様に、設備データを新たに取得するとともに、農作物状態データを取得する。設備データは参照用設備データに対応し、農作物状態データは、参照用農作物状態データに対応する。

栽培環境の判別を行う上では、予め取得した図５に示す連関度を参照する。例えば、取得した設備データが参照用設備データＰ０２に同一又は類似で、取得した農作物状態データが、参照用農作物状態データＰ１９に相当するものである場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、「正常」が連関度ｗ１７で、また「異常（光が少ない）」が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際にその新たに設備データ、農作物状態データとを取得した栽培舎における栽培環境の正常性を判別していくことになる。

図６は、上述した参照用設備データと、参照用農作物育成フェーズデータとの組み合わせと、当該組み合わせに対する栽培環境との３段階以上の連関度が設定されている例を示している。

入力データとしては、このような参照用設備データと、参照用農作物育成フェーズデータが並んでいる。このような入力データとしての、参照用設備データに対して、参照用農作物育成データが組み合わさったものが、図６に示す中間ノードである。

参照用農作物育成フェーズデータとは、農作物の育成状況を示すものである。つまり、農作物が種を蒔いてばかりなのか、苗を植えてばかりなのか、或いは苗を植えて１ヶ月、２ヶ月、３ヶ月・・・なのか、収穫期にあるのか、その育成フェーズを示すものである。

判別装置２は、このような図６に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり判別装置２は、実際の栽培環境の正常性の判別を行う上で、参照用設備データと、参照用農作物育成フェーズデータ、並びにその場合の栽培環境がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図６に示す連関度を作り上げておく。栽培環境の正常性は、設備データ以外に、農作物の育成フェーズによっても影響を受ける。例えば農作物が苗を植えた時期以外であれば、空調設備が故障して急激に温度が低下してもそれほど農作物を栽培する上で影響が少ないことから栽培環境は「正常」と判断するが、農作物が苗を植えた時期にあり、この段階で空調設備が故障して急激に温度が低下した場合に一気に枯れてしまうであれば「異常」と判断する。このように、栽培環境が正常か否かは、設備データに加え、農作物育成フェーズデータにも大きく支配される。このため、これら設備データと農作物育成フェーズデータを組み合わせることで、より精度の高い栽培環境の正常性の判別を行うことが可能となる。

図６に示す連関度の例で、ノード６１ｂは、参照用設備データＰ０１に対して、参照用農作物状態データＰ２２（例えば、苗を植えた時期から３ヶ月後）の組み合わせのノードであり、「異常（肥料が少ない）」の連関度がｗ１５、「正常」の連関度がｗ１６となっている。

このような連関度が設定されている場合も同様に、設備データを新たに取得するとともに、農作物育成フェーズデータを取得する。設備データは参照用設備データに対応し、農作物育成フェーズデータは、参照用農作物育成フェーズデータに対応する。

栽培環境の判別を行う上では、予め取得した図６に示す連関度を参照する。例えば、取得した設備データが参照用設備データＰ０２に同一又は類似で、取得した農作物育成フェーズデータが、参照用農作物育成フェーズデータＰ２３に相当するものである場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、「正常」が連関度ｗ１７で、また「異常（光が少ない）」が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際にその新たに設備データ、農作物育成フェーズデータとを取得した栽培舎における栽培環境の正常性を判別していくことになる。

図７は、上述した参照用設備データと、参照用環境データに加えて、更に参照用農作物状態データとの組み合わせと、当該組み合わせに対する栽培環境の正常性との３段階以上の連関度が設定されている例を示している。

かかる場合において、連関度は、図７に示すように、参照用設備データと、参照用環境データと、参照用農作物状態データとの組み合わせの集合が上述と同様に中間ノードのノード６１ａ〜６１ｅとして表現されることとなる。

例えば、図７において、ノード６１ｃは、参照用設備データＰ０２が連関度ｗ３で、参照用環境データＰ１５が連関度ｗ７で、参照用農作物状態データＰ１９が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用農作物データＰ０３が連関度ｗ５で、参照用環境データＰ１５が連関度ｗ８で、参照用農作物状態データＰ１８が連関度ｗ１０で連関している。

このような連関度が設定されている場合も同様に、新たに取得した設備データ、環境データ、農作物状態データに基づいて、栽培環境を判別する。

この栽培環境を判別する上で予め取得した図７に示す連関度を参照する。例えば、取得した設備データが参照用設備データＰ０２に同一又は類似で、取得した環境データが参照用環境データＰ１５に対応し、更に取得した農作物状態データが参照用農作物状態データＰ１９に対応する場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、「正常」が連関度ｗ１７で、また「異常（光が少ない）」が連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際に探索解を求めていくことになる。

このような入力パラメータの種類を３種類以上にわたり組み合わせる場合には、参照用設備データに加え、参照用環境データ、参照用農作物状態データ、参照用農作物育成フェーズデータの何れか２以上で組み合わせが構成されたものであっても適用可能である。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に栽培環境の判別を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０〜１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいて最も確からしい栽培環境の正常性を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また設備データを取得し、これ以外に環境データ、農作物状態データ、農作物育成フェーズデータと、これらに対する栽培環境の正常性に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

１ 不動産値付システム
２ 推定装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

上述した課題を解決するために、本発明に係る栽培環境判別プログラムは、農作物を栽培する栽培環境の正常性を判別する栽培環境判別プログラムにおいて、農作物を栽培する栽培環境を作り出す空調設備から取得した電力、電気、電圧、振動、音の何れか１以上からなる参照用設備データと、温度又は湿度からなる栽培環境の正常性との３段階以上の連関度を予め取得する連関度取得ステップと、農作物の栽培環境を新たに判別する際に、当該栽培環境を作り出す空調設備から電力、電気、電圧、振動、音の何れか１以上のうち上記参照用設備データに対応する設備データを取得する情報取得ステップと、上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データに基づき、温度又は湿度からなる栽培環境の正常性を判別する判別ステップとをコンピュータに実行させることを特徴とする。
上述した課題を解決するために、本発明に係る栽培環境判別システムは、農作物を栽培する栽培環境の正常性を判別する栽培環境判別システムにおいて、農作物を栽培する栽培環境を作り出す空調設備から取得した電力、電気、電圧、振動、音の何れか１以上からなる参照用設備データと、温度又は湿度からなる栽培環境の正常性との３段階以上の連関度を予め取得する連関度取得手段と、農作物の栽培環境を新たに判別する際に、当該栽培環境を作り出す空調設備から電力、電気、電圧、振動、音の何れか１以上のうち上記参照用設備データに対応する設備データを取得する情報取得手段と、上記連関度取得手段により取得された連関度を利用し、上記情報取得手段を介して取得した設備データに基づき、温度又は湿度からなる栽培環境の正常性を判別する判別手段とを備えることを特徴とする。

１ 栽培環境判別システム
２ 推定装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

Claims (8)

1. 農作物を栽培する栽培環境の正常性を判別する栽培環境判別プログラムにおいて、
   農作物を栽培する栽培環境を作り出す設備から取得した参照用設備データと、栽培環境の正常性との３段階以上の連関度を予め取得する連関度取得ステップと、
   農作物の栽培環境を新たに判別する際に、当該栽培環境を作り出す設備から設備データを取得する情報取得ステップと、
   上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データに基づき、栽培環境の正常性を判別する判別ステップとをコンピュータに実行させること
   を特徴とする栽培環境判別プログラム。
2. 上記連関度取得ステップでは、上記参照用設備データと、栽培環境を直接センシングした参照用環境データとの組み合わせと、栽培環境の正常性との連関度を取得し、
   上記情報取得ステップでは、上記設備データと、当該栽培環境を直接センシングした環境データとを取得し、
   上記判別ステップでは、上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと環境データとに基づき、栽培環境の正常性を判別すること
   を特徴とする請求項１記載の栽培環境判別プログラム。
3. 上記連関度取得ステップでは、上記参照用設備データと、農作物の状態を直接センシングした参照用農作物状態データとの組み合わせと、栽培環境の正常性との連関度を取得し、
   上記情報取得ステップでは、上記設備データと、農作物の状態を直接センシングした農作物状態データとを取得し、
   上記判別ステップでは、上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと農作物状態データとに基づき、栽培環境の正常性を判別すること
   を特徴とする請求項１記載の栽培環境判別プログラム。
4. 上記連関度取得ステップでは、上記参照用設備データと、農作物の育成フェーズを分類した参照用農作物育成フェーズデータとの組み合わせと、栽培環境の正常性との連関度を取得し、
   上記情報取得ステップでは、上記設備データと、農作物育成フェーズデータとを取得し、
   上記判別ステップでは、上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと農作物育成フェーズデータとに基づき、栽培環境の正常性を判別すること
   を特徴とする請求項１記載の栽培環境判別プログラム。
5. 上記連関度取得ステップでは、上記参照用設備データと、栽培環境を直接センシングした参照用環境データと、農作物の状態を直接センシングした参照用農作物状態データとの組み合わせと、栽培環境の正常性との連関度を取得し、
   上記情報取得ステップでは、上記設備データと、当該栽培環境を直接センシングした環境データと、農作物の状態を直接センシングした農作物状態データとを取得し、
   上記判別ステップでは、上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと環境データと農作物状態データとに基づき、栽培環境の正常性を判別すること
   を特徴とする請求項１記載の栽培環境判別プログラム。
6. 上記連関度取得ステップでは、上記栽培環境を作り出す設備を動作させるための動作データを検知することで上記参照用設備データを取得し、
   上記情報取得ステップでは、当該栽培環境を作り出す設備を動作させるための動作データを検知することで上記設備データを取得すること
   を特徴とする請求項１〜５のうち何れか１項記載の栽培環境判別プログラム。
7. 上記連関度取得ステップでは、上記設備を動作させる物理データ、肥料や水、農薬を供給する供給量データ、ガスを供給又は排気するガス流量データ、照射する光の光量の何れか１以上からなる上記動作データを検知し、
   上記情報取得ステップでは、上記連関度取得ステップにおいて検知した動作データに応じた、設備を動作させる物理データ、肥料や水、農薬を供給する供給量データ、ガスを供給又は排気するガス流量データ、照射する光の光量の何れか１以上を検知すること
   を特徴とする請求項６項記載の栽培環境判別プログラム。
8. 上記連関度取得ステップでは、センシングする栽培環境として、温度、湿度、肥料の供給量、農薬の供給量、光量、水の供給量、ガスや気流の流量の何れか１以上を検知することで上記参照用環境データを取得し、
   上記情報取得ステップでは、上記連関度取得ステップにおいて検知した栽培環境に応じた温度、湿度、肥料の供給量、農薬の供給量、光量、水の供給量、ガスや気流の流量の何れか１以上を検知すること
   を特徴とする請求項２項記載の栽培環境判別プログラム。

Images