JP2021093957A - 予測装置 - Google Patents
予測装置 Download PDFInfo
- Publication number
- JP2021093957A JP2021093957A JP2019227555A JP2019227555A JP2021093957A JP 2021093957 A JP2021093957 A JP 2021093957A JP 2019227555 A JP2019227555 A JP 2019227555A JP 2019227555 A JP2019227555 A JP 2019227555A JP 2021093957 A JP2021093957 A JP 2021093957A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- information
- unit
- disorder
- failure
- 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
- 238000003745 diagnosis Methods 0.000 claims abstract description 101
- 230000007613 environmental effect Effects 0.000 claims description 58
- 238000012937 correction Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 238000013500 data storage Methods 0.000 abstract description 15
- 241000607479 Yersinia pestis Species 0.000 abstract description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 69
- 208000035475 disorder Diseases 0.000 description 68
- 238000003860 storage Methods 0.000 description 53
- 238000000034 method Methods 0.000 description 44
- 238000012545 processing Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 28
- 238000004891 communication Methods 0.000 description 26
- 230000008654 plant damage Effects 0.000 description 14
- 238000010276 construction Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 239000002689 soil Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009313 farming Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241001124076 Aphididae Species 0.000 description 1
- 241000221785 Erysiphales Species 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 1
- 229920002554 vinyl polymer Polymers 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- A01G7/06—Treatment of growing trees or plants, e.g. for preventing decay of wood, for tingeing flowers or wood, for prolonging the life of plants
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Botany (AREA)
- Chemical & Material Sciences (AREA)
- Wood Science & Technology (AREA)
- Forests & Forestry (AREA)
- Business, Economics & Management (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Agronomy & Crop Science (AREA)
- Food Science & Technology (AREA)
Abstract
Description
≪システム概要≫
図1は、本実施形態に係る各種システム(植物障害診断システム100および植物障害予測システム200)の概要を示す図である。図1に示す通り、植物障害診断システム100は、第1端末1と、診断サーバ(診断装置)2とを含む。また、植物障害予測システム200は、予測サーバ(予測装置)3と、第2端末4とを含む。本実施形態において、植物障害診断システム100は、第1端末1が、自端末にインストールされた診断アプリケーションプログラム(診断アプリ)を実行することにより、動作する。また、本実施形態において、植物障害予測システム200は、第2端末4が、第2端末4にインストールされた予測アプリケーションプログラム(予測アプリ)を実行することにより動作する。以降、アプリケーションプログラムを単に「アプリ」とも称する。
第1端末1は診断アプリに従って、以下説明する処理を実行する。まず始めに、第1端末1は、障害が発生していると疑われる植物の患部を含む画像を撮影するよう、ユーザに促す。例えば、第1端末1は自装置の表示面に、ユーザに対する操作案内等を表示することで、ユーザに画像の撮影を促す。ユーザは第1端末1のカメラを用いて画像の撮影を行う。以降、植物の患部を含む撮影画像のことを、単に「患部画像」とも称する。なお、患部画像は、患部が写っているのであれば、その面積および写し方は特に限定されない。例えば、患部画像は、病変部位が見られる作物が生育している圃場を撮影した広域画像であってもよい。患部画像を撮影すると、第1端末1は第1位置情報を取得する。第1端末1は、第1端末特定情報と、第1位置情報と、患部画像とをそれぞれ対応付けて、診断サーバ2に送信する。撮影時、第1端末1は植物の近傍に位置しているため、第1位置情報は、植物の生育地域を示す情報であるとみなすことができる。
予測サーバ3は診断データを受信すると、これをそのまままたは一部加工して、データベース(DB)に蓄積する。また、予測サーバ3は、蓄積したデータを用いて、任意の地域および任意の日付における植物の障害発生の可能性を予測することが可能な学習済モデルを構築する。以降、当該学習済モデルを「予測モデル」と称する。予測モデルの構築は、第2端末4に予測アプリをインストールさせる前に完了していることが望ましい。第2端末4は、予測アプリに従って、第2端末特定情報と第2位置情報とを予測サーバ3に送信する。予測サーバ3は、構築済の予測モデルを用いて、第2位置情報が示す地域を少なくとも含む1以上の地域における、植物への障害発生の可能性を予測する。予測サーバ3は予測結果の一部または全部を第2端末4に送信する。第2端末4は予測結果を表示する。
図2は、植物障害診断システム100および植物障害予測システム200の要部構成を示すブロック図である。前述の通り、植物障害診断システム100は、第1端末1と、診断サーバ2とを含む。また、植物障害予測システム200は、予測サーバ3と、第2端末4とを含む。
第1端末1は、少なくとも、制御部11と、記憶部12と、通信部13と、タッチパネル14と、GPS受信機15と、カメラ16とを含む。通信部13は、第1端末1と診断サーバ2との間の通信を行う。タッチパネル14は、表示装置と入力装置が一体になった装置である。タッチパネル14は、ユーザのタッチ操作を入力操作として受け付ける。また、タッチパネル14は、制御部11の制御に従って画像を表示する。カメラ16は、制御部11の制御に従って、第1端末1の周囲を撮影する。GPS受信機15は、GPS(Global Positioning System)衛星からの電波を受信する。GPS受信機15は受信した電波から、第1端末1の位置を算出する。GPS受信機15は、第1位置情報を制御部11に出力する。GPS受信機15における電波の受信および測位は、自動的および定期的に実行されてもよいし、制御部11の指示を受けて実行されてもよい。
診断サーバ2は、制御部21と、記憶部22と、通信部23と、を含む。通信部23は診断サーバ2と第1端末1および予測サーバ3との通信を行う。記憶部22は、診断サーバ2の動作に必要な各種データを格納する記憶装置である。記憶部22は、診断モデル221を記憶している。
予測サーバ3は、制御部31と、第1記憶部32と、通信部33と、第2記憶部34と、を含む。通信部33は、予測サーバ3と、診断サーバ2および第2端末4との間の通信を行う。第1記憶部32は、予測サーバ3の動作に必要な各種データを記憶する記憶装置である。例えば、第1記憶部32は、障害DB321を記憶している。障害DB321は、予測対象全域を所定の地域区分に分類した場合に、該第1位置情報が属する地域を示す情報と、診断日と、診断結果と、を互いに対応付けたレコードで構成されるDBである。障害DB321のレコードは、後述するデータ格納部311によって追加される。また、障害DB321は、データセット作成部312によって参照および抽出される。なお、診断データに第1ユーザ情報が含まれる場合、障害DB321の各レコードには、ユーザ名等、第1ユーザ情報の少なくとも一部が含まれていてもよい。
第2端末4は、制御部(第2位置情報送信部、予測結果受信部、表示制御部)41と、記憶部42と、通信部43と、タッチパネル(表示部)44と、GPS受信機45とを含む。通信部43は、第1端末1と予測サーバ3との間の通信を行う。タッチパネル44は、タッチパネル14と同様の機能を有しており、第2ユーザのタッチ操作を入力操作として受け付ける。GPS受信機45は、GPS受信機15と同様の機能を有しており、第2端末4の位置を算出する。GPS受信機45は、第2位置情報を制御部41に出力する。GPS受信機45における電波の受信および測位は、自動的および定期的に実行されてもよいし、制御部41の指示を受けて実行されてもよい。
図3は、植物障害予測システム200における、モデル構築処理の流れを示すシーケンス図である。ここで、「モデル構築処理」とは、予測モデル341を構築するための一連の処理を意味する。前述の通り、モデル構築処理では、植物障害診断システム100における障害の診断時に得た各種データを用いて、予測モデル341を構築する。そのため、図3では、植物障害診断システム100に係る処理である、S11〜S18についても併記し説明する。
図4は、植物障害予測システム200における予測処理の流れを示すシーケンス図である。ここで、「予測処理」とは、予測モデル341を用いて、ある位置または地域における障害発生の可能性を予測するための、一連の処理を意味する。なお、図4では一例として、ユーザが第2端末4に予測アプリを起動させて、タッチパネル44を介して植物の障害発生の予測を指示した場合に、予測処理が実行されることとする。第2端末4の制御部41は、GPS受信機45から第2位置情報を取得し(S30)、該第2位置情報を予測サーバ3へ送信する(S31)。予測サーバ3の情報取得部314は、通信部33を介し該第2位置情報を受信する(S32)。情報取得部314は、第2位置情報を予測部315に出力する。予測部315は、第2位置情報が示す地域を特定し、該地域を示す情報と、所定の日付とを予測モデル341に入力する(S33)。これにより、第2情報が示す地域の、所定の日付における、各種障害が発生する可能性の予測結果が出力される。なお、第2ユーザ情報に地域情報が含まれており、かつ、第2端末4が予測サーバ3へ第2ユーザ情報を送信する場合、予測サーバ3は該地域情報と、所定の日付とを予測モデル341に入力することによって、予測結果を得てよい。予測部315は、予測結果を取得して(S34)、報知部316に出力する。報知部316は予測結果を第2端末4に送信する(S35)。第2端末4の制御部41は、通信部43を介して予測結果を受信する(S36)。制御部41は、タッチパネル44に予測結果を表示させる(S37)。
診断サーバ2は、記憶部22に障害対策情報DBを記憶していてもよい。障害対策情報DBには、障害の種類と、該障害を予防または解消するための対策とが対応付けられて記録される。障害が病害虫である場合、「対策」とは、例えばその障害に有効な薬剤の種類等である。また、障害が生理障害である場合、「対策」とは、マルチング、日よけの設置、およびその生理障害の解消に有効な肥料の種類等である。なお、障害対策情報DBは診断サーバ2と予測サーバ3とで共有されていてもよい。例えば、診断サーバ2の障害対策情報DBは、予測サーバ3からもアクセス可能であってもよい。また、障害対策情報DBは、診断サーバ2から予測サーバ3に送信され、予測サーバ3の第1記憶部32に記憶されてもよい。予測サーバ3は、定期的に、または特定のタイミングで、診断サーバ2から障害対策情報DBを取得し、自身の保持する障害対策情報DBを更新してもよい。
第2端末4のタッチパネル44には、予測結果とともに種々の情報が表示されてもよい。図5は、図4のS37の処理が実行されることでタッチパネル44の表示面に表示される、予測結果を示す表示画面の一例を示す図である。以降、予測結果を示す表示画面のことを、「予測結果表示画面」と称する。図5の例では、予測結果表示画面は、予測結果を示すテキストT1、予測結果に係る諸情報を示すテキストT2、および、予測結果に応じた障害対策方法を示すテキストT3を含んでいる。テキストT2の内容は、第2端末4が保持する情報に応じて、適宜定められてよい。例えば、第2ユーザ情報に障害対策履歴が含まれている場合、テキストT2として、前回散布した農薬の種類および散布日時等、障害対策履歴に係る情報が表示されてもよい。また、報知部316は予測結果とともに種々の情報を第2端末4に送信してもよい。例えば、報知部316は、障害DB321から、過去の第1期間において、予測結果に含まれる、ある障害の種類を示すレコードが存在するか否かを特定してもよい。ここで、ある障害とは、例えば予測結果において、最も発生の可能性が高いと予測された障害である。第1期間は、例えば、予測対象とした日から1年間の日付の前後15日間である。そして、該ある障害を示すレコードが存在する場合、報知部316は該レコードにおける、診断日(すなわち、障害の発生日)を第2端末4に送信してもよい。この場合、第2端末4の制御部41は、テキストT2として、図5に示すような、昨年の前記ある障害の発生実績をタッチパネル44に表示させてもよい。
予測サーバ3は、予測モデル341を再学習させてもよい。例えば、予測サーバ3のデータセット作成部312は、1ヵ月に1回等、所定の期間が経過する毎に、障害DB321から新たにデータセットを作成し、学習部313に出力してもよい。そして、学習部313は新たに作成されたデータセットを用いて、予測モデル341を再学習させてもよい。なお、前述のように予測サーバ3がフィードバック情報を取得および蓄積する場合、学習部313は、蓄積されたフィードバック情報を用いて、予測モデル341に再学習を実行させてもよい。また、再学習の際に、フィードバック情報と障害DB321の両方を用いて、再学習用のデータセットを作成してもよい。このように、予測モデル341を再学習させることにより、予測モデル341の予測のアルゴリズムに、新しいデータを反映させることができる。したがって、予測モデル341を用いた予測の精度を向上させることができる。なお、再学習の具体的方法は特に限定されない。なお、データセット作成部312は新たにデータセットを作成する際、以前の学習に用いたレコードを抽出しないこととしてもよい。すなわち、新たに増えたレコードのみを教師データとしてもよい。
予測サーバ3の第1記憶部32は、予測対象となる地域全域の地図データを地図DBとして記憶していてもよい。予測サーバ3における地図DBの取得方法は特に限定しない。例えば、予測サーバ3は、インターネットを介して適宜最新の地図DBをダウンロードしてもよい。そして、報知部316は、予測部315から取得した地域毎の予測結果(例えば、障害の発生確率)を、地図DBが示す地図画像にマッピングし、これを第2端末4へ予測結果として配信してもよい。例えば、報知部316は、予測対象全域の地図画像を、該予測における地域区分で線引きし、特定の障害の発生確率に応じて、各区分を色分けしてもよい。そして、この色分け済の地図画像を第2端末4に送信してもよい。これにより、第2端末4は、特定の障害の地域別の発生確率が一目で分かる地図画像を表示することができる。よって、第2ユーザは障害の発生確率の分布を一目で把握することができる。
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。以降の実施形態についても同様である。
図6は、本実施形態に係る各種システム(植物障害診断システム100および植物障害予測システム300)の要部構成を示すブロック図である。本実施形態に係る植物障害診断システム100は、実施形態1に係る植物障害診断システム100と構成および処理内容が同一であるため、説明を繰り返さない。植物障害予測システム300は、1台以上の環境情報取得装置5を含む点で、実施形態1に係る植物障害予測システム200と異なる。
本実施形態に係るデータセット作成部312は、障害DB321と、環境情報DB322とに基づいてデータセットを作成する。データセット作成部312の抽出部317は、障害DB321のレコードの少なくとも一部を、データセットの作成に使用するレコード群として読み出す。以降、該レコード群のことを「使用対象レコード群」と称する。抽出部317はさらに、使用対象レコード群の各レコードが示す日付および位置に対応するレコードを、環境情報DB322から抽出する。以降、抽出部317が環境情報DB322から抽出したレコード群を「対応レコード群」と称する。なお、障害DB321の第1位置情報と、環境情報DB322の地域または場所を示す情報とのデータ形式が異なる場合、抽出部317は、各レコードの第1位置情報が、環境情報DB322の地域または場所を示す情報の、いずれに該当するかをそれぞれ特定しつつ、対応レコード群を特定する。
本実施形態に係る情報取得部314は、環境情報取得装置5から環境情報(第2環境情報)を取得する。情報取得部314は、障害の発生の可能性を予測可能な各地域における第2環境情報を取得してよい。情報取得部314は、第2位置情報と、第2環境情報とを予測部315に出力する。これらの取得タイミングは独立していてよい。予測部315は予測モデル341に、所定の日付と、所定の地域と、環境情報とを入力することによって、所定の日付、所定の地域、および受信した環境情報が示す環境条件における、障害の発生の可能性を予測する。これにより、環境条件を加味して、より精度良く障害の発生の可能性を予測することができる。なお、所定の日付は、現在の日付であってもよいし、未来の日付であってもよい。また、所定の地域は、第2位置情報が示す地域であってもよい。未来の日付を入力する場合、予測部351は予測モデル341を使って、ある未来の日の、前述の所定の地域において、前記受信した環境情報が示す環境条件であると仮定した場合での、植物における障害の発生の可能性を予測してもよい。また、環境情報取得装置5から、例えば週間天気予報等、未来における環境情報を取得可能であってもよい。この場合、情報取得部314は、予測部351において、所定の日付(未来日付)が決定された際に、該日付における環境情報を、環境情報取得装置5から取得する。そして、予測部351は、ある未来の日付と、第2位置情報と、該未来日付における環境情報とを予測モデル341に入力することによって、植物における障害の発生の可能性を予測する。これにより、未来の日付および所定の地域での、特定の環境条件における障害の発生可能性を予測することができる。
前述の各実施形態に係る予測サーバ3の予測部315は、予測モデル341から出力された予測結果を補正してもよい。例えば、予測部315は、障害DB321のレコードから算出される、所定の地域における所定期間中の各障害の発生件数に応じて、予測モデル341の予測結果を補正してもよい。この場合、制御部31は、所定のタイミングで、障害DB321から、診断日が所定期間内であるレコードを抽出する。そして、該抽出したレコードが示す診断結果(すなわち障害の種類)をカウントすることで、前述の所定期間内における、各障害の発生件数を算出する。制御部31は算出した各障害の発生件数を第1記憶部32に記憶させてもよい。なお、所定期間の設定方法は特に限定されない。例えば「所定期間」とは、予測を実行した日から1ヵ月等、現在から遡った所定期間であってもよい。また例えば、「所定期間」とは、予測を実行した月日と同じ1年前の月日であってもよい。予測サーバ3の予測部315は、予測モデル341を用いた予測の後、予測モデル341の予測結果を補正する。補正方法は特に限定されない。例えば、予測部315は、所定期間内の発生件数が多い障害については、障害発生の可能性を増加させてもよい。予測部315は、補正後の予測結果を報知部316に出力し、報知部316は該補正後の予測結果を第2端末4に報知する。
本発明に係る植物障害予測システムは、第2ユーザが行った障害対策の、予測対象の日における効力値を算出してもよい。そして、該効力値に応じて、予測処理によって予測された、障害の発生の可能性を示す値を補正してもよい。また、本発明に係る植物障害予測システムは、前記障害対策毎に、前記効力値を算出するためのモデル式を有していてもよい。また、前記モデル式は、第2ユーザの障害対策履歴および障害の発生実績を示す情報を用いた機械学習により、その係数等が適宜チューニングされるものであってよい。
前述の各実施形態に係る予測サーバ3は、各種DBを格納するDBサーバと、モデル構築処理および予測処理を実行する処理サーバに分けられていてもよい。DBサーバと処理サーバとを分ける場合、これらのサーバは互いに有線または無線で接続され、データの送受信が行われる。また、DBサーバは少なくとも、図2に示す第1記憶部32を含む。また、処理サーバは少なくとも、制御部31と、通信部33と、第2記憶部34とを含む。さらに、処理サーバは、モデル構築処理を実行する予測モデル構築サーバと、構築サーバが構築した予測モデル341を記憶しておき、予測処理を実行する予測モデル使用サーバとに分けられていてもよい。この場合、予測モデル構築サーバは、少なくとも、通信部33と、データ格納部311、データセット作成部312、および学習部313を含む制御部31と、第2記憶部34とを含む。また、予測モデル使用サーバは、少なくとも、通信部33と、情報取得部314、予測部315、および報知部316を含む制御部31と、学習済の予測モデル341を記憶した第1記憶部32とを含む。
第1端末1の制御部11、診断サーバ2の制御部21、予測サーバ3の制御部31の各制御ブロック、および第2端末4の制御部41は、集積回路(ICチップ)等に形成された論理回路(ハードウェア)によって実現してもよいし、ソフトウェアによって実現してもよい。後者の場合、制御部11、制御部21、制御部31、および制御部41は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば1つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばCPU(Central Processing Unit)を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ROM(Read Only Memory)等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するRAM(Random Access Memory)などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体(通信ネットワークや放送波等)を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
Claims (7)
- 植物に発生する障害を診断する診断装置から、前記植物の生育地域を示す第1位置情報と、診断日と、前記障害の種類とを取得するデータ取得部と、
前記第1位置情報が示す地域と、前記診断日が示す日付と、前記障害の種類との相関関係を学習モデルに機械学習させることで、任意の地域および任意の日付における前記障害の発生の可能性を予測する予測モデルを構築する学習部と、を備え、
前記障害の種類は、前記診断装置において、前記障害が発生している植物の患部画像と前記障害の種類との相関関係を機械学習させた診断モデルを用いて、前記患部画像から推測された診断結果であることを特徴とする、予測装置。 - 前記データ取得部は、植物の生育環境に係る情報である第1環境情報を取得し、
前記学習部は、前記第1位置情報が示す地域、前記診断日が示す日付、および当該地域および日付における前記第1環境情報と、前記障害の種類との相関関係を学習モデルに機械学習させることで、任意の日付、任意の地域、および任意の前記生育環境における、前記障害の発生の可能性を予測する予測モデルを構築する、請求項1に記載の予測装置。 - 端末装置から該端末装置の位置を示す第2位置情報を取得する情報取得部と、
地域と、日付と、植物に発生する障害の種類と、の相関関係を機械学習させた予測モデルを用いて、任意の日付における、前記第2位置情報が示す地域を含む1以上の地域での、前記障害の発生の可能性を予測する予測部と、
少なくとも、前記第2位置情報が示す地域についての前記予測部の予測結果を、前記端末装置に報知する報知部と、を備え、
前記障害の種類は、前記障害を診断する診断装置において、前記障害が発生している植物の患部画像と、前記障害との相関関係を機械学習させた診断モデルを用いて、前記患部画像から推測された診断結果である、予測装置。 - 前記予測部は、前記予測モデルを用いて前記障害の発生の可能性を定期的に予測し、
前記報知部は、前記第2位置情報が示す地域についての前記予測結果が所定の条件を満たした場合に、前記端末装置に前記予測結果を報知する、請求項3に記載の予測装置。 - 前記情報取得部は、前記障害の発生の可能性を予測可能な各地域における、植物の生育環境に係る情報である第2環境情報を取得し、
前記予測部は、地域と、日付と、前記地域および前記日付における前記生育環境と、前記障害の種類との相関関係を機械学習させた予測モデルを用いて、所定の日付と、所定の地域を示す情報と、前記各地域における環境情報とから、前記障害の発生の可能性を予測する、請求項3または4に記載の予測装置。 - 前記情報取得部は、前記障害への対策の実行日と対策の種類と対応付けた障害対策履歴データを取得し、
前記実行日を、障害対策を行った日以降の対策効果の値を算出するためのモデル式に入力して得た前記対策効果の値を用いて前記予測結果を補正する補正部を備え、
前記報知部は、前記補正がなされた後の予測結果を前記端末装置に報知する、請求項3〜5のいずれか1項に記載の予測装置。 - 前記予測部は、前記第2位置情報が示す所定期間中の各障害の発生件数に応じて、前記予測結果を補正し、
前記報知部は、補正後の予測結果を前記端末装置に報知する、請求項4〜6のいずれか1項に記載の予測装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019227555A JP6974662B2 (ja) | 2019-12-17 | 2019-12-17 | 予測装置 |
PCT/JP2020/043798 WO2021124815A1 (ja) | 2019-12-17 | 2020-11-25 | 予測装置 |
US17/780,738 US20220415508A1 (en) | 2019-12-17 | 2020-11-25 | Prediction device |
CN202080083122.5A CN114760832A (zh) | 2019-12-17 | 2020-11-25 | 预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019227555A JP6974662B2 (ja) | 2019-12-17 | 2019-12-17 | 予測装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021093957A true JP2021093957A (ja) | 2021-06-24 |
JP6974662B2 JP6974662B2 (ja) | 2021-12-01 |
Family
ID=76429824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019227555A Active JP6974662B2 (ja) | 2019-12-17 | 2019-12-17 | 予測装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220415508A1 (ja) |
JP (1) | JP6974662B2 (ja) |
CN (1) | CN114760832A (ja) |
WO (1) | WO2021124815A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4276718A1 (en) | 2022-05-11 | 2023-11-15 | OMRON Corporation | Production management support system |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017055745A (ja) * | 2015-09-18 | 2017-03-23 | Psソリューションズ株式会社 | 画像判定方法 |
JP2018055282A (ja) * | 2016-09-27 | 2018-04-05 | 株式会社富士通エフサス | 害虫発生予測システム、害虫発生予測方法および害虫発生予測プログラム |
WO2019106733A1 (ja) * | 2017-11-29 | 2019-06-06 | 株式会社オプティム | 生育状況または病害虫発生状況の予測システム、方法およびプログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI574607B (zh) * | 2014-11-27 | 2017-03-21 | 國立臺灣大學 | 用於作物的施藥系統及其施藥方法 |
JP6532722B2 (ja) * | 2015-03-25 | 2019-06-19 | 株式会社富士通エフサス | 予測装置および予測方法 |
CN108304953A (zh) * | 2017-01-13 | 2018-07-20 | 北京金禾天成科技有限公司 | 农作物病虫害的预警方法和系统 |
CN107229991B (zh) * | 2017-04-13 | 2020-08-11 | 中国农业大学 | 一种玉米螟区域中受虫害株率的分布预测方法 |
CN107135854B (zh) * | 2017-05-18 | 2021-09-28 | 安徽国防科技职业学院 | 一种温室降温切换控制系统及其方法 |
CN110377961B (zh) * | 2019-06-25 | 2023-04-28 | 北京百度网讯科技有限公司 | 作物生长环境控制方法、装置、计算机设备及存储介质 |
CN110268891A (zh) * | 2019-07-19 | 2019-09-24 | 西北农林科技大学 | 一种基于低温胁迫的卷帘机智能控制方法 |
-
2019
- 2019-12-17 JP JP2019227555A patent/JP6974662B2/ja active Active
-
2020
- 2020-11-25 CN CN202080083122.5A patent/CN114760832A/zh active Pending
- 2020-11-25 US US17/780,738 patent/US20220415508A1/en active Pending
- 2020-11-25 WO PCT/JP2020/043798 patent/WO2021124815A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017055745A (ja) * | 2015-09-18 | 2017-03-23 | Psソリューションズ株式会社 | 画像判定方法 |
JP2018055282A (ja) * | 2016-09-27 | 2018-04-05 | 株式会社富士通エフサス | 害虫発生予測システム、害虫発生予測方法および害虫発生予測プログラム |
WO2019106733A1 (ja) * | 2017-11-29 | 2019-06-06 | 株式会社オプティム | 生育状況または病害虫発生状況の予測システム、方法およびプログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4276718A1 (en) | 2022-05-11 | 2023-11-15 | OMRON Corporation | Production management support system |
Also Published As
Publication number | Publication date |
---|---|
WO2021124815A1 (ja) | 2021-06-24 |
JP6974662B2 (ja) | 2021-12-01 |
US20220415508A1 (en) | 2022-12-29 |
CN114760832A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8417534B2 (en) | Automated location-based information recall | |
US10255390B2 (en) | 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 and crop characteristics including sampled moisture content | |
US20230263110A1 (en) | Turf management systems and methods | |
US20210209705A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
US9292796B1 (en) | Harvest advisory modeling using field-level analysis of weather conditions and observations and user input of harvest condition states and tool for supporting management of farm operations in precision agriculture | |
US20160147962A1 (en) | Automated agricultural activity determination system and method | |
KR101936317B1 (ko) | 단말기를 이용한 스마트 파밍 방법 | |
US20160224703A1 (en) | Growth stage determination system and method | |
US10255387B2 (en) | Modeling of crop growth for desired moisture content of bovine feedstuff and determination of harvest windows for high-moisture corn using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states | |
CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
US10185790B2 (en) | Modeling of crop growth for desired moisture content of targeted livestock feedstuff for determination of harvest windows using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states | |
WO2016028612A1 (en) | Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery | |
US9037521B1 (en) | Modeling of time-variant threshability due to interactions between a crop in a field and atmospheric and soil conditions for prediction of daily opportunity windows for harvest operations using field-level diagnosis and prediction of weather conditions and observations and user input of harvest condition states | |
Panpatte | Artificial intelligence in agriculture: An emerging era of research | |
US9201991B1 (en) | Risk assessment of delayed harvest operations to achieve favorable crop moisture levels using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states | |
JP2020529674A (ja) | 経済的な農業管理のための携帯装置 | |
US20220189025A1 (en) | Crop yield prediction program and cultivation environment assessment program | |
WO2016118685A1 (en) | 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 | |
US9031884B1 (en) | Modeling of plant wetness and seed moisture for determination of desiccant application to effect a desired harvest window using field-level diagnosis and forecasting of weather conditions and observations and user input of harvest condition states | |
JP2021057071A (ja) | 農作物の栽培方法提案プログラム及びシステム | |
WO2021124815A1 (ja) | 予測装置 | |
US20210004592A1 (en) | Systems and methods for improved landscape management | |
US20220309595A1 (en) | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain | |
WO2022087742A1 (en) | Method and system for managing treatment of a crop employing localised pest phenology information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210309 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210510 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210824 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210911 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6974662 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |