JP2021093957A - 予測装置 - Google Patents

Abstract

【課題】植物に発生する病害虫および生理障害の少なくとも一方を、精度良く予測する。【解決手段】予測サーバ（３）は、診断サーバ（２）から診断データを取得するデータ格納部（３１１）と、第１位置情報が示す地域と、診断日が示す日付と、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（３１３）と、を備え、障害の種類は、診断サーバ（２）において、患部画像と障害との相関関係を機械学習させた診断モデル（２２１）を用いて、患部画像から推測された診断結果である。【選択図】図１

Description

本発明は、植物に障害が発生する可能性を予測する技術に関する。

従来、植物に病害虫が発生する可能性を予測する技術が知られている。例えば、特許文献１および特許文献２には、栽培作物の種類、耕作地域の気象情報、および病害虫が発生する気象条件等から、作物に発生する病害虫の種類を予測する技術が開示されている。

特開２００６−１１５７０４号公報 特開２０１６−１６７２１４号公報

しかしながら、前述の従来技術は、経験的に推測した条件に基づいて、病害虫の発生予測を行うにすぎず、過去における、実際の病害虫の発生状況は考慮されていない。本発明の一態様は、前記問題点に鑑みたものであり、植物に発生する病害虫および生理障害の、少なくとも一方の発生の可能性を、精度良く予測することを目的とする。

上記の課題を解決するために、本発明の一態様に係る予測装置は、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。

本発明の一態様によれば、植物に発生する病害虫および生理障害の、少なくとも一方の発生の可能性を、精度良く予測することができる。

実施形態１に係る各種システムの概要を示す図である。 前記各種システムの要部構成を示すブロック図である。 モデル構築処理の流れを示すシーケンス図である。 予測処理の流れを示すシーケンス図である。 予測結果を示す表示画面の一例を示す図である。 実施形態２に係る各種システムの要部構成を示すブロック図である。 実施形態４に係る各種システムの要部構成を示すブロック図である。

本発明に係る植物障害予測システムは、植物に障害が発生する可能性を予測するシステムである。なお、本発明において「障害」とは、植物に発生する病気、害虫、および生理障害のうち、少なくともいずれかを示す。また、本発明において、「障害の種類」とは、例えばうどんこ病、アブラムシ、乾燥障害等、病害虫または生理障害の一般名称を示す。本発明に係る植物障害予測システムは、植物障害診断システムと連携している。植物障害診断システムは、障害により植物に現れた変異の部分（すなわち、患部）を含む撮影画像から、該植物に発生している障害の種類を診断するシステムである。植物障害予測システムは、植物障害診断システムから、植物障害診断システムが診断の際に得たデータと、診断結果のデータとを取得する。そして、植物障害予測システムは、これらのデータを用いて作成した学習済モデルを使って、任意の（所定の）地域に生育している植物に、任意の（所定の）年月日において、いずれかの障害が発生する可能性を予測する。予測のタイミング、ならびに、地域および年月日の設定方法は特に限定されない。例えば、植物障害予測システムは、１日１回、該システムの予測対象地域内の各地域における、翌日の各種障害の発生確率を予測してもよい。なお、植物障害予測システム、および植物障害診断システムにおいて、予測対象となる障害の種類および植物の種類は特に限定されない。以降の実施形態では一例として、植物が、野菜、果樹、花卉等の栽培作物である場合について説明する。以下、実施形態１〜３に基づいて、本発明に係る植物障害診断システムおよび植物障害予測システムの動作を詳細に説明する。

〔実施形態１〕
≪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。

以下の説明では、便宜上、第１端末１を所持するユーザを「第１ユーザ」、第２端末４を所持するユーザを「第２ユーザ」と称し区別する。しかしながら、第１ユーザと第２ユーザは同一人物でもよい。また、第１端末１の位置を示す情報を「第１位置情報」、第２端末４の位置を示す情報を「第２位置情報」と称し区別する。加えて、第１端末１を特定するための情報を「第１端末特定情報」、第２端末４を特定するための情報を「第２端末特定情報」と称して区別する。しかしながら、第１端末１の機能と第２端末４の機能とは、１台の端末装置で実現されてもよい。すなわち、第１端末１に診断アプリと予測アプリの両方がインストールされていてもよい。なお、第１端末特定情報および第２端末特定情報とは、例えば、各端末固有の識別番号等であってよい。また、植物障害診断システム１００において、第１端末１は複数台存在してもよいし、植物障害予測システム２００において、第２端末４は複数台存在してもよい。

（植物障害診断システム１００の動作）
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。

診断サーバ２は、第１端末特定情報と、第１位置情報と、患部画像とを受信すると、患部画像から植物に発生している障害の種類を診断する。詳しくは後述するが、診断サーバ２は、障害診断のための学習済モデルを用いて、患部画像から障害の種類を推測する。すなわち、学習済モデルは、植物に発生している障害の種類を示す情報を、診断結果として出力する。以降、障害診断のための学習済モデルを「診断モデル」と称する。診断サーバ２は診断結果を第１端末１に送信する。最後に、第１端末１は診断結果を表示する。これにより、第１ユーザは、撮影した植物についての診断結果を知ることができる。障害診断が終了すると、診断サーバ２は、診断結果と、診断日と、第１位置情報とをまとめたデータ（以降、「診断データと称する」）を、予測サーバ３に送信する。

（植物障害予測システム２００）
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。

≪要部構成≫
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）
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。

制御部１１は、第１端末１を統括的に制御する。制御部１１は、タッチパネル１４に対するユーザの入力操作の内容を特定する。また、制御部１１は、特定した内容に応じて、第１端末１の各部を制御する。例えば、制御部１１は、入力操作に応じて診断アプリを起動する。すなわち、制御部１１は、診断アプリデータ１２１を読み出して実行する。なお、診断アプリは、使用にあたりユーザ登録が必要なアプリであってもよい。この場合、制御部１１は、例えば診断アプリを初回に起動したときに、タッチパネル１４を介して第１ユーザにユーザ登録のための操作を行わせる。ユーザ登録のための操作とは、例えば、ユーザ名および営農地域等を入力する操作である。制御部１１はこれら入力された第１ユーザに関する情報を、記憶部１２に記憶させる。以降、第１ユーザに関する情報のことを、「第１ユーザ情報」と称する。また、制御部１１は、ユーザの入力操作に応じて、カメラ１６に患部画像の撮影を指示する。また、制御部１１は前記指示をカメラ１６に送る際に、ＧＰＳ受信機１５に測位を指示してもよい。制御部１１は患部画像および第１位置情報を取得すると、通信部１３を介して診断サーバ２に患部画像を送信する。このとき、制御部１１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た状態で、診断サーバ２に送信する。

なお、記憶部１２に第１ユーザ情報が記憶されている場合、制御部１１は第１端末特定情報として第１ユーザ情報を用いてもよい。すなわち、制御部１１は、第１ユーザ情報と、第１位置情報と、患部画像とをそれぞれ対応付けた状態で、診断サーバ２に送信してもよい。また、第１ユーザ情報を診断サーバ２に送信する場合であって、第１ユーザ情報に、営農地域等、位置または地域を示す情報（以降、地域情報と称する）が含まれている場合、第１端末１は、ＧＰＳ受信機１５が測定した位置情報ではなく、前記第１ユーザに含まれる地域情報を、第１位置情報として送信してもよい。制御部１１はまた、診断サーバ２から診断結果を受信する。制御部１１は、受信した診断結果を、診断アプリに従って、タッチパネル１４に表示させる。

記憶部１２は、第１端末１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１２に記憶されたデータは、制御部１１により追加、更新、または削除される。記憶部１２は、診断アプリデータ１２１を含む。診断アプリデータ１２１は、診断アプリのプログラムデータである。記憶部１２はまた、第１ユーザ情報を記憶していてもよい。

（診断サーバ２）
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。

診断モデル２２１は、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学習済モデルである。診断モデル２２１は、入力された患部画像が示す障害の種類を推測し、該種類を示す情報を含む診断結果を出力する。なお、診断モデル２２１の構築方法は特に限定されない。また、診断モデル２２１は、患部画像から、障害の発生有無も推定可能な学習済モデルであってよい。すなわち、診断モデル２２１は、患部画像によっては、障害の種類が「無し」である旨の診断結果を出力する学習済モデルであってもよい。

制御部２１は、診断サーバ２を統括的に制御する。制御部２１は、通信部２３を介して第１端末１から、第１端末特定情報と、第１位置情報と、患部画像とを受信する。制御部２１は、診断モデル２２１に患部画像を入力して、当該診断モデル２２１から出力される障害の種類を診断結果として取得する。制御部２１は、診断結果を第１端末１に送信する。制御部２１は、第１端末特定情報が示す第１端末１に向けて、診断結果を送信する。これにより、植物障害診断システム１００において複数の第１端末１が存在する場合でも、各第１端末１に、該各端末から送られてきた患部画像に対応する診断結果を返すことができる。制御部２１はまた、患部画像と対応付けられていた第１位置情報と、該患部画像を用いて取得した診断結果と、診断日とをまとめた診断データを作成する。制御部２１は診断データを予測サーバ３に送信する。診断日は、日付だけでなく、年月、および時刻の少なくともいずれかを含んでいてもよい。また、本明細書において特段の記載が無い場合、期間または時点を示す「日」および「日付」には年、月、および時刻の情報が含まれてよい。なお、診断日は、診断結果取得時に、診断サーバ２が備える計時部（図示せず）から取得してもよい。もしくは、第１端末１から診断サーバ２に送信するデータに、第１端末１で計時した、患部画像の撮影日時等が含まれている場合は、診断サーバ２は該日時に基づき診断日を特定してもよい。

（予測サーバ３）
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記憶部３４は、予測モデル３４１を記憶する記憶装置である。予測モデル３４１は、学習済モデルのアルゴリズムを示すデータである。予測モデル３４１は、後述する学習部３１３により構築される。なお、本実施形態では、予測モデル３４１が、ニューラルネットワーク（ＮＮ：Neural Network）の構造を有することとする。例えば、予測モデル３４１は、リカレントＮＮ（ＲＮＮ、回帰型ＮＮ）であってもよい。しかしながら、予測モデル３４１は、障害発生の可能性を予測可能なモデルであれば、他のアルゴリズムを適用して構築された学習済モデルであってもよい。なお、予測モデル３４１としてＮＮの学習済モデルを構築する場合、予測モデル３４１は、高い特定精度が期待できる多層のＮＮであることが好ましい。第２記憶部３４は未学習のＮＮ等、未学習の学習モデルを記憶していてもよい。また、第２記憶部３４は、予測モデル３４１のＮＮの重み付け係数を示すデータを記憶していてもよい。

制御部３１は、予測サーバ３を統括的に制御する。制御部３１は、データ格納部（データ取得部）３１１と、データセット作成部３１２と、学習部３１３と、情報取得部（第２位置情報取得部）３１４と、予測部３１５と、報知部３１６とを含む。

データ格納部３１１は、通信部３３を介し診断サーバ２から診断データを受信する。データ格納部３１１は、１件の診断データを１件のレコードとして、障害ＤＢ３２１に格納する。なお、データ格納部３１１は、診断データを障害ＤＢ３２１のデータ形式に応じて加工してから障害ＤＢ３２１に格納してもよい。例えば、データ格納部３１１は、第１位置情報から、該第１位置情報が属する地域を特定し、該地域と、診断日と、診断結果とを１件のレコードとして障害ＤＢ３２１に格納してもよい。

データセット作成部３１２は、障害ＤＢ３２１のレコードの少なくとも一部を抽出して、該抽出したレコードに基づき、予測モデル３４１の機械学習に用いる教師データを作成する。データセット作成部３１２は、作成した教師データのデータセットを学習部３１３に出力する。以降、教師データのデータセットのことを単に「データセット」とも称する。なお、データセットの作成タイミングは特に限定されない。例えば、データセット作成部３１２は、障害ＤＢ３２１に所定数のレコードが蓄積された場合に、データセットを作成してもよい。また、学習部３１３が予測モデル３４１の再学習を実行する構成の場合、データセット作成部３１２は、障害ＤＢ３２１に、今までのデータセットの作成に使用していない、新規のレコードが所定数蓄積された場合に、データセットを作成してもよい。

学習部３１３は、予測モデル３４１を構築する。学習部３１３は、データセット作成部３１２から入力されたデータセットを用いて、未学習の学習モデルに機械学習を行わせる。なお、未学習の学習モデルは、第２記憶部３４に記憶されていてもよいし、学習部３１３が保持していてもよい。機械学習の方法は、得たい予測モデル３４１の形式、データセットの量（すなわち、教師データのレコード数）、および、各教師データの内容に応じて、適宜定められてよい。例えば、学習部３１３は、第２記憶部３４から、ＮＮのアルゴリズム等、未学習の学習モデルおよび各種重み付け係数等を読み出す。学習部３１３は、データセット作成部３１２が作成したデータセットの各教師データを用いて、ＮＮに教師ありの機械学習を実行させる。これにより、学習部３１３は、予測モデル３４１のＮＮの重み付け係数等を最適化することができる。

情報取得部３１４は、第２端末４から第２位置情報を取得して、予測部３１５に出力する。予測部３１５は、予測モデル３４１を用いて、任意の日付および任意の地域を示す情報から、障害の発生の可能性を予測する。具体的には、予測部３１５が予測モデル３４１に対して任意の日付と、任意の地域を示す情報とを入力すると、予測モデル３４１から予測結果が出力される。予測部３１５は予測結果を報知部３１６に出力する。

報知部３１６は、入力された予測結果を、通信部３３を介して第２端末４に報知する。なお、報知部３１６は、予測部３１５から入力された予測結果の少なくとも一部を、第２端末４に提示するための表現方法およびデータ形式に加工してもよい。なお、予測結果の表現方法は特に限定されない。例えば、予測部３１５は、最も発生する可能性の高い障害を１つ特定し、該障害の種類を予測結果として出力してもよい。また例えば、予測部３１５は、発生する可能性が所定の閾値よりも高い障害について、該障害の種類と該障害の発生頻度の指標値とを予測結果として出力してもよい。また、予測結果のデータ形式も特に限定されない。例えば、報知部３１６はテキストデータで予測結果を出力してもよいし、円グラフ等の画像データで予測結果を出力してもよい。また、予測結果の表現方法およびデータ形式は、第２端末４の仕様に応じて定められてもよい。

（第２端末４）
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。

制御部４１は、第２端末４を統括的に制御する。制御部４１は、タッチパネル４４に対するユーザの入力操作の内容を特定する。また、制御部４１は、特定した内容に応じて、第２端末４の各部を制御する。例えば、制御部４１は、ユーザの入力操作に応じて、予測アプリを起動する。すなわち、制御部４１は、予測アプリデータ４２１を読み出して実行する。なお、予測アプリは、使用にあたりユーザ登録が必要なアプリであってもよい。この場合、制御部４１は、例えば予測アプリを初回に起動したときに、タッチパネル４４を介して第２ユーザにユーザ登録のための操作を行わせる。ユーザ登録のための操作とは、例えば、ユーザ名、および営農地域等を入力する操作である。制御部４１はこれら入力された第２ユーザに関する情報を、記憶部４２に記憶させる。以降、第２ユーザに関する情報のことを、「第２ユーザ情報」と称する。また、制御部４１は、ＧＰＳ受信機４５から第２位置情報を取得すると、これを予測サーバ３に送信する。このとき、制御部４１は、第２端末４を特定するための情報である第２端末特定情報と、第２位置情報とを対応付けた状態で、予測サーバ３に送信する。第２端末特定情報は、例えば、第２端末４固有の識別番号である。

なお、記憶部４２に第２ユーザ情報が記憶されている場合、制御部４１は第２端末特定情報として第２ユーザ情報を用いてもよい。すなわち、制御部４１は、第２ユーザ情報と、第２位置情報とを対応付けた状態で、予測サーバ３に送信してもよい。また、第２ユーザ情報を予測サーバ３に送信する場合であって、第２ユーザ情報に地域情報が含まれている場合、第２端末４は第２位置情報を送信しなくてもよい。また、制御部４１は、予測サーバ３から予測結果を受信する。制御部４１は、受信した予測結果をタッチパネル４４に表示させる。なお、報知部３１６から送信された予測結果のデータに音声データが含まれている場合、制御部４１は、第２端末４のスピーカ（図示せず）等から該音声を出力させてもよい。

記憶部４２は、第２端末４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４２に記憶されたデータは、制御部４１により追加、更新、または削除される。記憶部４２は、予測アプリデータ４２１を含む。予測アプリデータ４２１は、予測アプリのプログラムデータである。記憶部１２はまた、第２ユーザ情報を記憶していてもよい。

なお、前述の通り、第１端末１の機能と第２端末４の機能とは、１台の端末装置で実現されてもよい。第１端末１の機能と第２端末４の機能とを１台の端末装置で実現する場合、第１端末１の制御部１１、記憶部１２、通信部１３、タッチパネル１４、およびＧＰＳ受信機１５はそれぞれ、制御部４１、記憶部４２、通信部４３、タッチパネル４４、およびＧＰＳ受信機４５としても動作する。また、記憶部１２には、診断アプリデータ１２１と、予測アプリデータ４２１とが含まれる。まら、記憶部１２は、第１ユーザ情報と、第２ユーザ情報とを記憶していてもよい。

≪予測モデルの構築に係る処理の流れ≫
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。

植物に、障害が原因であろうと予測される変異を発見した第１ユーザは、診断アプリを使って障害の診断結果を得ようと試みる。具体的には、第１ユーザは、第１端末１の診断アプリを起動させ、該診断アプリの指示に従って、植物の患部を撮影するための入力操作を第１端末１に対して行う。第１端末１の制御部１１は、該入力操作に応答してカメラ１６を動作させる。カメラ１６は、植物の患部を含む画像を撮影する（Ｓ１１）。カメラ１６は撮影画像、すなわち患部画像を制御部１１に出力する。また、ＧＰＳ受信機１５は、ＧＰＳ衛星の信号を受信することで、第１位置情報を取得する（Ｓ１２）。ＧＰＳ受信機１５は取得した第１位置情報を制御部１１に出力する。なお、Ｓ１２は、Ｓ１１の前、またはＳ１１と並行して実行されてもよい。また、第１位置情報として、第１ユーザ情報の営農地域等の情報を用いる場合は、制御部１１はＳ１２の代わりに記憶部１２から第１ユーザ情報を読み出してもよい。制御部１１は、第１端末特定情報と、第１位置情報と、患部画像とを対応付けて、診断サーバ２に送信する（Ｓ１３）。

診断サーバ２の通信部２３は、第１端末特定情報と、第１位置情報と、患部画像とを受信する（Ｓ１４）。通信部２３は、受信したこれらのデータを制御部２１に出力する。制御部２１は、受信データと、診断モデル２２１とを用いて、患部画像から植物の障害を診断する。具体的には、制御部２１は、患部画像を診断モデル２２１に入力し（Ｓ１５）、診断モデル２２１から出力される診断結果を取得する（Ｓ１６）。制御部２１は取得した診断結果を、通信部２３を介して第１端末１に送信する（Ｓ１７）。第１端末１の制御部１１は診断結果を受信すると（Ｓ１８）、診断アプリデータ１２１における規定に従って、診断結果をタッチパネル１４に表示させる（Ｓ１９）。また、診断サーバ２は、Ｓ１６の処理の後、診断データを予測サーバ３に送信する（Ｓ２０）。なお、Ｓ２０の処理タイミングは、Ｓ１６以降であるならば特に限定されない。例えば、Ｓ２０はＳ１７の前に実行されてもよい。

予測サーバ３のデータ格納部３１１は、通信部３３を介して診断データを受信する（Ｓ２１）。データ格納部３１１は１件の診断データをそのまま、または加工して、１件のレコードとして障害ＤＢ３２１に格納する。このように、第１ユーザが診断アプリを使って植物の障害診断を行う度に、診断データが生成され障害ＤＢ３２１のレコードが増加していく。以降、所定のタイミングで、データセット作成部３１２は、障害ＤＢ３２１の少なくとも一部のレコードを読み出して、機械学習のための教師データのデータセットを作成する。データセット作成部３１２はデータセットを学習部３１３に出力する。学習部３１３は、データセットを用いて、第２記憶部３４に格納されている予測モデル３４１に機械学習を実行させる（Ｓ２２）。これにより、機械学習済の予測モデル３４１が構築される。

以上の処理によれば、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ことができる。したがって、植物の障害の発生の可能性を精度良く予測可能な予測モデルを構築することができる。また、以上の処理によれば、予測モデル３４１の構築に使用するデータセットは、障害ＤＢ３２１から生成される。障害ＤＢ３２１のレコード、すなわち診断データは、第１端末１において、第１ユーザが診断アプリを用いて障害診断を行う毎に増加する。したがって、以上の処理によれば、予測モデル３４１の構築に必要な診断データを数多く収集することができる。また、診断アプリが利用されている間、常に新しい診断データを得ることができる。

なお、植物障害診断システム１００に係る処理と、植物障害予測システム２００に係る処理とは不連続で実行されてもよい。すなわち、Ｓ１１〜Ｓ１９の処理と、Ｓ２０〜Ｓ２２の処理とは、それぞれ異なるタイミングで行われてよい。また、Ｓ２１までの処理と、データセットの作成およびＳ２２の処理とは、それぞれ異なるタイミングで行われてよい。また、診断サーバ２は、新たな診断データが得られる度に該診断データを予測サーバ３に送信してもよいし、診断データを複数個取得した後、該複数個の診断データをまとめて予測サーバ３に送信してもよい。例えば、診断サーバ２は、Ｓ１１〜Ｓ１９の処理を複数回繰り返してから、該複数回分の診断データをＳ２０でまとめて送信してもよい。また、第１ユーザ情報に地域情報が含まれており、かつ、第１端末１が診断サーバ２へ第１ユーザ情報を送信する場合、診断サーバ２は診断データに第１ユーザ情報を含めてもよい。この場合、予測サーバ３は、診断結果と、診断日と、地域情報とを対応付けたレコードを障害ＤＢ３２１に格納すればよい。

≪障害予測に係る処理の流れ≫
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）。

以上の処理によれば、予測モデル３４１を用いて、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ことができる。前述のように、予測モデル３４１は随時収集される、十分な数の診断データに基づいて構築される。したがって、以上の処理によれば、植物における障害の発生の可能性を精度良く予測することができる。また、以上の処理によれば、予測モデル３４１を用いて植物における障害の発生の可能性を予測する。そのため、過去の診断データ自体に基づいてルールベースで障害の発生の可能性を予測する場合のように、予測対象となる地域全てについての診断データが用意できない場合でも、障害の発生の可能性を予測することができる。

なお、本実施形態に係る第２端末４は、ＧＰＳ受信機４５によって定期的に第２位置情報を測位してもよい。そして、制御部４１は、予測サーバ３に第２端末特定情報と、第２位置情報とを定期的に送信してもよい。この場合、予測サーバ３の情報取得部３１４はＳ３２の受信（取得）処理を定期的に行う。また、予測部３１５は第２位置情報を取得する度に、Ｓ３３〜Ｓ３４の処理を前述のように実行する。そして、報知部３１６は、取得した予測結果、すなわち、障害の発生の可能性が、前述したような所定の条件を満たしたか否かを判定する。所定の条件を満たしている場合、報知部３１６は予測結果を第２端末４に送信する。一方、所定の条件を満たしていない場合、報知部３１６は予測結果を送信せず、処理を終了する。すなわち、予測サーバ３において、Ｓ３５の処理は実行されず、よって第２端末４において、Ｓ３６およびＳ３７の処理は実行されない。

なお、Ｓ３３の処理、すなわち予測部３１５における予測のタイミングは特に限定されない。例えば、予測部３１５はＳ３３において、１日１回、予測対象となる全地域について、所定の日付（例えば翌日）における障害の発生の可能性を予測してもよい。そして、予測部３１５は、該予測結果のうち、第２位置情報に対応する地域の予測結果と第２端末特定情報を、報知部３１６に出力してもよい。そして、報知部３１６は、第２端末特定情報が示す第２端末４に、予測部３１５から入力された予測結果を送信してもよい。もしくは、予測部３１５は全地域の予測結果を報知部３１６に送信してもよい。この場合、報知部３１６は、情報取得部３１４から第２位置情報および第２端末特定情報を取得し、該第２位置情報が示す地域の予測結果を、第２端末特定情報が示す第２端末４に送信してよい。また、報知部３１６は、第２位置情報が示す地域の障害の発生の可能性が、所定の条件を満たした場合に、第２端末特定情報が示す第２端末４に予測結果を送信することとしてもよい。報知部３１６は例えば、障害の発生の可能性を示す値が、所定の閾値以上である場合（例えば障害発生確率が５０％以上等）、該所定の条件を満たしたと判定してもよい。また、報知部３１６は、前回第２端末特定情報が示す第２端末４に予測結果を送信してから所定期間が経過した場合に、「所定の条件」を満たしたと判定してもよい。

このように、予測サーバ３は、定期的に第２位置情報を取得して予測処理を行うことで、または、定期的に予測対象全域の予測を行うことで、第２ユーザの指示がなくとも予測処理を実行することができる。また、予測サーバ３は、予測結果が所定の条件を満たした場合に報知を行う。これにより、第２端末４に不要な報知を省くことができる。また、必要なタイミングで第２ユーザに予測結果を通知することができる。

≪変形例≫
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。

また、第１ユーザ情報および第２ユーザ情報は、ユーザ登録後も適宜更新されてよい。例えば、制御部４１は、予測アプリを起動した後、所定の入力画面をタッチパネル４４に表示させてもよい。そして、該タッチパネル４４を介して、第２ユーザに第２ユーザ情報に含まれる諸情報を追加、更新、または削除させてもよい。例えば、制御部４１は、第２ユーザに、該第２ユーザが障害を予防または解消するためにとった障害対策の種類と、該対策をとった日付とを入力させてもよい。そして、これらの情報を対応付けて、障害対策履歴データとしてもよい。障害対策履歴データは、第２ユーザ情報に含まれて保存される。第１端末１の診断アプリについても、第２端末４の予測アプリについてと同様の方法で、第１ユーザ情報の追加、更新、または削除を行ってよい。

（予測結果の表示画面）
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。

また例えば、報知部３１６は、障害ＤＢ３２１において、第２位置情報が示す地域の、第２期間におけるレコードを抽出して、該第２期間における前記ある障害の発生件数を算出してもよい。第２期間は、例えば、予測対象とした日から１０日前までの期間である。そして、該発生件数を第２端末４に送信してもよい。なお、予測結果が、複数の障害の種類を示している場合、報知部３１６は障害毎の発生件数を算出してよい。そして、報知部３１６は算出した障害毎の発生件数を示す情報を、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、近隣における前記ある障害の発生状況をタッチパネル４４に表示させてもよい。また、報知部３１６は、第１記憶部３２に記憶されている、または診断サーバ２と共有している障害対策情報ＤＢを参照して、前記ある障害を予防または解消するための対策を特定してもよい。そして、報知部３１６は、該対策を示す情報を第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Ｔ３として、図５に示すように、障害の種類に対応した対策法をタッチパネル４４に表示させてもよい。

また、図５に示すように、予測結果表示画面には、予測結果として特定された障害の概要をネット検索するためのボタンＢ１、該障害が発生した植物を画像検索して該画像を表示するためのボタンＢ２、ならびに、フィードバックボタンＢ３およびＢ４が含まれていてもよい。フィードバックボタンＢ３およびＢ４は、予測結果に対する実際の障害の発生状況を、予測サーバ３にフィードバックするためのボタンである。タッチパネル４４に表示されたフィードバックボタンＢ３が押下されると、制御部４１はフィードバック情報を生成して、予測サーバ３に送信する。より詳細には、制御部４１は、フィードバックボタンＢ３が押下された時の日付と、第２位置情報とを取得する。そして、制御部４１は、取得した日付および第２位置情報と、発生した障害の種類を示す情報とを含むフィードバック情報を生成する。タッチパネル４４に表示されたフィードバックボタンＢ４が押下された場合も、同様にフィードバック情報が生成される。ただし、ボタンＢ４が押下された場合は、発生した障害の種類は「無し」となる。制御部４１は、通信部４３を介して、生成したフィードバック情報を予測サーバ３に送信する。予測サーバ３の情報取得部３１４は、フィードバック情報を取得する。情報取得部３１４は、フィードバック情報を第１記憶部３２に記憶させる。このとき、フィードバック情報は、障害ＤＢ３２１の１レコードとして記憶されてもよいし、フィードバック情報のＤＢとして別途記憶されてもよい。これにより、第２端末４からのフィードバック情報は、第１記憶部３２に都度蓄積されていく。

（再学習）
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。

（予測結果のマッピング）
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。

〔実施形態２〕
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。

≪要部構成≫
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。

環境情報取得装置５は、環境情報を収集して、予測サーバ３に提供する装置の総称である。ここで、「環境情報」とは、植物の生育環境に関する種々の情報である。例えば、環境情報とは、例えば、気象情報、および土壌に関する情報である。より具体的には、「気象情報」とは、例えば、天気、単位時間当たりの日射量、日射強度、単位時間当たりの降水量、風向き、風速、気温（例えば、一日の最低気温、最高気温、および平均気温等）、湿度、および積算温度等である。また、「土壌に関する情報」とは、各地の土壌温度、土壌水分量、および土壌ｐＨ値を示す情報等である。環境情報取得装置５の具体的な形態は特に限定しない。例えば、環境情報取得装置５は、天気予報のサービス等、各種気象情報を提供するサイトの運営に係るサーバであってもよい。また例えば、環境情報取得装置５は、温室内に設置される各種センサ等の計測端末から得られる環境情報を収集管理する、ログサーバもしくは端末装置、または、該計測端末自体であってもよい。環境情報取得装置５は、定期的に、または予測サーバ３からのリクエストに応答して、該予測サーバ３に環境情報を送信する。なお、環境情報取得装置５は複数存在してもよい。例えば、ある環境情報取得装置５は、予測サーバ３に天気と降水量を示す情報を送信し、別の環境情報取得装置５は、予測サーバ３に積算温度および土壌温度を示す情報を送信することとしてもよい。

本実施形態に係る予測サーバ３は、第１記憶部３２に環境情報ＤＢ３２２を含む点、および、データセット作成部３１２が抽出部３１７および結合部３１８を含む点において、実施形態１に係る予測サーバ３と異なる。本実施形態に係る予測サーバ３のデータ格納部３１１は、通信部３３を介し環境情報取得装置５から環境情報（第１環境情報）を取得する。データ格納部３１１は、取得した情報を、環境情報ＤＢ３２２に格納する。環境情報ＤＢ３２２は、日付と、地域または位置と、該日付および該地域または位置における環境情報とを対応付けたデータである。環境情報の種類は、予測サーバ３が環境情報取得装置５から取得する環境情報の種類に応じて変更されてもよい。

≪モデル構築処理≫
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。

抽出部３１７は、使用対象レコード群と、対応レコード群とを結合部３１８に出力する。結合部３１８は、使用対象レコード群の各レコードに、該レコードに対応する対応レコード群のレコードを結合させる。これにより、日付ならびに地域に、診断結果（すなわち、障害の種類）と、該日付および該地域における環境情報とが対応付けられたレコードが複数個生成される。データセット作成部３１２は生成された複数個のレコードをデータセットとして、学習部３１３に出力する。学習部３１３は、入力されたデータセットを用いて、予測モデル３４１に機械学習させる。これにより、第１位置情報、診断日、および環境情報と、診断結果との相関関係を予測モデル３４１に機械学習させることができる。これにより、任意の日付、任意の場所、および任意の環境条件における、障害の発生の可能性を予測する予測モデル３４１を構築することができる。したがって、植物における障害の発生の可能性を、より精度良く予測することができる。

なお、環境情報取得装置５は、第１端末１に環境情報（第１環境情報）を供給してもよい。例えば、第１端末１の制御部１１は、診断アプリを使用する際に、環境情報取得装置５から第１環境情報を取得してもよい。そして、制御部１１は診断サーバ２に、第１端末特定情報、第１位置情報、患部画像、および第１環境情報を対応付けて送信してもよい。この場合、診断サーバ２は、診断データに、第１環境情報を含めて予測サーバ３に送信する。そして、予測サーバ３のデータ格納部３１１は、診断データに含まれる第１環境情報を取得する。以降の処理は、前述の通りである。この場合、予測サーバ３は、環境情報取得装置５から直接環境情報を受信しなくてもよい。

≪予測処理≫
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。

なお、環境情報取得装置５は、第２端末４に環境情報（第２環境情報）を供給してもよい。例えば、第２端末４の制御部４１は、第２端末特定情報および第２位置情報を送信する際に、環境情報取得装置５から環境情報を取得してもよい。そして、制御部４１は予測サーバ３に、第２端末特定情報、第２位置情報、および環境情報を対応付けて送信してもよい。この場合、予測サーバ３の情報取得部３１４は、第２端末特定情報と、第２位置情報と、環境情報とを第２端末４から取得する。以降の処理は、前述の通りである。

〔実施形態３〕
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。

〔実施形態４〕
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。

図７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４００）の要部構成を示すブロック図である。本実施形態に係る予測サーバ３の第１記憶部３２は、障害対策履歴ＤＢ３２３を記憶している。また、制御部３１は、補正部３１９を含む。また、第２記憶部３４は、障害対策補正値算出モデル３４２を含む。また、本実施形態に係る第２端末４の記憶部４２は、第２ユーザ情報を記憶し、該第２ユーザ情報には、障害対策履歴データが含まれている。また、第２端末４は該第２ユーザ情報を、第２位置情報とともに、または第２位置情報に代えて、予測サーバ３に送信する。予測サーバ３の情報取得部３１４は、第２ユーザ情報に含まれる障害対策履歴データを、障害対策履歴ＤＢ３２３に格納する。

障害対策履歴ＤＢ３２３は、障害対策の種類と、該対策をとった日付とを対応付けて記憶したＤＢである。本ＤＢには、複数の第２端末４から取得した障害対策履歴データがまとめて記憶されていてよい。障害対策補正値算出モデル３４２は、障害の種類および障害対策の種類毎のモデル式であって、該障害対策を行った日以降の対策効果の値（効果値）を算出するためのモデル式である。本実施形態では、効果値が高いほど障害対策の効果が高い（効果が持続している）こととする。

予測部３１５は予測結果と、第２ユーザ情報とを補正部３１９に出力する。補正部３１９は第２ユーザ情報が示す該予測結果を、第２ユーザ情報が示す障害対策履歴が示す、障害対策の実行日および対策の種類に応じて補正する。補正部３１９は、障害の種類および障害対策の種類に応じた障害対策補正値算出モデル３４２を読み出し、このモデル式に、障害対策がとられた日付を入力することで、効果値を算出する。そして、補正部３１９は、該効果値を用いて予測結果を補正する。例えば、補正部３１９は、予測結果が示す障害の発生の可能性を示す値（発生確率）から、算出した効果値を減算することで、補正後の予測結果を得る。補正部３１９は、補正後の予測結果を報知部３１６に出力する。これにより、第２ユーザが行った障害対策の効果を加味して、障害の発生の可能性を予測することができる。すなわち、より精度の高い予測が可能になる。

また、予測サーバ３の第１記憶部３２には、実施形態１にて説明したフィードバック情報ＤＢが記憶されていてもよい。そして、本実施形態に係るデータセット作成部３１２は、障害対策履歴ＤＢ３２３のレコードと、フィードバック情報ＤＢのレコード、すなわち、実際の障害の発生実績とを対応付けたデータセットを作成してもよい。そして、学習部３１３は、該データセットを用いて、障害対策補正値算出モデル３４２それぞれを再学習させてもよい。障害対策補正値算出モデル３４２の係数の値をチューニング可能であるならば、データセットの形式および再学習の方法は特に限定されない。このように、障害対策の履歴（すなわち、対策の実行実績）と、障害の発生実績とに基づいて、効果値算出のためのモデル式をチューニングすることによって、効果値の算出精度をより高めることができる。

〔変形例〕
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。

また、前述の各実施形態に係る第１端末１は、第１端末特定情報、第１位置情報、および、患部画像とともに、撮影した植物の名称を診断サーバ２に送信してもよい。なお、制御部１１は植物の名称を、タッチパネル１４を介しユーザに入力させることで取得する。そして、診断サーバ２は、撮影された植物、すなわち診断対象の植物の名称を診断データに含めて、予測サーバ３に送信してもよい。この場合、障害ＤＢ３２１には植物の名称も各レコードのパラメータとして記憶される。したがって、データセット作成部３１２の作成するデータセットのパラメータには、植物の名称も含まれる。そして、学習部３１３が該データセットを予測モデル３４１に機械学習させる。これにより、第１位置情報、診断日、および診断対象となった植物の名称と、診断結果との相関関係を予測モデル３４１に学習させることができる。一方、予測処理において、予測サーバ３の情報取得部３１４は、第２端末４から、第２ユーザ情報として、予測対象の植物の名称を取得してもよい。情報取得部３１４は取得した各種情報を予測部３１５に送信する。予測部３１５は、予測モデル３４１に、所定の日付、第２位置情報、および予測対象の植物の名称を入力することによって、予測モデル３４１に障害の発生の可能性を予測させる。このように、植物の名称を加味した予測モデル３４１を構築し、該予測モデル３４１を用いて予測処理を実行することで、予測結果の精度を向上させることができる。

また、データ格納部３１１がユーザ名を含む第１ユーザ情報を取得する場合、かつ、情報取得部３１４が第２端末４から、ユーザ名を含む第２ユーザ情報を取得する場合、予測部３１５は、第２ユーザ情報が示すユーザ名で障害ＤＢ３２１を検索した結果に応じて、予測モデル３４１の予測結果を補正したものを、第２端末４に送信する予測結果としてもよい。例えば、予測部３１５は、予測結果のうち、第２ユーザ情報が示すユーザ名で障害ＤＢ３２１を検索したときに、最も多く該当した診断結果が示す障害の発生の可能性を増加させてもよい。これにより、第２ユーザが発生させ易い障害については、発生の可能性を高めに予測することができる。したがって、第２端末４に送信する予測結果の精度を向上させることができる。

前述の各実施形態において、診断サーバ２は第１端末１から、患部画像の撮影場所が露地か、ビニールハウス等の施設内かを示す場所情報を受信してもよい。場所情報は、第１ユーザにより第１端末１に手入力されてもよいし、第１位置情報から特定されてもよい。診断情報および障害ＤＢ３２１には場所情報が含まれていてもよい。そして、データセット作成部３１２は場所情報（すなわち露地か施設内か）毎にデータセットを分けて作成し、学習部３１３は、場所情報毎に分けて複数の予測モデル３４１を作成してもよい。この場合、第２端末４は、第２ユーザの手入力または第２位置情報から特定される、第２ユーザが予測を所望する場所情報を予測サーバ３に予め、または第２位置情報の送信タイミングで送信する。情報取得部３１４は第２端末４からの場所情報を取得し予測部３１５に出力する。予測部３１５は、該場所情報に応じた予測モデル３４１を用いて、障害の発生の可能性を予測する。一般的に、露地栽培と施設内栽培では、植物に発生する障害の種類が異なる。以上の処理によれば、露地栽培の場合と、施設内栽培の場合とで異なる予測モデル３４１を作成して、第２ユーザの所望する方の栽培場所に応じた予測モデル３４１で障害の発生の可能性を予測することができる。したがって、より正確に障害の発生の可能性を予測することができる。

〔ソフトウェアによる実現例〕
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。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 第１端末、４ 第２端末、２ 診断サーバ、３ 予測サーバ、５ 環境情報取得装置、１１、２１、３１、４１ 制御部、２２１ 診断モデル、３１１ データ格納部、３１２ データセット作成部、３１３ 学習部、３１４ 情報取得部、３１５ 予測部、３１６ 報知部、３１９ 補正部、３４１ 予測モデル

Claims (7)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。

Images