JP2021112136A - 支援システム、及び支援方法 - Google Patents
支援システム、及び支援方法 Download PDFInfo
- Publication number
- JP2021112136A JP2021112136A JP2020005320A JP2020005320A JP2021112136A JP 2021112136 A JP2021112136 A JP 2021112136A JP 2020005320 A JP2020005320 A JP 2020005320A JP 2020005320 A JP2020005320 A JP 2020005320A JP 2021112136 A JP2021112136 A JP 2021112136A
- Authority
- JP
- Japan
- Prior art keywords
- data indicating
- occurrence
- cultivation facility
- control unit
- pests
- 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
- 238000000034 method Methods 0.000 title claims description 42
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 120
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 11
- 238000007781 pre-processing Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 8
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 241000221785 Erysiphales Species 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 241000123650 Botrytis cinerea Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 230000001954 sterilising effect Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000005507 spraying Methods 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/00—Administration; Management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
- A01B76/00—Parts, details or accessories of agricultural machines or implements, not provided for in groups A01B51/00 - A01B75/00
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Catching Or Destruction (AREA)
Abstract
【課題】栽培施設の病害虫の発生状況を効率的に把握することが可能である支援システムを提供する。【解決手段】本開示の支援システム１は、栽培施設６０の環境を示すデータ及び病害虫の発生状況を示すデータが格納される第１の記憶部１２と、第１の記憶部１２から取得した環境を示すデータ及び病害虫の発生状況を示すデータを用いて機械学習を行うことによって、栽培施設６０の病害虫の発生確率を予測するための予測モデルを生成する第１の制御部１１と、を備える。【選択図】図１
Description
本開示は、栽培管理者を支援するための支援システム、及び支援方法に関する。
従来、栽培施設の病害虫の発生状況を把握する技術として、例えば、特許文献１に開示された技術がある。特許文献１に開示された技術では、作業者が収穫等の作業中に病害虫を発見した場合に、携帯端末を用いて病害虫の発見情報を管理端末に送信する。続いて、管理端末は、携帯端末から受信した病害虫の発見情報に基づいて、病害虫管理テーブルを作成し、モニタ等に出力する。
特許文献１に開示された技術では、作業者が、栽培施設の全てのエリアにおいて、病害虫が発生しているか否かを確認しないと、栽培施設の病害虫の発生状況を網羅的に把握することができない。したがって、特許文献１に開示された技術は、栽培施設の病害虫の発生状況を効率的に把握するという点で、改善の余地がある。
そこで、本開示は、栽培施設の病害虫の発生状況を効率的に把握することが可能である支援システム、及び支援方法を提供することを目的とする。
幾つかの実施形態に係る支援システムは、少なくとも１つの栽培施設の環境を示すデータ及び病害虫の発生状況を示すデータが格納される第１の記憶部と、前記第１の記憶部から取得した前記環境を示すデータ及び前記病害虫の発生状況を示すデータを用いて機械学習を行うことによって、前記栽培施設の病害虫の発生確率を予測するための予測モデルを生成する第１の制御部と、を備える。
これにより、栽培管理者は、栽培施設の病害虫の発生状況を効率的に把握することができる。
一実施形態において、前記支援システムは、前記栽培施設の環境を示すデータを測定するセンサ群と、前記センサ群から取得した前記環境を示すデータを前記予測モデルに入力し、前記栽培施設の前記病害虫の発生確率を予測する第２の制御部と、前記第２の制御部が予測した前記病害虫の発生確率を出力する出力部と、をさらに備えてもよい。
これにより、栽培管理者は、各栽培施設のうち、病害虫の発生確率が高いエリアを優先的に管理することができる。
一実施形態において、前記出力部はさらに、前記栽培施設の前記病害虫の実際の発生状況を示すデータを出力してもよい。
これにより、栽培管理者は、予測モデルの予測精度を効率的に把握することができる。
一実施形態において、前記第２の制御部は、前記センサ群が測定した前記環境を示すデータ及び前記病害虫の実際の発生状況を示すデータを用いて機械学習を行うことによって、前記予測モデルを更新してもよい。
これにより、各栽培施設に対する予測モデルの予測精度を向上させることができる。
一実施形態において、前記第２の制御部は、栽培管理者の入力に基づいて、前記栽培施設の前記病害虫の発生確率が低くなるように、前記栽培施設に設置された環境制御装置を制御してもよい。
これにより、病害虫による被害を抑制することができる。
一実施形態において、前記第２の制御部は、前記栽培施設の前記病害虫の発生確率に基づいて、前記病害虫の防除案を生成し、前記出力部は、前記第２の制御部が生成した前記防除案を出力してもよい。
これにより、栽培管理者は、防除案に基づいて、栽培施設を効率的に管理することができる。
一実施形態において、前記第２の制御部は、前記栽培施設の前記環境を示すデータに基づいて、前記センサ群に含まれるセンサの位置及び／又は数を最適化し、前記出力部は、最適化した前記センサの位置及び／又は数を出力してもよい。
これにより、栽培施設の管理に必要なコストを低減することができる。
幾つかの実施形態に係る支援方法は、コンピュータを用いた支援方法であって、前記コンピュータが、少なくとも１つの栽培施設の環境を示すデータ及び病害虫の発生状況を示すデータを用いて機械学習を行うことによって、前記栽培施設の病害虫の発生確率を予測するための予測モデルを生成するステップを含む。
これにより、栽培管理者は、栽培施設の病害虫の発生状況を効率的に把握することができる。
一実施形態において、前記支援方法は、前記コンピュータが、前記栽培施設の環境を示すデータを取得するステップと、取得した前記環境を示すデータを前記予測モデルに入力し、前記栽培施設の前記病害虫の発生確率を予測するステップと、前記予測した前記病害虫の発生確率を出力するステップと、をさらに含んでもよい。
これにより、栽培管理者は、各栽培施設のうち、病害虫の発生確率が高いエリアを優先的に管理することができる。
本開示によれば、栽培施設の病害虫の発生状況を効率的に把握することが可能である支援システム、及び支援方法を提供することができる。
以下、本開示を実施するための形態について、図面を参照しながら説明する。各図において、同一符号は、同一または同等の構成要素を示す。
図１を参照して、本開示の一実施形態に係る支援システム１を説明する。
支援システム１は、サーバ装置１０、クライアント装置２０、センサ群３０、環境制御装置４０、及び携帯端末５０を備える。サーバ装置１０は、インターネット等のネットワーク７０を介して、クライアント装置２０と通信可能である。また、サーバ装置１０は、ネットワーク７０を介して、センサ群３０、環境制御装置４０、及び携帯端末５０と通信可能であってもよい。クライアント装置２０、センサ群３０、及び環境制御装置４０は、例えば全国の栽培施設６０等、少なくとも１つの栽培施設６０にそれぞれ設置される。携帯端末５０は、栽培管理者によって携帯される。
サーバ装置１０は、クラウドコンピューティングシステム等に属するサーバである。
サーバ装置１０は、第１の制御部１１、第１の記憶部１２、及び第１の通信部１３を備える。
第１の制御部１１は、１つ以上のプロセッサを含む。プロセッサは、例えば、ＣＰＵ（central processing unit）等の汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。第１の制御部１１は、サーバ装置１０の各部を制御しながら、サーバ装置１０の動作に関わる処理を行う。
第１の記憶部１２は、１つ以上の半導体メモリ、１つ以上の磁気メモリ、１つ以上の光メモリ、又はこれらの組み合わせを含む。半導体メモリは、例えば、ＲＡＭ（random access memory）又はＲＯＭ（read only memory）である。第１の記憶部１２には、サーバ装置１０の動作に用いられる情報、及びサーバ装置１０の動作によって得られる情報が格納される。
第１の通信部１３は、例えば、インターネット、ゲートウェイ、及びＬＡＮ（local area network）等を介して通信することができる、１つ以上の通信インタフェースを含む。第１の通信部１３は、サーバ装置１０の動作に用いられる情報を受信し、サーバ装置１０の動作によって得られる情報を送信する。
なお、サーバ装置１０の動作は、第１の記憶部１２に格納されたプログラムを、第１の制御部１１に含まれるプロセッサで実行することにより実現される。
クライアント装置２０は、携帯電話機、スマートフォン、タブレット、又はＰＣ（personal computer）等である。
クライアント装置２０は、第２の制御部２１、第２の記憶部２２、第２の通信部２３、入力部２４、及び出力部２５を備える。
第２の制御部２１は、１つ以上のプロセッサを含む。プロセッサは、例えば、ＣＰＵ（central processing unit）等の汎用プロセッサ、又は特定の処理に特化した専用プロセッサである。第２の制御部２１は、クライアント装置２０の各部を制御しながら、クライアント装置２０の動作に関わる処理を行う。
第２の記憶部２２は、１つ以上の半導体メモリ、１つ以上の磁気メモリ、１つ以上の光メモリ、又はこれらの組み合わせを含む。半導体メモリは、例えば、ＲＡＭ（random access memory）又はＲＯＭ（read only memory）である。第２の記憶部２２には、クライアント装置２０の動作に用いられる情報、及びクライアント装置２０の動作によって得られる情報が格納される。
第２の通信部２３は、例えば、インターネット、ゲートウェイ、及びＬＡＮ（local area network）等を介して通信することができる、１つ以上の通信インタフェースを含む。第２の通信部２３は、クライアント装置２０の動作に用いられる情報を受信し、クライアント装置２０の動作によって得られる情報を送信する。
入力部２４は、１つ以上の入力用インタフェースを含む。入力用インタフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン、マイク、又はこれらの組み合わせである。入力部２４は、クライアント装置２０の動作に用いられる情報を入力する操作を受け付ける。
出力部２５は、１つ以上の出力用インタフェースを含む。出力用インタフェースは、例えば、ＬＣＤ（liquid crystal display）又は有機ＥＬ（electro luminescence）ディスプレイ等のディスプレイ、スピーカ、又はこれらの組み合わせである。出力部２５は、クライアント装置２０の動作によって得られる情報を出力する。
なお、クライアント装置２０の動作は、第２の記憶部２２に格納されたプログラムを、第２の制御部２１に含まれるプロセッサで実行することにより実現される。
センサ群３０は、１つ以上のセンサを含む。センサとしては、ＣＯ2濃度計、日射計、温度計、湿度計、又はこれらの組み合わせが挙げられるが、これらに限定されない。センサ群３０は、ＬＡＮ等によって、クライアント装置２０と通信可能である。
環境制御装置４０は、散水装置、照明装置、空調装置、カーテン、天窓、ＣＯ2発生機、又はこれらの組み合わせを含むが、これらに限定されない。環境制御装置４０は、ＬＡＮ等によって、クライアント装置２０と通信可能である。また、環境制御装置４０は、クライアント装置２０の第２の制御部２１によって制御される。
携帯端末５０は、携帯電話機、スマートフォン、又はタブレット等であるが、これらに限定されない。携帯端末５０は、WiFi（登録商標）又はBluetooth（登録商標）等によって、クライアント装置２０と通信可能である。
栽培施設６０は、圃場、温室、又はビニールハウス等であるが、これらに限定されない。
上述した構成において、サーバ装置１０の第１の制御部１１の一部又は全部の処理を、クライアント装置２０の第２の制御部２１が担ってもよい。あるいは、クライアント装置２０の第２の制御部２１の一部又は全部の処理を、サーバ装置１０の第１の制御部１１が担ってもよい。
図２を参照して、本実施形態に係る支援システム１の第１の動作例を説明する。第１の動作例は、本開示による支援方法の一実施形態に相当する。
ステップＳ１０１において、サーバ装置１０の第１の制御部１１は、第１の通信部１３を介して、全国の栽培施設６０等、好ましくは複数の栽培施設６０にそれぞれ設置されたクライアント装置２０から、各栽培施設６０の環境を示すデータ及び病害虫の発生状況を示すデータを所定の時間間隔で取得する。また、第１の制御部１１は、取得した環境を示すデータ及び病害虫の発生状況を示すデータを第１の記憶部１２に格納する。なお、図３に示すように、第１の制御部１１は、取得したデータを、栽培施設６０の場所（関東、北陸等）、栽培施設６０で栽培される植物等の品種（Ａ、Ｂ等）、及び病害虫の種別（灰色カビ病、うどんこ病等）で分類して、第１の記憶部１２に格納してもよい。
本実施形態における「環境」は、ＣＯ2濃度、日射量、温度、湿度、又はこれらの組み合わせを含むが、これらに限定されない。環境を示すデータは、各栽培施設６０に設置されたセンサ群３０によって取得される。また、本実施形態における「病害虫」は、灰色カビ病、うどんこ病、葉カビ病、又はこれらの組み合わせを含むが、これらに限定されない。病害虫の発生状況は、栽培管理者による目視確認又はカメラ等の撮像画像に基づいて決定される。詳細については、第３の動作例にて説明する。また、本実施形態における「所定の時間間隔」は、栽培管理者が適宜設定することが可能であり、例えば数十分〜数時間とすることができるが、これに限定されない。
ステップＳ１０２において、第１の制御部１１は、第１の記憶部１２から環境を示すデータ及び病害虫の発生状況を示すデータを取得して、前処理を行う。本実施形態における「前処理」は、欠損値処理、外れ値処理、正規化処理、離散化処理、又はこれらの組み合わせを含むが、これらに限定されない。例えば、「前処理」は、所定期間（例えば１時間〜６時間）の微分値又は積分値等のセンサ値に基づく新たな変数の作成を含んでもよい。離散化処理は、等頻度分割、等数分割、カイマージ、又はこれらの組み合わせを含むが、これらに限定されない。これらの処理は、後述するクラスタリングの手法に応じて適宜選択される。図４に、離散化処理されたデータを示す。なお、特定の病害虫の発生確率を予測したい場合には、特定の病害虫の有無に対応する目的変数に適宜重み付けを行ってもよい。
ステップＳ１０３において、第１の制御部１１は、ステップＳ１０２で前処理されたデータを用いて機械学習を行うことによって、病害虫の発生確率を予測するための予測モデルを生成する。以下、ステップＳ１０３を詳細に説明する。
例えば、第１の制御部１１は、クラスタリング及びベイジアンネットワークの技術を用いて、環境を示すデータに対応する変数を説明変数とし、病害虫の有無に対応する変数を目的変数とする予測モデルを生成することができる。ベイジアンネットワークは、変数をノードとする有向非巡回グラフであり、ノード間の条件付き確率表を含む。クラスタリングは、類似する変数同士を同一のクラスタに分類する手法である。例えば、クラスタリングは、k-means法等のハードクラスタリング、又は確率的潜在意味解析等のソフトクラスタリングを含むが、これらに限定されない。ステップＳ１０３では、最初に、第１の制御部１１は、ステップＳ１０２で前処理されたデータを用いて、時系列に関してクラスタリングを行う。これによって、類似する説明変数同士が同一のクラスタに分類され、次元圧縮される。なお、クラスタリングは所謂教師なし学習であるが、例えば病害虫の発生状況を示すような特に着目している目的変数がある場合には、当該変数に重み付けを行うことによって、当該変数に対する類似性の影響力を適宜調整してもよい。図５にクラスタリング結果を示す。次に、第１の制御部１１は、クラスタリング結果を用いた構造学習を行うことによって、病害虫の発生確率を予測するための予測モデルを生成する。図６に、環境を示すデータに対応する親ノードと、クラスタリングによって次元圧縮された子ノードと、所定の品種における所定の病害虫の発生の有無に対応する孫ノードとを含む、予測モデルの一例を示す。なお、親ノードと孫ノードとは、子ノードを介してリンクされている必要はなく、直接リンクされていてもよい。このように、クラスタリングによる次元圧縮と、ノード間の依存関係を可視化するベイジアンネットワークとを組み合わせた予測モデルを用いることにより、栽培管理者は、植物等における複雑な生物学的現象を効率的に解釈することができる。
なお、ステップＳ１０３では、第１の制御部１１は、栽培施設６０の現在までの環境を示すデータ及び病害虫の現在の発生状況を示すデータを用いて、機械学習を行うことができる。これにより、第１の制御部１１は、病害虫の現在の発生確率を予測することができる予測モデルを生成することができる。これに加えて、第１の制御部１１は、栽培施設６０の過去（例えば３日前まで等）の環境を示すデータ及び病害虫の現在の発生状況を示すデータを用いて、機械学習を行うことができる。これにより、第１の制御部１１は、病害虫の状来（例えば３日後等）の発生確率を予測することができる予測モデルを生成することができる。また、第１の制御部１１は、栽培施設６０の植物等の品種及び病害虫の種別毎に、病害虫の現在及び／又は将来の発生確率を予測することができる予測モデルを生成することができる。
ステップＳ１０４において、第１の制御部１１は、ステップＳ１０３で生成した予測モデルを第１の記憶部１２に格納する。
なお、気候又は季節の変化に応じて、第１の制御部１１は、ステップＳ１０１乃至Ｓ１０４を行うことによって、予測モデルを定期的に更新することが好ましい。これにより、気候又は季節が変化しても、病害虫の発生確率の予測精度を維持することができる。
第１の動作例によれば、予測モデルを用いて栽培施設６０を管理することが可能となるので、栽培施設６０の病害虫の発生状況を効率的に把握することができる。また、詳細は後述するが、この予測モデルを初期のモデルとして、各栽培施設６０の病害虫の発生確率の予測を行うことで、初期コストを低減することができる。
図７を参照して、本実施形態に係る支援システム１の第２の動作例を説明する。第２の動作例は、本開示による支援方法の一実施形態に相当する。
第２の動作例は、各栽培施設６０にそれぞれ設置されたクライアント装置２０の第２の制御部２１が、第２の通信部２３を介して、サーバ装置１０から第１の動作例で生成した予測モデルを取得し、第２の記憶部２２に格納した状態から開始する。ただし、全国にある全ての栽培施設６０において、第２の動作例を実行する必要はなく、特定の栽培施設６０において、第２の動作例を実行してもよい。
ステップＳ２０１において、クライアント装置２０の第２の制御部２１は、センサ群３０から栽培施設６０の環境を示すデータを所定の時間間隔で取得し、第２の記憶部２２に格納する。
ステップＳ２０２において、第２の制御部２１は、第２の記憶部２２から環境を示すデータを取得して、前処理を行う。この前処理は、ステップＳ１０２と同様である。
ステップＳ２０３において、第２の制御部２１は、ステップＳ２０２で前処理されたデータを用いて、センサ群３０に関してクラスタリングを行う。これにより、センサ群３０は、栽培施設６０のエリア間の環境の類似性に基づいて、クラスタに分類される。図８に、クラスタリングの結果を示す。図８中、「説明変数１」及び「説明変数２」等は、それぞれ環境を示すデータに対応する。また、「t1」及び「t2」等は、それらの時間変化に対応する。なお、コストを重視する場合、栽培管理者は、入力部２４を介して、クラスタの数を強制的に設定してもよい。
ステップＳ２０４において、第２の制御部２１は、ステップＳ２０３のクラスタリング結果に基づいて、センサ群３０に含まれるセンサの位置及び／又は数を最適化する。また、第２の制御部２１は、出力部２５を介して、最適化されたセンサの位置及び／又は数を、栽培管理者に向けて出力する。図８、９では、センサ群３０が、９つのクラスタ（Cluster１乃至９）に分類されており、第２の制御部２１は、同一クラスタに属する複数のセンサについては、その中の１つのセンサを代表として選択し、その他のセンサを排除する等の最適化を行うことができる。例えば、代表とするセンサ（以下、「代表センサ」とも称する。）は、各クラスタに属する代表センサ間の距離が等しくなるように決定されてもよい。なお、排除されたセンサは、他の栽培施設６０で用いられてもよく、リース会社に返却されてもよい。
第２の動作例によれば、栽培施設６０の環境の違いを捉えるのに最低限必要なセンサの位置及び／又は数を把握することができるので、栽培施設６０の管理に必要なコストを低減することができる。なお、最適化の精度を高める観点から、栽培施設６０の環境を示すデータに加えて、栽培管理者による目視確認又は定点カメラ等による撮像画像に基づいて判断した病害虫の発生状況を示すデータを用いて、ステップＳ２０１乃至Ｓ２０４を行ってもよい。
図１０を参照して、本実施形態に係る支援システム１の第３の動作例を説明する。第３の動作例は、本開示による支援方法の一実施形態に相当する。
第３の動作例は、各栽培施設６０にそれぞれ設置されたクライアント装置２０の第２の制御部２１が、第２の通信部２３を介して、サーバ装置１０から第１の動作例で生成した予測モデルを取得し、第２の記憶部２２に格納した状態から開始する。ただし、全国にある全ての栽培施設６０において、第３の動作例を実行する必要はなく、特定の栽培施設６０において、第３の動作例を実行してもよい。
ステップＳ３０１において、クライアント装置２０の第２の制御部２１は、センサ群３０から栽培施設６０の環境を示すデータを所定の時間間隔で取得し、第２の記憶部２２に格納する。
ステップＳ３０２において、第２の制御部２１は、第２の記憶部２２から環境を示すデータを取得し、前処理を行う。この前処理は、ステップＳ１０２と同様である。図１１に、離散化処理されたデータを示す。
ステップＳ３０３において、第２の制御部２１は、第２の記憶部２２から予測モデルを取得し、病害虫の現在及び将来の発生確率を予測する。図１２に、ベイジアンネットワーク及びクラスタリングを用いた予測モデルによって、病害虫の現在の発生確率を予測する場合の例を示す。本例では、第２の制御部２１は、ステップＳ３０１で取得した栽培施設６０の環境を示すデータに対応する親ノードに対するエビデンスを「１」に設定し、それ以外の親ノードに対するエビデンスを「０」に設定する。これにより、例えば、品種Ａにおける灰色カビ病の発生の有無に対応する孫ノードにおいて、病害虫の現在の発生確率が８５％であると予測される。
ステップＳ３０４において、第２の制御部２１は、出力部２５を介して、ステップＳ３０３で予測した病害虫の現在及び将来の発生確率を栽培管理者に向けて出力する。図１３に出力例を示す。図１３では、灰色カビ病の現在及び将来の発生確率が示される。ただし、ステップＳ３０４では、図１３中、「重」、「軽」、及び「無」等の指標は表示されない。なお、本例では、０％以上４０％未満の発生確率を「低」と定義し、４０％以上７０％未満の発生確率を「中」と定義し、７０％以上１００％以下の発生確率を「高」と定義しているが、これに限定されない。ここで、第２の制御部２１は、第２の通信部２３を介して、病害虫の発生確率を示すデータを携帯端末５０に送信し、携帯端末５０の画面に表示してもよい。これにより、栽培管理者は、栽培施設６０のエリアのうち病害虫の現在の発生確率が高いエリアを優先して、病害虫の実際の発生状況を目視確認し、携帯端末５０に登録することができる。なお、病害虫の実際の発生状況は、発生レベルの軽重に応じて適宜決定され、例えば「重」、「軽」、及び「無」という指標によって表わされるが、これに限定されない。また、栽培管理者は、栽培施設６０の各エリアに取り付けられた位置情報を示すバーコード又はＱＲコード（登録商標）等を携帯端末５０で読み取ることにより、病害虫の実際の発生状況を示す情報に、病害虫の発生場所を示す情報を含めることができる。図１４に、携帯端末５０の画面例を示す。図１４は、栽培施設６０のエリア（レーンＡ、６番）における病害虫の現在の発生確率が「灰色カビ病：高、うどんこ病：中、葉カビ病：低」であることを示すと共に、病害虫の実際の発生状況が「灰色カビ病：重、うどんこ病：軽、葉カビ病：無」であることを示す。また、この例では、栽培管理者が見習いである場合には、病害虫の実際の発生状況は、栽培管理者による目視確認ではなく、携帯端末５０のカメラ等が撮像した植物等の画像をディープラーニング等の任意の技術を用いて解析することにより、適宜決定される。なお、病害虫の将来の発生確率については、第４の動作例にて詳細に説明する。
ステップＳ３０５において、第２の制御部２１は、第２の通信部２３を介して、携帯端末５０から病害虫の実際の発生状況を示すデータを取得する。
ステップＳ３０６において、第２の制御部２１はさらに、出力部２５を介して、ステップＳ３０５で取得した病害虫の実際の発生状況を示すデータを栽培管理者に向けて出力する。好ましくは、第２の制御部２１は、出力部２５を介して、ステップＳ３０３で予測した病害虫の現在の発生確率と共に、ステップＳ３０５で取得した病害虫の実際の発生状況を示すデータを栽培管理者に向けて出力する。図１３の左側に出力例を示す。
ここで、第１の動作例で生成した予測モデルは、全国の栽培施設６０の環境を示すデータ及び病害虫の発生状況を示すデータを用いて生成した予測モデルであるので、それぞれの栽培施設６０にカスタマイズされた予測モデルであるとは限らない。このため、ステップＳ３０３で予測した病害虫の現在の発生確率がステップＳ３０５で取得した病害虫の実際の発生状況を正確に再現しているとは限らない。したがって、第１の動作例で生成した予測モデルを各栽培施設６０にカスタマイズすることにより、各栽培施設６０の病害虫の発生確率の予測精度を向上させることが好ましい。
そこで、ステップＳ３０７において、第２の制御部２１は、ステップＳ３０３で予測した病害虫の現在の発生確率とステップＳ３０５で取得した病害虫の実際の発生状況との比較に基づいて、ステップＳ３０３で第２の記憶部２２から取得した予測モデルを更新するか否かを判断する。第２の制御部２１が予測モデルを更新すると判断した場合（ステップＳ３０７：ＹＥＳ）、ステップＳ３０８に進む。第２の制御部２１が予測モデルを更新しないと判断した場合（ステップＳ３０７：ＮＯ）、本処理を終了する。なお、栽培管理者は、図１３の出力例を視認することができるので、ステップＳ３０７では、第２の制御部２１は、栽培管理者の入力に基づいて、予測モデルを更新するか否かを判断してもよい。例えば、第２の制御部２１は、出力部２５を介して、予測モデルを更新するか否かの質問ダイアログを栽培管理者に向けて出力する。また、第２の制御部２１は、入力部２４を介して、栽培管理者が予測モデルを更新するか否かの回答を入力する操作を受け付ける。
ステップＳ３０８において、第２の制御部２１は、既存のデータに、ステップＳ３０１で取得した栽培施設６０の環境を示すデータ及びステップＳ３０５で取得した病害虫の実際の発生状況を示すデータを加えて、ステップＳ１０２及びＳ１０３と同様の方法で機械学習を行う。第２の制御部２１による機械学習が終了すると、予測モデルが更新される。また、第２の制御部２１は、第２の記憶部２２に格納されている予測モデルを、更新した予測モデルに置き換える。
なお、ステップＳ３０３乃至Ｓ３０８を繰り返すことにより、各栽培施設６０の病害虫の発生確率の予測精度がさらに向上する。また、気候又は季節の変化により特定の栽培施設６０の環境が変化すると、予測モデルの予測精度が低下するおそれがある。そこで、第２の制御部２１は、ステップＳ３０７の後であって、ステップＳ３０８の前に、ステップＳ２０３と同様のクラスタリングを行ってもよい。ただし、計算時間及び計算量の観点から、このクラスタリングの頻度は、数か月から１年に１回程度であることが好ましい。
第３の動作例によれば、栽培管理者は、各栽培施設６０において病害虫の発生確率が高いエリアを優先的に管理することができるので、栽培施設６０を少ない労力で効率的に管理することができる。また、第３の動作例によれば、各栽培施設６０における病害虫の実際の発生状況を考慮した予測モデルが生成されるので、各栽培施設６０に対する予測モデルの予測精度が向上する。
図１５を参照して、本実施形態に係る支援システム１の第４の動作例を説明する。第４の動作例は、本開示による支援方法の一実施形態に相当する。
第４の動作例では、第３の動作例で各栽培施設６０にカスタマイズされた予測モデルが、クライアント装置２０の第２の記憶部２２に格納されている状態から開始する。ただし、全国にある全ての栽培施設６０において、第４の動作例を実行する必要はなく、特定の栽培施設６０において、第４の動作例を実行してもよい。
ステップＳ４０１において、クライアント装置２０の第２の制御部２１は、センサ群３０から栽培施設６０の環境を示すデータを所定の時間間隔で取得し、第２の記憶部２２に格納する。
ステップＳ４０２において、第２の制御部２１は、第２の記憶部２２から環境を示すデータを取得して、前処理を行う。この前処理は、ステップＳ１０２と同様である。
ステップＳ４０３において、第２の制御部２１は、第２の記憶部２２から予測モデルを取得し、病害虫の現在及び将来の発生確率を予測する。ステップＳ４０３は、ステップＳ３０３と同様である。
ステップＳ４０４において、第２の制御部２１は、出力部２５を介して、ステップＳ４０３で予測した病害虫の現在及び将来の発生確率を栽培管理者に向けて出力する。
ステップＳ４０５において、第２の制御部２１は、栽培管理者の入力に基づいて、栽培施設６０に設置された環境制御装置４０を制御するか否かを判断する。例えば、第２の制御部２１は、出力部２５を介して、環境制御装置４０を制御するか否かの質問ダイアログを栽培管理者に向けて出力する。また、第２の制御部２１は、入力部２４を介して、栽培管理者が環境制御装置４０を制御するか否かの回答を入力する操作を受け付ける。この際、栽培管理者は、ステップＳ４０４で出力された病害虫の現在及び将来の発生確率を総合的に判断することができる。第２の制御部２１が環境制御装置４０を制御すると判断した場合（ステップＳ４０５：ＹＥＳ）、ステップＳ４０６に進む。第２の制御部２１が環境制御装置４０を制御しないと判断した場合（ステップＳ４０５：ＮＯ）、ステップＳ４０７に進む。
ステップＳ４０６において、第２の制御部２１は、栽培管理者の入力に基づいて、環境制御装置４０が示す値の目標値を取得する。例えば、第２の制御部２１は、入力部２４を介して、栽培管理者が目標値を入力する操作を受け付ける。この際、栽培管理者は、病害虫の発生確率が低くなるように、当該目標値を決定することができる。また、第２の制御部２１は、環境制御装置４０が示す値が取得した目標値に到達するよう、環境制御装置４０を制御する。また、第２の制御部２１は、環境制御装置４０が示す値が目標値に到達した場合における、将来の病害虫の発生確率を予測する。この予測は、第２の制御部２１が、当該目標値に対応する親ノードのエビデンスを「１」に設定することにより、ステップＳ３０３と同様の方法で行われる。
ここで、第４の処理例では、病害虫を防除することが可能な薬剤名及び散布時期が、過去の実績データ等に基づいて、予め病害虫の種別及び発生確率と紐づけられて、第２の記憶部２２に格納されている。
ステップＳ４０７において、第２の制御部２１は、第２の記憶部２２を参照して、ステップＳ４０４で予測した病害虫の将来の発生確率に基づいて、病害虫を防除するための薬剤名及び散布時期を含む防除案を生成する。あるいは、第２の制御部２１は、第２の記憶部２２を参照して、ステップＳ４０６で予測した、環境制御装置４０を制御した場合における病害虫の将来の発生確率に基づいて、病害虫を防除するための薬剤名及び散布時期を含む防除案を生成する。また、第２の制御部２１は、出力部２５を介して、生成した防除案を栽培管理者に向けて出力する。図１６の上段に、ステップＳ４０６で予測した、環境制御装置４０を制御した場合における病害虫の将来の発生確率に基づいて生成した防除案を示す。図１６の下段に、ステップＳ４０４で予測した病害虫の将来の発生確率に基づいて生成した防除案を示す。図１６の防除案は、例えばセンサ群（Ｎｏ．２）が配置されたエリアの病害虫の発生レベルが「軽」である場合の防除案を含む。栽培管理者は、環境制御装置４０を制御した場合、図１６の防除案から薬剤Ｂ（効果：殺菌）を２日以内に散布すればよいことを把握することができる。一方で、栽培管理者は、環境制御装置４０を制御しなかった場合、図１６の防除案から薬剤Ｂ（効果：殺菌）をすぐに散布する必要があることを把握することができる。
第４の動作例によれば、各栽培施設６０の病害虫の発生確率が低くなるように、環境制御装置４０が制御されるので、病害虫による被害を抑制することができる。また、栽培管理者は、防除案に基づいて、作業スケジュール並びに薬剤の発注時期及び発注数等を効率的に決定することができるので、栽培施設６０を効率的に管理することができる。
以上、本開示を諸図面及び実施形態に基づき説明したが、当業者であれば本開示に基づき種々の変形又は修正を行うことが容易であることに注意されたい。したがって、これらの変形又は修正は、本開示の範囲に含まれることに留意されたい。例えば、各ステップ等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数のステップ等を１つに組み合わせたり、あるいは分割したりすることが可能である。
例えば、図１に示すセンサ群３０は、光合成に重要なクロロフィル量等を測定することができるスペクトルカメラを含んでもよい。ここで、植物等が病害虫によりストレスを受けると、ストレスを受けた部位（以下、「ストレス部位」）の光合成が阻害される。したがって、スペクトルカメラの撮影画像を反射強度又は正規化植生指標等に基づいて解析することにより算出されるストレス部位の面積又は当該面積の時間変化量を予測モデルの説明変数に加えてもよい。図１７では、白色で表わされる領域（「葉」に相当する。）のうち黒色で表わされる領域がストレス部位に相当する。また、ランダムフォレスト等の機械学習を用いて、撮像画像のピクセル毎の特徴的波長の反射強度等に基づいて、特定の病害虫の発病又は予備軍を検知するための予測モデルが生成されてもよい。これにより、病害虫の発生確率の予測精度が向上する。
本開示によれば、栽培施設の病害虫の発生状況を効率的に把握することが可能である支援システム、及び支援方法を提供することができる。
１ 支援システム
１０ サーバ装置
１１ 第１の制御部
１２ 第１の記憶部
１３ 第１の通信部
２０ クライアント装置
２１ 第２の制御部
２２ 第２の記憶部
２３ 第２の通信部
２４ 入力部
２５ 出力部
３０ センサ群
４０ 環境制御装置
５０ 携帯端末
６０ 栽培施設
７０ ネットワーク
１０ サーバ装置
１１ 第１の制御部
１２ 第１の記憶部
１３ 第１の通信部
２０ クライアント装置
２１ 第２の制御部
２２ 第２の記憶部
２３ 第２の通信部
２４ 入力部
２５ 出力部
３０ センサ群
４０ 環境制御装置
５０ 携帯端末
６０ 栽培施設
７０ ネットワーク
Claims (9)
- 少なくとも１つの栽培施設の環境を示すデータ及び病害虫の発生状況を示すデータが格納される第１の記憶部と、
前記第１の記憶部から取得した前記環境を示すデータ及び前記病害虫の発生状況を示すデータを用いて機械学習を行うことによって、前記栽培施設の病害虫の発生確率を予測するための予測モデルを生成する第１の制御部と、
を備える、支援システム。 - 前記栽培施設の環境を示すデータを測定するセンサ群と、
前記センサ群から取得した前記環境を示すデータを前記予測モデルに入力し、前記栽培施設の前記病害虫の発生確率を予測する第２の制御部と、
前記第２の制御部が予測した前記病害虫の発生確率を出力する出力部と、
をさらに備える、請求項１に記載の支援システム。 - 前記出力部はさらに、前記栽培施設の前記病害虫の実際の発生状況を示すデータを出力する、請求項２に記載の支援システム。
- 前記第２の制御部は、前記センサ群が測定した前記環境を示すデータ及び前記病害虫の実際の発生状況を示すデータを用いて機械学習を行うことによって、前記予測モデルを更新する、請求項３に記載の支援システム。
- 前記第２の制御部は、栽培管理者の入力に基づいて、前記栽培施設の前記病害虫の発生確率が低くなるように、前記栽培施設に設置された環境制御装置を制御する、請求項２乃至４のいずれか一項に記載の支援システム。
- 前記第２の制御部は、前記栽培施設の前記病害虫の発生確率に基づいて、前記病害虫の防除案を生成し、
前記出力部は、前記第２の制御部が生成した前記防除案を出力する、請求項２乃至５のいずれか一項に記載の支援システム。 - 前記第２の制御部は、前記栽培施設の前記環境を示すデータに基づいて、前記センサ群に含まれるセンサの位置及び／又は数を最適化し、
前記出力部は、最適化した前記センサの位置及び／又は数を出力する、請求項２乃至６の何れか一項に記載の支援システム。 - コンピュータを用いた支援方法であって、
前記コンピュータが、少なくとも１つの栽培施設の環境を示すデータ及び病害虫の発生状況を示すデータを用いて機械学習を行うことによって、前記栽培施設の病害虫の発生確率を予測するための予測モデルを生成するステップを含む、支援方法。 - 前記コンピュータが、
前記栽培施設の環境を示すデータを取得するステップと、
取得した前記環境を示すデータを前記予測モデルに入力し、前記栽培施設の前記病害虫の発生確率を予測するステップと、
前記予測した前記病害虫の発生確率を出力するステップと、
をさらに含む、請求項８に記載の支援方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020005320A JP2021112136A (ja) | 2020-01-16 | 2020-01-16 | 支援システム、及び支援方法 |
| PCT/JP2020/044752 WO2021145081A1 (ja) | 2020-01-16 | 2020-12-01 | 支援システム、及び支援方法 |
| US17/758,559 US20230065717A1 (en) | 2020-01-16 | 2020-12-01 | Support system and support method |
| CN202080089825.9A CN114901066B (zh) | 2020-01-16 | 2020-12-01 | 辅助系统以及辅助方法 |
| EP20913654.8A EP4091443A4 (en) | 2020-01-16 | 2020-12-01 | SUPPORT SYSTEM AND SUPPORT METHOD |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020005320A JP2021112136A (ja) | 2020-01-16 | 2020-01-16 | 支援システム、及び支援方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2021112136A true JP2021112136A (ja) | 2021-08-05 |
Family
ID=76864226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020005320A Pending JP2021112136A (ja) | 2020-01-16 | 2020-01-16 | 支援システム、及び支援方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230065717A1 (ja) |
| EP (1) | EP4091443A4 (ja) |
| JP (1) | JP2021112136A (ja) |
| CN (1) | CN114901066B (ja) |
| WO (1) | WO2021145081A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023170975A1 (ja) * | 2022-03-11 | 2023-09-14 | オムロン株式会社 | 学習方法、葉状態識別装置、およびプログラム |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7416025B2 (ja) * | 2021-07-30 | 2024-01-17 | 横河電機株式会社 | 栽培支援システム、栽培支援方法、及びプログラム |
| CN116681279B (zh) * | 2023-05-25 | 2024-04-19 | 北京健卫病媒有害生物防控中心 | 一种基于数据分析的林业有害生物防治风险评估系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018047726A1 (ja) * | 2016-09-07 | 2018-03-15 | ボッシュ株式会社 | 情報処理装置および情報処理システム |
| WO2020255677A1 (ja) * | 2019-06-17 | 2020-12-24 | ボッシュ株式会社 | 情報処理装置及び方法 |
Family Cites Families (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004121093A (ja) * | 2002-10-02 | 2004-04-22 | Green Gold Biosystem Inc | 遺伝子改変植物の栽培評価システム |
| KR101132151B1 (ko) * | 2009-12-09 | 2012-04-03 | 주식회사 맥스포 | 유비쿼터스 기반 온실 관리방법 |
| KR101156594B1 (ko) * | 2009-12-15 | 2012-06-20 | 순천대학교 산학협력단 | 작물의 병해충 진단 시스템 및 그 방법 |
| KR20130041702A (ko) * | 2011-10-17 | 2013-04-25 | 사단법인 한국온실작물연구소 | 가변형 인공광원을 이용한 온실내 딸기재배방법 및 시스템 |
| JP6237210B2 (ja) * | 2013-12-20 | 2017-11-29 | 大日本印刷株式会社 | 病害虫発生推定装置及びプログラム |
| JP6277766B2 (ja) * | 2014-02-20 | 2018-02-14 | 日本電気株式会社 | 害虫発生予測システム、端末装置、サーバ装置、および害虫発生予測方法 |
| JP2016019505A (ja) * | 2014-07-15 | 2016-02-04 | 近藤電子株式会社 | 害虫発生推定装置 |
| CN204423100U (zh) * | 2014-09-19 | 2015-06-24 | 杭州宏成节能科技有限公司 | 一种金针菇选拔菌株生长环境控制系统 |
| 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 |
| KR20160120543A (ko) * | 2015-04-08 | 2016-10-18 | 한국전자통신연구원 | 온실 운영 시스템과 그 온실 운영 시스템의 사용자 인터페이스 동기화 방법 |
| CN104770347B (zh) * | 2015-04-15 | 2017-09-15 | 李学恩 | 一种便携式智能型虫情测报系统 |
| KR20170059109A (ko) * | 2015-11-20 | 2017-05-30 | 한국전자통신연구원 | 온실에서 사용되는 서버, 디바이스 및 그 제어 방법 |
| KR101723173B1 (ko) * | 2015-12-15 | 2017-04-18 | 주식회사 로하스텍 | Ict 기반의 농산물 관리 및 생산 시스템 |
| US20190308915A1 (en) * | 2015-12-16 | 2019-10-10 | Plantio, Inc. | Kit for producing plant growth medium, method for producing plant growth medium, and method for recycling used plant growth medium |
| JP2018085981A (ja) * | 2016-05-20 | 2018-06-07 | 富士電機株式会社 | 病害虫管理システム、病害虫管理方法および管理端末 |
| US9563852B1 (en) * | 2016-06-21 | 2017-02-07 | Iteris, Inc. | Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data |
| CN205865718U (zh) * | 2016-06-28 | 2017-01-11 | 河南铭哲能源科技有限公司 | 目标区域粘诱虫防控系统 |
| GB2568007A (en) * | 2016-09-08 | 2019-05-01 | Walmart Apollo Llc | Systems and methods for dispensing an insecticide via unmanned vehicles to defend a crop-containing area against pests |
| CN106645563A (zh) * | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
| CN206078727U (zh) * | 2016-09-30 | 2017-04-12 | 桂林电子科技大学 | 一种基于物联网的农作物害虫智能测报系统 |
| US10152035B2 (en) * | 2017-04-12 | 2018-12-11 | Bayer Ag | Value added pest control system with smart learning |
| KR102015411B1 (ko) * | 2017-04-19 | 2019-08-29 | 한국생산기술연구원 | 무인운송장치, 이를 이용한 환경제어 시스템 및 방법 |
| CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治系统 |
| CN107711756A (zh) * | 2017-11-03 | 2018-02-23 | 桂林电子科技大学 | 基于物联网的农作物害虫智能测报系统 |
| CN107748529B (zh) * | 2017-11-14 | 2020-07-03 | 吉林农业大学 | 一种基于物联网的农业病虫防控设备 |
| KR102127516B1 (ko) * | 2018-03-09 | 2020-06-26 | 주식회사 리퓨터 | 생육 레시피를 생성 및 제공하는 식물 재배 시스템 |
| CN109002853B (zh) * | 2018-07-18 | 2021-10-01 | 宁夏智启连山科技有限公司 | 农作物种类与病虫害类型的联合识别方法及装置 |
| CN110235873B (zh) * | 2019-06-26 | 2021-11-26 | 北京农业智能装备技术研究中心 | 一种农林有害昆虫虫情自动监测预报系统 |
-
2020
- 2020-01-16 JP JP2020005320A patent/JP2021112136A/ja active Pending
- 2020-12-01 US US17/758,559 patent/US20230065717A1/en active Pending
- 2020-12-01 EP EP20913654.8A patent/EP4091443A4/en active Pending
- 2020-12-01 CN CN202080089825.9A patent/CN114901066B/zh active Active
- 2020-12-01 WO PCT/JP2020/044752 patent/WO2021145081A1/ja unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018047726A1 (ja) * | 2016-09-07 | 2018-03-15 | ボッシュ株式会社 | 情報処理装置および情報処理システム |
| WO2020255677A1 (ja) * | 2019-06-17 | 2020-12-24 | ボッシュ株式会社 | 情報処理装置及び方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023170975A1 (ja) * | 2022-03-11 | 2023-09-14 | オムロン株式会社 | 学習方法、葉状態識別装置、およびプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230065717A1 (en) | 2023-03-02 |
| CN114901066A (zh) | 2022-08-12 |
| EP4091443A1 (en) | 2022-11-23 |
| WO2021145081A1 (ja) | 2021-07-22 |
| EP4091443A4 (en) | 2023-12-27 |
| CN114901066B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021145081A1 (ja) | 支援システム、及び支援方法 | |
| US20240046001A1 (en) | Automated standardized location digital twin and location digital twin method factoring in dynamic data at different construction levels, and system thereof | |
| WO2018180239A1 (ja) | 情報処理装置および情報処理方法 | |
| EP3482630A1 (en) | Method, system and computer program for performing a pest forecast | |
| JP6775469B2 (ja) | Ｏｄトラヒック予測装置、方法、及びプログラム | |
| CN110942228A (zh) | 能耗控制方法、装置、计算机设备与存储介质 | |
| KR20180054413A (ko) | 농작물 생산 효율 최적화 방법 및 장치 | |
| KR20210109575A (ko) | 정보 처리 장치 및 정보 처리 시스템 | |
| US20220189025A1 (en) | Crop yield prediction program and cultivation environment assessment program | |
| JP2022053490A (ja) | スプリンクラーシステム | |
| JP6830685B1 (ja) | リンゴ品質推定プログラム及びシステム | |
| WO2021157260A1 (ja) | 予測装置、予測システム、及び予測方法 | |
| KR20210042709A (ko) | 기업 관계 데이터를 이용한 주가 예측 방법 및 서버 | |
| CN110689191A (zh) | 农业保险赔偿额预测方法、装置、设备及可读存储介质 | |
| Zhang et al. | A deep reinforcement learning based human behavior prediction approach in smart home environments | |
| WO2022162798A1 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
| JP2022105923A (ja) | 情報処理装置、情報処理方法 | |
| KR20210021652A (ko) | 맞춤형 스마트 벽면녹화 장치의 설치 및 유지관리를 위한 벽면녹화 관리 장치 및 방법 | |
| JP2023152094A (ja) | 農作物栽培支援装置、農作物栽培支援方法及びの農作物栽培支援プログラム | |
| Potluri et al. | 8 Agriculture and AI | |
| JP2023152092A (ja) | 生育状態改善支援装置、生育状態改善支援方法及び生育状態改善支援プログラム | |
| Potluri et al. | Agriculture and AI: A Subtle Conjunction of Predictive Analysis and Voice Assistance in the World of Agriculture | |
| JP2023152095A (ja) | 農作物生育状態推定装置及び農作物生育状態推定方法 | |
| JP2023075555A (ja) | メンテナンス費用予測プログラム | |
| CN117764238A (zh) | 一种基于复杂图形表征的农作物病虫害预测方法、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220224 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221213 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230130 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230425 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230725 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230802 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20231027 |