JP2022028451A - マップ生成装置、マップ生成方法、マップ生成プログラム、学習済みモデルの生成方法および学習済みモデル生成装置 - Google Patents
マップ生成装置、マップ生成方法、マップ生成プログラム、学習済みモデルの生成方法および学習済みモデル生成装置 Download PDFInfo
- Publication number
- JP2022028451A JP2022028451A JP2020131851A JP2020131851A JP2022028451A JP 2022028451 A JP2022028451 A JP 2022028451A JP 2020131851 A JP2020131851 A JP 2020131851A JP 2020131851 A JP2020131851 A JP 2020131851A JP 2022028451 A JP2022028451 A JP 2022028451A
- Authority
- JP
- Japan
- Prior art keywords
- moisture damage
- specific
- information
- map
- generator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims description 42
- 239000003673 groundwater Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 description 28
- 238000004891 communication Methods 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000021536 Sugar beet Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
湿害予測装置100の構成について、図1を用いて説明する。湿害予測装置100は、圃場についての各種情報から機械学習により生成された学習済みモデルを用いて、当該圃場における湿害の発生が予測される危険箇所を特定する。「危険箇所」については、例えば図2中の「危険箇所R」、図3中の「危険箇所R1およびR2」、図9中の「危険箇所R3」を参照されたい。
(制御装置の処理の概要)
湿害予測装置100が備える制御装置10の処理について、その概要を図2および図3を用いて説明する。なお、本明細書では、制御装置10の処理について、機械学習アルゴリズムとして敵対的生成ネットワーク(GAN;Generative Adversarial Networks)を用いる例について主に説明している。ただし、後述するように、制御装置10の処理に用いられる機械学習アルゴリズムは、敵対的生成ネットワークに限定されるものではない。
制御装置10の処理の一例について、図4から図6を用いて具体的に説明する。制御装置10は、本発明の一実施形態に係る学習済みモデルの生成方法およびマップ生成方法を実行する。
図4のS4に示す学習済みモデル生成処理について、図5および図6を用いて具体的に説明する。本実施形態において、制御装置10は、学習済みモデルを生成するための機械学習および危険箇所Rの特定について、敵対的生成ネットワークを用いて行う。
本実施形態に係る湿害予測装置100には、複数の変形例が想定される。このような変形例について、図7から図9を参照して以下に例示して説明する。なお、説明の便宜上、本発明の一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。
図7に示すように、本実施形態に係る湿害予測装置100の変形例として、湿害予測システム200が挙げられる。湿害予測システム200は、サーバ201と端末202とにより構成されている点において、湿害予測装置100と異なる。
また、湿害予測装置100は、生成する湿害予測マップに、複数の地理空間特性ごとの危険箇所R1、R2を示す湿害予測情報を、各々を識別可能な表示態様により追加する。ここで、湿害予測装置100は、湿害の原因となる地理空間特性に応じて、それぞれ適切な対策方法についての情報を、湿害予測情報に含めてもよい。
本発明の一実施形態において、モデル生成部22が学習済みモデルを生成するための機械学習アルゴリズムとして、敵対的生成ネットワークX1を用いる例について説明した。ただし、モデル生成部22による学習済みモデルの生成は、その他の機械学習アルゴリズムを用いて行われてもよい。この場合、特定部31が用いる学習済みモデルは、モデル生成部22が用いた機械学習アルゴリズムに対応した学習済みモデルとなる。
・主成分分析(PCA;Principal Component Analysis)
・ニューラルネットワーク(NN;Neural Network)
・ベイジアンネットワーク(BN;Bayesian Network)
・ランダムフォレスト(Random Forests)
・サポートベクタマシン(SVM;Support Vector Machine)
・遺伝的アルゴリズム(GP;Genetic Programming)
これらの中では、敵対的生成ネットワークX1と同様に、少ない教師データから精度よく機械学習が可能な、いわゆる教師なし学習アルゴリズムであるクラスタリングまたは主成分分析を用いることが好ましい。また、湿害情報が豊富に準備できる場合には、モデル生成部22は、教師なし学習アルゴリズム以外の機械学習アルゴリズムを用いてもよい。例えば、地理空間情報と湿害情報とからなるデータセットを教師データとし、多項ロジスティック回帰分析等の公知の機械学習アルゴリズムを用いて学習済みモデルを生成してもよい。
マップ生成装置30の制御ブロック(特に特定部31およびマップ生成部32)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。
図10に、実施例1について、湿害予測装置100が危険箇所を特定する過程および湿害予測装置100が生成した湿害予測マップを示している。当該湿害予測マップから、湿害予測装置100による危険箇所Rの特定精度について検討した。
適合率(%)=真陽性/(真陽性+偽陽性)…(2)
再現率(%)=真陽性/(真陽性+偽陰性)…(3)
実施例1では、正解率は83%、適合率は50%、再現率は63%であった。
図11に、実施例2について、湿害予測装置100が危険箇所を特定する過程および湿害予測装置100が生成した湿害予測マップを示している。実施例2では、湿害予測装置100が特定した危険箇所Rについて、「真陽性」の面積は501m2、「偽陽性」の面積は927m2、「偽陰性」の面積は199m2、「真陰性」の面積は1904m2であった。
湿害予測装置100は、実際に湿害が起こり得る箇所を正確に危険箇所Rとして特定することが最も求められる。この観点から、上記の指標のうち、再現率が特に重要な指標であるといえる。この点、実施例1、実施例2ともに、従来のセンサ等を用いた方法と同等以上の良好な再現率を示していることから、湿害予測装置100は、実用に耐えうる精度により、危険箇所Rを特定できることが示された。
21 データ取得部
22 モデル生成部
30 マップ生成装置
31 特定部
32 マップ生成部
100 湿害予測装置
T 湿害発生箇所(過去の湿害の発生箇所)
R、R1、R2、R3 危険箇所
X1 敵対的生成ネットワーク
X2 生成器
X3 判別器
Claims (10)
- 特定の圃場の地理空間情報と、前記特定の圃場における過去の湿害の発生箇所を示す湿害情報と、のデータセットを用いた機械学習により生成された学習済みモデルを用いて、前記特定の圃場を示す対象画像から、前記特定の圃場における湿害の発生が予測される危険箇所を特定する特定部と、
前記対象画像に対して、前記特定部が特定した前記危険箇所を示す湿害予測情報を追加することにより、前記対象画像と前記湿害予測情報とが重畳的に表示された湿害予測マップを生成するマップ生成部と、を備えていることを特徴とする、マップ生成装置。 - 前記特定部は、前記対象画像を2つ以上の画像に分割して、分割された各画像から、それぞれ前記危険箇所を特定することを特徴とする、請求項1に記載のマップ生成装置。
- 前記地理空間情報は、複数の地理空間特性を含み、
前記特定部は、前記地理空間特性ごとに生成された前記学習済みモデルを用いて、それぞれ前記危険箇所を特定し、
前記マップ生成部は、前記特定部が前記学習済みモデルごとに特定した前記危険箇所を示す、複数の前記湿害予測情報を、各々を識別可能な表示態様により前記対象画像に追加することを特徴とする、請求項1または2に記載のマップ生成装置。 - 前記地理空間情報には、前記地理空間特性として、少なくとも地下水流動系を示す情報と、地表面の凹凸を示す情報とが含まれることを特徴とする、請求項3に記載のマップ生成装置。
- 前記学習済みモデルは、生成器と判別器とにより構成される敵対的生成ネットワークを、前記機械学習させることにより生成されたものであり、
前記学習済みモデルは、
前記地理空間情報としての前記対象画像を前記生成器に入力して、当該生成器に、前記危険箇所を示した特定画像を生成させ、前記対象画像および前記特定画像からなる生成ペアと、前記対象画像および前記湿害情報を示した正解画像からなる正解ペアとをそれぞれ前記判別器に入力して、前記判別器に、前記生成ペアが、前記生成器が生成した前記特定画像を含むペアか否かを判別させ、当該判別の正誤を前記生成器および前記判別器に入力して学習させた前記生成器であることを特徴とする、請求項1から4の何れか1項に記載のマップ生成装置。 - 特定の圃場の地理空間情報と、前記特定の圃場における過去の湿害の発生箇所を示す湿害情報と、のデータセットを用いた機械学習により生成された学習済みモデルを用いて、前記特定の圃場を示す対象画像から、前記特定の圃場における湿害の発生が予測される危険箇所を特定する特定ステップと、
前記対象画像に対して、前記特定ステップが特定した前記危険箇所を示す湿害予測情報を追加することにより、前記対象画像と前記湿害予測情報とが重畳的に表示された湿害予測マップを生成するマップ生成ステップと、を含んでいることを特徴とする、マップ生成方法。 - 請求項1に記載のマップ生成装置としてコンピュータを機能させるためのマップ生成プログラムであって、前記特定部および前記マップ生成部としてコンピュータを機能させるためのマップ生成プログラム。
- 特定の圃場の地理空間情報と、前記特定の圃場における過去の湿害の発生箇所を示す湿害情報と、を取得するデータ取得ステップと、
前記地理空間情報と前記湿害情報とが含まれたデータセットを教師データとして学習モデルに入力し、当該学習モデルを機械学習させることにより学習済みモデルを生成するモデル生成ステップと、を含むことを特徴とする、学習済みモデルの生成方法。 - 前記学習モデルは、生成器と判別器とにより構成される敵対的生成ネットワークであり、
前記モデル生成ステップは、
前記地理空間情報としての、前記特定の圃場を示す対象画像を前記生成器に入力して、当該生成器に、前記特定の圃場における湿害の発生が予測される危険箇所を示した特定画像を生成させる画像生成ステップと、
前記対象画像および前記特定画像からなる生成ペアと、前記対象画像および前記湿害情報を示した正解画像からなる正解ペアとをそれぞれ前記判別器に入力して、前記判別器に、前記生成ペアが、前記生成器が生成した前記特定画像を含むペアか否かを判別させる判別ステップと、
前記判別ステップによる判別の正誤を前記生成器および前記判別器に入力して、前記生成器および前記判別器を機械学習させる学習ステップと、を含むことを特徴とする、請求項8に記載の学習済みモデルの生成方法。 - 特定の圃場の地理空間情報と、前記特定の圃場における過去の湿害の発生箇所を示す湿害情報と、を取得するデータ取得部と、
前記地理空間情報と前記湿害情報とが含まれたデータセットを教師データとして学習モデルに入力し、当該学習モデルを機械学習させることにより学習済みモデルを生成するモデル生成部と、を含むことを特徴とする、学習済みモデル生成装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020131851A JP7500060B2 (ja) | 2020-08-03 | 2020-08-03 | マップ生成装置、マップ生成方法、マップ生成プログラム、学習済みモデルの生成方法および学習済みモデル生成装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020131851A JP7500060B2 (ja) | 2020-08-03 | 2020-08-03 | マップ生成装置、マップ生成方法、マップ生成プログラム、学習済みモデルの生成方法および学習済みモデル生成装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022028451A true JP2022028451A (ja) | 2022-02-16 |
JP7500060B2 JP7500060B2 (ja) | 2024-06-17 |
Family
ID=80267303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020131851A Active JP7500060B2 (ja) | 2020-08-03 | 2020-08-03 | マップ生成装置、マップ生成方法、マップ生成プログラム、学習済みモデルの生成方法および学習済みモデル生成装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7500060B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7369264B1 (ja) | 2022-10-17 | 2023-10-25 | 応用地質株式会社 | 表層崩壊危険箇所の抽出方法及び抽出システム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4521885B2 (ja) | 2007-03-30 | 2010-08-11 | 株式会社 はまなすインフォメーション | 疑似近赤外画像の作成方法 |
JP7123381B2 (ja) | 2017-07-20 | 2022-08-23 | 国立研究開発法人農業・食品産業技術総合研究機構 | 圃場における土壌物理性診断方法 |
US11055447B2 (en) | 2018-05-28 | 2021-07-06 | Tata Consultancy Services Limited | Methods and systems for adaptive parameter sampling |
CN112823229B (zh) | 2018-10-09 | 2023-02-03 | 天马迪克斯有限公司 | 诊断辅助系统及其方法 |
CA3119812A1 (en) | 2018-12-10 | 2020-06-18 | The Climate Corporation | Mapping field anomalies using digital images and machine learning models |
-
2020
- 2020-08-03 JP JP2020131851A patent/JP7500060B2/ja active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7369264B1 (ja) | 2022-10-17 | 2023-10-25 | 応用地質株式会社 | 表層崩壊危険箇所の抽出方法及び抽出システム |
Also Published As
Publication number | Publication date |
---|---|
JP7500060B2 (ja) | 2024-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180209949A1 (en) | System and method for crop health monitoring | |
AU2018210985B2 (en) | Adaptive cyber-physical system for efficient monitoring of unstructured environments | |
US20150371161A1 (en) | System and methods for identifying, evaluating and predicting land use and agricultural production | |
US20230091677A1 (en) | Monitoring and intelligence generation for farm field | |
US20200311915A1 (en) | Growth status prediction system and method and computer-readable program | |
US20190107521A1 (en) | System and method for field test management | |
US20220076014A1 (en) | Information processing device, and information processing system | |
Song et al. | Object-based feature selection for crop classification using multi-temporal high-resolution imagery | |
JP2022028451A (ja) | マップ生成装置、マップ生成方法、マップ生成プログラム、学習済みモデルの生成方法および学習済みモデル生成装置 | |
US20240008389A1 (en) | Systems, methods and devices for using machine learning to optimize crop residue management | |
EP4099258A1 (en) | Information processing device | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
Harrou et al. | Detecting the signs of desertification with Landsat imagery: A semi-supervised anomaly detection approach | |
CN112365154B (zh) | 一种剑麻种植计划子系统以及剑麻种植决策系统 | |
Quigley et al. | Cover Crop Adoption and Climate Risks: An Application of Causal Random Forests | |
US12029147B2 (en) | Crop disease prediction and associated methods and systems | |
JP7510305B2 (ja) | 作業管理システム、作業管理方法及び作業管理プログラム | |
US20230413714A1 (en) | Crop Disease Prediction and Associated Methods and Systems | |
Deepanayaki et al. | Enhanced Elman Spike neural network optimized with Red Fox optimization algorithm for sugarcane yield grade prediction | |
Abhinov et al. | Soil-Based Crop Recommendation System Using Machine Learning | |
KR20230082284A (ko) | 재배 솔루션 제공 시스템 및 농산물 재배 솔루션 제공방법 | |
Boysen et al. | Modeling the soil-machine response of secondary tillage: A deep learning approach | |
Kumar K et al. | Harnessing Computer Vision for Agricultural Transformation: Insights, Techniques, and Applications | |
Nithya et al. | IoT-Based Crop Yield Prediction System in Indian Sub-continent Using Machine Learning Techniques | |
Yadav et al. | Smart Precision Farming Using Internet of Things and Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200825 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230601 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240318 |
|
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: 20240402 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240430 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240529 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7500060 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |