JP2022528389A

JP2022528389A - 農地の農作物処理のための方法

Info

Publication number: JP2022528389A
Application number: JP2021557794A
Authority: JP
Inventors: オレ・ヤンセン; マティアス・テンペル; ビョルン・キーペ; ミルワエス・ワハブザダ
Original assignee: ベーアーエスエフ・アグロ・トレードマークス・ゲーエムベーハー
Priority date: 2019-03-29
Filing date: 2020-03-27
Publication date: 2022-06-10
Also published as: WO2020201160A1; CN113645843A; BR112021017179A2; EP3945804A1; CA3135259A1; US20220167606A1

Abstract

農地の農作物処理のための方法は、処理デバイス（２００）が処理デバイスを制御するためのパラメータ化（１０）をフィールドマネージャシステム（１００）から受信するステップであって、パラメータ化（１０）が農地（３００）に対して予想される状態に関するオフラインフィールドデータ（Ｄｏｆｆ）に依存する、ステップ（Ｓ１０）と、農地の農作物の画像（２０）を撮影するステップ（Ｓ２０）と、撮影画像上の対象物（３０）を認識するステップ（Ｓ３０）と、随意に判定されたパラメータ化、オンラインフィールドデータ、および／または認識された対象物に応じて、またはそれらに基づいて、少なくとも１つの処理製品組成（４０）を判定するステップ（Ｓ４０）と、判定されたパラメータ化、認識された対象物、および判定された処理製品組成に基づいて、処理デバイスの処理構成（２７０）を制御するための制御信号（Ｓ）を判定するステップ（Ｓ５０）とを含む。

Description

本発明は、農地(plantation field)の農作物(plantation)処理のための方法、および処理デバイス、ならびに、そのような処理デバイスおよび処理システム用のフィールド（ｆｉｅｌｄ）管理システムに関する。

本発明の一般的な背景は、農耕地内の農作物の処理である。農作物、具体的には、栽培される実際の作物の処理はまた、農耕地内の雑草の処理、農耕地内の昆虫の処理、ならびに農耕地内の病原体の処理を含む。

農機具、またはスマート噴霧器のような自動処理デバイスは、生態学的および経済的規則に基づいて、農耕地内の雑草、昆虫、および／または病原体を処理する。処理されることになる異なる対象物を自動的に検出および識別するために、画像認識が使用される。

現代の農機具はますます多くのセンサを装備している。作物保護は、主に農作物、具体的には、雑草、作物、昆虫、および／または病原体をリアルタイムで検出するカメラシステムを備えたスマート噴霧器を用いて実行されることになる。農学的で実用的なアクチュエータコマンドを導出するために、例えば、農作物を処理するためにスプレーノズルまたは雑草ロボットをトリガするために、さらなる知識および入力データが必要とされる。特に困難なのは、かなりの収穫高または作物に対する品質上の影響により、病原体または雑草がいつ処理されるべきか、または処理製品の生態学的影響またはコストにより、農地の特定のエリアにおいて、いつ処理をしないことがさらに適切になるかを定義することである。

このリンクの欠落は、農業経営者らの直観に基づいて農作物を処理するための閾値を手動で設定しなければならないというかなりの不確実性を彼らに与えている。これは、一般に、フィールド(field)レベルで行われるが、多くの影響要因はフィールドにより変化する。

投資の経済的利益を改善し、生態系への影響を改善する、農地の農作物処理のための改善された方法を有することが有利であろう。

本発明の目的は、独立請求項の主題で解決され、ここでは、さらなる実施形態が従属請求項に組み込まれる。本発明の以下に説明する態様および例は、この方法、処理デバイス、およびフィールド管理システムにも適用される。

処理製品を用いた農地の処理または農作物処理のための方法の第１の態様によれば、この方法は、
処理デバイスが処理デバイスを制御するためのパラメータ化をフィールドマネージャシステムから受信するステップであって、パラメータ化が、農地に対して予想される状態に関するオフラインフィールドデータに依存するかまたはそれに基づいて判定される、受信するステップと、随意に、パラメータ化にさらに随意に応じて、農作物を処理するために使用されることが予想される処理製品組成を受信するステップと、
農地の農作物の画像を撮影するステップと、
撮影画像上の対象物を認識するステップと、
随意に判定されたパラメータ化、オンラインフィールドデータ、および／または認識された対象物に応じて、またはそれらに基づいて、処理製品組成を判定するステップと、
受信されたパラメータ化、認識された対象物、および判定された処理製品組成に基づいて、処理デバイスを制御するための制御信号を判定するステップと
を含む。

本明細書で使用するように、農作物処理は、好ましくは、農地上で栽培された農作物である作物を保護するステップと、栽培されたものではなく、作物にとって有害であり得る、雑草を、具体的には除草剤で、除草するステップと、作物および／または雑草の上の昆虫を、具体的は殺虫剤で、除去するステップと、病害など、作物および／またはいかなる病原体をも、具体的には殺菌剤で、破壊するステップと、植物の成長を、具体的には植物成長調整剤で、調整するステップとを含む。本明細書で使用するように、「殺虫剤」という用語は、殺線虫剤、ダニ駆除剤、および軟体動物駆除剤を包含する。さらに、除草剤と組み合わせて薬害軽減剤(safener)が使用され得る。

１つの実施形態では、画像を撮影するステップは、処理されることになる農地上または現場の特定のロケーションに関連する画像をリアルタイムで撮影するステップを含む。このようにして、処理は、処理が実行される間に準リアルタイムでフィールドの異なる状況に合わせて密に調整され得る。加えて、処理は極めてターゲットを絞った方法で施されることが可能であり、より効率的かつ持続可能な農業につながる。好ましい一実施形態では、処理デバイスは、処理デバイスが農地を横断するにつれて、農地の画像を撮影するように構成されている複数の画像キャプチャデバイスを備える。そのような方法で撮影された各画像は、ロケーションに関連付けられることが可能であり、したがって、処理されることになる農地のロケーション内のリアルタイム状況のスナップショットを提供し得る。処理デバイスの、リアルタイムのロケーション固有制御を可能にするために、処理に先立って受信されるパラメータ化は、処理デバイスの状況固有制御を加速する方法を提供する。このようにして、処理デバイスがフィールドを横切り、処理されることになるフィールドのロケーションのロケーション固有画像をキャプチャする間に、決定がオンザフライで下され得る。

好ましくは、画像を撮影するステップ、処理製品組成を判定するステップ、制御信号を判定するステップ、および随意に、処理を開始するための制御信号を制御ユニットに提供するステップは、処理デバイスがフィールドを通過する間、またはフィールド処理の間に、リアルタイムで実行される。随意に、制御信号は、農地の処理を開始するために、処理デバイスの制御ユニットに提供され得、処理製品組成または処理製品組成の少なくとも１つの活性成分は、処理デバイスがフィールドを通過する間、またはフィールド処理の間に、切り替えられまたは変更され得る。したがって、制御信号は、処理デバイスがフィールドを通過する間、またはフィールド処理の間に、処理製品組成または処理製品組成の少なくとも１つの活性成分を切り替えるように、適合するように、または変更するように構成され得る。処理製品組成は、例えば、対象物の種類および対象物の成長段階を含み得る、対象物認識に基づいて、切り替えられ、適合され、または変更され得る。

本明細書で使用するように、「対象物」という用語は、農地内の対象物を含む。対象物は、雑草または作物のような農作物、昆虫、および／または病原体など、処理デバイスによって処理されることになる対象物に関係し得る。対象物は、作物保護製品など、処理製品を用いて処理され得る。対象物は、ロケーション固有処理を可能にするためにフィールド内のロケーションに関連付けられ得る。

好ましくは、処理デバイスを制御するための制御信号は、受信されたパラメータ、認識された対象物、およびオンラインフィールドデータに基づいて判定され得る。１つの実施形態では、オンラインフィールドデータは、具体的には、農作物処理デバイスによってリアルタイムで収集される。オンラインフィールドデータを収集するステップは、処理デバイスにアタッチされた、または農地内に配置されたセンサからのセンサデータを、処理デバイスがフィールドを通過するにつれて、具体的にはオンザフライでまたはリアルタイムで、収集するステップを含み得る。オンラインフィールドデータを収集するステップは、現在の土壌状態、例えば、栄養分または土壌の水分、および／もしく土壌組成など、土壌の特性に関連するフィールド内の土壌センサを介して収集された土壌データ、フィールドに配置されたもしくは近接する、または処理デバイスにアタッチされ、現在の天候状態に関連付けられた、天候センサを介して収集された天候データ、または土壌と天候センサの両方を介して収集されたデータを収集するステップを含み得る。

本明細書で使用するように、「オフラインフィールドデータ」という用語は、パラメータ化の判定前に生成、収集、アグリゲート、または処理される任意のデータを指す。オフラインフィールドデータは、農作物処理デバイスから外部的に収集され得る。オフラインフィールドデータは、処理デバイスが使用される前に収集されたデータであり得る。オフラインフィールドデータは、処理が受信されたパラメータ化に基づいてフィールド内で実行される前に収集されたデータであり得る。オフラインフィールドデータは、例えば、処理の時点で予想される天候状態に関連する天候データ、予想される土壌状態に関連して予想される土壌データ、例えば、栄養分、土壌水分、および／または処理の時点における土壌組成、例えば、処理の時点における雑草または作物の成長段階に関連する成長段階データ、および／または処理の時点における作物の病期に関連する病害データを含む。オフラインフィールドデータは、作物サイズ、作物の健康状態、またはフィールド内の他の対象物のサイズ、例えば、雑草サイズ、と比較した作物サイズをさらに含み得る。

本明細書で使用するように、「空間分解能」という用語は、サブフィールドスケール(sub-field scale)の任意の情報を指す。そのような分解能は、農地上の２つ以上のロケーション座標に、またはサブフィールドスケールのグリッド要素を有する農地の空間グリッドに、関連付けられ得る。具体的には、農地に関する情報は、農地上の２つ以上のロケーションまたはグリッド要素に関連付けられ得る。サブフィールドスケールのそのような空間分解能は、より整合されよりターゲットを絞った農地の処理を可能にする。

「農地状態」という用語は、農作物の処理に影響を及ぼす、農地の何らかの状態または農地内の環境条件に関する。そのような状態は、土壌または天候状態に関連付けられ得る。土壌状態は、土壌の現在のまたは予想される状態に関する土壌データによって指定され得る。天候状態は、天候の現在のまたは予想される状態に関する天候データに関連付けられ得る。成長状態は、例えば、作物または雑草の成長段階に関連付けられ得る。病害状態は、病害の現在のまたは予想される状態に関する病害データに関連付けられ得る。

本明細書で使用するように、または制御技術とも呼ばれる、「処理デバイス」という用語は、化学物質制御(chemical control)技術を含んでもよい。化学物質制御技術は、好ましくは、処理製品、詳細には、殺虫剤および／または除草剤および／または殺菌剤のような作物保護製品の散布のための少なくとも１つの手段を含む。そのような手段は、農地の中を誘導するための農業機械、ドローンまたはロボット上に構成された１つもしくは複数のスプレーガンまたはスプレーノズルの処理構成を含み得る。好ましい一実施形態では、処理デバイスは、１以上のスプレーガン、および関連する画像キャプチャデバイスを備える。画像キャプチャデバイスは、画像が１以上のスプレーガンによって処理されることになるエリアに関連付けられるように構成され得る。画像キャプチャデバイスは、例えば、それぞれのスプレーガンによって処理されることになるエリアを網羅する画像が処理デバイスの横断方向で撮影されるように取り付けられ得る。各画像は、ロケーションに関連付けられることが可能であり、したがって、処理に先立って、農地内のリアルタイム状況のスナップショットを提供し得る。したがって、画像キャプチャデバイスは、処理デバイスがフィールドを横断するにつれて、農地の特定のロケーションの画像を撮影することができ、制御信号は、処理されることになるエリアの撮影画像に基づいて、相応に適合され得る。制御信号は、したがって、フィールドの特定のロケーション内の処理の時点で画像によってキャプチャされる状況に適合され得る。

本明細書で使用するように、「認識する」という用語は、対象物を検出する状態、言い換えれば、一定のロケーションにおいて、ある対象物であることを知っているが、その対象物が厳密に何であるかを知らない状態、および対象物を識別する状態、言い換えれば、検出されている対象物のタイプ、具体的には、作物または雑草のような農作物、昆虫および／または病原体の種、を知る状態を含む。認識は、作物サイズ、作物の健康状態、例えば、雑草サイズと比較した作物サイズのような、空間パラメータの判定を含み得る。そのような判定は、処理デバイスがフィールドを通過するにつれて局所的に行われ得る。具体的には、認識は、畳み込みニューラルネットワークまたは当技術分野で知られている他のものなど、画像認識および分類アルゴリズムに基づき得る。具体的には、対象物の認識は、処理デバイスのロケーションに応じて、ロケーション固有である。このように、処理は、フィールド内の局所的状況にリアルタイムで適合され得る。

本明細書で使用するように、「パラメータ化」という用語は、農作物を処理する処理デバイスを制御するために処理デバイスに提供されるパラメータのセットに関する。処理デバイスを制御するためのパラメータ化は、農地に対して少なくとも部分的に空間分解され得るか、または少なくとも部分的にロケーション固有であり得る。そのような空間分解またはロケーション固有性は、空間分解されたオフラインフィールドデータに基づいてよい。空間分解されるオフラインデータは、農地の空間分解された履歴データまたはモデリングデータを含み得る。代替または追加として、空間分解されたオフラインデータは、農地に関するリモートセンシングデータまたは農地内の限定された数のロケーションにおいて検出された観測データに基づいてよい。そのような観測データは、例えば、モバイルデバイスを介してフィールドの一定のロケーション内で検出された画像、および画像分析を介して導出された随意の結果を含み得る。

パラメータ化は、処理デバイスのメモリ内に記憶され、処理デバイスの制御ユニットによってアクセスされ得る、処理デバイスに関する構成ファイルに関し得る。言い換えれば、パラメータ化は、測定可能な入力変数、例えば、撮影画像および／またはオンラインフィールドデータに応じて、処理デバイスを制御するための制御信号を判定するために使用される、論理、例えば、１以上のレイヤを備えた決定木であってよい。パラメータ化は、オン／オフ決定に関する１つのレイヤ、および随意に、使用されることが予想される処理製品の組成に関する第２のレイヤ、ならびにさらに随意に、使用されることが予想される処理製品の投与に関する第３のレイヤを含み得る。パラメータ化のこれらのレイヤのうち、オン／オフ決定、処理製品の組成、および／または処理製品の投与は、空間分解され得るか、または農地に対してロケーション固有であり得る。そのような方法で、処理に関する状況に応じたリアルタイム決定は、処理デバイスがフィールドを通過する間に収集される、リアルタイム画像および／またはオンラインフィールドデータに基づく。処理の実行に先立ってパラメータ化を提供することは、計算時間を削減し、同時に、処理のための制御信号の信頼できる判定を可能にする。パラメータ化または構成ファイルは、制御信号を判定するために使用され得る、処理デバイスに提供されるロケーション固有パラメータを含み得る。

１つのレイヤ内で、オン／オフ決定に対するパラメータ化は、撮影画像および／または対象物認識から導出されたパラメータに関する閾値を含み得る。そのようなパラメータは、認識された対象物に関連付けられ、処理決定にとって決定的な画像から導出され得る。好ましい実施形態では、撮影画像および／または対象物認識から導出されたパラメータは、対象物の対象範囲に関する。処理決定にとって決定的なオンラインフィールドデータからさらなるパラメータが導出され得る。導出されたパラメータが、例えば、閾値未満である場合、決定はオフ、すなわち処理なしである。導出されたパラメータが、例えば、閾値を超える場合、決定は、オン、すなわち処理である。パラメータ化は、閾値の空間分解されたセットを含み得る。そのような方法で、制御信号は、パラメータ化および認識された対象物に基づいて判定される。雑草の場合、画像および／または画像内で認識された雑草から導出されたパラメータは、雑草対象範囲を指定するパラメータに基づき得る。同様に、病原体の場合、画像および／または画像内の認識された病原体から導出されたパラメータは、病原体侵入を指定するパラメータに基づき得る。さらに同様に、昆虫の場合、画像および／または画像内の認識された昆虫から導出されたパラメータは、画像内に存在する昆虫の数を指定するパラメータに基づき得る。

好ましくは、それに基づいて、処理デバイスが処理構成を制御する、パラメータ化または構成ファイルが処理デバイスに提供される。さらなる実施形態では、構成ファイルまたはパラメータ化の判定は、処理製品が適用されるべき投与レベルの判定を含む。パラメータ化は、したがって、処理製品の投与レベルに対するさらなるレイヤを含み得る。そのような投与レベルは、画像および／または対象物認識から導出されたパラメータに関し得る。さらなるパラメータは、オンラインフィールドデータから導出され得る。言い換えれば、構成ファイルまたはパラメータ化に基づいて、処理製品のどの投与量が適用されるべきかに関して、撮影画像および／またはオンラインフィールドデータなど、農地のリアルタイムパラメータに基づいて、処理デバイスが制御される。好ましい一実施形態では、パラメータ化は、画像および／または対象物認識から導出された１以上のパラメータに応じた可変または漸進的投与レベルを含む。さらなる好ましい一実施形態では、認識された対象物に基づいて投与レベルを判定するステップは、対象物の種、対象物の成長段階、および／または対象物の密度を判定するステップを含む。ここで、対象物の密度は、一定のエリア内で識別された対象物の密度を指す。対象物の種、対象物の成長段階、および／または対象物の密度は、それに従って可変または漸進的投与レベルが判定され得る、画像および／または対象物認識から導出されるパラメータであり得る。パラメータ化は、投与レベルの空間分解されたセットを含み得る。

「投与レベル」という用語は、好ましくは、エリア当たりの処理製品量、例えば、１ヘクタール当たり処理製品１リットルを指し、好ましくは、エリア当たりの（処理製品内に含まれた）活性成分量として示されてよい。さらに好ましくは、投与レベルは、上限を超えてはならず、この上限は、処理製品の対応する活性成分に対して、適用可能な規制法および規則に従って法的に容認される最大投与レベルによって判定される。

パラメータ化は、使用されることが予想される処理製品組成に対するさらなるレイヤを含み得る。そのような場合、パラメータ化は、予想されるかなりの収穫高もしくは作物に対する品質上の影響、処理製品組成の生態学的影響および／またはコストに応じて判定され得る。したがって、パラメータ化に基づいて、フィールドが処理されるか否か、また効率および／または効力に関して最も可能性のある結果のために、どの処理製品組成を用いて、どの投与レベルで、処理されるべきかの決定が行われる。パラメータ化は、処理デバイスの処理製品タンクシステムに対するタンクレシピ(tank recipe)を含み得る。言い換えれば、処理製品組成は、処理の実行に先立って、処理デバイスの１以上のタンク内に提供された処理製品組成を表し得る。処理製品を形成する１以上のタンクからの混合物は、処理製品の判定された組成に応じて、オンザフライで制御され得る。処理製品組成は、例えば、対象物の種および／または対象物の成長段階を含み得る、対象物認識に基づいて判定され得る。追加または代替として、パラメータ化は、使用されることが予想される処理製品組成の空間分解されたセットを含み得る。

「効率」という用語は、散布される処理製品の量と、農地内の農作物を効果的に処理するために必要とされる処理製品の量とのバランスに関する。処理がどの程度効率的に実行されるかは、天候および土壌など、環境要因に左右される。

「効力」という用語は、処理製品の正の効果および負の効果のバランスに関する。言い換えれば、効力は、特定の農作物を効果的に処理するために必要とされる処理製品の最適な投与に関する。投与は、処理製品が無駄になり、このことがコストおよび環境に対する悪影響をやはり高めることにならないように、多すぎるべきではないが、処理製品が効果的に処理されず、このことが処理製品に対する農作物の免疫化をもたらすことにならないように、少なすぎることはない。処理製品の効力も、天候および土壌などの環境要因に左右される。

本明細書で使用するように、「処理製品」という用語は、除草剤、殺虫剤、殺菌剤、植物成長調整剤、栄養製品、および／またはそれらの混合物など、農作物処理のための製品を指す。処理製品は、異なる除草剤、異なる殺菌剤、異なる殺虫剤、異なる栄養製品、異なる栄養素など、異なる活性成分を含む、異なる組成、ならびに薬害軽減剤（詳細には、除草剤と組み合わせて使用される）、補助剤、肥料、補助成分（ｃｏ－ｆｏｒｍｕｌａｎｔｓ）、安定剤、および／またはそれらの混合物など、さらなる組成を含み得る。処理製品組成は、１つ、もしくは２つ、またはそれ以上の処理製品を含む組成である。したがって、それぞれ、異なる活性成分に基づく、異なるタイプの、例えば、除草剤、殺虫剤、および／または殺菌剤が存在する。処理製品によって保護されることになる農作物は、好ましくは、作物であるため、処理製品は、作物保護製品と呼ばれることがある。処理製品組成は、具体的には、処理製品および／もしくは栄養溶液を希薄ならびに／または希釈するために、具体的には、処理製品の効力を強化するために、例えば、水のような、混合されて処理製品にされる追加の物質をやはり含み得る。好ましくは、栄養溶液は、窒素含有溶液、例えば、液体尿素硝安（ＵＡＮ）である。

本明細書で使用するように、「栄養製品」という用語は、肥料、主要栄養素および微量栄養素を含むが、これらに限定されない、植物の栄養および／または植物の健康にとって有益な任意の製品を指す。

説明した方法を実行する間、または農地の処理を実行する間、判定されたパラメータ化に基づいて、農地の各ロケーションに対して、別の処理製品組成が最も有望であることがある。好ましくは、農作物、昆虫、および／または病原体を処理するために使用される処理製品組成は、別の処理製品組成に切り替えられ、適合され、または変更され得る。このようにして、農地内の異なるロケーションを処理するために、複数の異なるタイプの処理製品組成が使用され得る。

一実施形態では、制御信号を判定するステップは、判定された処理製品組成の放出を制御するためのタンクアクチュエータ信号および処理構成信号を生成するステップを含む。制御信号の判定または生成時に、タンクシステムから処理製品組成を放出するための処理デバイスのアクチュエータを制御するタンクアクチュエータ信号が生成され得る。加えて、制御信号の生成時に、フィールドで、好ましくは、定義された投与レベルで、処理製品組成の放出を制御する処理構成またはノズル信号が生成され得る。

さらなる実施形態では、処理デバイスは、２つ以上のノズルを備えた処理構成を含み、処理構成信号は、１以上のノズルを別々にトリガする。このようにして、個々のノズルベースで、例えば、パラメータ化において指定されたように処理するか処理しないかの決定が閾値に基づいて行われ得る。

一実施形態では、処理デバイスは、２つ以上のタンクを備えたタンクシステムを含む。個々のタンクは、水または調合物の部分など、１以上の活性成分および／または追加の成分を含み得る。そのようなシステムは、処理の間に、活性成分または処理製品組成の切替えまたは変更を可能にする。タンクは、例えば、投与レベルに必要とされる、タンク内容物の少なくとも一部分または一定量のタンク内容物を放出するために制御可能なアクチュエータを装備し得る。タンクアクチュエータ信号は、個々のタンクが処理製品組成を形成するために個々のタンクからの放出を制御するためのアクチュエータ信号を含み得る。したがって、タンクアクチュエータ信号は、判定された処理製品組成から導出され得る。

処理製品組成を判定するステップは、撮影画像および／またはオンラインフィールドデータに基づいて、処理製品組成を判定するステップを含み得る。代替として、処理製品組成を判定するステップは、撮影画像および／またはオンラインフィールドデータに基づいて、パラメータ化を介して提供される処理製品組成を調整するステップを含み得る。

所定のパラメータ化を処理デバイス制御に含めることは、意思決定を改善し、したがって、処理の効率および／または処理製品の効力を改善する。これにより、投資の経済利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。

好ましい実施形態では、この方法は、
フィールドマネージャシステムがオフラインフィールドデータを受信するステップと、
オフラインフィールドデータに応じて、処理デバイスのパラメータ化を判定し、随意に、少なくとも１つの処理製品組成を判定するステップと、
判定されたパラメータ化、および随意に、判定された処理製品組成を処理デバイスに提供するステップと
を含む。

パラメータ化を判定するステップは、比較的多くのリソースを必要とする。処理デバイスは、特に、決定が処理中にリアルタイムで計算される必要があるとき、概して、比較的低い計算能力のみを有する。このために、計算量の多いプロセスは、好ましくは、処理デバイスから外部的に、オフラインで行われる。加えて、フィールドマネージャシステムは、クラウドコンピューティングシステム内に組み込まれ得る。そのようなシステムは、ほとんど常にオンラインであり、概して、処理デバイス内部制御システムよりも高い計算能力を有する。

このようにして、処理の効率および／または処理製品の効力が改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。

１つの実施形態では、オフラインフィールドデータは、局所的収穫高予想データ、処理製品に対する農作物の耐性の可能性に関する耐性データ、予想される天候データ、予想される農作物成長データ、予想される雑草成長データ、例えば、バイオマスに基づいて判定されるような、農地の異なるゾーンに関するゾーン情報データ、予想される土壌データ、および／または法規制データを含む。

さらなる一実施形態では、予想される天候データは、予測された天候状態を反映するデータを指す。処理製品に対する効力の影響がアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、散布のための処理構成に対するパラメータ化または構成ファイルの判定が強化される。例えば、高い湿度を伴う天候が存在する場合、処理製品の散布はそのような状態において非常に効果的であるため、処理製品を散布する決定が下され得る。予想される天候データは、空間分解されて、処理決定が下されることになる農地内の異なるゾーン内のまたは異なるロケーションにおける天候状態を提供し得る。

さらなる一実施形態では、予想される天候データは、温度、ＵＶ強度、湿度、雨の予報、蒸気、露など、様々なパラメータを含む。処理製品に対する効力の影響がアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、散布のための処理構成に対するパラメータ化または構成ファイルの決定が強化される。例えば、高温および高いＵＶ強度が存在する場合、処理製品の投与を増大させて、より速い蒸気を補うことができる。他方で、例えば、温度およびＵＶ強度が適度である場合、植物の代謝はさらにアクティブ化し、処理製品の投与は低減され得る。

さらなる実施形態では、予想される土壌データ、例えば、土壌水分データ、土壌養分データ、または土壌組成データは、外部リポジトリからアクセスされ得る。処理製品に対する効力影響がアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、散布のための処理構成に対するパラメータ化または構成ファイルの決定が強化される。例えば、高い土壌水分が存在する場合、大きな効果により、処理製品を散布しない判定が行われ得る。予想される土壌データは、空間分解されて、処理決定が下されることになる農地内の異なるゾーン内のまたは異なるロケーションにおける土壌水分特性を提供し得る。

さらなる一実施形態では、オフラインフィールドデータの少なくとも一部分は、履歴収穫高マップ、履歴衛星画像、および／または空間個別的な作物成長モデルを含む。１つの例では、複数の季節に対してある季節の異なる時点におけるフィールドの画像を含む、履歴衛星画像に基づいて、性能マップが生成され得る。そのような性能マップは、例えば、複数の季節にわたってより肥沃であったまたはあまり肥沃でなかったマッピングゾーンによってフィールド内の肥沃度の変化を識別することを可能にする。

好ましくは、農地の土壌内で依然として利用可能な水の量および／または予想される天候データに応じて、予想される農作物成長データが判定される。

好ましい実施形態では、法規制データは、具体的には、地下水の中への浸出リスク、および／もしくは、具体的には、地上配水をもたらすフィールド傾斜、ならびに／またはセンシティブゾーンに対するバッファゾーンの必要性を含む。

好ましくは、法規制は、特定の条件の農地において特定の処理製品の使用を禁じる。好ましくは、農地の境界の周囲に広がる境界ゾーンは、例えば、人間および彼らのペットに対する暴露の増大により、センシティブゾーンである。したがって、他の生命体に対して増大した悪影響を有し得る効果的な処理製品は、センシティブゾーン自体、およびセンシティブゾーンと処理製品の散布ゾーンとの間のバッファゾーンにおいて禁じられる可能性がある。

このようにして、処理の効率および／または処理製品の効力は改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。

好ましい実施形態では、この方法は、
農地の既存のゾーンマップに基づいて、ゾーン情報データを判定するステップ
を含む。

好ましくは、ゾーンマップは、少なくとも境界ゾーン、バッファゾーン、および／またはセンシティブゾーンを含む。

ゾーン情報は、好ましくは、画像が撮影された、したがって、処理されることになる農作物が位置する、ゾーンマップのゾーンに関する。ゾーン情報は、例えば、処理されることになる農作物が境界ゾーンの中に位置するという情報を含む。境界ゾーンは、処理製品に関する特定の法規制を受ける。特定のゾーンに対して判定される処理製品組成が農作物のゾーンの法規制を犯す場合、農作物を処理するために、別の処理製品が判定されなければならない。

これにより、投資の経済的利益および生態系に対する影響を改善する、異なるタイプの処理製品を用いて農地の農作物を処理することが可能である。

好ましい一実施形態では、この方法は、
対象物を認識するステップは、農作物、好ましくは、農作物のタイプおよび／もしくは農作物のサイズ、昆虫、好ましくは、昆虫のタイプおよび／もしくは昆虫サイズ、ならびに／または病原体、好ましくは、病原体のタイプおよび／もしくは病原体サイズを認識するステップ
を含む。

好ましい実施形態では、この方法は、
処理デバイスが農地に関する現状に関するオンラインフィールドデータを受信するステップと、
判定されたパラメータ化、判定された処理製品組成、および判定された、認識された対象物、ならびに／または判定されたオンラインフィールドデータに応じて、制御信号を判定するステップと
を含む。

処理デバイスがオンラインフィールドデータを判定するステップは、処理デバイス上に取り付けられた、またはフィールド内に配置され、処理デバイスによって受信される、センサを含み得る。

好ましい一実施形態では、
オンラインフィールドデータは、現在の天候データ、現在の農作物成長データ、および／または現在の土壌データ、例えば、土壌水分データに関する。

１つの実施形態では、現在の天候データは、オンザフライでまたは現場で記録される。そのような現在の天候データは、処理デバイス、またはそのフィールド内またはその付近に配置された１以上の測候所の上に取り付けられた異なるタイプの天候センサによって生成され得る。したがって、現在の天候データは、農地上の処理デバイスの移動中に測定され得る。現在の天候データは、処理決定が下されることになる農地内のロケーションにおける天候状態を反映するデータを指す。天候センサは、例えば、雨センサ、ＵＶセンサ、または風センサである。

さらなる一実施形態では、現在の天候データは、温度、ＵＶ強度、湿度、雨の予報、蒸気、露など、様々なパラメータを含む。処理製品に対する効力影響がアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、散布のための処理デバイスの構成の判定が拡張される。例えば、高温および高いＵＶ強度が存在する場合、処理製品の投与を増大させて、より早い蒸気を補うことができる。

さらなる一実施形態では、オンラインフィールドデータは、現在の土壌データを含む。そのようなデータは、フィールド内に配置された土壌センサを通して提供され得るか、またはそのようなデータは、例えば、リポジトリからアクセスされ得る。後者の場合、現在の土壌データは、処理ガンを含めて、農業機械の記憶媒体上にダウンロードされ得る。処理製品に対する効力影響がアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、散布のための処理配分の構成の判定は強化される。例えば、高い土壌水分が存在する場合、大きな効果により、処理製品を散布しない判定が下され得る。

さらなる一実施形態では、現在のもしくは予想される天候データ、および／または現在のもしくは予想される土壌データは、農作物、雑草、または作物植物の成長段階をさらに判定するために、成長段階モデルに提供され得る。追加または代替として、天候データおよび土壌データは、病害モデルに提供され得る。例えば、その時間中および散布後に雑草および作物が異なる速度で成長するにつれて処理製品に対する効力影響はアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、処理デバイスの構成、具体的には、散布のためのシングルノズルのような処理構成の部分の判定は強化される。したがって、例えば、散布時点における（モデル内で感染事象から理解または導出される）雑草のサイズまたは病原体の感染段階がアクティブ化決定および投与に含まれ得る。

好ましい実施形態では、この方法は、
農作物の処理の性能審査に応じて、検証データを判定または提供するステップと、
検証データに応じて、パラメータ化および／または少なくとも１つの処理製品組成を調整するステップと、
を含む。

検証データは、農地に対して少なくとも部分的に空間分解され得る。検証データは、例えば、農地の特定のロケーションにおいて測定され得る。

好ましくは、性能審査は、パラメータ化および／もしくは少なくとも１つの処理製品組成の手動制御、ならびに／またはパラメータ化および／もしくは少なくとも１つの処理製品組成の自動制御を含む。例えば、手動制御は、農業経営者が、農地を観察し、アンケートに回答することに関する。さらなる一例では、性能審査は、すでに処理されている農地の一部分の画像を撮影し、撮影画像を分析することによって実行される。言い換えれば、性能審査は、処理の効率および／または農作物が処理された後の処理製品の効力を評価する。例えば、雑草が処理されているにもかかわらず、処理されている雑草が依然として存在する場合、性能審査は、この処理のために使用されたパラメータ化および／または少なくとも１つの処理製品組成が雑草を除去する目標を達成しなかったことを記述する情報を含むことになる。

好ましい実施形態では、この方法は、
機械学習アルゴリズムを使用して、パラメータ化および／または少なくとも１つの処理製品組成を調整するステップ
を含む。

機械学習アルゴリズムは、決定木、単純ベイズ分類器、最近傍、ニューラルネットワーク、畳み込みまたはリカレントニューラルネットワーク、敵対的生成ネットワーク、サポートベクターマシン、線形回帰、ロジスティック回帰、ランダムフォレスト、および／または勾配ブースティングアルゴリズムを含み得る。好ましくは、機械学習アルゴリズムの結果は、パラメータ化を調整するために使用される。

好ましくは、機械学習アルゴリズムは、高次元性を有する入力を処理して、さらにより低い次元性の出力にするように編成される。そのような機械学習アルゴリズムは「トレーニング」されることが可能であるため、そのような機械学習アルゴリズムは、「インテリジェント」と呼ばれる。このアルゴリズムは、トレーニングデータの記録を使用してトレーニングされ得る。トレーニングデータの記録は、トレーニング入力データおよび対応するトレーニング出力データを含む。トレーニングデータの記録のトレーニング出力データは、入力と同じトレーニングデータの記録のトレーニング入力データが与えられているとき、機械学習アルゴリズムによって生み出されることが予想される結果である。この予想される結果とアルゴリズムが生み出す実際の結果との間の偏差は、「損失関数」によって観察され、評価される。この損失関数は、機械学習アルゴリズムの内部処理チェーンのパラメータを調整するためのフィードバックとして使用される。例えば、パラメータは、すべてのトレーニング入力データが機械学習アルゴリズムにフィードされ、出力が対応するトレーニング出力データと比較されるときに生じる損失関数の値を最小限に抑える最適化目標で調整され得る。このトレーニングの結果は、「グラウンドトゥルース」として比較的少数のトレーニングデータ記録が与えられると、機械学習アルゴリズムは、桁違いに大きな数の入力データ記録に対して、その仕事を十分に実行することが可能にされることである。

さらなる態様によれば、農地の農作物処理のための処理デバイス用のフィールドマネージャシステムは、本明細書で説明するような、農地に対して予想される状態に関連するオフラインフィールドデータを受信するように適合されているオフラインフィールドデータインターフェース、検証データを受信するように適合されている検証データインターフェース、オフラインフィールドデータに応じて、処理デバイスのパラメータ化を判定するように適合され、かつ検証データに応じて、パラメータ化を調整するように適合されている機械学習ユニット、およびパラメータ化を処理デバイスに提供するように適合されているパラメータ化インターフェースを備える。

好ましい実施形態では、この方法は、
パラメータ化を判定するステップは、処理デバイスの処理製品タンクに対するタンクレシピを判定するステップを含む。

好ましくは、タンクレシピは、処理されることになる農地に適した、農作物処理製品の異なる成分の絶対量または相対量を含む。

さらなる態様によれば、農地の農作物処理のための処理デバイス用のフィールドマネージャシステムは、本明細書で説明するような、農地に対して予想される状態に関するオフラインフィールドデータを受信し、それにより、農作物を処理するために使用されることが予想される少なくとも１つの処理製品組成を判定するように適合されているオフラインフィールドデータインターフェース、オフラインフィールドデータに応じて、処理デバイスのパラメータ化を判定するように適合されている機械学習ユニット、およびパラメータ化を処理デバイスに提供するように適合されているパラメータ化インターフェースを備える。

好ましい実施形態では、フィールドマネージャシステムは、検証データを受信するように適合されている検証データインターフェースを備え、機械学習ユニットは、検証データに応じて、パラメータ化を調整するように適合される。検証データは、農地に対して少なくとも部分的に空間分解され得る。検証データは、例えば、農地の特定のロケーションにおいて測定され得る。

好ましい実施形態では、機械学習ユニットは、撮影画像およびオンラインフィールドデータに基づいて、機械学習アルゴリズムによってパラメータ化を判定するように適合される。

さらなる態様によれば、植物の農作物処理のための処理デバイスは、本明細書で説明するような、農作物の画像を撮影するように適合されている画像キャプチャデバイス、フィールドマネージャシステムからパラメータ化を受信するように適合されているパラメータ化インターフェース、受信されたパラメータ化に応じて、農作物を処理するように適合されている処理構成、撮影画像上の対象物を認識するように適合されている画像認識ユニット、ならびに、随意に、判定されたパラメータ化、オンラインフィールドデータ、および／または認識された対象物に応じて、またはそれらに基づいて、処理製品組成を判定するように適合され、かつ判定されたパラメータ化、認識された対象物、および判定された処理製品組成に基づいて、処理デバイスの処理構成を制御するための制御信号を判定するように適合されている、処理制御ユニットを備え、処理デバイスのパラメータ化インターフェースは、本明細書で説明するように、フィールドマネージャシステムのパラメータ化インターフェースに接続可能であり、処理デバイスは、処理制御ユニットの制御信号に基づいて、処理構成をアクティブ化するように適合される。

好ましい実施形態では、処理デバイスは、農地に関する現状に関するオンラインフィールドデータを受信するように適合されているオンラインフィールドデータインターフェースを備え、処理制御ユニットは、判定されたパラメータ化、認識された対象物、および判定された処理製品組成、ならびに／またはオンラインフィールドデータに基づいて、処理デバイスの処理構成を制御する。

好ましい実施形態では、画像キャプチャデバイスは、１以上のカメラを、具体的には、処理デバイスのブーム上に備え、画像認識ユニットは、例えば、赤緑青ＲＧＢデータおよび／または近赤外ＮＩＲデータを使用して、対象物、例えば、雑草、昆虫、病原体、および／または農作物を認識するように適合される。

好ましい一実施形態では、本明細書で説明するように、処理デバイスは、本明細書で説明するような制御デバイスをさらに備える。

好ましい一実施形態では、処理デバイスは、スマート噴霧器として設計され、処理構成は、ノズル構成である。

ノズル構成は、好ましくは、独立して制御され得る、いくつかの独立したノズルを備える。

さらなる一態様によれば、処理システムは、本明細書で説明するようなフィールドマネージャシステム、および本明細書で説明するような処理デバイスを備える。

有利には、上記の態様のうちのいずれかによって提供される利点は、他の態様のすべてに等しく適用され、逆も同様である。上記の態様および例は、以下で説明する実施形態から明らかになり、それらの実施形態を参照することにより明らかになる。

以下で、以下の図面を参照しながら、例示的な実施形態について説明する。

農作物処理システムの概略図である。農作物処理方法の流れ図である。農地のゾーンマップの概略図である。農地上の処理デバイスの概略図である。検出された対象物を含む画像の概略図である。

図１は、フィールドマネージャシステム１００によって制御される、少なくとも１つの処理デバイス２００による農地３００の農作物を処理するための農作物処理システム４００を示す。

処理デバイス２００、好ましくは、スマート噴霧器は、処理制御ユニット２１０、画像キャプチャデバイス２２０、画像認識ユニット２３０、および処理構成２７０、ならびにパラメータ化インターフェース２４０およびオンラインフィールドデータインターフェース２５０を備える。

画像キャプチャデバイス２２０は、農地３００の画像２０を撮影するように構成された、少なくとも１つのカメラを備える。撮影画像２０は、処理デバイス２００の画像認識ユニット２３０に提供される。

フィールドマネージャシステム１００は、機械学習ユニット１１０を備える。加えて、フィールドマネージャシステム１００は、オフラインフィールドデータインターフェース１５０、パラメータ化インターフェース１４０、および検証データインターフェース１６０を備える。フィールドマネージャシステム１００は、例えば、ユニバーサルシリアルバス（ＵＳＢ）、物理ケーブル、Ｂｌｕｅｔｏｏｔｈ、または別の形態のデータ接続を介して、フィールドデータを受信することが可能なマイクロプロセッサ、マイクロコントローラ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、中央処理装置（ＣＰＵ）、デジタル信号プロセッサ（ＤＳＰ）など、データ処理要素を指し得る。フィールドマネージャシステム１００は、各処理デバイス２００に対して提供され得る。代替として、フィールドマネージャシステムは、フィールド３００内で複数の処理デバイス２００を制御するための中央フィールドマネージャシステム、例えば、クラウドコンピューティング環境またはパーソナルコンピュータ（ＰＣ）であってよい。

農地３００の予想される状態データに関するオフラインフィールドデータＤｏｆｆがフィールドマネージャシステム１００に提供される。好ましくは、オフラインフィールドデータＤｏｆｆは、局所的収穫高予想データ、処理製品に対する農作物の耐性の可能性に関する耐性データ、予想される天候状態データ、予想される農作物成長データ、農地の異なるゾーンに関するゾーン情報データ、予想される土壌データ、例えば、土壌水分データ、および／または法規制データを含む。

オフラインフィールドデータＤｏｆｆは、外部リポジトリから提供される。例えば、予想される天候データは、天候を予測するための衛星データまたは観測された天候データに基づいてもよい。予想される農作物成長データは、例えば、異なる農作物成長段階を記憶したデータベースによって、または過去のフィールドの状態データに応じて、作物植物、雑草、および／または病原体の予想される成長段階に関して記述する農作物成長段階モデルから提供される。予想される農作物成長データは、農作物モデルによって提供されてよく、農作物モデルは、基本的に、それぞれの農作物のデジタルツインであり、具体的には、前のフィールドデータに応じて、農作物の成長段階を推定する。さらに、例えば、予想される土壌水分データは、過去、現在、および予想される天候状態データに応じて判定されてよい。オフラインフィールドデータＤｏｆｆはまた、外部サービスプロバイダによって提供され得る。

オフラインフィールドデータＤｏｆｆに応じて、機械学習ユニット１１０は、パラメータ化１０を判定する。好ましくは、機械学習ユニット１１０は、農作物の計画された処理時間を知る。例えば、農業経営者は、その経営者が、翌日、一定のフィールド内で農作物の処理を計画しているという情報をフィールドマネージャシステム１００に提供する。パラメータ化１０は、好ましくは、フィールドマネージャシステム１００のパラメータ化インターフェース１４０に提供される構成ファイルとして表される。理想的には、パラメータ化１０は、処理デバイス２００がパラメータ化１０を使用している同じ日に機械学習ユニット１１０によって判定される。ここでは、機械学習ユニット１１０は、トレーニングされた機械学習アルゴリズムを含んでよく、機械学習アルゴリズムの出力は、パラメータ化のために使用され得る。パラメータ化の判定は、何の機械学習アルゴリズムも関与せずに実行されることも可能である。パラメータ化インターフェース１４０を介して、パラメータ化１０が処理デバイス２００、具体的には、処理デバイス２００のパラメータ化インターフェース２４０に提供される。例えば、構成ファイルの形態のパラメータ化１０が転送され、処理デバイス２００のメモリ内に記憶される。

加えて、機械学習ユニットは、フィールド３００内の農作物を処理するために使用されることが予想される、少なくとも処理製品組成４０を判定する。この判定は、農地３００全体または農地３００の、処理されることが計画される少なくとも一部分を考慮して行われる。少なくとも１つの製品組成４０は、異なる除草剤、病原体および／または殺虫剤、ならびに、処理製品と混合させるための、水のような混合溶液または窒素溶液のような栄養溶液に関する。例えば、機械学習ユニットは、両方とも異なる除草剤である、第１の活性成分ＡＩ１および第２の活性成分ＡＩ２を判定する。処理製品組成４０は、好ましくは、フィールドマネージャシステム１００のパラメータ化インターフェース１４０に提供される構成ファイル内でパラメータ化の一部分として表される。理想的には、処理製品組成４０は、処理デバイス２００が処理製品組成４０を使用している同じ日に機械学習ユニット１１０によって判定される。パラメータ化インターフェース１４０を介して、処理製品組成４０は、処理デバイス２００、具体的には、処理デバイス２００のパラメータ化インターフェース２４０に提供される。例えば、構成ファイルの形態の処理製品組成４０が、処理デバイス２００のメモリにアップロードされる。

処理製品組成４０を含むパラメータ化１０が処理デバイス２００、具体的には、処理制御ユニット２１０によって受信されるとき、農地３００内の農作物の処理が開始し得る。理想的には、ユーザ、具体的には、農業経営者には、フィールドマネージャシステム１００によってタンクレシピがさらに提供される。タンクレシピは、判定された処理製品組成４０を含むパラメータ化１０に応じて判定される。したがって、農業経営者は、農地３００内の農作物を処理するために、どの処理製品組成４０のおよそどの程度の処理製品が必要とされるかを知る。

処理デバイス２００は、農地３００をほうぼう移動し、対象物３０、具体的には、農地３００上の作物植物、雑草、病原体、および／または昆虫を検出および認識する。

したがって、画像キャプチャデバイス２００は、農地３００の画像２０を絶えず撮影する。画像２０は画像認識ユニット２３０に提供され、画像認識ユニット２３０は、画像２０に対して画像分析を実行し、画像２０上の対象物３０を検出および／または認識する。検出すべき対象物３０は、好ましくは、作物、雑草、病原体、および／または昆虫である。対象物を認識するステップは、農作物、好ましくは、農作物のタイプおよび／もしくは農作物のサイズ、昆虫、好ましくは、昆虫のタイプおよび／もしくは昆虫のサイズ、ならびに／または病原体、好ましくは、病原体のタイプおよび／もしくは病原体のサイズを認識するステップを含む。例えば、アオゲイトウとメヒシバとの間の差異、または蜂とイナゴとの間の差異が、例えば、認識される。対象物３０は、処理制御ユニット２１０に提供される。

処理製品組成、第１の活性成分ＡＩ１、および第２の活性成分ＡＩ２を含むパラメータ化１０が構成ファイルの形態で処理制御ユニット２１０に提供された。パラメータ化１０は、決定木として示されてよく、ここでは、入力データに基づいて、異なる決定レイヤを介して、農作物の処理が決定され、随意に、処理製品の投与および組成が決定される。例えば、第１のステップにおいて、検出された雑草のバイオマスがパラメータ化１０によって設定された所定の閾値を超えるかどうかが検査される。雑草のバイオマスは、概して、撮影画像２０内の雑草の対象範囲の程度に関する。例えば、雑草のバイオマスが４％未満である場合、雑草はまったく処理されないと決定する。雑草のバイオマスが４％を超える場合、さらなる決定が下される。例えば、第２のステップにおいて、雑草のバイオマスが４％を超える場合、土壌の水分に応じて、雑草が処理されるかどうかが決定される。土壌の水分が所定の閾値を超える場合、雑草を処理することが依然として決定され、さもなければ、雑草を処理しないと決定される。これは、雑草が、高い土壌水分によってトリガされる成長段階にあるとき、雑草を処理するために使用される除草剤がより効果的であり得ることによる。パラメータ化１０は、予想される土壌水分に関する情報をすでに含む。これまで雨が降っていたため、予想される土壌水分は所定の閾値を超え、雑草を処理すると決定することになる。しかしながら、処理制御ユニット２１０はまた、オンラインフィールドデータＤｏｎによって、この場合、土壌水分センサから提供され、処理制御ユニット２１０に追加データを提供する。構成ファイルの決定木は、したがって、オンラインフィールドデータＤｏｎに基づいて決定されることになる。例示的な一実施形態では、オンラインフィールドデータＤｏｎは、土壌水分が所定の閾値未満であるという情報を含む。したがって、雑草を処理しないと決定する。

処理制御ユニット２１０は、パラメータ化１０、認識された対象物、および／またはオンラインフィールドデータＤｏｎに基づいて、処理制御信号Ｓを生成する。処理制御信号Ｓは、したがって、認識された対象物３０が処理されるべきか否かの情報を含む。処理制御ユニット２１０は、次いで、処理制御信号Ｓを処理構成２７０に提供し、処理構成２７０は、制御信号Ｓに基づいて農作物を処理する。処理構成２７０は、具体的には、異なるノズルを備えた化学物質スポットスプレーガン(spot spray gun)を備え、それらのノズルは、そのスプレーガンが、除草剤、殺虫剤、および／または殺菌剤を高い精度で噴霧することを可能にする。

このようにして、パラメータ化１０は、予想されるフィールドの状態に関するオフラインフィールドデータＤｏｆｆに応じて提供される。パラメータ化１０に基づいて、処理デバイス２００は、フィールド内で上京に応じて認識された対象物に基づいてのみ、どの農作物が処理されるべきかを決定し得る。このようにして、処理の効率および／または処理製品の効力が改善され得る。処理の効率および／または処理製品の効力をさらに改善するために、農地の現在の測定可能状態を含めるためにオンラインフィールドデータＤｏｎが使用され得る。

提供される処理構成４００は、加えて、学習が可能である。機械学習ユニット１１０は、所与のヒューリスティックに応じてパラメータ化１０を判定する。提供されたパラメータ化１０に基づく農作物処理の後、処理の効率および処理製品の効力を検証することが可能である。例えば、農業経営者は、パラメータ化１０に基づいて前に処理されている農地の一部分のフィールドデータをフィールドマネージャシステム１００に提供し得る。この情報は、検証データＶと呼ばれる。検証データＶは、検証データインターフェース１６０を介してフィールドマネージャシステム１００に提供され、検証データＶを機械学習ユニット１１０に提供する。機械学習ユニット１１０は、次いで、パラメータ化１０、または検証データＶに従ってパラメータ化１０を判定するために使用されるヒューリスティックを調整する。例えば、検証データＶが、パラメータ化１０に基づいて処理されている雑草が除去されていないことを示す場合、調整されたパラメータ化１０は、閾値を下げて、基本的な決定木の分岐のうちの１つの中で農作物を処理する。

フィールドマネージャシステム１００によって処理デバイス２００に提供される構成ファイルの形態のパラメータ化１０および／または処理製品組成４０の一代替として、フィールドマネージャシステム１００の機能性が処理デバイス２００内に埋め込まれてもよい。例えば、比較的高い計算能力を備えた処理デバイスは、フィールドマネージャシステム１００を処理デバイス２００内に組み込むことができる。代替として、フィールドマネージャシステム１００の説明される機能性全体および処理デバイス２００による制御信号Ｓの判定に至るまでの機能性は、処理デバイス２００の外部で、好ましくは、クラウドサービスを介して、計算され得る。処理デバイス２００は、したがって、提供される制御信号Ｓに応じて農作物を処理する、単なる「ダム」デバイスである。

図２は、農作物処理方法の流れ図を示す。

ステップＳ１０において、処理デバイス２００を制御するためのパラメータ化１０が処理デバイス２００によってフィールドマネージャシステム１００から受信され、パラメータ化１０は、農地３００に対して予想される状態に関するオフラインフィールドデータＤｏｆｆに依存し、パラメータ化１０に応じて、農作物を処理するために使用されることが予想される少なくとも１つの処理製品組成４０が受信される。ステップＳ２０において、農地３００の農作物の画像２０が撮影される。ステップＳ３０において、撮影画像２０上の対象物３０が検出される。ステップＳ４０において、判定されたパラメータ化１０および認識された対象物３０に応じて、農作物を処理するための少なくとも１つの処理製品組成４０のうちの少なくとも１つが選定される。ステップＳ５０において、判定されたパラメータ化１０、認識された対象物３０、および選定された処理製品組成４０に基づいて、処理デバイス２００の処理構成２７０を制御するための制御信号Ｓが判定される。

図３は、農地３００のゾーンマップ３３を示す。ゾーンマップ３３は、ゾーンマップ３３のタイプに応じて、農地３００を異なるゾーンＺＢ、ＺＣに分割する。この場合、ゾーンマップ３３は、農地３００を中央ゾーンＺＣおよび境界ゾーンＺＢに分割する。境界ゾーンＺＢは農地３００の縁の周囲に広がる。境界ゾーンＺＢは、無許可の人物にとって容易にアクセス可能であり、したがって、中央ゾーンＺＣよりも厳しい法規制が基礎にある。ゾーンマップ３３に基づいて、異なるゾーンＺＢ、ＺＣの特殊な法規制を示すゾーン情報が判定される。

図４は、作物４１０を含む農地３００の上空を飛行する、無人航空機（ＵＡＶ）の形態の処理デバイス２００を示す。作物４１０の間に、いくつかの雑草４２１、４２２がやはり存在する。雑草４２１、４２２は、具体的には毒性であり、多数の種子を生み出し、作物収穫高に著しい影響を及ぼし得る。この雑草４２１、４２２は、この作物４１０を含む農地３００内で容認されるべきではない。

ＵＡＶ２００は、１以上のカメラを備え、ＵＡＶ２００が農地３００の上空を飛行するにつれて、画像が取得される、画像キャプチャデバイス２２０を有する。ＵＡＶ２００はまた、ＵＡＶ２００の位置が判定されること、およびカメラ２２０の配向がやはり判定されることの両方を可能にする、ＧＰＳおよび慣性ナビゲーションシステムを有する。この情報から、作物、雑草、昆虫、および／または病原体のタイプの例など、その画像内の特定の部分が絶対地球空間座標に対して位置特定され得るように、地上の画像のフットプリントが判定され得る。画像キャプチャデバイス２２０によって取得された画像データは、画像認識ユニット１２０に転送される。

画像キャプチャデバイス２２０によって取得された画像は、あるタイプの作物が別のタイプの作物と区別されることを可能にする分解能においてであり、かつあるタイプの雑草が別のタイプの雑草と区別されることを可能にする分解能においてであり、かつ昆虫が検出されることのみではなく、あるタイプの昆虫を別のタイプの昆虫と区別されることを可能にする分解能においてであり、かつあるタイプの病原体が別のタイプの病原体と区別されることを可能にする分解能においてである。

画像認識ユニット１２０は、ＵＡＶ２００の外部であってよいが、ＵＡＶ２００自体が作物、雑草、昆虫、および／または病原体を検出ならびに識別するために必要な処理能力を有し得る。画像認識ユニット１２０は、例えば、異なるタイプの作物、雑草、昆虫、および／または病原体の多数の画像例に対してトレーニングされている人工ニューラルネットワークに基づいて、機械学習アルゴリズムを使用して画像を処理して、どの対象物が存在するかを判定し、対象物のタイプをやはり判定する。

ＵＡＶはまた、異なるノズルを備えた、処理構成２６０、具体的には、化学物質スポットスプレーガンを有し、これらのノズルは、ＵＡＶが除草剤、殺虫剤、および／または殺菌剤を高い精度で噴霧することを可能にする、

雑草４２１、４２２を処理するために、ＵＡＶ２００は、２つの異なる処理製品組成、すなわち、第１の活性成分ＡＩ１および第２の活性成分ＡＩ２を使用することができる。例えば、雑草４２１、４２２は、フィールド内で処理されることが予想されるアオゲイトウおよびメヒシバである。両方の雑草は、特に第１の活性成分ＡＩ１で十分に処理される。第１の活性成分ＡＩ１は、第２の活性成分ＡＩ２よりも安価かつより効率的であるが、生態学的にはより有害であると考えられてもいる。フィールドマネージャシステム１００は、タンクレシピを農業経営者に提供する。この場合、フィールド３００は、図３に示すように、比較的大きな中央ゾーンＺＣおよび比較的小さな境界ゾーンＺＢを備える。法規制に鑑みて、第１の活性成分ＡＩ１は、第２の活性成分ＡＩ２よりも法的に規制される。この場合、これは、境界ゾーンＺＢ内で、第１の活性成分ＡＩ１は使用されることが法的に可能にされないことを意味する。したがって、提供されるタンクレシピは、通常、比較的大きな中央ゾーンＺＣ内で使用され得る第１の活性成分ＡＩ１が比較的小さな境界ゾーンＺＢ内で可能にされる第２の活性成分ＡＩ２よりも多い量で必要とされることを示す。農業経営者は、その場合、処理デバイスにそれぞれの処理製品を装備させることができる。第１の活性成分ＡＩ１は、第１の活性成分タンク２７１内に格納され、第２の活性成分ＡＩ２は、第２の活性成分タンク２７２内に格納される。処理構成２７０は、第１の活性成分タンク２７１および／または第２の活性成分タンク２７２から農地内の農作物を処理することができる。

図５に示すように、画像キャプチャデバイス２２０は、フィールド３００の画像２０を撮影する。画像認識分析は、４つの対象物３０を検出し、２つの作物４１０（三角形）、第１の望まれない雑草４２１（円）、および第２の望まれない雑草４２２（円）を識別する。したがって、ＵＡＶ２００は、望まれない雑草４２１、４２２を処理するように制御される。しかしながら、第１の雑草４２１は、農地の中央ゾーンＺＣ内に配置され、第２の雑草４２２は農地のバッファゾーンＺＢ内に配置されている。オンラインフィールドデータＤｏｎ、撮影画像２０、および処理製品組成に基づいて、より安価かつより効率的な第１の活性成分ＡＩ１を用いて雑草４２１、４２２を処理すると判定される。しかしながら、第１の活性成分ＡＩ１は、境界ゾーンＺＢ内で使用されることが可能にされない。したがって、境界ゾーンＺＢ内の第２の雑草４２２は、第２の活性成分ＡＩ２によって処理されると判定されることになる。異なる処理製品ＡＩ１、ＡＩ２の判定なしに、ＵＡＶ２００のみで、境界ゾーンＺＢの特定の法規制を犯さないために、第２の活性成分ＡＩ２で農地３００全体を処理することが可能である。

これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。

１０パラメータ化、２０画像、３０画像上の対象物、４０処理製品組成、１００フィールドマネージャシステム、１１０機械学習ユニット、１４０パラメータ化インターフェース、１５０オフラインフィールドデータインターフェース、１６０検証データインターフェース、２００処理デバイス（ＵＡＶ）、２１０処理制御ユニット、２２０画像キャプチャデバイス、２３０画像認識ユニット、２４０パラメータ化インターフェース、２５０オンラインフィールドデータインターフェース、２７０処理構成、２７１第１の活性成分タンク、２７２第２の活性成分タンク、３００農地、４００処理システム、４１０作物、４２１第１の雑草、４２２第２の雑草、Ｓ処理制御信号、Ｄｏｎオンラインフィールドデータ、Ｄｏｆｆオフラインフィールドデータ、Ｖ検証データ、ＺＣ中央ゾーン、ＺＢ境界ゾーン、ＡＩ１処理製品（第１の活性成分）、ＡＩ２処理製品（第２の活性成分）、Ｓ１０パラメータ化および処理製品組成を受信するステップ、Ｓ２０画像を撮影するステップ、Ｓ３０対象物を認識するステップ、Ｓ４０処理製品を選定するステップ、Ｓ５０制御信号を判定するステップ

Claims

処理製品を用いた農地の農作物処理のための方法であって、
処理デバイス（２００）が前記処理デバイス（２００）を制御するためのパラメータ化（１０）をフィールドマネージャシステム（１００）から受信するステップであって、前記パラメータ化（１０）が、前記農地（３００）に対して予想される状態に関するオフラインフィールドデータ（Ｄｏｆｆ）に依存する、受信するステップ（Ｓ１０）と、
前記農地（３００）の農作物の画像（２０）を撮影するステップ（Ｓ２０）と、
撮影した前記画像（２０）上の対象物（３０）を認識するステップ（Ｓ３０）と、
随意に受信された前記パラメータ化、オンラインフィールドデータ、および／または認識された前記対象物（３０）に基づいて、処理製品組成を判定するステップ（Ｓ４０）と、
受信された前記パラメータ化（１０）、認識された前記対象物（３０）、および判定された前記処理製品組成（４０）に基づいて、前記処理デバイス（２００）の処理構成（２７０）を制御するための制御信号（Ｓ）を判定するステップ（Ｓ５０）と
を含む、方法。
前記農地（３００）の前記農作物の前記画像（２０）を撮影する前記ステップ（Ｓ２０）、撮影した前記画像（２０）上の前記対象物（３０）を認識する前記ステップ（Ｓ３０）、前記処理製品組成を判定する前記ステップ（Ｓ４０）、および前記処理構成（２７０）を制御するための前記制御信号（Ｓ）を判定する前記ステップが、前記処理デバイス（２００）が前記処理デバイスがフィールドの特定のロケーション内の処理時点において前記フィールドを横断するにつれて、前記農地の撮影した前記画像に基づいて瞬時に制御可能であるように、リアルタイムプロセスとして実行される、請求項１に記載の方法。
前記フィールドマネージャシステム（１００）が前記オフラインフィールドデータ（Ｄｏｆｆ）を受信するステップと、
前記オフラインフィールドデータ（Ｄｏｆｆ）に応じて、前記処理デバイス（２００）の前記パラメータ化（１０）を判定するステップと、
判定された前記パラメータ化（１０）を前記処理デバイス（２００）に提供するステップと、
を含む、請求項１または２に記載の方法。
前記制御信号（Ｓ）を判定する前記ステップが、判定された前記処理製品組成の放出を制御するためのタンクアクチュエータ信号および処理構成信号を生成するステップを含む請求項１から３のいずれか一項に記載の方法。
前記処理デバイスが、２つ以上のノズルを備えた処理構成を含み、
前記処理構成信号が、１以上のノズルを別々にトリガする請求項４に記載の方法。
前記制御信号が、前記農地の処理を開始するために、前記処理デバイスの制御ユニットに提供され、前記制御信号が、フィールド処理の間に、前記処理製品組成または前記処理製品組成の少なくとも１つの活性成分を変更するように構成される
請求項１から５のいずれか一項に記載の方法。
前記対象物（３０）を認識する前記ステップ（Ｓ２０）が、前記農作物、好ましくは、農作物のタイプおよび／もしくは農作物のサイズ、昆虫、好ましくは、昆虫のタイプおよび／もしくは昆虫サイズ、ならびに／または病原体、好ましくは、病原体のタイプおよび／もしくは病原体サイズを認識するステップを含む、請求項１から６のいずれか一項に記載の方法。
前記処理デバイス（２００）が前記農地（３００）に関する現状に関するオンラインフィールドデータ（Ｄｏｎ）を受信するステップと、
判定された前記パラメータ化（１０）、判定された前記処理製品組成（４０）、および前記判定された、認識された前記対象物（３０）、ならびに／または判定された前記オンラインフィールドデータ（Ｄｏｎ）に応じて、前記制御信号（Ｓ）を判定するステップと
を含む、請求項１から７のいずれか一項に記載の方法。
前記オンラインフィールドデータ（Ｄｏｎ）が、現在の天候状態データ、現在の農作物の成長データ、および／または現在の土壌水分データに関する、請求項８に記載の方法。
前記農作物の前記処理の性能審査に応じて、検証データ（Ｖ）を提供するステップと、
前記検証データ（Ｖ）に応じて、前記パラメータ化（１０）を調整するステップと
を含む、請求項１から９のいずれか一項に記載の方法。
機械学習アルゴリズムを使用して、前記パラメータ化（１０）を調整するステップを含む、請求項１から１０のいずれか一項に記載の方法。
前記パラメータ化（１０）を判定する前記ステップが、前記処理デバイス（２００）の処理製品タンクに対するタンクレシピを判定するステップを含む、請求項１から１１のいずれか一項に記載の方法。
農地（３００）の処理のための処理デバイス（２００）用のフィールドマネージャシステム（１００）であって、
前記農地（３００）に対して予想される状態に関するオフラインフィールドデータ（Ｄｏｆｆ）を受信するように適合されているオフラインフィールドデータインターフェース（１５０）と、
前記オフラインフィールドデータ（Ｄｏｆｆ）に応じて、前記処理デバイス（２００）のパラメータ化（１０）を判定するように適合されている機械学習ユニット（１１０）と、
前記パラメータ化（１０）を前記処理デバイス（２００）に提供するように適合されているパラメータ化インターフェース（１４０）と
を備える、フィールドマネージャシステム（１００）。
検証データ（Ｖ）を受信するように適合されている検証データインターフェース（１６０）を備え、
前記機械学習ユニット（１１０）が、前記検証データ（Ｖ）に応じて、前記パラメータ化（１０）を調整するように適合される、請求項１３に記載のフィールドマネージャシステム（１００）。
農作物の農作物処理のための処理デバイス（２００）であって、
前記農作物の画像（２０）を撮影するように適合されている画像キャプチャデバイス（２２０）と、
パラメータ化（１０）をフィールドマネージャシステム（１００）から受信するように適合されているパラメータ化インターフェース（２４０）と、
受信された前記パラメータ化（１０）に応じて、前記農作物を処理するように適合されている処理構成（２７０）と、
撮影した前記画像（２０）上の対象物（３０）を認識するように適合されている画像認識ユニット（２３０）と
随意に判定された前記パラメータ化（１０）、オンラインフィールドデータ、および／または認識された前記対象物（３０）に基づいて、処理製品組成（４０）を判定する（Ｓ４０）ように適合され、かつ判定された前記パラメータ化（１０）、認識された前記対象物（３０）、および判定された前記処理製品組成（４０）に基づいて、前記処理デバイス（２００）の前記処理構成（２７０）を制御するための制御信号（Ｓ）を判定するように適合されている処理制御ユニット（２１０）と
を備え、
前記処理デバイス（２００）の前記パラメータ化インターフェース（２４０）が、前記フィールドマネージャシステム（１００）のパラメータ化インターフェース（１４０）に接続可能であり、
前記処理デバイス（２００）が、前記処理制御ユニット（２１０）の前記制御信号（Ｓ）に基づいて、前記処理構成（２７０）をアクティブ化するように適合される、処理デバイス（２００）。
農地（３００）に関する現状に関するオンラインフィールドデータ（Ｄｏｎ）を受信するように適合されているオンラインフィールドデータインターフェース（２５０）を備え、
前記処理制御ユニットが、判定された前記パラメータ化（１０）、認識された前記対象物（３０）、および判定された前記処理製品組成（４０）、ならびに／または前記オンラインフィールドデータに基づいて、前記処理デバイス（２００）の前記処理構成（２７０）を制御する、請求項１５に記載の処理デバイス（２００）。
前記画像キャプチャデバイス（２２０）が、１以上のカメラを、具体的には前記処理デバイス（２００）のブーム上に備え、前記画像認識ユニット（２３０）が、赤緑青ＲＧＢデータおよび／または近赤外線ＮＩＲデータを使用して、昆虫、雑草、および／または農作物を認識するように適合される、請求項１５または１６に記載の処理デバイス（２００）。
前記処理デバイス（２００）が、スマート噴霧器として設計され、前記処理構成（２７０）が、ノズル構成である、請求項１５から１７のいずれか一項に記載の処理デバイス（２００）。
前記画像キャプチャデバイス（２２０）が、複数のカメラを備え、
前記処理構成（２７０）が、前記カメラによってキャプチャされた画像がそれぞれのノズル構成によって処理されることになるエリアに関連付けられるように、複数の前記カメラのうちの１つに関連付けられる複数の前記ノズル構成を各別に備える、請求項１５から１８のいずれか一項に記載の処理デバイス（２００）。
請求項１３または１４に記載のフィールドマネージャシステムおよび請求項１５から１９のいずれか一項に記載の処理デバイスを備える処理システム。