JP2023094673A - 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 - Google Patents
情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 Download PDFInfo
- Publication number
- JP2023094673A JP2023094673A JP2021210109A JP2021210109A JP2023094673A JP 2023094673 A JP2023094673 A JP 2023094673A JP 2021210109 A JP2021210109 A JP 2021210109A JP 2021210109 A JP2021210109 A JP 2021210109A JP 2023094673 A JP2023094673 A JP 2023094673A
- Authority
- JP
- Japan
- Prior art keywords
- information
- disease
- crop
- learning
- types
- 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
Images
Classifications
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
【課題】農作物の病害を簡易に予測することを可能とする情報処理装置を提供する。【解決手段】情報処理装置6は、予測対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得部600と、情報取得部600により取得された栽培状態情報を、学習対象の農作物における栽培状態情報と、当該農作物における病害に関する病害情報との相関関係を機械学習により学習させた学習モデル12A~12Cに入力することで、予測対象の農作物における病害情報を生成する生成処理部601とを備える。【選択図】 図11
Description
本発明は、情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法に関する。
農作物に病害が発生した場合、農作物の生育状態だけでなく、農作物の収穫量や収穫品質にも多大な影響があるため、近年、農作物の栽培管理には、ICT(情報通信技術)やIoT(モノのインターネット化)等の技術が導入されている。例えば、特許文献1には、農地の赤外線画像を解析し、当該農地の農作物の生育度を診断し、農作物の診断結果が異常値であった場合には、警告を発する農業支援システムが開示されている。
農作物の栽培では、農作物や農作物が栽培される栽培環境(土壌、水、肥料、空気等)に病原指標体が存在することにより、病害が発生することがあり得る。病原指標体は、例えば、病害の発生原因となり得る病害原因物質や、農作物や栽培環境の汚染状態を評価する指標となり得る汚染指標物質等が挙げられる。
しかしながら、特許文献1に開示された農業支援システムでは、赤外線画像に対する画像解析により農作物の生育度を診断するため、上記のような病原指標体は、赤外線画像として撮像困難であり、画像解析だけではその存在に基づいて農作物を診断することができない。
本発明は、上記の課題に鑑み、農作物の病害を簡易に予測することを可能とする情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法を提供することを目的とする。
上記目的を達成するために、本発明の一態様に係る情報処理装置は、
予測対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得部と、
前記情報取得部により取得された前記栽培状態情報を、学習対象の農作物における前記栽培状態情報と、当該農作物における病害に関する病害情報との相関関係を機械学習により学習させた学習モデルに入力することで、前記予測対象の農作物における前記病害情報を生成する生成処理部と、を備える。
予測対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得部と、
前記情報取得部により取得された前記栽培状態情報を、学習対象の農作物における前記栽培状態情報と、当該農作物における病害に関する病害情報との相関関係を機械学習により学習させた学習モデルに入力することで、前記予測対象の農作物における前記病害情報を生成する生成処理部と、を備える。
本発明の一態様に係る情報処理装置によれば、予測対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を学習モデルに入力することで出力される病害情報に基づいて、予測対象の農作物における病害が予測されるので、農作物の病害を簡易に予測することができる。
上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにされる。
以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
(第1の実施形態)
図1は、農作物栽培管理システム1の一例を示す全体構成図である。本実施形態に係る農作物栽培管理システム1は、栽培環境10にて栽培される予測対象の農作物を管理し、予測対象の農作物における病害を予測するシステムとして機能する。
図1は、農作物栽培管理システム1の一例を示す全体構成図である。本実施形態に係る農作物栽培管理システム1は、栽培環境10にて栽培される予測対象の農作物を管理し、予測対象の農作物における病害を予測するシステムとして機能する。
栽培環境10は、各種の農作物を栽培するための環境であり、例えば、屋外の農地でもよいし、ビニールハウス、植物工場等のような屋内のいずれでもよい。また、栽培環境10は、農作物を土壌で栽培するものだけでなく、水耕栽培のように、水と液体肥料により
農作物を栽培するものでもよい。
農作物を栽培するものでもよい。
農作物は、野菜、果物、穀物、キノコ類等の主に食用の農作物であるが、飼料用、観賞用、織物用の農作物でもよい。農作物は、例えば、土壌にて種子や苗の状態から栽培されて、水や肥料が供給されるとともに、トラクター、コンバイン等の機械式の農機具や鍬や鋤等の手持ち式の農機具が各種の農作業に使用される。農作物は、その管理単位として、例えば、農地、ビニールハウス、植物工場等を所定の面積毎に区切った区画毎に管理されてもよいし、農地、ビニールハウス、植物工場等の全体を一括で管理されてもよいし、畝毎や株毎に管理されてもよい。
病害は、農作物の生育状態の悪化、収穫量や収穫品質の低下を招くような各種の病害を含み、例えば、農作物に病害を発生させる原因となり得る病害原因物質が存在することで発生する。また、病害は、農作物に悪影響を与えるだけでなく、人体に悪影響を与えるような各種の食品事故(食中毒等)を発生させるようなものも含み、例えば、農作物を食することで人体に危害を及ぼす原因となり得る危害原因物質が存在することで発生する。さらに、上記のような病害原因物質及び危害原因物質とは異なる汚染指標物質の存在は、病害が発生する可能性や発生する病害の種類に影響を及ぼすこともあり得る。
病害原因物質は、病害の発生原因となり得る物質である。病害原因物質は、病害の種類に応じて特定され、例えば、コムギいもち病の病原体である「Pyricularia oryzae Cavara」、カンキツモザイク病の病原体である「Citrus mosaic virus」、サツマイモ基腐病の病原体である「Diaporthe destruens」等が挙げられる。なお、病害原因物質は、病害の発生原因となり得るものであれば、上記の例に限られない。
危害原因物質は、食品事故の発生原因となり得る物質である。危害原因物質は、主に生物学的な物質であり、その具体例としては、サルモネラ菌、腸炎ビブリオ菌、黄色ブドウ球菌、リステリア菌、カンピロバクター菌、腸管出血性大腸菌(O157等)、セレウス菌、ウエルシュ菌等が挙げられる。なお、危害原因物質は、食品事故の発生原因となり得るものであれば、上記の例に限られない。
汚染指標物質は、農作物や栽培環境10の汚染状態を評価する指標となり得る物質である。汚染指標物質は、農作物や栽培環境10等に特定の因子が存在する状況を検出することで評価可能であり、特定の因子には、例えば、細菌、ウィルス、アレルゲン、ウイロイド、カビ等が含まれる。細菌の具体例としては、一般生菌、大腸菌群、大腸菌(E.coli)、腸球菌、耐熱性芽胞菌、クロストリジア、ブドウ球菌、ビブリオ属菌等が挙げられる。ウィルスの具体例としては、ノロウイルス、サポウイルス等が挙げられる。アレルゲンの具体例としては、卵由来タンパク質、乳由来タンパク質、小麦由来タンパク質、エビ由来タンパク質、カニ由来タンパク質等が挙げられる。ウイロイドの具体例としては、ジャガイモやせいもウイロイド、トマト退緑萎縮ウイロイド等が挙げられる。カビの具体例としては、クロカビ、アオカビ、コウジカビ等が挙げられる。なお、汚染指標物質は、農作物や栽培環境10の汚染状態を表す指標となるものであれば、上記の例に限られない。
農作物栽培管理システム1における病害の予測では、予測対象の農作物における、病害原因物質及び汚染指標物質を含む病原指標体の存在度を病原汚染状態として含む栽培状態情報に基づいて、その予測対象の農作物における病害情報として、病害の発生、病害原因物質の存在度、危害原因物質の存在度等を予測する。
農作物栽培管理システム1は、その主要な構成として、図1に示すように、作業者端末装置2と、病原指標体検査装置3Aと、危害原因物質検査装置3Bと、栽培管理装置4A
と、試験管理装置4Bと、機械学習装置5と、情報処理装置6とを備える。各装置2~6は、例えば、汎用又は専用のコンピュータ(後述の図4参照)で構成されるとともに、有線又は無線のネットワーク7に接続されて、各種のデータを相互に送受信可能に構成される。なお、各装置2~6の数やネットワーク7の接続構成は、図1の例に限られず、適宜変更してもよい。
と、試験管理装置4Bと、機械学習装置5と、情報処理装置6とを備える。各装置2~6は、例えば、汎用又は専用のコンピュータ(後述の図4参照)で構成されるとともに、有線又は無線のネットワーク7に接続されて、各種のデータを相互に送受信可能に構成される。なお、各装置2~6の数やネットワーク7の接続構成は、図1の例に限られず、適宜変更してもよい。
作業者端末装置2は、栽培環境10にて作業する作業者(農作業者、検査作業者、農場管理者、試験作業者等)が使用する端末装置であり、据置型の装置でもよいし、携帯型の装置でもよい。作業者端末装置2は、例えば、アプリケーションプログラム、ウェブブラウザ等の表示画面やリーダライタを介して各種の入力操作を受け付けるとともに、表示画面を介して各種の情報を表示する。
病原指標体検査装置3Aは、栽培環境10において、例えば、農作物、農作物が栽培される土壌、農作物に供給される水、農作物に供給される肥料、栽培環境10の空気、及び、農作業に使用される農機具を試料として、それらの少なくとも1つの試料に含まれる病原指標体(病害原因物質や汚染指標物質)の検査に用いられる。また、病原指標体検査装置3Aは、栽培環境10を模擬した試験環境11で実施される病害解析試験においても、病原指標体の検査に用いられる。
病原指標体検査装置3Aは、例えば、検査キットや測定器等で構成され、1又は複数種類の病原指標体の存在度(存在の有無、存在レベル、個体数等)を検査可能な装置である。病原指標体検査装置3Aが、病原指標体の検査結果をデータとして出力可能に構成されている場合には、その病原指標体の検査結果を病原汚染状態として含む栽培状態情報を送信する。病原指標体検査装置3Aが、上記のような栽培状態情報を送信する機能を備えない場合には、検査作業者が、作業者端末装置2に対して病原指標体の検査結果を入力する入力操作を行うことで、作業者端末装置2が、その入力操作に基づく栽培状態情報を送信する。
危害原因物質検査装置3Bは、病原指標体検査装置3Aと同様に構成された装置であり、病害解析試験において、農作物を試料として、その試料に含まれる危害原因物質の検査に用いられる。
危害原因物質検査装置3Bは、例えば、検査キットや測定器等で構成され、1又は複数種類の危害原因物質の存在度を検査可能な装置である。危害原因物質検査装置3Bが、危害原因物質の検査結果をデータとして出力可能に構成されている場合には、その危害原因物質体の検査結果を含む病害情報を送信する。危害原因物質検査装置3Bが、上記のような病害情報を送信する機能を備えない場合には、検査作業者が、作業者端末装置2に対して危害原因物質の検査結果を入力する入力操作を行うことで、作業者端末装置2が、その入力操作に基づく病害情報を送信する。
病原指標体検査装置3A及び危害原因物質検査装置3Bは、形態学的検査、生化学的性状検査、血清学的検査、及び、遺伝学的検査のうち、いずれの検査手法を実施するものでもよいし、複数の検査手法を組み合わせて実施するものでもよい。また、病原指標体検査装置3A及び危害原因物質検査装置3Bは、検査対象となる病原指標体及び危害原因物質の種類が決められたものであるが、検査対象や検査手法が異なる複数タイプの病原指標体検査装置3Aが使用されてもよい。本実施形態では、病原指標体検査装置3Aは、試料から1又は複数種類の病原指標体の存在度を検査可能な遺伝子検査キットを用いるとともに、危害原因物質検査装置3Bは、試料から1又は複数種類の危害原因物質体の存在度を検査可能な遺伝子検査キットを用いる場合について説明する。
なお、遺伝子検査キットは、例えば、PCR検査法、DNAマイクロアレイを用いた検査法、次世代シーケンサを用いた検査法等を実施するものである。特に、DNAマイクロアレイや次世代シーケンサを用いた遺伝子検査キットでは、1つの試料から複数種類の病原指標体の存在度や複数種類の危害原因物質体の存在度を同時に検査可能である。
栽培管理装置4Aは、栽培環境10における予測対象の農作物の生育状態や栽培環境10の環境状態を監視するセンサ群40Aと、栽培環境10における農作物の栽培状態を管理するための栽培管理データベース41とを備える。栽培環境10では、病原指標体検査装置3Aが用いられる。なお、栽培管理装置4Aは、複数個所の栽培環境10を管理するものでもよい。
試験管理装置4Bは、試験環境11における学習対象の農作物の生育状態や試験環境11の環境状態を監視するセンサ群40Bと、試験環境11における農作物の栽培状態を管理するための試験管理データベース42とを備える。試験環境11は、学習対象の農作物を試験的に栽培するために栽培環境10を模擬したものであり、栽培環境10にて想定される様々な栽培状態を再現可能に構成される。試験環境11では、様々な試験条件にて発生する農作物の病害を解析するための病害解析試験が実施され、病原指標体検査装置3A及び危害原因物質検査装置3Bが用いられる。病害解析試験は、栽培環境10とは別の場所に設けられた試験環境11で実施されることを基本とするが、栽培環境10を試験環境11として利用して実施されてもよい。なお、試験管理装置4Bは、複数個所の試験環境11を管理するものでもよい。
センサ群40A、40Bは、例えば、農作物の生育状態として、農作物の蒸散速度、光合成速度、損傷の有無等を検出する農作物センサ、栽培環境10又は試験環境11の環境状態として、温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等の気象条件を検出する気象センサ、土壌の温度、湿度、水分含量、水の流れ、水素イオン指数(pH)、有機物量、窒素量、リン酸量、カリウム量、カルシウム量、マグネシウム量、硫黄量等の土壌条件を検出する土壌センサで構成される。センサ群40A、40Bは、検出対象に応じて検出場所(複数個所でもよい)や検出方式を適宜決定すればよく、例えば、画像センサ(カメラ)を使用してもよい。また、センサ群40A、40Bは、栽培環境10及び試験環境11だけでなく、栽培環境10及び試験環境11から所定の距離だけ離れた周辺環境(異なる距離や異なる方角に応じた複数個所でもよい)に設置されていてもよく、その場合には、環境状態として、周辺環境に設置されたセンサ群40A、40Bで検出されたものでもよい。気象条件は、気象センサに代えて、外部の気象情報提供装置(不図示)から提供された気象情報に基づいて取得されてもよく、栽培環境10及び試験環境11における気象情報だけでなく、周辺環境における気象情報が取得されてもよい。
栽培管理データベース41には、センサ群40Aの検出結果(生育状態や環境状態)、病原指標体検査装置3Aによる病原指標体の検査結果(病原汚染状態)、施肥や薬剤散布等の作業結果等が登録される。試験管理データベース42には、センサ群40Bの検出結果(生育状態や環境状態)、病原指標体検査装置3Aによる病原指標体の検査結果(病原汚染状態)、危害原因物質検査装置3Bによる危害原因物質体の検査結果(病害情報)、試験作業者が目視や測定器にて農作物における病害の発生度(発生の有無、発生レベル等)を判定したときの判定結果(病害情報)、施肥や薬剤散布等の作業結果等が登録される。なお、栽培管理データベース41及び試験管理データベース42の詳細は後述する。
機械学習装置5は、機械学習の学習フェーズの主体として動作する装置である。機械学習装置5は、例えば、試験管理装置4Bから試験環境11で実施された病害解析試験の試験結果を学習用データ13として取得し、その学習用データ13に基づいて、情報処理装置6にて用いられる学習モデル12を機械学習により生成する。学習済みの学習モデル1
2は、ネットワーク7や記録媒体等を介して情報処理装置6に提供される。
2は、ネットワーク7や記録媒体等を介して情報処理装置6に提供される。
情報処理装置6は、機械学習の推論フェーズの主体として動作する装置である。情報処理装置6は、機械学習装置5により生成された学習モデル12を用いて、予測対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報に基づいて、その予測対象の農作物における病害を予測する。その予測結果としての病害情報は、例えば、作業者端末装置2に提供されて、検査作業者や農場管理者に提示される。また、病害情報は、栽培管理装置4Aに提供されて、栽培管理データベース41に蓄積される。
図2及び図3は、栽培管理データベース41及び試験管理データベース42の一例を示すデータ構成図である。なお、各テーブルには、各情報が取得されたときの時刻も合わせて登録されるが、図2及び図3では、時刻に関するフィールドを省略したものである。また、図2及び図3では、各テーブルのフィールドには、0~1の範囲に正規化された値が登録される場合の登録例が示されている。
栽培管理データベース41は、栽培環境10にて栽培される農作物の栽培状態を、農作物の種類別や管理単位別に管理するデータベースである。栽培管理データベース41は、例えば、農作物テーブル410、病原汚染テーブル411、生育テーブル412、環境テーブル413、及び、農作業テーブル414を有し、農作物を特定する農作物IDに基づいて管理される。
試験管理データベース42は、試験環境11にて栽培される農作物の栽培状態を、農作物の種類別や管理単位別に管理するデータベースである。試験管理データベース42は、栽培管理データベース41と同様に、例えば、農作物テーブル420、病原汚染テーブル421、生育テーブル422、環境テーブル423、及び、農作業テーブル424を有するとともに、病害テーブル425をさらに有する。
農作物テーブル410、420は、例えば、農作業者や農場管理者が作業者端末装置2を用いて入力することで、農作物の種類や区画(管理単位)が登録される。
病原汚染テーブル411、421は、病原指標体検査装置3Aによる農作物の検査結果である病原汚染状態として、1又は複数種類(図2の例では4種類)の病原指標体の存在度が試料の種類別に登録される。試料の種類は、例えば、農作物、土壌、水、肥料、空気、農機具等が挙げられる。病原指標体は、病原指標体検査装置3Aの検査対象である病害原因物質又は汚染指標物質であり、病原指標体の種類やその種類数は、試料の種類毎に異なるものでもよい。また、病原汚染テーブル411、421には、病原指標体を媒介する1又は複数種類の媒介生物の存在度が登録されてもよく、センサ群40A、40Bの検出結果として登録されてもよいし、農作業者が媒介生物の存在度を観察したときの観察結果が作業者端末装置2を用いて入力されることで登録されてもよい。さらに、媒介生物の存在度としては、栽培環境10及び試験環境11から所定の距離だけ離れた周辺環境(異なる距離や異なる方角に応じた複数個所でもよい)に設置されたセンサ群40A、40Bの検出結果や、周辺環境での農作業者の観察結果が登録されてもよい。
生育テーブル412、422は、センサ群40A、40Bの検出結果である生育状態として、農作物の蒸散速度、光合成速度、損傷の有無等が登録される。なお、損傷の有無は、農作業者が農作物を観察したときの観察結果が作業者端末装置2を用いて入力されることで登録されてもよい。
環境テーブル413、423は、センサ群40A、40Bの検出結果である環境状態と
して、気象条件(温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等)と、土壌条件(温度、湿度、水分含量、水の流れ、水素イオン指数(pH)、有機物量、窒素量、リン酸量、カリウム量、カルシウム量、マグネシウム量、硫黄量等)とが登録される。なお、気象条件は、外部の気象情報提供装置から提供された気象情報が登録されてもよい。
して、気象条件(温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等)と、土壌条件(温度、湿度、水分含量、水の流れ、水素イオン指数(pH)、有機物量、窒素量、リン酸量、カリウム量、カルシウム量、マグネシウム量、硫黄量等)とが登録される。なお、気象条件は、外部の気象情報提供装置から提供された気象情報が登録されてもよい。
農作業テーブル414、424は、農作業者により耕耘、播種、施肥、薬剤散布、収穫等の農作業が実施されたときの作業結果が作業者端末装置2を用いて入力されることで、農作業の作業内容が登録される。薬剤散布の作業結果としては、例えば、散布された薬剤の種類と散布量が登録され、複数種類の薬剤が散布された場合には、各薬剤の種類と散布量が登録される。
病害テーブル425は、危害原因物質検査装置3Bによる農作物の検査結果として、1又は複数種類の病害原因物質(図3の例では3種類)の存在度、1又は複数種類の危害原因物質(図3の例では3種類)の存在度が登録される。また、病害テーブルは、試験作業者が目視や測定器にて農作物における1又は複数種類の病害(図3の例では3種類)の発生度を判定したときの判定結果が作業者端末装置2を用いて入力されることで、病害の発生度が登録される。
(各装置のハードウエア構成)
図4は、コンピュータ900の一例を示すハードウエア構成図である。農作物栽培管理システム1の各装置2~6は、汎用又は専用のコンピュータ900により構成される。
図4は、コンピュータ900の一例を示すハードウエア構成図である。農作物栽培管理システム1の各装置2~6は、汎用又は専用のコンピュータ900により構成される。
コンピュータ900は、図4に示すように、その主要な構成要素として、バス910、プロセッサ912、メモリ914、入力デバイス916、出力デバイス917、表示デバイス918、ストレージ装置920、通信I/F(インターフェース)部922、外部機器I/F部924、I/O(入出力)デバイスI/F部926、及び、メディア入出力部928を備える。なお、上記の構成要素は、コンピュータ900が使用される用途に応じて適宜省略されてもよい。
プロセッサ912は、1つ又は複数の演算処理装置(CPU(Central Processing Unit)、MPU(Micro-processing unit)、DSP(digital signal processor)、GPU(Graphics Processing Unit)等)で構成され、コンピュータ900全体を統括する制御部として動作する。メモリ914は、各種のデータ及びプログラム930を記憶し、例えば、メインメモリとして機能する揮発性メモリ(DRAM、SRAM等)と、不揮発性メモリ(ROM)、フラッシュメモリ等とで構成される。
入力デバイス916は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス917は、例えば、音(音声)出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス918は、例えば、液晶ディスプレイ、有機ELディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。入力デバイス916及び表示デバイス918は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置920は、例えば、HDD、SSD(Solid State Drive)等で構成され、記憶部として機能する。ストレージ装置920は、オペレーティングシステムやプログラム930の実行に必要な各種のデータを記憶する。
通信I/F部922は、インターネットやイントラネット等のネットワーク940(図1のネットワーク7と同じであってもよい)に有線又は無線により接続され、所定の通信
規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器I/F部924は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器950に有線又は無線により接続され、所定の通信規格に従って外部機器950との間でデータの送受信を行う通信部として機能する。I/OデバイスI/F部926は、各種のセンサ、アクチュエータ等のI/Oデバイス960に接続され、I/Oデバイス960との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部928は、例えば、DVDドライブ、CDドライブ等のドライブ装置で構成され、DVD、CD等のメディア(非一時的な記憶媒体)970に対してデータの読み書きを行う。
規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器I/F部924は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器950に有線又は無線により接続され、所定の通信規格に従って外部機器950との間でデータの送受信を行う通信部として機能する。I/OデバイスI/F部926は、各種のセンサ、アクチュエータ等のI/Oデバイス960に接続され、I/Oデバイス960との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部928は、例えば、DVDドライブ、CDドライブ等のドライブ装置で構成され、DVD、CD等のメディア(非一時的な記憶媒体)970に対してデータの読み書きを行う。
上記構成を有するコンピュータ900において、プロセッサ912は、ストレージ装置920に記憶されたプログラム930をメモリ914に呼び出して実行し、バス910を介してコンピュータ900の各部を制御する。なお、プログラム930は、ストレージ装置920に代えて、メモリ914に記憶されていてもよい。プログラム930は、インストール可能なファイル形式又は実行可能なファイル形式でメディア970に記録され、メディア入出力部928を介してコンピュータ900に提供されてもよい。プログラム930は、通信I/F部922を介してネットワーク940経由でダウンロードすることによりコンピュータ900に提供されてもよい。また、コンピュータ900は、プロセッサ912がプログラム930を実行することで実現する各種の機能を、例えば、FPGA、ASIC等のハードウエアで実現するものでもよい。
コンピュータ900は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ900は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ900は、各装置2~6以外の装置にも適用されてもよい。
(機械学習装置5)
図5は、第1の実施形態に係る機械学習装置5の一例を示すブロック図である。機械学習装置5は、制御部50、通信部51、学習用データ記憶部52、及び、学習済みモデル記憶部53を備える。
図5は、第1の実施形態に係る機械学習装置5の一例を示すブロック図である。機械学習装置5は、制御部50、通信部51、学習用データ記憶部52、及び、学習済みモデル記憶部53を備える。
制御部50は、学習用データ取得部500及び機械学習部501として機能する。通信部51は、ネットワーク7を介して外部装置と接続され、各種のデータを送受信する通信インターフェースとして機能する。
学習用データ取得部500は、通信部51及びネットワーク7を介して外部装置(例えば、作業者端末装置2、試験管理装置4B等)と接続され、入力データとしての栽培状態情報と、出力データとしての病害情報とで構成される学習用データ13を取得する。学習用データ13は、教師あり学習における教師データ(トレーニングデータ)、検証データ及びテストデータとして用いられるデータである。また、病害情報は、教師あり学習における正解ラベルとして用いられるデータである。
学習用データ記憶部52は、学習用データ取得部500で取得した学習用データ13を複数組記憶するデータベースである。なお、学習用データ記憶部52を構成するデータベースの具体的な構成は適宜設計すればよい。
機械学習部501は、学習用データ記憶部52に記憶された複数組の学習用データ13を用いて機械学習を実施する。すなわち、機械学習部501は、学習モデル12に学習用データ13を複数組入力し、学習用データ13に含まれる栽培状態情報と病害情報との相関関係を学習モデル12に学習させることで、学習済みの学習モデル12を生成する。な
お、機械学習部501は、学習モデル12に入力する入力データ(栽培状態情報)に対して所定の前処理を行うようにしてもよいし、学習モデル12から出力される出力データ(病害情報)に対して所定の後処理を行うようにしてもよい。
お、機械学習部501は、学習モデル12に入力する入力データ(栽培状態情報)に対して所定の前処理を行うようにしてもよいし、学習モデル12から出力される出力データ(病害情報)に対して所定の後処理を行うようにしてもよい。
学習済みモデル記憶部53は、機械学習部501により生成された学習済みの学習モデル12(具体的には、調整済みの重みパラメータ群)を記憶するデータベースである。学習済みモデル記憶部53に記憶された学習済みの学習モデル12は、ネットワーク7や記録媒体等を介して実システム(例えば、情報処理装置6)に提供される。なお、図5では、学習用データ記憶部52と、学習済みモデル記憶部53とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。
本実施形態では、学習用データ13が、病害情報として、病害の発生度、病害原因物質の存在度、及び、危害原因物質の存在度をそれぞれ含む第1乃至第3の学習用データ13A~13Cで構成される場合であって、機械学習部501が、第1乃至第3の学習用データ13A~13Cから第1乃至第3の学習モデル12A~12Cをそれぞれ生成する場合について説明する。
図6は、病害情報が病害の発生度である場合の第1の学習モデル12A及び第1の学習用データ13Aの一例を示す図である。第1の学習モデル12Aの機械学習に用いられる第1の学習用データ13Aは、栽培状態情報と、1又は複数種類の病害の発生度を含む病害情報とで構成される。
第1の学習用データ13Aを構成する栽培状態情報は、学習対象の農作物における、病原汚染状態と、生育状態と、環境状態とを含む。
病原汚染状態は、試料に含まれる1又は複数種類の病原指標体の存在度であり、病原指標体の存在度は、例えば、病原指標体の有無、存在レベル、個体数等で表される。存在レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲(例えば、0~1)に正規化された値でもよい。
試料は、例えば、葉、茎、根、実等の農作物自体をミキサー等で摩砕したものでもよいし、農作物の表面を綿棒等で拭き取ったものでもよい。また、試料は、農作物に限られず、農作物が栽培される土壌、農作物に供給される水(農業用水、スプリンクラー、雨水等)、農作物に供給される肥料(粒状、液状、霧状等いずれでもよい)、栽培環境10の空気(屋外又は屋内の空気)、及び、農作業に使用される農機具(機械式、手持ち式のいずれでもよい)であってもよい。その場合、病原汚染状態は、農作物、土壌、水、肥料、空気、及び、農機具を試料として、それらの少なくとも1つの試料に含まれる複数種類の病原指標体の存在度としてもよい。図6の例では、病原汚染状態は、上記の6つの試料にそれぞれ含まれる4種類の病原指標体の存在度である場合が示されている。
病原指標体の種類としては、図6に示すように、病害原因物質が割り当てられることを基本とするが、病害原因物質に加えて、汚染指標物質が割り当てられてもよい。病害原因物質の種類としては、例えば、コムギいもち病の病原体である「Pyricularia
oryzae Cavara」、カンキツモザイク病の病原体である「Citrus mosaic virus」、サツマイモ基腐病の病原体である「Diaporthe destruens」等が割り当てられる。病原指標体の種類やその種類数は、試料の種類毎に異なるものでもよい。
oryzae Cavara」、カンキツモザイク病の病原体である「Citrus mosaic virus」、サツマイモ基腐病の病原体である「Diaporthe destruens」等が割り当てられる。病原指標体の種類やその種類数は、試料の種類毎に異なるものでもよい。
なお、病原汚染状態は、病原指標体を媒介する1又は複数種類の媒介生物の存在度をさらに含むものでもよい。媒介生物は、昆虫、線虫、糸状菌等であり、媒介生物の存在度は
、例えば、媒介生物の有無、存在レベル、個体数等で表される。
、例えば、媒介生物の有無、存在レベル、個体数等で表される。
生育状態は、農作物の蒸散速度、光合成速度、損傷の有無等である。
環境状態は、温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等の気象条件と、土壌の温度、湿度、水分含量、水の流れ、水素イオン指数(pH)、有機物量、窒素量、リン酸量、カリウム量、カルシウム量、マグネシウム量、硫黄量等の土壌条件とのうち少なくとも一方を含む。
なお、栽培状態情報は、病原汚染状態を少なくとも含むものであればよく、生育状態及び環境状態のうちいずれか一方は省略されてもよいし、他の状態を含むものでもよい。また、栽培状態情報に含まれる病原汚染状態、生育状態、及び、環境状態は、所定の時点の状態を示す時点データでもよいし、所定の時間間隔(1時間毎、1日毎、1週間毎、1か月毎等)による複数の時点データからなる時系列データでもよい。栽培状態情報の定義は適宜変更してもよく、その場合には、第1の学習モデル12A及び第1の学習用データ13Aにおける入力データのデータ構成を適宜変更すればよい。
第1の学習用データ13Aを構成する病害情報は、学習対象の農作物における、1又は複数種類の病害の発生度を含む。病害の発生度は、例えば、病害の発生の有無、発生レベル等で表される。発生レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲(例えば、0~1)に正規化された値でもよい。病害の種類としては、例えば、コムギいもち病、カンキツモザイク病、サツマイモ基腐病等が割り当てられる。病害情報の定義は、適宜変更してもよく、その場合には、第1の学習モデル12A及び第1の学習用データ13Aにおける出力データのデータ構成を適宜変更すればよい。
学習用データ取得部500は、病害解析試験が実施されることで試験管理データベース42に登録された各種の情報を参照したり、作業者端末装置2から作業者の入力操作を受け付けたりすることにより、第1の学習用データ13Aを取得する。学習用データ取得部500が、試験管理データベース42を参照する際には、例えば、病原汚染テーブル421、生育テーブル422、環境テーブル423、及び、病害テーブル425において、特定の農作物IDで関連付けられた病原汚染状態、生育状態、環境状態、及び、病害の発生度を取得することにより、第1の学習用データ13Aを取得する。
第1の学習モデル12Aは、例えば、ニューラルネットワークの構造を採用したものであり、入力層120、中間層121、及び、出力層122を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス(不図示)が張られており、各シナプスには、重みがそれぞれ対応付けられている。各シナプスの重みからなる重みパラメータ群が、機械学習により調整される。
入力層120は、入力データとしての栽培状態情報に対応する数のニューロンを有し、栽培状態情報の各値が各ニューロンにそれぞれ入力される。出力層122は、出力データとしての病害情報に対応する数のニューロンを有し、栽培状態情報に対する病害情報の予測結果(推論結果)が、出力データとして出力される。第1の学習モデル12Aが、回帰モデルで構成される場合には、病害情報は、所定の範囲(例えば、0~1)に正規化された数値でそれぞれ出力される。また、第1の学習モデル12Aが、分類モデルで構成される場合には、病害情報は、各クラスに対するスコア(確度)として、所定の範囲(例えば、0~1)に正規化された数値でそれぞれ出力される。
機械学習部501は、第1の学習モデル12Aに第1の学習用データ13Aを複数組入力し、第1の学習用データ13Aに含まれる栽培状態情報と病害情報との相関関係を第1
の学習モデル12Aに学習させることで、学習済みの第1の学習モデル12Aを生成する。
の学習モデル12Aに学習させることで、学習済みの第1の学習モデル12Aを生成する。
図7は、病害情報が病害原因物質の存在度である場合の第2の学習モデル12B及び第2の学習用データ13Bの一例を示す図である。第2の学習モデル12Bの機械学習に用いられる第2の学習用データ13Bは、栽培状態情報と、1又は複数種類の病害原因物質の存在度を含む病害情報とで構成される。
第2の学習用データ13Bを構成する栽培状態情報は、第1の学習用データ13Aと同様に、学習対象の農作物における、病原汚染状態と、生育状態と、環境状態とを含む。病原汚染状態は、図7に示すように、試料に含まれる1又は複数種類の汚染指標物質の存在度である。汚染指標物質の種類としては、例えば、一般生菌、カビ等が割り当てられる。汚染指標物質の種類やその種類数は、試料の種類毎に異なるものでもよい。その他は第1の学習用データ13Aと同様であるため、説明を省略する。
第2の学習用データ13Bを構成する病害情報は、学習対象の農作物における、1又は複数種類の病害原因物質の存在度を含む。病害原因物質の存在度は、例えば、病害原因物質の有無、存在レベル、個体数等で表される。存在レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲(例えば、0~1)に正規化された値でもよい。病害原因物質の種類としては、例えば、コムギいもち病の病原体である「Pyricularia
oryzae Cavara」、カンキツモザイク病の病原体である「Citrus mosaic virus」、サツマイモ基腐病の病原体である「Diaporthe destruens」等が割り当てられる。
oryzae Cavara」、カンキツモザイク病の病原体である「Citrus mosaic virus」、サツマイモ基腐病の病原体である「Diaporthe destruens」等が割り当てられる。
学習用データ取得部500は、病害解析試験が実施されることで試験管理データベース42に登録された各種の情報を参照したり、作業者端末装置2から作業者の入力操作を受け付けたりすることにより、第2の学習用データ13Bを取得する。学習用データ取得部500が、試験管理データベース42を参照する際には、例えば、病原汚染テーブル421、生育テーブル422、環境テーブル423、及び、病害テーブル425において、特定の農作物IDで関連付けられた病原汚染状態、生育状態、環境状態、及び、病害原因物質の存在度を取得することにより、第2の学習用データ13Bを取得する。
機械学習部501は、第2の学習モデル12Bに第2の学習用データ13Bを複数組入力し、第2の学習用データ13Bに含まれる栽培状態情報と病害情報との相関関係を第2の学習モデル12Bに学習させることで、学習済みの第2の学習モデル12Bを生成する。
図8は、病害情報が危害原因物質の存在度である場合の第3の学習モデル12C及び第3の学習用データ13Cの一例を示す図である。第3の学習モデル12Cの機械学習に用いられる第3の学習用データ13Cは、栽培状態情報と、1又は複数種類の危害原因物質の存在度を含む病害情報とで構成される。
第3の学習用データ13Cを構成する栽培状態情報は、第1の学習用データ13Aと同様に、学習対象の農作物における、病原汚染状態と、生育状態と、環境状態とを含む。病原汚染状態は、図8に示すように、試料に含まれる1又は複数種類の汚染指標物質の存在度である。汚染指標物質の種類としては、例えば、一般生菌、大腸菌群、大腸菌、腸球菌、カビ等が割り当てられる。汚染指標物質の種類やその種類数は、試料の種類毎に異なるものでもよい。その他は第1の学習用データ13Aと同様であるため、説明を省略する。
第3の学習用データ13Cを構成する病害情報は、学習対象の農作物における、1又は
複数種類の危害原因物質の存在度を含む。危害原因物質の存在度は、例えば、危害原因物質の有無、存在レベル、個体数等で表される。存在レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲(例えば、0~1)に正規化された値でもよい。危害原因物質の種類としては、例えば、リステリア菌等が割り当てられる。
複数種類の危害原因物質の存在度を含む。危害原因物質の存在度は、例えば、危害原因物質の有無、存在レベル、個体数等で表される。存在レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲(例えば、0~1)に正規化された値でもよい。危害原因物質の種類としては、例えば、リステリア菌等が割り当てられる。
学習用データ取得部500は、病害解析試験が実施されることで試験管理データベース42に登録された各種の情報を参照したり、作業者端末装置2から作業者の入力操作を受け付けたりすることにより、第3の学習用データ13Cを取得する。学習用データ取得部500が、試験管理データベース42を参照する際には、例えば、病原汚染テーブル421、生育テーブル422、環境テーブル423、及び、病害テーブル425において、特定の農作物IDで関連付けられた病原汚染状態、生育状態、環境状態、及び、危害原因物質の存在度を取得することにより、第3の学習用データ13Cを取得する。
機械学習部501は、第3の学習モデル12Cに第3の学習用データ13Cを複数組入力し、第3の学習用データ13Cに含まれる栽培状態情報と病害情報との相関関係を第3の学習モデル12Cに学習させることで、学習済みの第3の学習モデル12Cを生成する。
なお、本実施形態では、学習モデル12及び学習用データ13のデータ構成は、図6乃至図8で示すように構成される場合について説明したが、例えば、機械学習の手法、農作物の種類、病原指標体検査装置3Aのタイプ(検査対象や検査手法)、危害原因物質検査装置3Bのタイプ(検査対象や検査手法)、栽培状態情報に含まれるデータの種類、病害情報に含まれるデータの種類等のように、条件が異なる複数のデータ構成を採用してもよい。その場合には、学習用データ取得部500は、条件が異なる複数のデータ構成にそれぞれ対応する複数種類の学習用データを取得するとともに、機械学習部501は、それらの学習用データをそれぞれ用いて機械学習を実施するようにすればよい。
例えば、図6乃至図8では、試料として、農作物、土壌、水、肥料、空気及び農機具の6種類が示されているが、播種が行われる前の栽培環境10における病害情報を予測する場合には、農作物を除いた他の試料(例えば、土壌及び水の2種類等)に基づくデータ構成を採用してもよいし、空気や農機具の殺菌が行われている場合には、空気及び農機具を除いた他の試料(例えば、農作物、土壌、水及び肥料の4種類等)に基づくデータ構成を採用してもよい。
(機械学習方法)
図9は、機械学習装置5による機械学習方法の一例を示すフローチャートである。以下では、複数組の学習用データ13を用いて学習モデル12を生成するものとして説明するが、第1乃至第3の学習用データ13A~13Cの各々を用いて第1乃至第3の学習モデル12A~12Cをそれぞれ作成する場合に適用される。
図9は、機械学習装置5による機械学習方法の一例を示すフローチャートである。以下では、複数組の学習用データ13を用いて学習モデル12を生成するものとして説明するが、第1乃至第3の学習用データ13A~13Cの各々を用いて第1乃至第3の学習モデル12A~12Cをそれぞれ作成する場合に適用される。
まず、ステップS100において、学習用データ取得部500は、機械学習を開始するための事前準備として、所望の数の学習用データ13を取得し、その取得した学習用データ13を学習用データ記憶部52に記憶する。ここで準備する学習用データ13の数については、最終的に得られる学習モデル12に求められる推論精度を考慮して設定すればよい。
次に、ステップS110において、機械学習部501は、機械学習を開始すべく、学習前の学習モデル12を準備する。ここで準備する学習前の学習モデル12は、図6に例示したニューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されている。
次に、ステップS120において、機械学習部501は、学習用データ記憶部52に記憶された複数組の学習用データ13から、例えば、ランダムに1組の学習用データ13を取得する。
次に、ステップS130において、機械学習部501は、1組の学習用データ13に含まれる栽培状態情報(入力データ)を、準備された学習前(又は学習中)の学習モデル12の入力層120に入力する。その結果、学習モデル12の出力層122から推論結果として病害情報(出力データ)が出力されるが、当該出力データは、学習前(又は学習中)の学習モデル12によって生成されたものである。そのため、学習前(又は学習中)の状態では、推論結果として出力された出力データは、学習用データ13に含まれる病害情報(正解ラベル)とは異なる情報を示す。
次に、ステップS140において、機械学習部501は、ステップS120において取得された1組の学習用データ13に含まれる病害情報(正解ラベル)と、ステップS130において出力層から推論結果として出力された病害情報(出力データ)とを比較し、各シナプスの重みを調整する処理(バックプロパゲーション)を実施することで、機械学習を実施する。これにより、機械学習部501は、栽培状態情報と病害情報との相関関係を学習モデル12に学習させる。
次に、ステップS150において、機械学習部501は、所定の学習終了条件が満たされたか否かを、例えば、学習用データ13に含まれる病害情報(正解ラベル)と、推論結果として出力された病害情報(出力データ)とに基づく誤差関数の評価値や、学習用データ記憶部52内に記憶された未学習の学習用データ13の残数に基づいて判定する。
ステップS150において、機械学習部501が、学習終了条件が満たされておらず、機械学習を継続すると判定した場合(ステップS150でNo)、ステップS120に戻り、学習中の学習モデル12に対してステップS120~S140の工程を未学習の学習用データ13を用いて複数回実施する。一方、ステップS150において、機械学習部501が、学習終了条件が満たされて、機械学習を終了すると判定した場合(ステップS150でYes)、ステップS160に進む。
そして、ステップS160において、機械学習部501は、各シナプスに対応付けられた重みを調整することで生成された学習済みの学習モデル12(調整済みの重みパラメータ群)を学習済みモデル記憶部53に記憶し、図9に示す一連の機械学習方法を終了する。機械学習方法において、ステップS100が学習用データ記憶工程、ステップS110~S150が機械学習工程、ステップS160が学習済みモデル記憶工程に相当する。
以上のように、本実施形態に係る情報処理装置6及び情報処理方法によれば、農作物における栽培状態情報から、当該農作物に対する病害情報を予測(推論)することが可能な学習モデル12(第1乃至第3の学習モデル12A~12C)を提供することができる。
(情報処理装置6)
図10は、第1の実施形態に係る情報処理装置6の一例を示すブロック図である。図11は、第1の実施形態に係る情報処理装置6の一例を示す機能説明図である。情報処理装置6は、制御部60、通信部61、及び、学習済みモデル記憶部62を備える。
図10は、第1の実施形態に係る情報処理装置6の一例を示すブロック図である。図11は、第1の実施形態に係る情報処理装置6の一例を示す機能説明図である。情報処理装置6は、制御部60、通信部61、及び、学習済みモデル記憶部62を備える。
制御部60は、情報取得部600、生成処理部601及び出力処理部602として機能する。通信部61は、ネットワーク7を介して外部装置と接続され、各種のデータを送受信する通信インターフェースとして機能する。
情報取得部600は、通信部61及びネットワーク7を介して外部装置(例えば、作業者端末装置2、栽培管理装置4A等)と接続され、予測対象の農作物における、病原汚染状態、生育状態及び環境状態を含む栽培状態情報を取得する。例えば、情報取得部600は、予測対象の農作物に対して病原指標体検査装置3Aによる病原指標体の検査が行われたときの検査結果として、作業者端末装置2又は病原指標体検査装置3Aから病原汚染状態を受信し、栽培管理装置4Aのセンサ群40Aから生育状態や環境状態を受信することで、栽培状態情報を取得する。また、栽培管理データベース41に、予測対象の農作物における、病原汚染状態、生育状態及び環境状態が登録されている場合には、情報取得部600は、栽培管理データベース41を参照することで、栽培状態情報を取得する。
その際、情報取得部600は、第1乃至第3の学習モデル12A~12Cの各々における入力データのデータ構成に合わせて栽培状態情報を取得すればよく、例えば、図11に示すように、病原汚染状態として、第1の学習モデル12Aに対しては病害原因物質の存在度を取得し、第2及び第3の学習モデル12B、12Cに対しては汚染指標物質の存在度を取得する。なお、情報取得部600が、生育状態及び環境状態の時系列データを取得する場合には、センサ群40Aから現在時点の生育状態及び環境状態を取得し、栽培管理データベース41から過去時点の生育状態及び環境状態を取得するようにしてもよい。
生成処理部601は、上記のように、情報取得部600により取得された予測対象の農作物における栽培状態情報を入力データとして学習モデル12に入力することで出力される病害情報に基づいて、当該農作物における病害情報を生成する。具体的には、生成処理部601は、栽培状態情報を第1乃至第3の学習モデル12A~12Cのそれぞれに入力することで、病害の発生度、病害原因物質の存在度、及び、危害原因物質の存在度をそれぞれ含む病害情報を生成する。なお、生成処理部601は、学習モデル12に入力する入力データ(栽培状態情報)に対して所定の前処理を行うようにしてもよいし、学習モデル12から出力される出力データ(病害情報)に対して所定の後処理を行うようにしてもよい。
学習済みモデル記憶部62は、生成処理部601にて用いられる学習済みの学習モデル12(具体的には、第1乃至第3の学習モデル12A~12C)を記憶するデータベースである。なお、学習済みモデル記憶部62に記憶される学習モデル12の数は上記の例に限定されず、例えば、機械学習の手法、農作物の種類、病原指標体検査装置3Aのタイプ(検査対象や検査手法)、危害原因物質検査装置3Bのタイプ(検査対象や検査手法)、栽培状態情報に含まれるデータの種類、病害情報に含まれるデータの種類等のように、条件が異なる複数の学習済みモデルが記憶され、選択的に利用可能としてもよい。また、学習済みモデル記憶部62は、外部コンピュータ(例えば、サーバ型コンピュータやクラウド型コンピュータ)の記憶部で代用されてもよく、その場合には、生成処理部601は、当該外部コンピュータにアクセスすればよい。
出力処理部602は、生成処理部601により生成された病害情報を出力するための出力処理を行う。例えば、出力処理部602は、その病害情報を作業者端末装置2に送信することで、その病害情報に基づく表示画面が作業者端末装置2に表示されてもよいし、その病害情報を栽培管理装置4Aに送信することで、その病害情報が栽培管理データベース41に登録されてもよい。
(情報処理方法)
図12は、情報処理装置6による情報処理方法の一例を示すフローチャートである。以下では、検査作業者が病原指標体検査装置3Aを用いて予測対象の農作物に対して病原指標体の検査を行った場合の情報処理装置6の動作例について説明する。
図12は、情報処理装置6による情報処理方法の一例を示すフローチャートである。以下では、検査作業者が病原指標体検査装置3Aを用いて予測対象の農作物に対して病原指標体の検査を行った場合の情報処理装置6の動作例について説明する。
まず、ステップS200において、情報処理装置6の情報取得部600は、病原指標体検査装置3Aから、病原指標体(病害原因物質や汚染指標物質)の検査結果である予測対象の農作物における病原汚染状態を受信する。その際、情報取得部600は、その予測対象の農作物を特定する農作物IDも合わせて受信する。そして、情報取得部600は、農作物IDに基づいて、予測対象の農作物を監視するセンサ群40Aの検出結果を受信したり、栽培管理データベース41を参照したりすることで、予測対象の農作物における生育状態及び環境状態を取得する。その結果として、情報取得部600は、予測対象の農作物における、病原汚染状態、生育状態及び環境状態を含む栽培状態情報を取得する。
次に、ステップS210において、生成処理部601は、ステップS200にて取得された栽培状態情報を第1乃至第3の学習モデル12A~12Cにそれぞれ入力することで、当該栽培状態情報に対する病害情報を出力データとして生成し、農作物における病害情報を予測する。なお、生成処理部601は、例えば、検査作業者や農場管理者による指示操作を受け付けることで、その指示操作に基づいて、第1乃至第3の学習モデル12A~12Cのいずれかに栽培状態情報を入力してもよい。
次に、ステップS220において、出力処理部602は、ステップS210にて生成された病害情報を出力するための出力処理として、その病害情報を、検査作業者や農場管理者が使用する作業者端末装置2に送信する。そして、作業者端末装置2が、その病害情報に基づいて表示画面を表示することで、その農作物における病害情報が検査作業者や農場管理者に提示される。なお、病害情報の送信先は、作業者端末装置2に加えて又は代えて、栽培管理装置4Aでもよい。上記の情報処理方法において、ステップS200が情報取得工程、ステップS210が生成処理工程、ステップS220が出力処理工程に相当する。
以上のように、本実施形態に係る情報処理装置6及び情報処理方法によれば、予測対象の農作物における栽培状態情報を学習モデル12(第1乃至第3の学習モデル12A~12C)に入力することで、予測対象の農作物における病害情報として、病害の発生度、病害原因物質の存在度、及び、危害原因物質の存在度が予測される。
(第2の実施形態)
第2の実施形態は、病害情報が、予測対象の農作物に対する1又は複数種類の薬剤の散布量を示す薬剤散布情報を含む点で第1の実施形態と相違する。以下では、第2の実施形態に係る機械学習装置5a及び情報処理装置6aについて、第1の実施形態と異なる部分を中心に説明する。
第2の実施形態は、病害情報が、予測対象の農作物に対する1又は複数種類の薬剤の散布量を示す薬剤散布情報を含む点で第1の実施形態と相違する。以下では、第2の実施形態に係る機械学習装置5a及び情報処理装置6aについて、第1の実施形態と異なる部分を中心に説明する。
図13は、第2の実施形態に係る機械学習装置5aの一例を示すブロック図である。図14は、第2の実施形態に係る第4の学習モデル12D及び第4の学習用データ13Dの一例を示す図である。第4の学習モデル12Dの機械学習に用いられる第4の学習用データ13Dは、栽培状態情報と、1又は複数種類の薬剤の散布量を示す薬剤散布情報を含む病害情報とで構成される。
第4の学習用データ13Dを構成する栽培状態情報は、第1の実施形態(第1乃至第3の学習用データ13A~13C)と同様に、学習対象の農作物における、病原汚染状態と、生育状態と、環境状態とを含む。病原汚染状態は、図14に示すように、試料に含まれる1又は複数種類の病原指標体の存在度である。病原指標体の種類としては、病害指標物質及び汚染指標物質のいずれが割り当てられるが、それらの任意の組み合わせが割り当てられてもよい。また、病原指標体の種類やその種類数は、試料の種類毎に異なるものでもよい。その他は第1の実施形態と同様であるため、説明を省略する。
第4の学習用データ13Dを構成する病害情報は、学習対象の農作物における、1又は複数種類の薬剤の散布量を含む。薬剤の散布量は、例えば、段階値又は連続値であり、連続値の場合には、所定の範囲(例えば、0~1)に正規化された値でもよい。薬剤の種類としては、例えば、殺虫剤、殺菌剤、除草剤等が割り当てられるが、それらの任意の組み合わせが割り当てられてもよい。
学習用データ取得部500は、病害解析試験が実施されることで試験管理データベース42に登録された各種の情報を参照したり、作業者端末装置2から作業者の入力操作を受け付けたりすることにより、第4の学習用データ13Dを取得する。学習用データ取得部500が、試験管理データベース42を参照する際には、例えば、病原汚染テーブル421、生育テーブル422、環境テーブル423、及び、農作業テーブル424において、特定の農作物IDで関連付けられた病原汚染状態、生育状態、環境状態、及び、薬剤の散布量を取得することにより、第4の学習用データ13Dを取得する。
機械学習部501は、第4の学習モデル12Dに第4の学習用データ13Dを複数組入力し、第4の学習用データ13Dに含まれる栽培状態情報と病害情報との相関関係を第4の学習モデル12Dに学習させることで、学習済みの第4の学習モデル12Dを生成する。
図15は、第2の実施形態に係る情報処理装置6aの一例を示すブロック図である。図16は、第2の実施形態に係る情報処理装置6aの一例を示す機能説明図である。
情報取得部600は、病原指標体検査装置3Aによる病原指標体(病害原因物質や汚染指標物質)の検査結果、センサ群40Aの検出結果、栽培管理データベース41に登録された情報に基づいて、予測対象の農作物における、病原汚染状態、生育状態及び環境状態を含む栽培状態情報を取得する。
生成処理部601は、上記のように、情報取得部600により取得された予測対象の農作物における栽培状態情報を入力データとして第4の学習モデル12Dに入力することで、当該農作物に対する1又は複数種類の薬剤の散布量を含む病害情報を生成する。
以上のように、本実施形態に係る情報処理装置6a及び情報処理方法によれば、予測対象の農作物における栽培状態情報を第4の学習モデル12Dに入力することで、予測対象の農作物における病害情報として、薬剤の散布量が予測される。
(第3の実施形態)
第3の実施形態は、学習モデル12が、病害解析用の学習モデルと、薬剤散布用の学習モデルとで構成されるものである。以下では、第3の実施形態に係る機械学習装置5b及び情報処理装置6bについて、第1の実施形態と異なる部分を中心に説明する。
第3の実施形態は、学習モデル12が、病害解析用の学習モデルと、薬剤散布用の学習モデルとで構成されるものである。以下では、第3の実施形態に係る機械学習装置5b及び情報処理装置6bについて、第1の実施形態と異なる部分を中心に説明する。
図17は、第3の実施形態に係る機械学習装置5bの一例を示すブロック図である。図18は、薬剤散布用の第5の学習モデル12E及び第5の学習用データ13Eの一例を示す図である。図19は、薬剤散布用の第6の学習モデル12F及び第6の学習用データ13Fの一例を示す図である。図20は、薬剤散布用の第7の学習モデル12G及び第7の学習用データ13Gの一例を示す図である。
第1の例に係る学習モデル12-1は、病害解析用の第1の学習モデル12A(図6参照)と、薬剤散布用の第5の学習モデル12E(図18参照)とで構成される。薬剤散布用の第5の学習モデル12Eの機械学習に用いられる第5の学習用データ13Eは、図1
8に示すように、1又は複数種類の病害の発生度を示す病害発生情報と、1又は複数種類の薬剤の散布量を示す薬剤散布情報とで構成される。病害解析用の第1の学習モデル12A及び第1の学習用データ13Aは、第1の実施形態(図6参照)と同様に構成されるため、説明を省略する。
8に示すように、1又は複数種類の病害の発生度を示す病害発生情報と、1又は複数種類の薬剤の散布量を示す薬剤散布情報とで構成される。病害解析用の第1の学習モデル12A及び第1の学習用データ13Aは、第1の実施形態(図6参照)と同様に構成されるため、説明を省略する。
第2の例に係る学習モデル12-2は、病害解析用の第2の学習モデル12B(図7参照)と、薬剤散布用の第6の学習モデル12F(図19参照)とで構成される。薬剤散布用の第6の学習モデル12Fの機械学習に用いられる第6の学習用データ13Fは、図19に示すように、1又は複数種類の病害原因物質の存在度を示す病害発生情報と、1又は複数種類の薬剤の散布量を示す薬剤散布情報とで構成される。病害解析用の第2の学習モデル12B及び第2の学習用データ13Bは、第1の実施形態(図7参照)と同様に構成されるため、説明を省略する。
第3の例に係る学習モデル12-3は、病害解析用の第3の学習モデル12C(図8参照)と、薬剤散布用の第7の学習モデル12G(図20参照)とで構成される。薬剤散布用の第7の学習モデル12Gの機械学習に用いられる第7の学習用データ13Gは、図20に示すように、1又は複数種類の危害原因物質の存在度を示す病害発生情報と、1又は複数種類の薬剤の散布量を示す薬剤散布情報とで構成される。病害解析用の第3の学習モデル12C及び第3の学習用データ13Cは、第1の実施形態(図8参照)と同様に構成されるため、説明を省略する。
学習用データ取得部500は、病害解析試験が実施されることで試験管理データベース42に登録された各種の情報を参照したり、作業者端末装置2から作業者の入力操作を受け付けたりすることにより、第1乃至第3、第5乃至第7の学習用データ13A~13C、13E~13Gを取得する。
機械学習部501は、第1乃至第3、第5乃至第7の学習用データ13A~13C、13E~13Gをそれぞれ用いて機械学習を実施して、学習済みの病害解析用の第1乃至第3の学習モデル12A~12C、及び、学習済みの薬剤散布用の第5乃至第7の学習モデル12E~12Gをそれぞれ生成する。なお、病害解析用の学習モデルは、栽培状態情報と、病害の発生度、病害原因物質の存在度、及び、危害原因物質の存在度のうち少なくとも1つを示す病害発生情報との相関関係を学習させたものであればよく、上記の例に限られない。
図21は、第3の実施形態に係る情報処理装置6bの一例を示すブロック図である。図22は、第3の実施形態に係る情報処理装置6bの一例を示す機能説明図である。
情報取得部600は、病原指標体検査装置3Aによる病原指標体の検査結果、センサ群40Aの検出結果、栽培管理データベース41に登録された情報に基づいて、予測対象の農作物における、病原汚染状態、生育状態及び環境状態を含む栽培状態情報を取得する。
生成処理部601は、第1の例に係る学習モデル12-1を用いる場合には、情報取得部600により取得された予測対象の農作物における栽培状態情報を病害解析用の第1の学習モデル12Aに入力することで、当該農作物における病害発生情報を生成し、その生成した病害発生情報を薬剤散布用の第5の学習モデル12Eに入力することで、当該農作物における薬剤散布情報を生成する。
生成処理部601は、第2の例に係る学習モデル12-2を用いる場合には、情報取得部600により取得された予測対象の農作物における栽培状態情報を病害解析用の第2の学習モデル12Bに入力することで、当該農作物における病害発生情報を生成し、その生
成した病害発生情報を薬剤散布用の第6の学習モデル12Fに入力することで、当該農作物における薬剤散布情報を生成する。
成した病害発生情報を薬剤散布用の第6の学習モデル12Fに入力することで、当該農作物における薬剤散布情報を生成する。
生成処理部601は、第3の例に係る学習モデル12-3を用いる場合には、情報取得部600により取得された予測対象の農作物における栽培状態情報を病害解析用の第3の学習モデル12Cに入力することで、当該農作物における病害発生情報を生成し、その生成した病害発生情報を薬剤散布用の第7の学習モデル12Gに入力することで、当該農作物における薬剤散布情報を生成する。
以上のように、本実施形態に係る情報処理装置6b及び情報処理方法によれば、予測対象の農作物における栽培状態情報を学習モデル12-1~12-3に入力することで、予測対象の農作物における病害情報として、薬剤の散布量が予測される。
(他の実施形態)
本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
上記実施形態では、情報処理装置6、6a、6bは、栽培状態情報が取得された時点(現在時点)に対する病害情報を予測するものとして説明したが、その現在時点よりも将来の時点(将来時点)における病害情報を予測するようにしてもよい。その際、情報処理装置6、6a、6bは、現在時点の病害情報と、将来時点の病害情報とを予測するようにしてもよいし、複数の将来時点(例えば、1週間毎や1か月毎)の病害情報を予測することにより病害情報の経時変化を予測するようにしてもよい。その場合には、学習モデル及び学習用データのデータ構成を適宜変更すればよい。
上記実施形態では、栽培管理装置4A、試験管理装置4B、機械学習装置5、5a、5b及び情報処理装置6、6a、6bは、別々の装置で構成されたものとして説明したが、それら4つの装置が、単一の装置で構成されていてもよいし、それら4つの装置のうち任意の2つ又は3つの装置が、単一の装置で構成されていてもよい。また、機械学習装置5、5a、5b及び情報処理装置6、6a、6bの少なくとも一方は、作業者端末装置2に組み込まれていてもよい。
上記実施形態では、機械学習部501による機械学習を実現する学習モデルとして、ニューラルネットワークを採用した場合について説明したが、他の機械学習のモデルを採用してもよい。他の機械学習のモデルとしては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニューラルネットワーク、畳み込みニューラルネットワーク、LSTM等のニューラルネット型(ディープラーニングを含
む)、階層型クラスタリング、非階層型クラスタリング、k近傍法、k平均法等のクラス
タリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。
む)、階層型クラスタリング、非階層型クラスタリング、k近傍法、k平均法等のクラス
タリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。
(機械学習プログラム及び情報処理プログラム)
本発明は、機械学習装置5が備える各部としてコンピュータ900を機能させるプログラム(機械学習プログラム)や、機械学習方法が備える各工程をコンピュータ900に実行させるためのプログラム(機械学習プログラム)の態様で提供することもできる。また、本発明は、情報処理装置6が備える各部としてコンピュータ900を機能させるためのプログラム(情報処理プログラム)や、上記実施形態に係る情報処理方法が備える各工程をコンピュータ900に実行させるためのプログラム(情報処理プログラム)の態様で提供することもできる。
本発明は、機械学習装置5が備える各部としてコンピュータ900を機能させるプログラム(機械学習プログラム)や、機械学習方法が備える各工程をコンピュータ900に実行させるためのプログラム(機械学習プログラム)の態様で提供することもできる。また、本発明は、情報処理装置6が備える各部としてコンピュータ900を機能させるためのプログラム(情報処理プログラム)や、上記実施形態に係る情報処理方法が備える各工程をコンピュータ900に実行させるためのプログラム(情報処理プログラム)の態様で提供することもできる。
(推論装置、推論方法及び推論プログラム)
本発明は、上記実施形態に係る情報処理装置6(情報処理方法又は情報処理プログラム)の態様によるもののみならず、病害情報を推論するために用いられる推論装置(推論方法又は推論プログラム)の態様で提供することもできる。その場合、推論装置(推論方法又は推論プログラム)としては、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、予測対象の農作物における栽培状態情報を取得する情報取得処理(情報取得工程)と、情報取得処理にて栽培状態情報を取得すると、当該農作物における病害に関する病害情報を推論する推論処理(推論工程)とを含む。
本発明は、上記実施形態に係る情報処理装置6(情報処理方法又は情報処理プログラム)の態様によるもののみならず、病害情報を推論するために用いられる推論装置(推論方法又は推論プログラム)の態様で提供することもできる。その場合、推論装置(推論方法又は推論プログラム)としては、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、予測対象の農作物における栽培状態情報を取得する情報取得処理(情報取得工程)と、情報取得処理にて栽培状態情報を取得すると、当該農作物における病害に関する病害情報を推論する推論処理(推論工程)とを含む。
推論装置(推論方法又は推論プログラム)の態様で提供することで、情報処理装置を実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置(推論方法又は推論プログラム)が病害情報を推論する際、上記実施形態に係る機械学習装置及び機械学習方法により生成された学習済みの学習モデルを用いて、生成処理部が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。
1…農作物栽培管理システム、2…作業者端末装置、
3A…病原指標体検査装置、3B…危害原因物質検査装置、
4A…栽培管理装置、4B…試験管理装置、
5、5a、5b…機械学習装置、6、6a、6b…情報処理装置、
7…ネットワーク、10…栽培環境、11…試験環境、
12、12-1~12-3、12A~12G…学習モデル、
13、13A~13G…学習用データ、
40A、40B…センサ群、
41…栽培管理データベース、42…試験管理データベース、
50…制御部、51…通信部、52…学習用データ記憶部、
53…学習済みモデル記憶部、
60…制御部、61…通信部、62…学習済みモデル記憶部、
500…学習用データ取得部、501…機械学習部、
600…情報取得部、601…生成処理部、602…出力処理部、
900…コンピュータ
3A…病原指標体検査装置、3B…危害原因物質検査装置、
4A…栽培管理装置、4B…試験管理装置、
5、5a、5b…機械学習装置、6、6a、6b…情報処理装置、
7…ネットワーク、10…栽培環境、11…試験環境、
12、12-1~12-3、12A~12G…学習モデル、
13、13A~13G…学習用データ、
40A、40B…センサ群、
41…栽培管理データベース、42…試験管理データベース、
50…制御部、51…通信部、52…学習用データ記憶部、
53…学習済みモデル記憶部、
60…制御部、61…通信部、62…学習済みモデル記憶部、
500…学習用データ取得部、501…機械学習部、
600…情報取得部、601…生成処理部、602…出力処理部、
900…コンピュータ
Claims (15)
- 予測対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得部と、
前記情報取得部により取得された前記栽培状態情報を、学習対象の農作物における前記栽培状態情報と、当該農作物における病害に関する病害情報との相関関係を機械学習により学習させた学習モデルに入力することで、前記予測対象の農作物における前記病害情報を生成する生成処理部と、を備える、
情報処理装置。 - 前記栽培状態情報が、前記病原汚染状態として、
前記農作物を試料として当該試料から検出された1又は複数種類の前記病原指標体の存在度、
前記農作物が栽培される土壌を試料として当該試料から検出された1又は複数種類の前記病原指標体の存在度、
前記農作物に供給される水を試料として当該試料から検出された1又は複数種類の前記病原指標体の存在度、
前記農作物に供給される肥料を試料として当該試料から検出された1又は複数種類の前記病原指標体の存在度、
前記農作物が栽培される栽培環境の空気を試料として当該試料から検出された1又は複数種類の前記病原指標体の存在度、及び、
前記農作物の農作業に使用される農機具を試料として当該試料から検出された1又は複数種類の前記病原指標体の存在度のうち、
少なくとも1つの前記試料から検出された1又は複数種類の前記病原指標体の存在度を含む、
請求項1に記載の情報処理装置。 - 前記病原汚染状態は、
1つの前記試料から1又は複数種類の前記病原指標体の存在度を検査可能な遺伝子検査キットを用いて検査された検査結果である、
請求項2に記載の情報処理装置。 - 前記栽培状態情報が、前記病原汚染状態として、
前記病原指標体を媒介する1又は複数種類の媒介生物の存在度を含む、
請求項1乃至請求項3のいずれか一項に記載の情報処理装置。 - 前記栽培状態情報が、
前記農作物の生育状態、及び、
前記農作物が栽培される栽培環境の環境状態のうち、さらに少なくとも一方を含む、
請求項1乃至請求項4のいずれか一項に記載の情報処理装置。 - 前記栽培状態情報が、前記病原汚染状態として、
前記農作物に前記病害を発生させる原因となり得る1又は複数種類の病害原因物質の存在度を含み、
前記病害情報が、
前記農作物に発生する1又は複数種類の前記病害の発生度を含む、
請求項1乃至請求項5のいずれか一項に記載の情報処理装置。 - 前記栽培状態情報が、前記病原汚染状態として、
前記農作物に前記病害を発生させる原因となり得る病害原因物質とは異なる1又は複
数種類の汚染指標物質の存在度を含み、
前記病害情報が、
1又は複数種類の前記病害原因物質の存在度を含む、
請求項1乃至請求項5のいずれか一項に記載の情報処理装置。 - 前記栽培状態情報が、前記病原汚染状態として、
前記農作物を食することで人体に危害を及ぼす原因となり得る危害原因物質とは異なる1又は複数種類の汚染指標物質の存在度を含み、
前記病害情報が、
1又は複数種類の前記危害原因物質の存在度を含む、
請求項1乃至請求項5のいずれか一項に記載の情報処理装置。 - 前記病害情報が、
前記農作物に対する1又は複数種類の薬剤の散布量を示す薬剤散布情報を含む、
請求項1乃至請求項5のいずれか一項に記載の情報処理装置。 - 前記学習モデルは、
前記学習対象の農作物における前記栽培状態情報と、当該農作物に発生する1又は複数種類の前記病害の発生度、当該農作物に前記病害を発生させる原因となり得る1又は複数種類の病害原因物質の存在度、及び、当該農作物を食することで人体に危害を及ぼす1又は複数種類の危害原因物質の存在度のうち少なくとも1つを示す病害発生情報との相関関係を学習させた病害解析用の学習モデルと、
前記学習対象の農作物における前記病害発生情報と、当該農作物に対する1又は複数種類の薬剤の散布量を示す薬剤散布情報との相関関係を学習させた薬剤散布用の学習モデルとで構成され、
前記生成処理部は、
前記情報取得部により取得された前記栽培状態情報を前記病害解析用の学習モデルに入力することで、前記予測対象の農作物における前記病害発生情報を生成し、
その生成した前記病害発生情報を前記薬剤散布用の学習モデルに入力することで、前記予測対象の農作物における前記薬剤散布情報を生成する、
請求項1乃至請求項5のいずれか一項に記載の情報処理装置。 - メモリと、プロセッサとを備える推論装置であって、
前記プロセッサは、
予測対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得処理と、
前記情報取得処理にて前記栽培状態情報を取得すると、前記予測対象の農作物における病害に関する病害情報を推論する推論処理と、を実行する、
推論装置。 - 学習対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報と、当該農作物における病害に関する病害情報とで構成される学習用データを複数組記憶する学習用データ記憶部と、
複数組の前記学習用データを学習モデルに入力することで、前記栽培状態情報と前記病害情報との相関関係を前記学習モデルに学習させる機械学習部と、
前記機械学習部により前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える、
機械学習装置。 - 予測対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態とし
て含む栽培状態情報を取得する情報取得工程と、
前記情報取得工程により取得された前記栽培状態情報を、学習対象の農作物における前記栽培状態情報と、当該農作物における病害に関する病害情報との相関関係を機械学習により学習させた学習モデルに入力することで、前記予測対象の農作物における前記病害情報を生成する生成処理工程と、を備える、
情報処理方法。 - メモリと、プロセッサとを備える推論装置により実行される推論方法であって、
前記プロセッサは、
予測対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得工程と、
前記情報取得工程にて前記栽培状態情報を取得すると、前記予測対象の農作物における病害に関する病害情報を推論する推論工程と、を実行する、
推論方法。 - 学習対象の農作物における、1又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報と、当該農作物における病害に関する病害情報とで構成される学習用データを学習用データ記憶部に複数組記憶する学習用データ記憶工程と、
複数組の前記学習用データを学習モデルに入力することで、前記栽培状態情報と前記病害情報との相関関係を前記学習モデルに学習させる機械学習工程と、
前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備える、
機械学習方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021210109A JP2023094673A (ja) | 2021-12-24 | 2021-12-24 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
PCT/JP2022/040347 WO2023119869A1 (ja) | 2021-12-24 | 2022-10-28 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021210109A JP2023094673A (ja) | 2021-12-24 | 2021-12-24 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023094673A true JP2023094673A (ja) | 2023-07-06 |
Family
ID=86902002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021210109A Pending JP2023094673A (ja) | 2021-12-24 | 2021-12-24 | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2023094673A (ja) |
WO (1) | WO2023119869A1 (ja) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6239806B2 (ja) * | 2015-05-01 | 2017-11-29 | 株式会社日立製作所 | 圃場管理装置、圃場管理方法、及び記録媒体 |
JP2021509212A (ja) * | 2017-10-27 | 2021-03-18 | 国立交通大学 | 病害の予測・コントロール方法、及びそのシステム |
KR20200025326A (ko) * | 2018-08-30 | 2020-03-10 | 주식회사 씨드림 | 시설재배 작물의 잿빛곰팡이병 초기 발생 및 방제 후 재발생을 지속적으로 예측하는 시스템 및 방법 |
JP2020046782A (ja) * | 2018-09-14 | 2020-03-26 | 富士電機株式会社 | 植物栽培の管理システム及び管理方法 |
US20220076014A1 (en) * | 2018-12-27 | 2022-03-10 | Bayer Cropscience K.K. | Information processing device, and information processing system |
-
2021
- 2021-12-24 JP JP2021210109A patent/JP2023094673A/ja active Pending
-
2022
- 2022-10-28 WO PCT/JP2022/040347 patent/WO2023119869A1/ja unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023119869A1 (ja) | 2023-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Javaid et al. | Understanding the potential applications of Artificial Intelligence in Agriculture Sector | |
Kukar et al. | AgroDSS: A decision support system for agriculture and farming | |
Atefi et al. | Robotic technologies for high-throughput plant phenotyping: Contemporary reviews and future perspectives | |
US10349584B2 (en) | System and method for plant monitoring | |
Sharma et al. | Implementation of artificial intelligence in agriculture | |
US20220076014A1 (en) | Information processing device, and information processing system | |
Murugamani et al. | Machine learning technique for precision agriculture applications in 5G-based internet of things | |
Medina-Ruíz et al. | Mathematical modeling on tomato plants: A review | |
Day | Engineering advances for input reduction and systems management to meet the challenges of global food and farming futures | |
Khanh et al. | Future of Smart Agriculture Techniques and Applications | |
Mishra et al. | Artificial intelligence and machine learning in agriculture: Transforming farming systems | |
Singh et al. | Role of artificial intelligence and the internet of things in agriculture | |
Dawn et al. | Implementation of Artificial Intelligence, Machine Learning, and Internet of Things (IoT) in revolutionizing Agriculture: A review on recent trends and challenges | |
Zhang et al. | Agricultural cybernetics | |
WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
Micheni et al. | Internet of things, big data analytics, and deep learning for sustainable precision agriculture | |
WO2023119869A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
JP2021057071A (ja) | 農作物の栽培方法提案プログラム及びシステム | |
JP2023501123A (ja) | 作物の監視と保護 | |
Rathore | Application of artificial intelligence in agriculture including horticulture | |
WO2023188845A1 (ja) | 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 | |
JP6964851B2 (ja) | 保存環境判別プログラム | |
Gupta et al. | Robotics and Artificial Intelligence (AI) in Agriculture with Major Emphasis on Food Crops | |
Clay et al. | Precision weed management | |
Pabitha et al. | A digital footprint in enhancing agricultural practices with improved production using machine learning |