JP6631747B2 - 植生指標算出装置、植生指標算出方法、及びプログラム - Google Patents
植生指標算出装置、植生指標算出方法、及びプログラム Download PDFInfo
- Publication number
- JP6631747B2 JP6631747B2 JP2019507446A JP2019507446A JP6631747B2 JP 6631747 B2 JP6631747 B2 JP 6631747B2 JP 2019507446 A JP2019507446 A JP 2019507446A JP 2019507446 A JP2019507446 A JP 2019507446A JP 6631747 B2 JP6631747 B2 JP 6631747B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- crop
- vegetation index
- learning model
- learning
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims description 81
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 8
- 241000196324 Embryophyta Species 0.000 description 95
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Description
本発明は、植物の植生指標を算出するための、植生指標算出装置、及び植生指標算出方法に関し、更には、これらを実現するためのプログラムに関する。
近年、コンピュータの発展に伴い、コンピュータシュミレーションによって、農作物の収量を予測する取り組みが行なわれている。例えば、特許文献１は、圃場における農作物の生育状況を把握して、農作物の収量を予測するシステムを提案している。
具体的には、特許文献１に開示されたシステムでは、まず、衛星データ及び気象データに基づいて、特定の圃場（又はエリア）について、時期毎に、農作物の植生指標と、有効積算温度とを算出し、これらを用いて、現在までの農作物の生長曲線を生成する。続いて、特許文献１に開示されたシステムは、得られた成長曲線を用いて、統計モデルを生成し、生成した統計モデルを用いて、将来の成長曲線を予測する。
また、このようなシステムにおいては、農作物の植生指標の精度が重要となる。植生指標としては、例えば、ＮＤＶＩ（正規化差植生指数：Normalized Difference Vegetation
Index）が知られている。ＮＤＶＩは、植物の葉が青と赤の波長を吸収し、近赤外線領域の波長を強く反射する特性を利用した指数であり、植生の分布状況及び活性度を示している。ＮＤＶＩの値が、正の大きな値になるほど、植生が濃くなる傾向にある。
Index）が知られている。ＮＤＶＩは、植物の葉が青と赤の波長を吸収し、近赤外線領域の波長を強く反射する特性を利用した指数であり、植生の分布状況及び活性度を示している。ＮＤＶＩの値が、正の大きな値になるほど、植生が濃くなる傾向にある。
ところで、ＮＤＶＩは、衛星データから得られた可視域赤の反射率をＲ、衛星データから得られた近赤外域の反射率をＩＲとすると、（ＩＲ−Ｒ）／（ＩＲ＋Ｒ）で得られた値を−１から＋１の間に正規化することによって算出される。つまり、ＮＤＶＩは、衛星で得られたデータから算出される。
しかしながら、実際の圃場においては、農作物以外の植物、例えば、雑草が茂っていることもあるため、ＮＶＤＩは雑草の植生を含めた値となっている。このため、ＮＤＶＩの信頼性が低いことがあり、このような場合、農作物の収量の予測精度は著しく低下してしまう。
本発明の目的の一例は、上記問題を解消し、特定の圃場又はエリアにおいて、対象となる農作物の植生指標を精度よく算出し得る、植生指標算出装置、植生指標算出方法、及びプログラムを提供することにある。
上記目的を達成するため、本発明の一側面における第１の植生指標算出装置は、
植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物の画像を特定する、特定部と、
前記特定部が特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、植生指標算出部と、
を備えている、ことを特徴とする。
植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物の画像を特定する、特定部と、
前記特定部が特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、植生指標算出部と、
を備えている、ことを特徴とする。
上記目的を達成するため、本発明の一側面における第２の植生指標算出装置は、
植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物以外の植物の画像を特定する、特定部と、
前記上空画像を用いて第１の植生指標を算出し、前記特定部が特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、植生指標算出部と、
前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、植生指標補正部と、
を備えている、ことを特徴とする。
植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物以外の植物の画像を特定する、特定部と、
前記上空画像を用いて第１の植生指標を算出し、前記特定部が特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、植生指標算出部と、
前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、植生指標補正部と、
を備えている、ことを特徴とする。
上記目的を達成するため、本発明の一側面における第１の植生指標算出方法は、
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする。
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする。
また、上記目的を達成するため、本発明の一側面における第２の植生指標算出方法は、（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
（ｄ）前記上空画像を用いて第１の植生指標を算出し、前記（ｃ）のステップで特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、ステップと、
（ｅ）前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする。
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
（ｄ）前記上空画像を用いて第１の植生指標を算出し、前記（ｃ）のステップで特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、ステップと、
（ｅ）前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする。
更に、上記目的を達成するため、本発明の一側面における第１のプログラムは、
コンピュータに、
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を実行させることを特徴とする。
コンピュータに、
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を実行させることを特徴とする。
更に、上記目的を達成するため、本発明の一側面における第２のプログラムは、
コンピュータに、
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
（ｄ）前記上空画像を用いて第１の植生指標を算出し、前記（ｃ）のステップで特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、ステップと、
（ｅ）前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
実行させることを特徴とする。
コンピュータに、
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
（ｄ）前記上空画像を用いて第１の植生指標を算出し、前記（ｃ）のステップで特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、ステップと、
（ｅ）前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
実行させることを特徴とする。
以上のように、本発明によれば、特定の圃場又はエリアにおいて、対象となる農作物の植生指標を精度よく算出することができる。
（実施の形態１）
以下、本発明の実施の形態１における、植生指標算出装置、植生指標算出方法、及びプログラムについて、図１〜図６を参照しながら説明する。
以下、本発明の実施の形態１における、植生指標算出装置、植生指標算出方法、及びプログラムについて、図１〜図６を参照しながら説明する。
［装置構成］
最初に、本実施の形態１における植生指標算出装置の構成について図１を用いて説明する。図１は、本発明の実施の形態１における植生指標算出装置の構成を示すブロック図である。
最初に、本実施の形態１における植生指標算出装置の構成について図１を用いて説明する。図１は、本発明の実施の形態１における植生指標算出装置の構成を示すブロック図である。
図１に示す、植生指標算出装置１０は、対象領域、例えば、特定の圃場又はエリアにおける植生指標を算出するための装置である。図１に示すように、植生指標算出装置１０は、学習モデル生成部１１と、画像取得部１２と、特定部１３と、植生指標算出部１４とを備えている。
学習モデル生成部１１は、植生指標の算出対象となる農作物（以下、単に農作物ともいう）の画像と、農作物以外の植物（以下、単に植物ともいう）の画像とを用いて農作物の画像の特徴量を学習することによって、学習モデル１５を生成する。
ここで、農作物の画像及び植物の画像は、例えば、該農作物及び該植物を上空から撮影した上空画像とすることができる。後述するように、学習モデル１５に適用する画像が上空画像であるため、学習モデル生成部１１が学習モデル１５の生成に用いる画像も上空画像であることが好ましい。
該農作物及び該植物を上空から撮影した上空画像は、例えば人工衛星、航空機、ドローン等によって圃場を上空から撮影することにより得られる。学習モデル１５を生成する際に、人工衛星、航空機、ドローン等によって圃場を上空から撮影することにより得られた上空画像を用いる場合、一枚の上空画像には、農作物の画像及び植物の画像が含まれていることがある。一枚の上空画像に農作物の画像及び植物の画像が含まれている場合は、該上空画像から農作物の画像及び植物の画像をそれぞれ切り出して学習モデル１５の生成に使用することができる。
なお、「農作物の画像」と、「農作物の画像及び該農作物以外の植物の画像を含む画像」を用いて学習を行うことにより、学習モデルの精度が向上する。農作物以外の植物が雑草である場合を例に説明すると、実際の圃場において雑草は、農作物と混在しているケースが多い。また、雑草の種類は一種類に限らないため、例えば雑草の葉の形状については、上空から見て葉が尖っている又は葉が丸い等様々な形状が考えられる。
したがって、「農作物の画像」と「農作物の画像及び雑草の画像を含む画像」を多数取得して学習を行う方が、実際のケースにより近い学習モデルを生成することができる。さらに、雑草が独立して存在しているケースも考えられるため、「農作物の画像」、「農作物の画像及び雑草の画像を含む画像」及び「雑草の画像」を用いて学習を行うことで、実際のケースにさらに近い学習モデルを生成することができる。
画像取得部１２は、農作物が栽培されている対象領域の上空画像を取得する。画像取得部１２は、例えば人工衛星、航空機、ドローン等によって上空から撮影された圃場等の上空画像を取得する。
特定部１３は、学習モデル生成部１１が生成した学習モデル１５に、画像取得部１２が取得した上空画像を適用して、この上空画像における農作物の画像を特定する。
植生指標算出部１４は、特定部１３が特定した農作物の画像を用いて、対象領域における農作物の植生指標を算出する。
このように、本実施の形態１では、学習モデル生成部１１が、農作物の画像の特徴量を学習することによって、農作物の画像を特定できる学習モデル１５を生成するので、上空画像から、精度よく農作物の画像を特定できる。このため、本実施の形態１によれば、特定の圃場又はエリアにおいて、対象となる農作物の植生指標を精度よく算出することができる。
続いて、図２及び図３を用いて、本実施の形態１における植生指標算出装置１０の構成についてより具体的に説明する。図２は、本発明の実施の形態１における学習モデルの生成処理を説明する図である。図２では、学習モデルの生成に用いられる画像として圃場等の上空画像を用いる例を説明する。
図２に示すように、まず、人工衛星、航空機、ドローン等によって上空から圃場等の撮影が行なわれ、学習用の上空画像が得られる。学習モデル生成部１１は、この学習用の上空画像から、該農作物が存在している領域及び該農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出する。そして、学習モデル作成部１１は、サポートベクトルマシンを用いて、該農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す学習モデルを生成する。
具体的には、学習モデル生成部１１は、図２に示すように、得られた学習用の上空画像のうち、植生指標の算出対象となる農作物の上空からの画像を第１の上空画像として取得する。また、学習モデル生成部１１は、該農作物以外の植物の上空からの画像を第２の上空画像として取得する。なお、撮影によって得られた上空画像が農作物の画像及び該農作物以外の植物の画像の両方を含む場合は、画像を加工することによって、第１の上空画像及び第２の上空画像が作成されても良い。また、取得される第１の上空画像及び第２の上空画像の枚数は限定されないが、学習モデルによる判別精度の点から、枚数はできるだけ多いのが良い。
続いて、学習モデル生成部１１は、第１の上空画像から、該農作物が存在している領域の形状、色、位置を示す特徴量を抽出する。更に、学習モデル生成部１１は、第２の上空画像から、該農作物以外の植物が存在している領域の形状、色、位置を示す特徴量を抽出する。そして、学習モデル生成部１１は、第１の上空画像から得られた特徴量と、第２の上空画像から得られた特徴量とを分類して保持する。
なお、該農作物が存在している領域の形状には、対象となる該農作物に固有の形状、畝の形状等が含まれる。また、該農作物に固有の形状とは、その農作物の葉の形、葉の重なり方によって決まる、その農作物を上から見たときの固有の形状を意味している。更に、該農作物が存在している位置には、圃場における畝の配列の状態が含まれる。また、該農作物が存在している領域の色には、農作物の色によって決まる、その領域における周波数特性（赤外、紫外を含めた色成分）が含まれる。
また、該農作物以外の植物が存在している領域の形状には、該農作物以外の植物に固有の形状等が含まれる。更に、該農作物以外の植物の固有の形状も、その植物の葉の形、葉の重なり方によって決まる、その植物を上から見たときの固有の形状を意味している。加えて、該農作物以外の植物が存在している領域の色にも、その植物の色によって決まる、その領域における周波数特性（赤外、紫外を含めた色成分）が含まれる。
次に、学習モデル生成部１１は、サポートベクトルマシンを用いて、植生指標の算出対象となる農作物が存在している領域の形状、色、位置を示す特徴量を学習する。具体的には、学習モデル生成部１１は、サポートベクトルマシンに、分類された各上空画像の特徴量を与えて、植生指標の算出対象となる農作物と該農作物以外の植物との境界を学習させ、学習結果を示す学習モデル１５を生成する。
また、学習モデル生成部１１は、取得した多数の学習用の上空画像を用いて、ディープラーニングを行ない、それによって、該農作物の上空からの画像と該農作物以外の植物の上空からの画像とを識別する分類器を作成し、作成した分類器を学習モデル１５とすることもできる。
特定部１３は、学習モデル生成部１１が生成した学習モデル１５を用いて、画像取得部１２が取得した上空画像から、農作物の画像を特定する。ここで、画像取得部１２が取得する上空画像も、学習に用いられる上空画像（図２参照）と同様に、人工衛星、航空機、ドローン等によって上空から圃場等を撮影することによって得られている。
指標算出部１４は、特定部１３が特定した画像を用いて、対象領域における農作物の植生指標を算出する。本実施の形態１で算出される植生指標としては、背景技術の欄で述べたＮＤＶＩに加え、ＳＡＶＩ（Soil Adjusted Vegetation Index）、ＷＤＶＩ（Weighted Difference Vegetation Index）、ＮＤＲＥ（Normalized Difference Red Edge）等も挙げられる。
ＳＡＶＩは、ＮＤＶＩに背景土壌の反射の影響を配慮して得られた指数である。ＷＤＶＩは、重み付き差分植生指数であり、植物からの反射光の各バンドに重みを付け、土壌の値を０として計算される。ＮＤＲＥは、Rapid Eye衛星によるRed edgeバンド（波長７１０ｎｍ付近）での測定値を正規化して得られた指数である。
図３は、本発明の実施の形態１における学習モデルの生成処理の別の例を説明する図である。図３の例では、学習モデル生成部１１は、ディープラーニングによって、「農作物の画像」と、「農作物の画像及び該農作物以外の植物の画像を含む画像」を用いて学習を行う。先述したように、「農作物の画像」と、「農作物の画像及び該農作物以外の植物の画像を含む画像」を用いて学習を行うことにより、学習モデルの精度が向上する。
［装置動作］
次に、本発明の実施の形態１における植生指標算出装置１０の動作について図４〜図６を用いて説明する。また、本実施の形態１では、植生指標算出装置１０を動作させることによって、植生指標算出方法が実施される。よって、本実施の形態１における植生指標算出方法の説明は、以下の植生指標算出装置の動作説明に代える。
次に、本発明の実施の形態１における植生指標算出装置１０の動作について図４〜図６を用いて説明する。また、本実施の形態１では、植生指標算出装置１０を動作させることによって、植生指標算出方法が実施される。よって、本実施の形態１における植生指標算出方法の説明は、以下の植生指標算出装置の動作説明に代える。
最初に、学習モデルの生成処理について図４及び図５を用いて説明する。まず、図４を用いて、サポートベクトルマシンによって学習モデルが生成される場合について説明する。図４は、本発明の実施の形態１における植生指標算出装置のサポートベクトルマシンによる学習モデル生成処理時の動作を示すフロー図である。
図４に示すように、学習モデル生成部１１は、外部から、多数の上空画像を取得する（ステップＡ１）。取得された上空画像には、第１の上空画像と第２の上空画像とが含まれている。第１の上空画像と第２の上空画像については、上述の通りである。
次に、学習モデル生成部１１は、ステップＡ１で取得した上空画像のうち、第１の上空画像から、農作物が存在している領域の形状、色、位置を示す特徴量を抽出し、第２の上空画像から、該農作物以外の植物が存在している領域の形状、色、位置を示す特徴量を抽出する（ステップＡ２）。
次に、学習モデル生成部１１は、第１の上空画像から得られた特徴量と、第２の上空画像から得られた特徴量とを分類して保持する（ステップＡ３）。
次に、学習モデル生成部１１は、サポートベクトルマシンを用いて、植生指標の算出対象となる農作物が存在している領域の形状、色、位置を示す特徴量を学習して、学習モデル１５を生成する（ステップＡ４）。
具体的には、学習モデル生成部１１は、サポートベクトルマシンに、分類された各上空画像の特徴量を与えて、植生指標の算出対象となる農作物と該農作物以外の植物との境界を学習させ、学習結果を示す学習モデル１５を生成する。
続いて、図５を用いて、ディープラーニングによって学習モデルが生成される場合について説明する。図５は、本発明の実施の形態１における植生指標算出装置のディープラーニングによる学習モデル生成処理時の動作を示すフロー図である。
図５に示すように、学習モデル生成部１１は、外部から、多数の上空画像を取得する（ステップＢ１）。上空画像には、例えば、「農作物の画像」と、「農作物の画像及び該農作物以外の植物の画像を含む画像」とが含まれている。
次に、学習モデル生成部１１は、ステップＢ１で取得した多数の学習用の上空画像を用いて、ディープラーニングを実行する（ステップＢ２）。
そして、学習モデル生成部１１は、ステップＢ２の結果から、植生指標の算出対象となる農作物の上空からの画像と、該農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した分類器を学習モデル１５とする（ステップＢ３）。
続いて、植生指標の算出処理について図６を用いて説明する。図６は、本発明の実施の形態１における植生指標算出装置の植生指標算出処理時の動作を示すフロー図である。
図６に示すように、最初に、画像取得部１２は、農作物が栽培されている対象領域の上空画像を取得する（ステップＣ１）。
次に、特定部１３は、学習モデル１５に、ステップＣ１で画像取得部１２が取得した上空画像を適用して、この上空画像における農作物の画像を特定する（ステップＣ２）。
次に、植生指標算出部１４は、ステップＣ２で特定部１３が特定した農作物の画像を用いて、対象領域における農作物の植生指標、例えば、ＮＤＶＩを算出する（ステップＣ３）。また、植生指標算出部１４は、算出した植生指標を、外部の端末装置等に送信する。
以上のように、図４に示すステップＡ１〜Ａ４、又は図５に示すステップＢ１〜Ｂ３を実行することにより、学習モデル生成部１１が、植生指標の算出対象となる農作物の画像の特徴量を学習し、該農作物の画像を特定できる学習モデル１５を生成する。特定部１３は、この学習モデル１５に、対象となる圃場又はエリアの上空画像を適用することにより、その圃場又はエリアでの該農作物の画像を特定することができる。そして、植生指標算出部１４は、特定部１３が特定した農作物の画像を用いて農作物の植生指標を算出する。このため、本実施の形態１によれば、特定の圃場又はエリアにおいて、対象となる農作物の植生指標を精度よく算出することができる。
［プログラム］
本実施の形態１におけるプログラムは、コンピュータに、図４に示すステップＡ１〜Ａ４（又は図５に示すステップＢ１〜Ｂ３）と、図６に示すステップＣ１〜Ｃ３とを実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態１における植生指標算出装置１０と植生指標算出方法とを実現することができる。この場合、コンピュータのプロセッサは、学習モデル生成部１１、画像取得部１２、特定部１３、及び植生指標算出部１４として機能し、処理を行なう。
本実施の形態１におけるプログラムは、コンピュータに、図４に示すステップＡ１〜Ａ４（又は図５に示すステップＢ１〜Ｂ３）と、図６に示すステップＣ１〜Ｃ３とを実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態１における植生指標算出装置１０と植生指標算出方法とを実現することができる。この場合、コンピュータのプロセッサは、学習モデル生成部１１、画像取得部１２、特定部１３、及び植生指標算出部１４として機能し、処理を行なう。
また、本実施の形態１におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、学習モデル生成部１１、画像取得部１２、特定部１３、及び植生指標算出部１４のいずれかとして機能しても良い。
（実施の形態２）
続いて、本発明の実施の形態２における、植生指標算出装置、植生指標算出方法、及びプログラムについて、図７〜図８を参照しながら説明する。
続いて、本発明の実施の形態２における、植生指標算出装置、植生指標算出方法、及びプログラムについて、図７〜図８を参照しながら説明する。
［装置構成］
最初に、本実施の形態２における植生指標算出装置の構成について図７を用いて説明する。図７は、本発明の実施の形態２における植生指標算出装置の構成を示すブロック図である。
最初に、本実施の形態２における植生指標算出装置の構成について図７を用いて説明する。図７は、本発明の実施の形態２における植生指標算出装置の構成を示すブロック図である。
図７に示すように、本実施の形態２では、植生指標算出装置２０は、実施の形態１における植生指標算出装置１０と同様に、学習モデル生成部２１と、画像取得部２２と、特定部２３と、植生指標算出部２４とを備えている。但し、本実施の形態２では、植生指標算出部２０は、植生指標補正部２５を備えており、この点で、実施の形態１における植生指標算出装置１０と異なっている。以下、実施の形態１との相違点を中心に説明する。
学習モデル生成部２１は、本実施の形態２では、農作物以外の植物の画像の特徴量を学習する。以下、農作物以外の植物の一例として雑草を用いて説明する。学習モデル生成部２１は、対象となる圃場又はエリアに存在する雑草の画像の特徴量を学習し、該雑草の画像を特定できる学習モデル２６を生成する。また、特定部２３は、本実施の形態２では、学習モデル２６に、対象となる圃場又はエリアの上空画像を適用することにより、その圃場又はエリアでの該雑草の画像を特定する。
そして、植生指標算出部２４は、画像取得部２２が取得した、対象となる圃場又はエリアの上空画像全体を用いて第１の植生指標（対象となる圃場又はエリアに存在する植物（農作物を含む）の植生指標）を算出し、更に、特定部２３が特定した雑草の画像を用いて第２の植生指標（雑草の植生指標）を算出する。
植生指標補正部２５は、対象となる圃場又はエリアの上空画像全体から算出した第１の植生指標を、第２の植生指標（雑草の植生指標）を用いて補正して、植生指標の算出対象となる農作物の植生指標を算出する。
［装置動作］
次に、本発明の実施の形態２における植生指標算出装置２０の動作について図８を用いて説明する。図８は、本発明の実施の形態２における植生指標算出装置の植生指標算出処理時の動作を示すフロー図である。また、本実施の形態２では、植生指標算出装置２０を動作させることによって、植生指標算出方法が実施される。よって、本実施の形態２における植生指標算出方法の説明は、以下の植生指標算出装置の動作説明に代える。
次に、本発明の実施の形態２における植生指標算出装置２０の動作について図８を用いて説明する。図８は、本発明の実施の形態２における植生指標算出装置の植生指標算出処理時の動作を示すフロー図である。また、本実施の形態２では、植生指標算出装置２０を動作させることによって、植生指標算出方法が実施される。よって、本実施の形態２における植生指標算出方法の説明は、以下の植生指標算出装置の動作説明に代える。
まず、本実施の形態２においても、実施の形態１と同様に行なわれ、学習モデル生成部２１は、図４に示すステップＡ１〜Ａ４又は図５に示すステップＢ１〜Ｂ３に準じて学習モデルを生成する。但し、生成される学習モデルは、雑草の画像を特定するものであるため、図４に示したステップＡ４では、学習モデル生成部２１は、サポートベクトルマシンを用いて、雑草が存在している領域の形状、色、位置を示す特徴量を学習する。
図８に示すように、最初に、画像取得部２２は、農作物が栽培されている対象領域の上空画像を取得する（ステップＤ１）。
次に、特定部２３は、学習モデル２６に、ステップＤ１で画像取得部２２が取得した上空画像を適用して、この上空画像における雑草の画像を特定する（ステップＤ２）。
次に、植生指標算出部２４は、ステップＤ１で画像取得部２２が取得した上空画像全体を用いて、第１の植生指標（対象となる圃場又はエリアに存在する植物（農作物を含む）の植生指標）を算出する（ステップＤ３）。
次に、植生指標算出部２４は、ステップＤ２で特定部２３が特定した雑草の画像を用いて第２の植生指標（雑草の植生指標）を算出する（ステップＤ４）。
次に、植生指標補正部２５は、植生指標算出部２４がステップＤ３で算出した第１の植生指標を、植生指標算出部２４がステップＤ４で算出した第２の植生指標を用いて補正して、農作物の植生指標を算出する（ステップＤ５）。また、植生指標補正部２５は、算出した植生指標を、外部の端末装置等に送信する。
このように、本実施の形態２では、対象となる圃場又はエリアの上空画像全体から算出した第１の植生指標を、第２の植生指標（雑草の植生指標）を用いて補正することによって、農作物の植生指標が算出されるので、農作物の植生指標の算出精度を高めることができる。
［プログラム］
本実施の形態２におけるプログラムは、コンピュータに、図４に示すステップＡ１〜Ａ４（又は図５に示すステップＢ１〜Ｂ３）と、図８に示すステップＤ１〜Ｄ５とを実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態２における植生指標算出装置２０と植生指標算出方法とを実現することができる。この場合、コンピュータのプロセッサは、学習モデル生成部２１、画像取得部２２、特定部２３、植生指標算出部２４、及び植生指標補正部２５として機能し、処理を行なう。
本実施の形態２におけるプログラムは、コンピュータに、図４に示すステップＡ１〜Ａ４（又は図５に示すステップＢ１〜Ｂ３）と、図８に示すステップＤ１〜Ｄ５とを実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態２における植生指標算出装置２０と植生指標算出方法とを実現することができる。この場合、コンピュータのプロセッサは、学習モデル生成部２１、画像取得部２２、特定部２３、植生指標算出部２４、及び植生指標補正部２５として機能し、処理を行なう。
また、本実施の形態２におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、学習モデル生成部２１、画像取得部２２、特定部２３、植生指標算出部２４、及び植生指標補正部２５のいずれかとして機能しても良い。
（物理構成）
ここで、本実施の形態１及び２におけるプログラムを実行することによって、植生指標算出装置１０を実現するコンピュータについて図９を用いて説明する。図９は、本発明の実施の形態１又は２における植生指標算出装置を実現するコンピュータの一例を示すブロック図である。
ここで、本実施の形態１及び２におけるプログラムを実行することによって、植生指標算出装置１０を実現するコンピュータについて図９を用いて説明する。図９は、本発明の実施の形態１又は２における植生指標算出装置を実現するコンピュータの一例を示すブロック図である。
図９に示すように、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。なお、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-ProgrammableGate Array）を備えていても良い。
ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。
また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。
データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ−ＲＯＭ（Compact DiskRead Only Memory）などの光学記録媒体が挙げられる。
なお、本実施の形態における植生指標算出装置１０は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、植生指標算出装置１０は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
上述した実施の形態の一部又は全部は、以下に記載する（付記１）〜（付記１２）によって表現することができるが、以下の記載に限定されるものではない。
（付記１） 植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物の画像を特定する、特定部と、
前記特定部が特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、植生指標算出部と、
を備えている、ことを特徴とする植生指標算出装置。
（付記２） 前記学習モデル生成部が、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
付記１に記載の植生指標算出装置。
（付記３） 前記学習モデル生成部が、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
付記１に記載の植生指標算出装置。
（付記４） 植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物以外の植物の画像を特定する、特定部と、
前記上空画像を用いて第１の植生指標を算出し、前記特定部が特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、植生指標算出部と、
前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、植生指標補正部と、
を備えている、ことを特徴とする植生指標算出装置。
（付記５）（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする植生指標算出方法。
（付記６） 前記（ａ）のステップにおいて、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
付記５に記載の植生指標算出方法。
（付記７） 前記（ａ）のステップにおいて、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
付記５に記載の植生指標算出方法。
（付記８）（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
（ｄ）前記上空画像を用いて第１の植生指標を算出し、前記（ｃ）のステップで特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、ステップと、
（ｅ）前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする植生指標算出方法。
（付記９）コンピュータに、
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を実行させるプログラム。
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を実行させるプログラム。
（付記１０） 前記（ａ）のステップにおいて、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
付記９に記載のプログラム。
付記９に記載のプログラム。
（付記１１） 前記（ａ）のステップにおいて、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
付記９に記載のプログラム。
付記９に記載のプログラム。
（付記１２）コンピュータに、
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
（ｄ）前記上空画像を用いて第１の植生指標を算出し、前記（ｃ）のステップで特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、ステップと、
（ｅ）前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
実行させるプログラム。
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
（ｄ）前記上空画像を用いて第１の植生指標を算出し、前記（ｃ）のステップで特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、ステップと、
（ｅ）前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
実行させるプログラム。
以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
この出願は、２０１７年３月２３日に出願された日本出願特願２０１７−５７７８１を基礎とする優先権を主張し、その開示の全てをここに取り込む。
以上のように、本発明によれば、特定の圃場又はエリアにおいて、対象となる農作物の植生指標を精度よく算出することができる。本発明は、正確な植生指標の値を必要とする、農作物の収量予測を行なうシステムに有用である。
１０ 植生指標算出装置（実施の形態１）
１１ 学習モデル生成部
１２ 画像取得部
１３ 特定部
１４ 植生指標算出部
１５ 学習モデル
２０ 植生指標算出装置（実施の形態２）
２１ 学習モデル生成部
２２ 画像取得部
２３ 特定部
２４ 植生指標算出部
２５ 植生指標補正部
２６ 学習モデル
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
１１ 学習モデル生成部
１２ 画像取得部
１３ 特定部
１４ 植生指標算出部
１５ 学習モデル
２０ 植生指標算出装置（実施の形態２）
２１ 学習モデル生成部
２２ 画像取得部
２３ 特定部
２４ 植生指標算出部
２５ 植生指標補正部
２６ 学習モデル
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス
Claims (9)
- 植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物以外の植物の画像を特定する、特定部と、
前記上空画像を用いて第１の植生指標を算出し、前記特定部が特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、植生指標算出部と、
前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、植生指標補正部と、
を備えている、ことを特徴とする植生指標算出装置。 - 前記学習モデル生成部が、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
請求項１に記載の植生指標算出装置。 - 前記学習モデル生成部が、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
請求項１に記載の植生指標算出装置。 - （ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
（ｄ）前記上空画像を用いて第１の植生指標を算出し、前記（ｃ）のステップで特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、ステップと、
（ｅ）前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする植生指標算出方法。 - 前記（ａ）のステップにおいて、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
請求項４に記載の植生指標算出方法。 - 前記（ａ）のステップにおいて、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
請求項４に記載の植生指標算出方法。 - コンピュータに、
（ａ）植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
（ｄ）前記上空画像を用いて第１の植生指標を算出し、前記（ｃ）のステップで特定した前記農作物以外の植物の画像を用いて第２の植生指標を算出する、ステップと、
（ｅ）前記第１の植生指標を、前記第２の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
を実行させる、プログラム。 - 前記（ａ）のステップにおいて、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
請求項７に記載のプログラム。 - 前記（ａ）のステップにおいて、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
請求項７に記載のプログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017057781 | 2017-03-23 | ||
| JP2017057781 | 2017-03-23 | ||
| PCT/JP2018/005579 WO2018173577A1 (ja) | 2017-03-23 | 2018-02-16 | 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2018173577A1 JPWO2018173577A1 (ja) | 2019-11-07 |
| JP6631747B2 true JP6631747B2 (ja) | 2020-01-15 |
Family
ID=63586544
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019507446A Active JP6631747B2 (ja) | 2017-03-23 | 2018-02-16 | 植生指標算出装置、植生指標算出方法、及びプログラム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11417089B2 (ja) |
| EP (1) | EP3605455A4 (ja) |
| JP (1) | JP6631747B2 (ja) |
| WO (1) | WO2018173577A1 (ja) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11348272B2 (en) * | 2017-03-23 | 2022-05-31 | Nec Corporation | Vegetation index calculation apparatus, vegetation index calculation method, and computer readable recording medium |
| JP7068747B2 (ja) * | 2019-01-30 | 2022-05-17 | 株式会社オプティム | コンピュータシステム、作物生育支援方法及びプログラム |
| JP7273259B2 (ja) * | 2019-06-17 | 2023-05-15 | 株式会社パスコ | 植生領域判定装置及びプログラム |
| CN110852149B (zh) * | 2019-09-24 | 2022-10-04 | 广州地理研究所 | 基于分类和回归树算法的植被指数预测方法、系统及设备 |
| WO2021153791A1 (ja) * | 2020-01-31 | 2021-08-05 | 株式会社ロングターム・インダストリアル・ディベロップメント | 与信管理装置、マッチング装置、それらの方法およびプログラム |
| CN112861807B (zh) * | 2021-03-18 | 2022-12-09 | 国家海洋信息中心 | 一种基于改进gli指数和深度学习的极地植被提取方法 |
| CN115830442B (zh) * | 2022-11-11 | 2023-08-04 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
| CN117372503B (zh) * | 2023-12-08 | 2024-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5020444B2 (ja) * | 2001-06-29 | 2012-09-05 | 独立行政法人農業・食品産業技術総合研究機構 | 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体 |
| JP2006085517A (ja) | 2004-09-17 | 2006-03-30 | Hiroshima Pref Gov | 衛星データによる森林地域の植生分類方法 |
| JP4887130B2 (ja) * | 2006-12-15 | 2012-02-29 | 株式会社日立ソリューションズ | 農地区画データ作成システム |
| JP5761789B2 (ja) | 2011-03-30 | 2015-08-12 | 国立大学法人神戸大学 | 植物体の画像領域抽出方法、植物体の画像領域抽出装置、および植物体の生育監視システム |
| US20150206255A1 (en) * | 2011-05-13 | 2015-07-23 | HydroBio, Inc | Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data |
| US9030549B2 (en) * | 2012-03-07 | 2015-05-12 | Blue River Technology, Inc. | Method and apparatus for automated plant necrosis |
| JP6172657B2 (ja) * | 2013-03-27 | 2017-08-02 | 国立大学法人神戸大学 | 植物体の画像生成装置 |
| US20150254800A1 (en) * | 2014-03-06 | 2015-09-10 | F12 Solutions, Llc | Nitrogen status determination in growing crops |
| JP2015188333A (ja) | 2014-03-27 | 2015-11-02 | 株式会社日立製作所 | 植生生長分析システム及び方法 |
| US10349584B2 (en) * | 2014-11-24 | 2019-07-16 | Prospera Technologies, Ltd. | System and method for plant monitoring |
| JP5892275B2 (ja) | 2015-02-26 | 2016-03-23 | カシオ計算機株式会社 | 多クラス識別器生成装置、データ識別装置、多クラス識別器生成方法、データ識別方法、及びプログラム |
| JP6539901B2 (ja) * | 2015-03-09 | 2019-07-10 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
| JP6326009B2 (ja) | 2015-06-29 | 2018-05-16 | 株式会社オプティム | 無線航空機、位置情報出力方法及び無線航空機用プログラム。 |
| JP2017057781A (ja) | 2015-09-16 | 2017-03-23 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
| JP2019513315A (ja) * | 2016-02-29 | 2019-05-23 | ウルグス ソシエダード アノニマ | 惑星規模解析のためのシステム |
-
2018
- 2018-02-16 EP EP18772317.6A patent/EP3605455A4/en not_active Withdrawn
- 2018-02-16 WO PCT/JP2018/005579 patent/WO2018173577A1/ja active Application Filing
- 2018-02-16 JP JP2019507446A patent/JP6631747B2/ja active Active
- 2018-02-16 US US16/494,117 patent/US11417089B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| EP3605455A4 (en) | 2020-04-01 |
| EP3605455A1 (en) | 2020-02-05 |
| JPWO2018173577A1 (ja) | 2019-11-07 |
| US11417089B2 (en) | 2022-08-16 |
| US20210142056A1 (en) | 2021-05-13 |
| WO2018173577A1 (ja) | 2018-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6631747B2 (ja) | 植生指標算出装置、植生指標算出方法、及びプログラム | |
| JP6729791B2 (ja) | 植生指標算出装置、植生指標算出方法、及びプログラム | |
| Gao et al. | Deep convolutional neural networks for image-based Convolvulus sepium detection in sugar beet fields | |
| Gutierrez et al. | A benchmarking of learning strategies for pest detection and identification on tomato plants for autonomous scouting robots using internal databases | |
| López-Granados et al. | Early season weed mapping in sunflower using UAV technology: variability of herbicide treatment maps against weed thresholds | |
| US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
| US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
| Swain et al. | Weed identification using an automated active shape matching (AASM) technique | |
| WO2019176879A1 (ja) | 栽培作物選定支援装置、栽培作物選定支援方法、及びコンピュータ読み取り可能な記録媒体 | |
| Tiwari et al. | An experimental set up for utilizing convolutional neural network in automated weed detection | |
| Shirzadifar et al. | Field identification of weed species and glyphosate-resistant weeds using high resolution imagery in early growing season | |
| Gonçalves et al. | Automatic detection of Acacia longifolia invasive species based on UAV-acquired aerial imagery | |
| JP6977733B2 (ja) | パラメータ最適化装置、パラメータ最適化方法、及びプログラム | |
| Karasiak et al. | Remote sensing of distinctive vegetation in Guiana amazonian park | |
| Gómez-Zamanillo et al. | Damage assessment of soybean and redroot amaranth plants in greenhouse through biomass estimation and deep learning-based symptom classification | |
| Ke et al. | Intelligent vineyard blade density measurement method incorporating a lightweight vision transformer | |
| CN117710833A (zh) | 基于云计算的测绘地理信息数据采集方法及相关装置 | |
| Sykes et al. | Computer vision for plant pathology: A review with examples from cocoa agriculture | |
| JP7452879B2 (ja) | 予測システム、予測方法、および予測プログラム | |
| Altınbaş et al. | Detecting defected crops: Precision agriculture using haar classifiers and UAV | |
| Vieira et al. | ProtectLeaf: An insect predation analyzer for agricultural crop monitoring | |
| Gromova | Weed detection in UAV images of cereal crops with instance segmentation | |
| US20220398841A1 (en) | Information processing device, information processing method, and program | |
| Logavitool et al. | Rice disease detection in UAV images using deep learning-based semantic segmentation | |
| WO2023055954A1 (en) | Methods and systems for use in processing images related to crop phenology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190627 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190627 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190627 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190719 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190730 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190926 |
|
| 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: 20191112 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191125 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6631747 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |