JP6839433B2 - 萎れ具合予測システム及び萎れ具合予測方法 - Google Patents

Description

本発明は、植物の萎れ具合を予測する萎れ具合予測システム及び萎れ具合予測方法に関する。

近年、植物の栽培を自動制御することで、栽培者の技能に依存しないで一定の品質の植物を栽培しようとする仕組みが検討されている。例えば、下記特許文献１には、栽培果実の内成分情報から栽培果実の成熟時の予測糖度を得て、その予測糖度が目標値に近くなるように生育途中での溶液制御を自動的に行う溶液制御装置が開示されている。具体的には、この溶液制御装置では、ハロゲンランプとＮＩＲ分光分析器とを用いて得られた果実の近赤外スペクトルを基に、乾物率及び澱粉含量が演算され、この乾物率及び澱粉含量から所定の演算モデルを用いて成熟時の果実の可溶性固形物含量が演算される。この可溶性固形物含量が成熟時の果実の糖度に相当する。

特開２００８−５４５７３号公報

上述した特許文献１に記載の溶液制御装置では、１つ１つの果実を対象に得られた近赤外スペクトルを基に、将来の果実の生育状態を示す値として糖度が予測されているが、近赤外分光分析器の設置や計測値の入力など取り扱いが煩雑である。また、果実の近赤外スペクトルを基に将来の植物の生育状態を示す値を予測する手法では、簡易的な計算式による予測しか想定しておらず、栽培環境の違いや変化に順応した生育状態の予測精度が十分とはいえない。

本発明は、上記課題に鑑みて為されたものであり、複雑な取り扱いを必要とすることなく、栽培環境に応じた植物の萎れ具合を高精度に予測することが可能な萎れ具合予測システム及び萎れ具合予測方法を提供することを目的とする。

上記課題を解決するため、本発明の一形態にかかる萎れ具合予測システムは、植物である対象物の外観に関する画像を取得する撮像部と、対象物の周囲環境に関する測定データを出力する環境センサと、撮像部から取得された画像を基に、機械学習を用いて対象物の萎れ具合に関する特徴量である数値列を算出する画像特徴量算出部と、画像特徴量算出部によって算出された数値列と、環境センサから出力された測定データとを基に、機械学習を用いて対象物の萎れ具合を表す数値の予測値を導出する予測値導出部と、を備える。

あるいは、本発明の他の形態にかかる萎れ具合予測方法では、撮像部を用いて、植物である対象物の外観に関する画像を取得し、環境センサを用いて、対象物の周囲環境に関する測定データを取得し、画像特徴量算出部により、撮像部から取得された画像を基に、機械学習を用いて対象物の萎れ具合に関する特徴量である数値列を算出し、予測値導出部により、画像特徴量算出部によって算出された数値列と、環境センサによって取得された測定データとを基に、機械学習を用いて対象物の萎れ具合を表す数値の予測値を導出する。

上記形態の萎れ具合予測システムあるいは萎れ具合予測方法によれば、撮像部によって取得された対象物の外観の画像を基に、機械学習によって特徴量である数値列が算出され、その数値列と環境センサによって取得された測定データとを用いた機械学習によって、対象物の萎れ具合を表す数値の予測値が導出される。これにより、撮像部と環境センサとを含む簡易なシステムを用いた簡易な操作によって、対象物の萎れ具合を予測するシステムが実現できる。また、対象物の外観の画像と共に環境センサによって取得される測定データをも用いて予測値が導出されるので、栽培環境に応じた植物の萎れ具合を高精度に予測することができる。

ここで、予測値導出部は、予測値として、対象物の茎の径に関する数値の予測値を導出する、こととしてもよい。この場合、対象物の茎の径に関する数値の予測値を基に萎れ具合を適切に評価することができる。

また、予測値を基に、対象物の糖度を予測する糖度予測部をさらに備える、こととしてもよい。この場合、対象物の萎れ具合に関する数値の予測値を基に対象物の将来の糖度を適切に評価することができる。

また、環境センサは、測定データとして、温度及び湿度に関するデータを出力し、予測値導出部は、温度及び湿度に関するデータを基に予測値を導出する、こととしてもよい。こうすれば、温度及び湿度に関するデータを用いて予測値を導出することで、栽培環境に応じた植物の萎れ具合をさらに高精度に予測することができる。

また、環境センサは、測定データとして、明るさに関するデータを出力し、予測値導出部は、明るさに関するデータを基に予測値を導出する、こととしてもよい。この場合には、明るさに関するデータを用いて予測値を導出することで、栽培環境に応じた植物の萎れ具合をさらに高精度に予測することができる。

本発明によれば、複雑な取り扱いを必要とすることなく、栽培環境に応じた植物の萎れ具合を高精度に予測することができる。

実施形態にかかる灌水制御システムの概略構成を示す図である。 図１のデータ処理装置を構成するコンピュータのハードウェア構成を示す図である。 図１のデータ処理装置１の機能構成を示すブロック図である。 図３の学習器２１によって出力される差分茎径ＤＳＤの予測値の推移のデータのイメージを示すグラフである。 図１のデータ処理装置１による灌水制御の処理手順を示すフローチャートである。

以下、図面を参照しつつ本発明に係る萎れ具合予測システムの好適な実施形態について詳細に説明する。なお、図面の説明においては、同一又は相当部分には同一符号を付し、重複する説明を省略する。

まず、図１〜３を用いて、本発明の萎れ具合予測システムの一実施形態に係る灌水制御システム１０の機能および構成を説明する。図１に示す灌水制御システム１０は、トマト等の植物である対象物Ｓの萎れ具合を数値で予測し、その数値に基づいて対象物に対する灌水を制御するシステムである。灌水制御システム１０では、機械学習により対象物Ｓの萎れ具合が予測される。

本実施形態で使用する機械学習は、既知の値の集合であるトレーニングデータを学習することでパターン関数を生成し、そのパターン関数を用いて未知の値を予測する処理である。本実施形態では、数値列であるトレーニングデータを用い、そのトレーニングデータから得られたパターン関数を用いて将来の時点における値を予測する。なお、数値列とは、対象物Ｓに関する現象の様々な観測値によって得られた数値の系列であり、その現象をある規則に基づいて観測することにより得られた数値の系列である。機械学習の例として、畳み込みニューラルネットワーク（ＣＮＮ）、リカレントニューラルネットワーク（ＲＮＮ）、人工ニューラルネットワーク（ＡＮＮ）、サポートベクターマシン（ＳＶＭ）、あるいはそのＳＶＭを回帰に対応させたサポートベクター回帰（ＳＶＲ）、決定木学習，相関ルール学習，ベイジアンネットワークなどが挙げられるが、灌水制御システム１０はこれ以外のアルゴリズムを用いてもよい。

灌水制御システム１０が予測する対象としては、対象物Ｓの水分ストレスに対応する萎れ具合として対象物Ｓの茎の径が挙げられているが、これには限定されない。例えば、灌水制御システム１０は、茎の傾き、葉の広がり具合、葉の色調等、萎れ具合あるいは水分ストレスを示す他の数値を予測してもよい。

図１に示すように、灌水制御システム１０は、栽培対象である対象物Ｓの草姿（外観）の画像を所定の周期で定期的（例えば、１０分間隔）に取得する撮像部としてのカメラ３と、対象物Ｓの茎の径を測定する茎径センサ５と、対象物Ｓの周囲環境に関する測定データを所定の周期（例えば、１０分間隔）で定期的に出力する環境センサ７と、対象物への灌水タイミングあるいは灌水の量を外部からの制御信号によって制御する灌水制御装置９と、これらのカメラ３、茎径センサ５、環境センサ７、及び灌水制御装置９と無線あるいは有線の通信ネットワークＮを経由して接続されたデータ処理装置１とによって構成されている。カメラ３は、対象物Ｓの全体の外観の画像が取得可能なように、対象物Ｓに向けて設置されている。なお、カメラ３は、対象物Ｓの萎れの変化を検出しやすい位置に設置されていればよく、対象物Ｓの上部のみの画像を取得可能な位置であってもよく、対象物Ｓを横方向（水平方向）から撮像可能な向きで設置されていてもよく、対象物Ｓを垂直方向（上方向あるいは下方向）から撮像可能な向きで設置されていてもよい。茎径センサ５は、対象物Ｓの茎に取り付けられ、茎の径の測定データを所定のタイミングで繰り返し計測して出力する。このような茎径センサ５としては、例えば、投光器と受光器とを含むレーザラインセンサが用いられるが、茎の径が計測できるものであれば特定の構成のものには限定されない。ここで、この茎径センサ５から出力される測定データは、データ処理装置１における機械学習で実測値を表すトレーニングデータとして用いられるが、パターン関数が既に生成されてデータ処理装置１に保持されている場合は、茎径センサ５は取り外されてもよいし、灌水制御システム１０に含まれていなくてもよい。環境センサ７は、対象物Ｓの栽培環境に設置され、対象物の周囲環境に関する測定値を測定可能なセンサ装置である。この環境センサ７は、例えば、温度、相対湿度、日射量（明るさ）、光合成有効光量子束密度（PPFD）等を測定可能なセンサ装置が選択されるが、これらのうちの一部を測定可能なセンサ装置であってもよいし、その他の環境に関する測定値を測定可能なセンサ装置であってもよい。また、環境センサ７は、１つの場所に設置されることには限定されず、栽培環境下の複数の場所に複数で設置されてもよい。

灌水制御システム１０は、カメラ３で取得された画像、茎径センサ５及び環境センサ７で取得された測定データが通信ネットワークＮを介してデータ処理装置１によって取得可能に構成されている。また、灌水制御装置９による灌水タイミングあるいは灌水の量が通信ネットワークＮを介してデータ処理装置１から送られた制御信号によって制御可能に構成されている。なお、灌水制御装置９に代えて、対象物Ｓの栽培条件を制御する他の装置が設けられてもよい。例えば、栽培環境の温度、湿度を制御する空調制御装置が設けられてもよいし、養分の供給タイミングあるいは供給量を制御する装置が設けられてもよい。

データ処理装置１は１台以上のコンピュータを備え、複数台のコンピュータを備える場合には、後述するデータ処理装置１の各機能要素は分散処理により実現される。個々のコンピュータの種類は限定されない。例えば、据置型または携帯型のパーソナルコンピュータ（ＰＣ）を用いてもよいし、ワークステーションを用いてもよいし、高機能携帯電話機（スマートフォン）や携帯電話機、携帯情報端末（ＰＤＡ）などの携帯端末を用いてもよい。あるいは、様々な種類のコンピュータを組み合わせてデータ処理装置１を構築してもよい。複数台のコンピュータを用いる場合には、これらのコンピュータはインターネットやイントラネットなどの通信ネットワークを介して接続される。

データ処理装置１内の個々のコンピュータ１００の一般的なハードウェア構成を図２に示す。コンピュータ１００は、オペレーティングシステムやアプリケーション・プログラムなどを実行する演算装置であるＣＰＵ（プロセッサ）１０１と、ＲＯＭ及びＲＡＭで構成される主記憶部１０２と、ハードディスクやフラッシュメモリなどで構成される補助記憶部１０３と、ネットワークカードあるいは無線通信モジュールで構成される通信制御部１０４と、キーボードやマウスなどの入力装置１０５と、ディスプレイやプリンタなどの出力装置１０６とを備える。当然ながら、搭載されるハードウェアモジュールはコンピュータ１００の種類により異なる。例えば、据置型のＰＣおよびワークステーションは入力装置および出力装置としてキーボード、マウス、およびモニタを備えることが多いが、スマートフォンではタッチパネルが入力装置および出力装置として機能することが多い。

後述するデータ処理装置１の各機能要素は、ＣＰＵ１０１または主記憶部１０２の上に所定のソフトウェアを読み込ませ、ＣＰＵ１０１の制御の下で通信制御部１０４や入力装置１０５、出力装置１０６などを動作させ、主記憶部１０２または補助記憶部１０３におけるデータの読み出し及び書き込みを行うことで実現される。処理に必要なデータやデータベースは主記憶部１０２または補助記憶部１０３内に格納される。

図３に示すように、データ処理装置１は、機能的構成要素として、実測値取得部１１、画像取得部１３、測定データ取得部１５、画像特徴量算出部１７、環境特徴量算出部１９、学習器（予測値導出部）２１、糖度予測部２３、及び灌水制御部２５を備える。

実測値取得部１１は、茎径センサ５によって出力された茎の径に関する測定データを取得する。そして、実測値取得部１１は、測定データを、画像特徴量算出部１７及び学習器２１における機械学習のための実測値のデータに変換し、その実測値のデータを画像特徴量算出部１７及び学習器２１に引き渡す。例えば、画像特徴量算出部１７及び学習器２１における機械学習による予測対象の数値（目的変数）が差分茎径（ＤＳＤ：Difference Stem Diameter）の場合には、実測値のデータとして差分茎径のデータに変換し、機械学習による予測対象の数値（目的変数）が相対茎径（ＲＳＤ：Relative Stem Diameter）の場合には、実測値のデータとして相対茎径のデータに変換する。差分茎径ＤＳＤは、現在の茎の径の値を過去に観測された茎の径の最大値から減算することにより算出される値である。相対茎径ＲＳＤは、現在の茎の径の値を過去に観測された茎の径の最大値で除算することにより算出される値である。どちらの値ＤＳＤ、ＲＳＤも、対象物Ｓの萎れ具合を表す評価値として用いられる。

画像取得部１３は、カメラ３によって連続して取得された画像を、画像データとして受信する。画像取得部１３は、受信した画像データを画像特徴量算出部１７に引き渡す。

測定データ取得部１５は、環境センサ７によって連続して取得された周囲環境に関する測定データを、時系列の環境測定データとして受信する。測定データ取得部１５は、受信した時系列の環境測定データを、環境特徴量算出部１９に引き渡す。

画像特徴量算出部１７は、画像データを基に、機械学習を用いて対象物Ｓの萎れ具合に関する特徴量である数値ベクトル（数値列）を算出する。例えば、画像特徴量算出部１７は、画像データと実測値のデータとを用いて、将来（例えば、それぞれの画像データの取得時点から所定時間後）の差分茎径ＤＳＤを目的変数とした教師あり機械学習を実行する。機械学習の例としては、公知の深層学習の手法である畳み込みニューラルネットワーク（ＣＮＮ）が挙げられる。ＣＮＮは、畳み込みとプーリングを繰り返すことで画像データから機械的に特徴量を抽出できる手法である。ＣＮＮを用いる場合の一例を示すと、画像特徴量算出部１７は、畳み込み層とプーリング層とにおける処理を何回か（例えば、５回）繰り返した後に、出力層における処理を経由して、目的変数である差分茎径ＤＳＤの予測値を算出する。この予測値が対象物Ｓの将来の萎れ具合を表している。その際、画像特徴量算出部１７は、算出した予測値と実測値のデータとを基に、機械学習を進めることで畳み込み層で用いるフィルタパラメータ等のパターン関数を更新できる。ここで、画像特徴量算出部１７は、いったんパターン関数を構築した後は、実測値のデータを用いたパターン関数の更新は停止してもよく、最初からパターン関数が構築されている場合には、パターン関数の更新の機能は含まれていなくてもよい。さらに、画像特徴量算出部１７は、構築された状態での画像データを対象にしたＣＮＮの隠れ層の最終段の出力を、特徴量である数値ベクトル（例えば、２５６列の数値ベクトル）として、学習器２１に出力する。

環境特徴量算出部１９は、時系列の環境測定データを基に対象物の萎れ具合に関連する特徴量を時系列に算出する。例えば、環境特徴量算出部１９は、環境測定データに含まれる温度および相対湿度から２種類の飽差ＶＤＰ，ＨＤの値を算出する。飽差とは、一定の空間中に含むことのできる水蒸気の量を示す指標である。また、環境特徴量算出部１９は、環境測定データとして植物群落の上部と内部の明るさがある場合、それらの差から葉面積指数ＬＡＩ（Leaf Area Index）の値を算出する。葉面積指数とは、植物群落の葉の量を示す指標である。そして、環境特徴量算出部１９は、算出した特徴量を付加した環境測定データを、時系列に学習器２１に出力する。

学習器２１は、画像特徴量算出部１７によって算出された数値ベクトルと、環境特徴量算出部１９から出力された時系列の環境測定データとを基に、対象物Ｓの萎れ具合を表す数値として、差分茎径ＤＳＤの予測値を導出する。この予測値の導出には、本発明者らによる自律順応型学習器であるＳＷ−ＳＶＲ（Sliding Window-based Support Vector Regression）の手法（特開２０１６−０９９７３８号公報参照）、あるいは、公知のＲＮＮの手法が用いられうる。ＳＷ−ＳＶＲは、時間経過に伴い特性が複雑に変化する微気象データなどの予測に特化した手法である。ＳＷ−ＳＶＲの手法を用いる場合の一例を説明すると、学習器２１は、数値ベクトルと時系列の環境測定データとを組み合わせた数値ベクトルを基に、ＳＷ−ＳＶＲの手法による機械学習を実行することにより、目的変数である差分茎径ＤＳＤの予測値の推移を算出する。その際、学習器２１は、実測値取得部１１から得られた実測値のデータを基に、機械学習を実行することによりＳＷ−ＳＶＲの手法で用いるパターン関数を更新する。ここで、学習器２１は、いったんパターン関数を構築した後は、実測値のデータを用いたパターン関数の更新は停止してもよく、最初からパターン関数が構築されている場合には、パターン関数の更新の機能は含まれていなくてもよい。そして、学習器２１は、パターン関数が構築された状態での機械学習による差分茎径ＤＳＤの予測値の推移のデータを、糖度予測部２３に出力する。

図４には、学習器２１によって出力される差分茎径ＤＳＤの予測値の推移のデータのイメージを示している。このように、学習器２１によって、栽培環境の変化によって増減する対象物の茎径の変化が予測され、茎径の推移データによって将来の対象物Ｓの萎れ具合の評価が可能となる。

糖度予測部２３は、学習器２１から出力された対象物Ｓの茎径に関する推移のデータを基に、対象物Ｓの糖度を予測する。例えば、糖度予測部２３は、所定期間内での差分茎径ＤＳＤの推移データの極小値の回数を評価することにより、萎れの頻度を表す萎れ頻度評価値を算出する。また、糖度予測部２３は、所定期間内での差分茎径ＤＳＤの推移データの積分値を評価することにより、萎れの程度を表す萎れ強度評価値を算出する。これらの萎れ頻度評価値と萎れ強度評価値は、将来の対象物Ｓの糖度と相関が高い。その性質を利用して、糖度予測部２３は、将来の所定時点での対象物の糖度を、萎れ頻度評価値と萎れ強度評価値とを基に予測値として算出する。さらに、糖度予測部２３は、算出した糖度の予測値を灌水制御部２５に引き渡す。

灌水制御部２５は、糖度予測部２３によって算出された対象物Ｓの糖度の予測値を基に、対象物Ｓの糖度が目標値に近づくように対象物Ｓへの灌水のタイミングあるいは灌水の量を制御するための制御信号を生成する。そして、灌水制御部２５は、生成した制御信号を灌水制御装置９に向けて送信する。これにより、灌水制御を用いて対象物Ｓの水分ストレスを制御することによって、収穫時期における糖度を一定値に制御することができる。

以下、図５を参照して、上述したデータ処理装置１による灌水制御の処理手順について説明するとともに、本実施形態にかかる萎れ具合予測方法の手順について詳述する。図５は、データ処理装置１による灌水制御の処理手順を示すフローチャートである。

まず、ユーザによる指示入力等を契機にデータ処理装置１による灌水制御の処理が起動されると、実測値取得部１１による実測値のデータの取得、画像取得部１３による画像データの取得、及び測定データ取得部１５による時系列の環境測定データの取得が開始される（ステップＳ０１）。なお、画像特徴量算出部１７及び学習器２１におけるパターン関数の構築が既に済んでいる場合には、実測値のデータの取得の処理は省略されてもよい。

その後、画像特徴量算出部１７によって、画像データを用いた機械学習が実行されることにより、対象物Ｓの萎れ具合を表す特徴量としての数値ベクトルが生成され、生成された数値ベクトルが学習器２１に出力される（ステップＳ０２）。それとともに、環境特徴量算出部１９によって、環境測定データを基に２種類の飽差ＶＤＰ，ＨＤ等の特徴量が算出され、それらの特徴量が付加された環境測定データが時系列に学習器２１に入力される（ステップＳ０３）。

それに応じて、学習器２１により、数値ベクトル及び時系列の環境測定データを用いた機械学習が実行されることにより、対象物Ｓの茎径に関する予測値の推移データが生成され、その推移データが糖度予測部２３に出力される（ステップＳ０４）。次に、糖度予測部２３により、推移データを基に対象物の糖度が予測される（ステップＳ０５）。最後に、灌水制御部２５により、予測された糖度を基に対象物Ｓへの灌水を制御するための制御信号が生成され、その制御信号が灌水制御装置９に向けて送信される（ステップＳ０６）。以上のようなデータ処理装置１による灌水制御は、ユーザの指示入力に応じてその都度起動されてもよいし、所定のタイミングで（例えば、定期的に）自動起動されてもよい。

以上説明した灌水制御システム１０によれば、カメラ３によって取得された対象物Ｓの草姿の画像を基に、機械学習によって特徴量である数値ベクトルが算出され、その数値ベクトルと環境センサ７によって取得された測定データとを用いた機械学習によって、対象物Ｓの萎れ具合を表す茎径に関する数値の予測値が導出される。これにより、カメラ３と環境センサ７とを含む簡易なシステムを用いた簡易な操作によって、対象物Ｓの萎れ具合を予測するシステムが実現できる。また、対象物Ｓの草姿の画像と共に環境センサ７によって取得される測定データをも用いて予測値が導出されるので、栽培環境に応じた植物の萎れ具合を高精度に予測することができる。

ここで、灌水制御システム１０では、予測値として、対象物の茎の径に関する数値の予測値が導出されるので、対象物Ｓの萎れ具合を適切に評価することができる。

さらに、灌水制御システム１０によれば、茎径に関する予測値を基に対象物Ｓの糖度も予測されている。これにより、対象物Ｓの将来の糖度を適切に評価することができる。

また、灌水制御システム１０では、温度、湿度、及び明るさに関する環境測定データを用いて対象物Ｓの茎径に関する予測値が導出されている。これにより、栽培環境に応じた植物の萎れ具合をさらに高精度に予測することができる。

なお、本発明は、上述した実施形態の態様に限定されるものではない。

例えば、測定データ取得部１５は、時系列の環境測定データを取得し、学習器２１は、時系列の環境測定データを用いて対象物Ｓの萎れ具合を示す予測値を導出していたが、これには限定されない。すなわち、測定データ取得部１５は、環境測定データをそのデータが取得された時刻を示す時刻データと共に取得し、学習器２１は、時刻データを含む環境測定データを用いて対象物Ｓの萎れ具合を示す予測値を導出してもよい。

１…データ処理装置、３…カメラ、５…茎径センサ、７…環境センサ、１０…灌水制御システム（萎れ具合予測システム）、１７…画像特徴量算出部、２１…学習器（予測値導出部）、２３…糖度予測部、Ｓ…対象物。

Claims (6)

1. 植物である対象物の外観に関する画像を取得する撮像部と、
   前記対象物の萎れ具合に関する測定データを出力する萎れセンサと、
   前記対象物の周囲環境に関する測定データを出力する環境センサと、
   前記萎れセンサから出力された前記測定データを基にした萎れ具合を表す数値の実測値と、前記撮像部から取得された画像とを基に、トレーニングを行うことによりパターン関数を生成した後、前記パターン関数に前記撮像部から取得された画像を入力し、前記対象物の萎れ具合に関する特徴量である数値列を算出する画像特徴量算出部と、
   前記画像特徴量算出部によって算出された前記数値列と、前記環境センサから出力された測定データと、前記萎れセンサから出力された前記測定データを基にした萎れ具合を表す数値の実測値とを基に、トレーニングを行うことによりパターン関数を生成した後、前記パターン関数に前記画像特徴量算出部によって算出された前記数値列と、前記環境センサから出力された測定データを入力することで、前記対象物の萎れ具合を表す将来の数値の予測値を導出する予測値導出部と、
   を備える萎れ具合予測システム。
2. 前記予測値導出部は、前記予測値として、前記対象物の茎の径に関する数値の予測値を導出する、
   請求項１記載の萎れ具合予測システム。
3. 前記予測値を基に、前記対象物の糖度を予測する糖度予測部をさらに備える、
   請求項１又は２記載の萎れ具合予測システム。
4. 前記環境センサは、前記測定データとして、温度及び湿度に関するデータを出力し、
   前記予測値導出部は、温度及び湿度に関するデータを基に前記予測値を導出する、
   請求項１〜３のいずれか１項に記載の萎れ具合予測システム。
5. 前記環境センサは、前記測定データとして、明るさに関するデータを出力し、
   前記予測値導出部は、明るさに関するデータを基に前記予測値を導出する、
   請求項１〜４のいずれか１項に記載の萎れ具合予測システム。
6. 撮像部を用いて、植物である対象物の外観に関する画像を取得し、
   萎れセンサを用いて、前記対象物の萎れ具合に関する測定データを取得し、
   環境センサを用いて、前記対象物の周囲環境に関する測定データを取得し、
   画像特徴量算出部により、前記萎れセンサから出力された前記測定データを基にした萎れ具合を表す数値の実測値と、前記撮像部から取得された画像とを基に、トレーニングを行うことによりパターン関数を生成した後、前記パターン関数に前記撮像部から取得された画像を入力し、前記対象物の萎れ具合に関する特徴量である数値列を算出し、
   予測値導出部により、前記画像特徴量算出部によって算出された前記数値列と、前記環境センサによって取得された測定データと、前記萎れセンサから出力された前記測定データを基にした萎れ具合を表す数値の実測値とを基に、トレーニングを行うことによりパターン関数を生成した後、前記パターン関数に前記画像特徴量算出部によって算出された前記数値列と、前記環境センサから出力された測定データを入力することで、前記対象物の萎れ具合を表す将来の数値の予測値を導出する、
   萎れ具合予測方法。

Images