JP6999223B2 - Computer system, harvest time prediction method and program - Google Patents
Computer system, harvest time prediction method and program Download PDFInfo
- Publication number
- JP6999223B2 JP6999223B2 JP2020533953A JP2020533953A JP6999223B2 JP 6999223 B2 JP6999223 B2 JP 6999223B2 JP 2020533953 A JP2020533953 A JP 2020533953A JP 2020533953 A JP2020533953 A JP 2020533953A JP 6999223 B2 JP6999223 B2 JP 6999223B2
- Authority
- JP
- Japan
- Prior art keywords
- maturity
- harvest
- environmental data
- crop
- predicted
- 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
- 238000003306 harvesting Methods 0.000 title claims description 107
- 238000000034 method Methods 0.000 title claims description 41
- 230000007613 environmental effect Effects 0.000 claims description 64
- 230000005855 radiation Effects 0.000 claims description 37
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 28
- 240000003768 Solanum lycopersicum Species 0.000 description 28
- 235000013399 edible fruits Nutrition 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000009395 breeding Methods 0.000 description 12
- 230000001488 breeding effect Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010191 image analysis Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000005070 ripening Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Marine Sciences & Fisheries (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Forests & Forestry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Ecology (AREA)
- Botany (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Environmental Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Biodiversity & Conservation Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Description
本発明は、農作物の収穫時期を予測するコンピュータシステム、収穫時期予測方法及びプログラムに関する。 The present invention relates to a computer system for predicting the harvest time of an agricultural product, a method for predicting the harvest time, and a program.
近年、様々なモノをインターネットに接続するＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ）が盛んになっている。特に、農業分野において、作業者の高齢化、個人のカンや経験に頼った生産活動、生産に関わる原価管理等の問題を解決するために、ＩｏＴを利用した農作物の育成が望まれている。 In recent years, IoT (Internet of Things) that connects various things to the Internet has become popular. In particular, in the agricultural field, it is desired to grow agricultural products using IoT in order to solve problems such as aging of workers, production activities relying on individual cans and experience, and cost control related to production.
このような農作物の育成において、例えば、農作物の画像と、この農作物に含まれる化合物とに基づいて、農作物の評価を行う構成が開示されている（特許文献１参照）。 In the cultivation of such a crop, for example, a configuration for evaluating a crop based on an image of the crop and a compound contained in the crop is disclosed (see Patent Document 1).
しかしながら、特許文献１の構成では、予め農作物に含まれる化合物に関する情報を取得する必要や、予め特定の化合物と農作物の画像との関係に関する情報が必要となることから手間やコストがかかってしまうおそれがあった。 However, in the configuration of Patent Document 1, it is necessary to acquire information on the compound contained in the agricultural product in advance, and information on the relationship between the specific compound and the image of the agricultural product is required in advance, which may take time and cost. was there.
本発明は、より簡単に農作物の生育状況や収穫時期を予測することが容易なコンピュータシステム、収穫時期予測方法及びプログラムを提供することを目的とする。 It is an object of the present invention to provide a computer system, a harvest time prediction method and a program that make it easier to predict the growth status and harvest time of agricultural products.
本発明では、以下のような解決手段を提供する。 The present invention provides the following solutions.
本発明は、各レーンにおける農作物の画像を取得する画像取得手段と、
前記画像から前記農作物の収穫物を認識する認識手段と、
認識した前記収穫物の熟度を判定する熟度判定手段と、
前記各レーンにおける一定期間の環境データを取得する環境データ取得手段と、
認識した前記収穫物の画像から判定した前記熟度と、取得した前記環境データとから、各レーンにおける当該収穫物の状況又は状態を予測する予測手段と、
を備え、
前記予測手段は、前記環境データが生育に適したものである場合、前記熟度のみで予測した前記収穫物の状況又は状態よりも熟すものとして予測し、当該環境データが生育に適したものでない場合、当該熟度のみで予測した当該収穫物の状況又は状態よりも熟さないものとして予測する、
ことを特徴とするコンピュータシステムを提供する。
The present invention comprises an image acquisition means for acquiring an image of an agricultural product in each lane , and an image acquisition means.
A recognition means for recognizing the harvest of the crop from the image,
A maturity determination means for determining the recognized maturity of the harvest, and
Environmental data acquisition means for acquiring environmental data for a certain period in each lane, and
A predictive means for predicting the state or state of the harvested product in each lane from the maturity determined from the recognized image of the harvested product and the acquired environmental data .
Equipped with
When the environmental data is suitable for growth, the predictive means predicts that the crop will ripen more than the condition or state of the harvest predicted only by the maturity, and the environmental data is not suitable for growth. In the case, it is predicted that the crop will not ripen more than the condition or condition of the harvest predicted only by the ripeness.
It provides a computer system characterized by that.
本発明によれば、コンピュータシステムは、各レーンにおける農作物の画像を取得し、前記画像から前記農作物の収穫物を認識し、認識した前記収穫物の熟度を判定し、前記各レーンにおける一定期間の環境データを取得し、認識した前記収穫物の画像から判定した前記熟度と、取得した前記環境データとから、各レーンにおける当該収穫物の状況又は状態を予測し、前記環境データが生育に適したものである場合、前記熟度のみで予測した前記収穫物の状況又は状態よりも熟すものとして予測し、当該環境データが生育に適したものでない場合、当該熟度のみで予測した当該収穫物の状況又は状態よりも熟さないものとして予測する。 According to the present invention, the computer system acquires an image of the crop in each lane , recognizes the harvest of the crop from the image , determines the maturity of the recognized harvest, and for a certain period in each lane. The condition or state of the harvested product in each lane is predicted from the maturity determined from the recognized image of the harvested product and the acquired environmental data, and the environmental data is used for growth. If it is suitable, it is predicted that it will ripen more than the condition or condition of the harvest predicted only by the ripeness, and if the environmental data is not suitable for growth, the harvest predicted only by the ripeness. Predict as less ripe than the condition or condition of the object.
本発明は、コンピュータシステムのカテゴリであるが、方法及びプログラム等の他のカテゴリにおいても、そのカテゴリに応じた同様の作用・効果を発揮する。 Although the present invention is in the category of computer systems, the same actions and effects are exhibited in other categories such as methods and programs according to the categories.
本発明によれば、より簡単に農作物の生育状況や収穫時期を予測することが容易なコンピュータシステム、収穫時期予測方法及びプログラムを提供することが可能となる。 INDUSTRIAL APPLICABILITY According to the present invention, it is possible to provide a computer system, a harvest time prediction method and a program that make it easier to predict the growth state and harvest time of agricultural products.
以下、本発明を実施するための最良の形態について図を参照しながら説明する。なお、これはあくまでも一例であって、本発明の技術的範囲はこれらに限られるものではない。 Hereinafter, the best mode for carrying out the present invention will be described with reference to the drawings. It should be noted that this is only an example, and the technical scope of the present invention is not limited to these.
［収穫時期予測システム１の概要］
本発明の好適な実施形態の概要について、図１に基づいて説明する。図１は、本発明の好適な実施形態である収穫時期予測システム１の概要を説明するための図である。収穫時期予測システム１は、コンピュータ１０から構成され、農作物の収穫時期を予測するコンピュータシステムである。[Overview of Harvest Time Prediction System 1]
An outline of a preferred embodiment of the present invention will be described with reference to FIG. FIG. 1 is a diagram for explaining an outline of a harvest time prediction system 1 which is a preferred embodiment of the present invention. The harvest time prediction system 1 is a computer system composed of a computer 10 and predicts the harvest time of agricultural products.
なお、収穫時期予測システム１は、コンピュータ１０に加え、農作物の静止画や動画等の画像を撮影する撮影手段を有したドローンや、農作物の収穫作業や管理等を行う作業者が所持する作業者端末等が含まれていてもよい。 In addition to the computer 10, the harvest time prediction system 1 is possessed by a drone having a photographing means for photographing images such as still images and moving images of agricultural products, and a worker possessing a worker who performs harvesting work and management of agricultural products. A terminal or the like may be included.
コンピュータ１０は、ドローンが撮影した農作物（例えば、レーン毎に育成中のトマト）の画像を取得し、この画像から農作物の収穫物（一のレーンにおける各トマトの実）を認識する。このとき、コンピュータ１０は、農作物の画像を画像解析することにより、画像に含まれる収穫物を認識する。コンピュータ１０は、この認識した収穫物の画像から、収穫物の育成状況（収穫物の状況又は状態（収穫時期又は収穫量のうちの少なくとも一つ））を予測する。 The computer 10 acquires an image of the crop (for example, the tomato being grown in each lane) taken by the drone, and recognizes the crop crop (the fruit of each tomato in one lane) from this image. At this time, the computer 10 recognizes the harvested product contained in the image by performing image analysis on the image of the agricultural product. The computer 10 predicts the growing condition of the harvested product (the condition or state of the harvested product (at least one of the harvest time or the yield)) from the image of the recognized harvested product.
また、コンピュータ１０は、農作物の周辺における一定期間の環境データ（積算温度、積算日射量、農作物の位置情報のうちの少なくとも一つ）を取得し、この環境データを加味して、収穫物の育成状況を予測する。 In addition, the computer 10 acquires environmental data (at least one of integrated temperature, integrated solar radiation, and position information of the crop) for a certain period around the crop, and takes this environmental data into consideration to grow the harvested product. Predict the situation.
また、コンピュータ１０は、実際に収穫物を収穫した際の、この収穫物の育成状況を教師データとして学習し、この教師データを加味して、収穫物の育成状況を予測する。 Further, the computer 10 learns the growing state of the harvested product as teacher data when the harvested product is actually harvested, and predicts the growing state of the harvested product by adding the teacher data.
収穫時期予測システム１が実行する処理の概要について説明する。 The outline of the processing executed by the harvest time prediction system 1 will be described.
はじめに、コンピュータ１０は、農作物の画像を取得する（ステップＳ０１）。コンピュータ１０は、ドローンが撮影した農作物の動画や静止画等の画像を取得する。このとき、ドローンは栽培中の全ての農作物を撮影する。例えば、ドローンは、レーン毎に農作物が育成されている場合、各レーンの画像を撮影する。コンピュータ１０は、この各レーンにおける農作物の画像を取得することになる。コンピュータ１０は、全てのレーンにおける農作物の画像を取得することにより、管理する全ての農作物の画像を取得する。 First, the computer 10 acquires an image of the crop (step S01). The computer 10 acquires images such as moving images and still images of agricultural products taken by the drone. At this time, the drone photographs all the crops being cultivated. For example, the drone takes an image of each lane when crops are grown in each lane. The computer 10 will acquire an image of the crop in each of these lanes. The computer 10 acquires images of all the crops to be managed by acquiring images of the crops in all the lanes.
コンピュータ１０は、取得した画像から農作物の収穫物を認識する（ステップＳ０２）。コンピュータ１０は、取得した画像を画像解析し、その特徴点（形状、輝度、色、輪郭等）や特徴量（画素値の平均、分散、ヒストグラム等）を抽出する。コンピュータ１０は、この抽出した特徴点や特徴量に基づいて、農作物の収穫物を認識する。ここでの収穫物とは、例えば、農作物がトマトである場合、一つ一つのトマトの実といったように、個々の農作物を意味する。コンピュータ１０は、上述した例では、各レーンにおけるトマトにおける、個々のトマトの実を認識する。 The computer 10 recognizes the crop crop from the acquired image (step S02). The computer 10 analyzes the acquired image and extracts its feature points (shape, brightness, color, contour, etc.) and feature amounts (average of pixel values, variance, histogram, etc.). The computer 10 recognizes the crop crop based on the extracted feature points and feature quantities. The harvested product here means an individual crop, for example, when the crop is a tomato, such as each tomato fruit. The computer 10 recognizes the individual tomato berries in the tomatoes in each lane in the example described above.
コンピュータ１０は、認識した収穫物の画像から、この収穫物の育成状況を予測する（ステップＳ０３）。コンピュータ１０は、育成状況として、収穫物の収穫時期（何日後に出荷可能か、何月何日に出荷可能か等）又は収穫量（各収穫物の熟度等に基づいた全体の収穫可能数）の少なくとも一つを予測する。この時、コンピュータ１０は、育成状況の予測に際して、この農作物周における一定期間の環境データ（積算温度、積算日射量、農作物の位置情報のうちの少なくとも一つ）を加味したうえで、収穫物の育成状況を予測してもよい。また、コンピュータ１０は、育成状況の予測に際して、過去に収穫した収穫物と同種の収穫物の育成状況を教師データとして学習しておき、この教師データを加味したうえで、収穫物の育成状況を予測してもよい。 The computer 10 predicts the growing state of this harvested product from the recognized image of the harvested product (step S03). The computer 10 can be used as a growing situation, such as the harvest time of the harvested product (how many days later it can be shipped, what month and what day it can be shipped, etc.) or the harvested amount (the total number of harvestable products based on the maturity of each harvested product, etc.). ) Predict at least one. At this time, the computer 10 takes into account the environmental data (at least one of the integrated temperature, the integrated solar radiation amount, and the position information of the crop) for a certain period in the circumference of the crop when predicting the growing situation, and then the harvested product. You may predict the breeding situation. Further, when predicting the growing situation, the computer 10 learns the growing situation of the same kind of harvest as the harvested in the past as teacher data, and after adding this teacher data, the growing situation of the harvested product is determined. You may predict.
以上が、収穫時期予測システム１の概要である。 The above is the outline of the harvest time prediction system 1.
［収穫時期予測システム１のシステム構成］
図２に基づいて、本発明の好適な実施形態である収穫時期予測システム１のシステム構成について説明する。図２は、本発明の好適な実施形態である収穫時期予測システム１のシステム構成を示す図である。図２において、収穫時期予測システム１は、コンピュータ１０から構成され、農作物の収穫時期を予測するコンピュータシステムである。[System configuration of harvest time prediction system 1]
Based on FIG. 2, the system configuration of the harvest time prediction system 1, which is a preferred embodiment of the present invention, will be described. FIG. 2 is a diagram showing a system configuration of a harvest time prediction system 1 which is a preferred embodiment of the present invention. In FIG. 2, the harvest time prediction system 1 is composed of a computer 10 and is a computer system that predicts the harvest time of agricultural products.
なお、収穫時期予測システム１は、上述した通り、ドローンや作業者端末等が含まれていてもよい。 As described above, the harvest time prediction system 1 may include a drone, a worker terminal, and the like.
コンピュータ１０は、制御部として、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を備え、通信部として、他の機器（図示していないドローンや作業者端末等）と通信可能にするためのデバイスス、例えば、ＩＥＥＥ８０２．１１に準拠したＷｉ―Ｆｉ（Ｗｉｒｅｌｅｓｓ―Ｆｉｄｅｌｉｔｙ）対応デバイス等を備える。また、コンピュータ１０は、記憶部として、ハードディスクや半導体メモリ、記録媒体、メモリカード等によるデータのストレージ部を備える。また、コンピュータ１０は、処理部として、各種処理を実行する各種デバイス等を備える。 The computer 10 includes a CPU (Central Processing Unit), RAM (Random Access Memory), ROM (Read Only Memory), etc. as a control unit, and other devices (drones, worker terminals, etc. (not shown)) as a communication unit. ), For example, a Wi-Fi (Wiress-Fidellity) compatible device compliant with IEEE802.11 and the like. Further, the computer 10 includes a data storage unit such as a hard disk, a semiconductor memory, a recording medium, and a memory card as a storage unit. Further, the computer 10 includes various devices and the like that execute various processes as a processing unit.
コンピュータ１０において、制御部が所定のプログラムを読み込むことにより、通信部と協働して、画像取得モジュール２０、通知モジュール２１、環境データ取得モジュール２２、育成状況取得モジュール２３を実現する。また、コンピュータ１０において、制御部が所定のプログラムを読み込むことにより、記憶部と協働して、記憶モジュール３０を実現する。また、コンピュータ１０において、制御部が所定のプログラムを読み込むことにより、処理部と協働して、解析モジュール４０、認識モジュール４１、熟度判定モジュール４２、予測モジュール４３、学習モジュール４４を実現する。 In the computer 10, the control unit reads a predetermined program to realize the image acquisition module 20, the notification module 21, the environment data acquisition module 22, and the training status acquisition module 23 in cooperation with the communication unit. Further, in the computer 10, the control unit reads a predetermined program and cooperates with the storage unit to realize the storage module 30. Further, in the computer 10, the control unit reads a predetermined program to realize the analysis module 40, the recognition module 41, the maturity determination module 42, the prediction module 43, and the learning module 44 in cooperation with the processing unit.
［第一予測処理］
図３に基づいて、収穫時期予測システム１が実行する第一予測処理について説明する。図３は、コンピュータ１０が実行する第一予測処理のフローチャートを示す図である。上述した各モジュールが実行する処理について、本処理に併せて説明する。[First prediction processing]
The first prediction process executed by the harvest time prediction system 1 will be described with reference to FIG. FIG. 3 is a diagram showing a flowchart of the first prediction process executed by the computer 10. The process executed by each of the above-mentioned modules will be described together with this process.
画像取得モジュール２０は、農作物の画像を取得する（ステップＳ１０）。ステップＳ１０において、画像取得モジュール２０は、ドローンが撮影した農作物の動画や静止画等の画像を取得する。このとき、ドローンは、栽培中の作物をレーン毎等の所定範囲毎に撮影する。ドローンは、この撮影した画像を、画像データとして、コンピュータ１０に送信する。画像取得モジュール２０は、このドローンが送信した画像データを受信することにより、農作物の画像を取得する。画像取得モジュール２０は、自身が管理する全ての農作物又は管理する農作物のうち一又は複数種類の農作物の画像を取得する。例えば、対象の農作物がトマトであり、トマトが複数のレーンで栽培されている場合、ドローンは、この複数のレーンの其々に栽培されたトマトを撮影した画像を、画像データとしてコンピュータ１０に送信する。画像取得モジュール２０は、この画像データを受信することにより、複数のレーンにおけるトマトの画像を取得することになる。 The image acquisition module 20 acquires an image of an agricultural product (step S10). In step S10, the image acquisition module 20 acquires images such as moving images and still images of agricultural products taken by the drone. At this time, the drone photographs the crop being cultivated in each predetermined range such as each lane. The drone transmits the captured image as image data to the computer 10. The image acquisition module 20 acquires an image of an agricultural product by receiving the image data transmitted by this drone. The image acquisition module 20 acquires images of all the crops managed by itself or one or a plurality of types of crops managed by the image acquisition module 20. For example, when the target crop is tomato and the tomato is cultivated in a plurality of lanes, the drone transmits an image of the tomato cultivated in each of the plurality of lanes to the computer 10 as image data. do. By receiving this image data, the image acquisition module 20 acquires images of tomatoes in a plurality of lanes.
解析モジュール４０は、取得した画像を画像解析する（ステップＳ１１）。ステップＳ１１において、解析モジュール４０は、画像の特徴点や特徴量を抽出することにより、画像解析を実行する。解析モジュール４０は、画像の特徴点として、形状、輝度、色、輪郭等を抽出する。また、解析モジュール４０は、画像の特徴量として、画素値の平均、分散、ヒストグラム等を抽出する。ここで、解析モジュール４０は、上述した例において、この画像に含まれているトマトを農作物として解析する。このとき、解析モジュール４０は、トマトの数、位置、形状、色味、大きさを其々抽出する。 The analysis module 40 analyzes the acquired image (step S11). In step S11, the analysis module 40 executes image analysis by extracting feature points and feature amounts of the image. The analysis module 40 extracts the shape, brightness, color, contour, and the like as feature points of the image. Further, the analysis module 40 extracts the average, variance, histogram, etc. of the pixel values as the feature amount of the image. Here, the analysis module 40 analyzes the tomatoes contained in this image as agricultural products in the above-mentioned example. At this time, the analysis module 40 extracts the number, position, shape, color, and size of tomatoes.
認識モジュール４１は、取得した画像から、農作物の収穫物を認識する（ステップＳ１２）。ステップＳ１２において、認識モジュール４１は、抽出した農作物から収穫物を認識する。認識モジュール４１は、この収穫物の形状、色味、大きさ等の育成状況を類推可能な育成情報を認識する。収穫物は、上述した例において、一のレーンに存在するトマトのうち、個々のトマトの実を意味する。認識モジュール４１は、個々のトマトの実の育成情報を認識する。 The recognition module 41 recognizes the crop of the crop from the acquired image (step S12). In step S12, the recognition module 41 recognizes the harvest from the extracted crop. The recognition module 41 recognizes the growing information that can infer the growing situation such as the shape, color, and size of the harvested product. The harvest means the fruit of an individual tomato among the tomatoes present in one lane in the above example. The recognition module 41 recognizes information on the growth of individual tomato fruits.
熟度判定モジュール４２は、収穫物の熟度を判定する（ステップＳ１３）。ステップＳ１３において、熟度判定モジュール４２は、認識した収穫物の育成情報に基づいて、この収穫物の熟度を判定する。熟度とは、収穫物の熟した程度である。熟度は、複数の段階（例えば、出荷可能な状態を１００％とし、それ以前の段階（出荷前状態）では、各段階に応じた１００％未満の値とし、それ以後の段階（過熟状態）では１００％を超えた値とする）に分けられている。熟度判定モジュール４２は、予め記憶モジュール３０に記憶させた、収穫物の種類毎に育成情報と熟度とを対応付けた熟度管理データベースを参照することにより、この収穫物の熟度を判定する。熟度判定モジュール４２は、認識した収穫物の育成情報に基づいて、熟度管理データベースにおけるこの収穫物の育成情報を特定し、この特定した育成情報に対応付けられた熟度を、収穫物の熟度として判定する。 The maturity determination module 42 determines the maturity of the harvested product (step S13). In step S13, the maturity determination module 42 determines the maturity of the harvested product based on the recognized growing information of the harvested product. Ripeness is the degree of ripeness of the harvest. The maturity is set to a value of less than 100% according to each stage in a plurality of stages (for example, the ready-to-ship state is 100%, the previous stage (pre-shipment state)), and the subsequent stages (overripe state). ) Is divided into values exceeding 100%). The maturity determination module 42 determines the maturity of the harvested product by referring to the maturity management database in which the breeding information and the maturity are associated with each type of the harvested product, which is stored in the storage module 30 in advance. do. The maturity determination module 42 identifies the growing information of this harvested product in the maturity management database based on the recognized growing information of the harvested product, and determines the maturity associated with the specified growing information of the harvested product. Judged as maturity.
図６に基づいて、認識モジュール４１が実行する収穫物の認識について説明する。図６は、画像取得モジュール２０が取得した画像に対して、画像解析を実行した結果を模式的に示した図である。認識モジュール４１は、画像解析の結果に基づいて、取得したこのレーンの画像におけるトマトの数及びその位置を認識する。認識モジュール４１は、トマトの実１００～１１３がこの画像中に含まれていることを認識し、収穫物として、このトマトの実１００～１１３の其々を認識する。また、認識モジュール４１は、このトマトの実１００～１１３の其々の育成情報を其々認識する。
The recognition of the harvested material executed by the recognition module 41 will be described with reference to FIG. FIG. 6 is a diagram schematically showing the result of performing image analysis on the image acquired by the image acquisition module 20. The recognition module 41 recognizes the number of tomatoes and their positions in the acquired image of this lane based on the result of the image analysis. The recognition module 41 recognizes that
図７に基づいて、熟度判定モジュール４２が実行する収穫物の熟度の判定について説明する。図７は、認識モジュール４１が認識したトマトの実１００を模式的に示した図である。熟度判定モジュール４２は、このトマトの実１００の育成情報に基づいて、このトマトの実１００の熟度を判定する。熟度判定モジュール４２は、今回認識した収穫物がトマトの実であることから、上述した熟度管理データベースにおけるトマトの実に対応付けられた育成情報を特定する。熟度判定モジュール４２は、特定したこの熟度管理データベースにおける育成情報に対応付けられた熟度を特定する。熟度判定モジュール４２は、認識したトマトの実１００の育成情報と、熟度管理データベースにおける育成情報とを比較し、認識したトマトの実１００の育成情報に近似（一致又は類似）する育成情報に対応付けられた熟度を特定する。熟度判定モジュール４２は、この特定した熟度を、トマトの実１００の熟度として判定する。
The determination of the maturity of the harvested product executed by the maturity determination module 42 will be described with reference to FIG. 7. FIG. 7 is a diagram schematically showing the
予測モジュール４３は、この判定した熟度に基づいて、この収穫物の育成状況を予測する（ステップＳ１４）。ステップＳ１４において、予測モジュール４３は、育成状況として、収穫物の収穫時期（出荷可能予定日、出荷可能予定期間等）又は収穫量（各レーン又は全体の出荷可能な収穫物の総数、特定期間における出荷可能な収穫物の数等）のうちの少なくとも一つを予測する。 The prediction module 43 predicts the growing condition of this harvested product based on the determined maturity (step S14). In step S14, the prediction module 43 determines the harvest time (scheduled shipable date, scheduled shipable period, etc.) or yield (total number of shipable crops in each lane or the whole, specific period) as the growing situation. Predict at least one of (the number of crops that can be shipped, etc.).
このとき、予測モジュール４３は、特定した収穫物の熟度の値に基づいて、収穫時期を予測する。具体的には、予測モジュール４３は、この収穫物の熟度が１００％である場合、この熟度の判定をした日付から所定の期間（当日又は数日）を収穫時期として予測する。また、予測モジュール４３は、この収穫物の熟度が１００％未満である場合、収穫時期を熟度が１００％になるまでに必要な日数を加味して予測する。すなわち、予測モジュール４３は、熟度の判定をした日付に熟度が１００％になるまでに必要な日数を加算した日付から所定の期間（数日後）を収穫時期として予測する。また、予測モジュール４３は、この収穫物の熟度が１００％を超える場合、収穫時期が既に過ぎていることから当日中を収穫時期として予測する。 At this time, the prediction module 43 predicts the harvest time based on the value of the ripeness of the specified harvested product. Specifically, when the maturity of the harvested product is 100%, the prediction module 43 predicts a predetermined period (the day or several days) from the date on which the maturity is determined as the harvest time. Further, when the maturity of the harvested product is less than 100%, the prediction module 43 predicts the harvest time in consideration of the number of days required for the maturity to reach 100%. That is, the prediction module 43 predicts a predetermined period (several days later) as the harvest time from the date on which the number of days required for the maturity to reach 100% is added to the date on which the maturity is determined. Further, when the maturity of the harvested product exceeds 100%, the prediction module 43 predicts the harvest time as the harvest time because the harvest time has already passed.
なお、収穫物の熟度が１００％を大幅（例えば、１２０％以上）に超えている場合、収穫時期の予測を中止し、廃棄を予測してもよい。 If the ripeness of the harvested product greatly exceeds 100% (for example, 120% or more), the prediction of the harvest time may be stopped and the disposal may be predicted.
予測モジュール４３は、特定した収穫物の熟度に基づいて、収穫量を予測する。具体的には、予測モジュール４３は、この収穫物の熟度が１００％であるものの個数を、収穫量として予測する。また、予測モジュール４３は、この収穫物の熟度が１００％未満であるものの個数を、収穫可能ではないことから収穫量を０として予測する。また、予測モジュール４３は、この収穫物の熟度が１００％を超えるものの個数を、熟度の値に応じて、収穫量として予測する（例えば、１００％～１１０％のものはカウントし、１１０％以上のものはカウントしない）。 The prediction module 43 predicts the yield based on the ripeness of the identified crop. Specifically, the prediction module 43 predicts the number of harvests having a maturity of 100% as the yield. Further, the prediction module 43 predicts the number of crops whose maturity is less than 100%, assuming that the yield is 0 because it is not harvestable. Further, the prediction module 43 predicts the number of crops whose maturity exceeds 100% as the yield according to the value of the maturity (for example, those with 100% to 110% are counted and 110). Those over% are not counted).
なお、収穫物の熟度が１００％を大幅（例えば、１２０％以上）に超えている場合、収穫量の予測を中止し、廃棄を予測してもよい。 If the ripeness of the harvested product greatly exceeds 100% (for example, 120% or more), the prediction of the yield may be stopped and the disposal may be predicted.
また、予測モジュール４３は、特定した収穫物の熟度の値に基づいて、収穫時期及び収穫量を予測してもよい。 In addition, the prediction module 43 may predict the harvest time and the yield based on the value of the ripeness of the specified harvest.
通知モジュール２１は、この予測した結果を、作業者端末等に通知する（ステップＳ１５）。ステップＳ１５において、通知モジュール２１は、この予測した育成状況を、育成状況データとして、作業者端末等に送信する。作業者端末は、この育成状況データを受信し、表示部等に表示することにより、作業者に育成状況を通知する。通知モジュール２１は、収穫物の育成状況を作業者端末等に表示させることにより、作業者に収穫物の育成状況を通知する。 The notification module 21 notifies the worker terminal or the like of the predicted result (step S15). In step S15, the notification module 21 transmits the predicted training status as training status data to the worker terminal or the like. The worker terminal receives the training status data and displays it on the display unit or the like to notify the worker of the training status. The notification module 21 notifies the worker of the growing status of the harvested product by displaying the growing status of the harvested product on the worker terminal or the like.
以上が、第一予測処理である。 The above is the first prediction process.
［第二予測処理］
図４に基づいて、収穫時期予測システム１が実行する第二予測処理について説明する。図４は、コンピュータ１０が実行する第二予測処理のフローチャートを示す図である。上述した各モジュールが実行する処理について、本処理に併せて説明する。[Second prediction processing]
The second prediction process executed by the harvest time prediction system 1 will be described with reference to FIG. FIG. 4 is a diagram showing a flowchart of the second prediction process executed by the computer 10. The process executed by each of the above-mentioned modules will be described together with this process.
なお、上述した第一予測処理と同様の処理については、その詳細な説明は省略する。 The detailed description of the same processing as the first prediction processing described above will be omitted.
画像取得モジュール２０は、農作物の画像を取得する（ステップＳ２０）。ステップＳ２０の処理は、上述したステップＳ１０の処理と同様である。 The image acquisition module 20 acquires an image of an agricultural product (step S20). The process of step S20 is the same as the process of step S10 described above.
解析モジュール４０は、取得した画像を画像解析する（ステップＳ２１）。ステップＳ２１の処理は、上述したステップＳ１１の処理と同様である。 The analysis module 40 analyzes the acquired image (step S21). The process of step S21 is the same as the process of step S11 described above.
認識モジュール４１は、取得した画像から、農作物の収穫物を認識する（ステップＳ２２）。ステップＳ２２の処理は、上述したステップＳ１２の処理と同様である。 The recognition module 41 recognizes the crop of the crop from the acquired image (step S22). The process of step S22 is the same as the process of step S12 described above.
熟度判定モジュール４２は、収穫物の熟度を判定する（ステップＳ２３）。ステップＳ２３の処理は、上述したステップＳ１３の処理と同様である。 The maturity determination module 42 determines the maturity of the harvested product (step S23). The process of step S23 is the same as the process of step S13 described above.
環境データ取得モジュール２２は、農作物の一定期間の環境データを取得する（ステップＳ２４）。ステップＳ２４において、環境データとは、積算温度、積算日射量又は農作物の位置情報のうちの少なくとも一つである。環境データ取得モジュール２２は、所定範囲（例えば、複数のレーンで農作物を栽培している場合、各レーン）における環境データを取得する。積算温度とは、所定期間における日平均気温が基準温度を超過した分の温度を合計したものである。積算日射量とは、所定期間における所定の範囲（例えば、複数のレーンで農作物を栽培している場合、各レーン）における日射量を所定の計算式で計算したものである。農作物の位置情報とは、所定の範囲（例えば、複数のレーンで農作物を栽培している場合、各レーン）における代表的な位置情報である。 The environmental data acquisition module 22 acquires environmental data of agricultural products for a certain period of time (step S24). In step S24, the environmental data is at least one of the integrated temperature, the integrated solar radiation amount, and the position information of the crop. The environmental data acquisition module 22 acquires environmental data in a predetermined range (for example, when crops are cultivated in a plurality of lanes, each lane). The integrated temperature is the sum of the temperatures for which the daily average temperature in a predetermined period exceeds the reference temperature. The cumulative amount of solar radiation is calculated by a predetermined formula for the amount of solar radiation in a predetermined range (for example, in the case where crops are cultivated in a plurality of lanes, each lane) in a predetermined period. The position information of the crop is representative position information in a predetermined range (for example, when the crop is cultivated in a plurality of lanes, each lane).
環境データ取得モジュール２２が取得する環境データの其々について説明する。積算温度は、所定の範囲に設置された積算温度計が、所定期間において測定した積算温度である。環境データ取得モジュール２２は、この積算温度計が測定した積算温度を取得することにより、一定期間の積算温度を取得する。また、積算日射量は、所定の範囲に設置された日射計が、所定期間において測定した日射量に基づいたものである。環境データ取得モジュール２２は、この日射計が測定した日射量を取得し、所定の計算をすることにより、一定期間の積算日射量を取得する。また農作物の位置情報は、予め作業者端末等により登録された農作物の位置情報である。環境データ取得モジュール２２は、この登録された位置情報を取得することにより、農作物の位置情報を取得する。 Each of the environmental data acquired by the environmental data acquisition module 22 will be described. The integrated temperature is an integrated temperature measured by an integrated thermometer installed in a predetermined range in a predetermined period. The environmental data acquisition module 22 acquires the integrated temperature for a certain period by acquiring the integrated temperature measured by the integrated thermometer. In addition, the integrated solar radiation amount is based on the solar radiation amount measured in a predetermined period by a pyranometer installed in a predetermined range. The environmental data acquisition module 22 acquires the amount of solar radiation measured by this pyranometer, and acquires the integrated amount of solar radiation for a certain period by performing a predetermined calculation. Further, the position information of the crop is the position information of the crop registered in advance by the worker terminal or the like. The environmental data acquisition module 22 acquires the position information of the agricultural product by acquiring the registered position information.
記憶モジュール３０は、取得した環境データを、環境データデータベースとして記憶する（ステップＳ２５）。ステップＳ２５において、記憶モジュール３０は、環境データを取得した一定期間における所定の範囲と、各環境データとを対応付けて記憶する。 The storage module 30 stores the acquired environmental data as an environmental data database (step S25). In step S25, the storage module 30 stores the environmental data in association with each environmental data in a predetermined range for a certain period of time.
［環境データデータベース］
図８に基づいて、記憶モジュール３０が記憶する環境データデータベースについて説明する。図８は、記憶モジュール３０が記憶する環境データデータベースの一例を模式的に示した図である。記憶モジュール３０は、環境データを取得した一定期間における環境データを取得した範囲と、各環境データとを対応付けて記憶する。この環境データデータベースにおいて、一定期間として「６月１日～６月１５日」、環境データを取得した範囲として「レーン名」、環境データとして「積算温度」、「積算日射量」、「位置情報」が登録されている。これは、この環境データを取得した期間と、場所と、この場所における環境データが登録されていることを意味する。すなわち、今回、環境データ取得モジュール２２が環境データを取得したのは、「６月１日～６月１５日」の期間であり、環境データを取得した場所が「各レーン」であり、この「各レーン」における「積算温度」と、「積算日射量」と、「位置情報」とを対応付けて登録している。レーン１は、積算温度が５度、積算日射量が０．９２ＭＪ／ｍ２、位置情報がＸ１，Ｙ１である。レーン２は、積算温度が３度、積算日射量が０．８１ＭＪ／ｍ２、位置情報がＸ２，Ｙ２である。[Environmental data database]
An environmental data database stored in the storage module 30 will be described with reference to FIG. FIG. 8 is a diagram schematically showing an example of an environmental data database stored in the storage module 30. The storage module 30 stores the range in which the environmental data is acquired for a certain period of time in which the environmental data is acquired in association with each environmental data. In this environmental data database, "June 1st to June 15th" for a certain period, "lane name" for the range where environmental data was acquired, "integrated temperature", "integrated solar radiation", and "location information" for environmental data. Is registered. This means that the period and location where this environmental data was acquired and the environmental data at this location are registered. That is, this time, the environmental data acquisition module 22 acquired the environmental data during the period from "June 1st to June 15th", and the place where the environmental data was acquired is "each lane". The "integrated temperature", "integrated solar radiation amount", and "position information" in each lane are registered in association with each other. In lane 1, the integrated temperature is 5 degrees, the integrated solar radiation amount is 0.92 MJ / m 2 , and the position information is X1 and Y1. In lane 2, the integrated temperature is 3 degrees, the integrated solar radiation amount is 0.81 MJ / m 2 , and the position information is X2 and Y2.
コンピュータ１０は、このように記憶した環境データを、後述する処理に利用する。 The computer 10 uses the environmental data stored in this way for processing described later.
なお、環境データ取得モジュール２２が環境データを取得し記憶するタイミングは、上述したタイミングに限らず、ステップＳ２０の処理からステップＳ２３の処理の間の任意のタイミングであってもよい。 The timing at which the environment data acquisition module 22 acquires and stores the environment data is not limited to the timing described above, and may be any timing between the processing of step S20 and the processing of step S23.
予測モジュール４３は、判定した熟度及び取得した環境データに基づいて、この収穫物の育成状況を予測する（ステップＳ２６）。ステップＳ２６において、予測モジュール４３は、育成状況として、収穫物の収穫時期（出荷可能予定日、出荷可能予定期間等）又は収穫量（各レーン又は全体の出荷可能な収穫物の総数、特定期間における出荷可能な収穫物の数等）のうちの少なくとも一つを予測する。 The prediction module 43 predicts the growing condition of this harvested product based on the determined maturity and the acquired environmental data (step S26). In step S26, the prediction module 43 determines the harvest time (scheduled shipable date, scheduled shipable period, etc.) or yield (total number of shipable crops in each lane or the whole, specific period) as the growing situation. Predict at least one of (the number of crops that can be shipped, etc.).
予測モジュール４３は、取得した環境データが生育に適したものである場合、熟度のみで予測したものよりも短い収穫時期を予測し、取得した環境データが生育に適さないものである場合、熟度のみで予測したものよりも長い収穫時期を予測する。 The prediction module 43 predicts a shorter harvest time than the one predicted only by the maturity when the acquired environmental data is suitable for growth, and when the acquired environmental data is not suitable for growth, the prediction module 43 matures. Predict a longer harvest time than predicted by degree alone.
このとき、予測モジュール４３は、特定した収穫物の熟度の値と、取得した環境データとに基づいて、収穫時期を予測する。この収穫時期の予測に関して、予測モジュール４３は、各レーンにおける収穫物の収穫時期を其々予測し、各レーンにおいて予測した結果を、合算したものを収穫時期として予測する。レーン１を例として説明する。レーン１において、積算温度が５度、積算日射量が０．９２ＭＪ／ｍ２、位置情報が「Ｘ１，Ｙ１」である。At this time, the prediction module 43 predicts the harvest time based on the value of the ripeness of the specified harvest and the acquired environmental data. Regarding the prediction of the harvest time, the prediction module 43 predicts the harvest time of the harvested product in each lane, and predicts the sum of the predicted results in each lane as the harvest time. Lane 1 will be described as an example. In lane 1, the integrated temperature is 5 degrees, the integrated solar radiation amount is 0.92 MJ / m 2 , and the position information is "X1, Y1".
予測モジュール４３は、収穫物の熟度が１００％である場合、この熟度における日数に、この積算温度、積算日射量又は位置情報を加味して収穫時期を予測する。例えば、熟度のみで判定した場合の収穫時期が当日又は３日以内であるとした場合、この積算温度、積算日射量又は位置情報が通常よりも生育に適したものである場合、熟度のみで予測した場合に比べて同じ日数であってもより熟すことが予測される。その結果、予測モジュール４３は、この収穫物の収穫時期を、熟度のみで判定した場合と比較してより短い期間（例えば、熟度のみで判定した場合の収穫時期が当日又は３日以内である場合、今回の予測を当日又は２日以内）であるものと予測する。一方、この積算温度、積算日射量又は位置情報が通常よりも生育に適さないものである場合、熟度のみで予測した場合に比べて同じ日数であってもより熟さないことが予測される。その結果、予測モジュール４３は、この収穫物の収穫時期を、熟度のみで判定した場合と比較してより長い期間（例えば、熟度のみで判定した場合の収穫時期が当日又は３日以内である場合、今回の予測を当日又は５日以内）であるものと予測する。 When the maturity of the harvested product is 100%, the prediction module 43 predicts the harvest time by adding the integrated temperature, the integrated amount of solar radiation, or the position information to the number of days at this maturity. For example, if the harvest time is within 3 days or the same day when judged only by the maturity, if the integrated temperature, the integrated amount of solar radiation or the position information is more suitable for growth than usual, only the maturity. It is predicted that it will ripen more even if the number of days is the same as the case predicted in. As a result, the prediction module 43 determines the harvest time of this harvested product in a shorter period than when it is determined only by the maturity (for example, when the harvest time is determined only by the maturity, the harvest time is the same day or within 3 days. In some cases, this forecast is expected to be on the same day or within 2 days). On the other hand, when the integrated temperature, the integrated amount of solar radiation or the position information is less suitable for growth than usual, it is predicted that the ripening will not occur even if the number of days is the same as compared with the case predicted only by the maturity. .. As a result, the prediction module 43 determines the harvest time of this crop for a longer period than when it is determined only by maturity (for example, when the harvest time is determined only by maturity, the harvest time is on the same day or within 3 days. In some cases, this forecast is expected to be on the same day or within 5 days).
予測モジュール４３は、収穫物の熟度が１００％未満である場合、熟度が１００％になるまでに必要な日数に、この積算温度、積算日射量又は位置情報を加味して収穫時期を予測する。例えば、熟度のみで判定した場合の収穫時期が３日後であるとした場合、この積算温度、積算日射量又は位置情報が通常よりも生育に適したものである場合、熟度のみで予測した場合に比べて同じ日数であってもより熟すことが予測される。その結果、予測モジュール４３は、この収穫物の収穫時期を、熟度のみで判定した場合と比較してより短い期間（例えば、熟度のみで判定した場合の収穫時期が３日後である場合、今回の予測を２日後）であるものと予測する。一方、この積算温度、積算日射量又は位置情報が通常よりも生育に適さないものである場合、熟度のみで予測した場合に比べて同じ日数であってもより熟さないことが予測される。その結果、予測モジュール４３は、この収穫物の収穫時期を、熟度のみで判定した場合と比較してより長い期間（例えば、熟度のみで判定した場合の収穫時期が３日後である場合、今回の予測を５日後）であるものと予測する。 When the maturity of the harvest is less than 100%, the prediction module 43 predicts the harvest time by adding the integrated temperature, the integrated amount of solar radiation, or the position information to the number of days required for the maturity to reach 100%. do. For example, if the harvest time is 3 days later when judged only by the maturity, and the integrated temperature, the integrated amount of solar radiation or the position information is more suitable for growth than usual, the prediction is made only by the maturity. It is expected to ripen more even if the number of days is the same as in the case. As a result, the prediction module 43 determines that the harvest time of this crop is a shorter period than when it is determined only by maturity (for example, when the harvest time when it is determined only by maturity is 3 days later). This forecast is predicted to be (two days later). On the other hand, when the integrated temperature, the integrated amount of solar radiation or the position information is less suitable for growth than usual, it is predicted that the ripening will not occur even if the number of days is the same as compared with the case predicted only by the maturity. .. As a result, the prediction module 43 determines that the harvest time of this crop is a longer period than when it is determined only by maturity (for example, when the harvest time when it is determined only by maturity is 3 days later). This forecast is expected to be 5 days later).
予測モジュール４３は、収穫物の熟度が１００％を超える場合、収穫時期が既に過ぎていることに加え、この積算温度、積算日射量又は位置情報を加味して収穫時期を予測する。例えば、熟度のみで判定した場合の収穫時期が当日中であるとした場合、この積算温度、積算日射量又は位置情報が通常よりも生育に適したものである場合、熟度のみで予測した場合に比べて同じ日数であってもより熟すことが予測される。その結果、予測モジュール４３は、この収穫物の収穫時期を、熟度のみで判定した場合と比較してより短い期間（例えば、熟度のみで判定した場合の収穫時期が当日中である場合、今回の予測を収穫には不適切）であるものと予測する。一方、この積算温度、積算日射量又は位置情報が通常よりも生育に適さないものである場合、熟度のみで予測した場合に比べて同じ日数であってもより熟さないことが予測される。その結果、予測モジュール４３は、この収穫物の収穫時期を、熟度のみで判定した場合と比較してより長い期間（例えば、熟度のみで判定した場合の収穫時期が当時中である場合、今回の予測を当日又は２日後）であるものと予測する。 When the maturity of the harvested product exceeds 100%, the prediction module 43 predicts the harvest time by taking into account the integrated temperature, the integrated amount of solar radiation, or the position information in addition to the fact that the harvest time has already passed. For example, assuming that the harvest time is during the day when judged only by maturity, if the integrated temperature, integrated solar radiation amount or position information is more suitable for growth than usual, it is predicted only by maturity. It is expected to ripen more even if the number of days is the same as in the case. As a result, the prediction module 43 determines that the harvest time of the harvested product is shorter than the case where the harvest time is determined only by the maturity (for example, when the harvest time when the harvest time is determined only by the maturity is during the day). This forecast is inappropriate for harvesting). On the other hand, when the integrated temperature, the integrated amount of solar radiation or the position information is less suitable for growth than usual, it is predicted that the ripening will not occur even if the number of days is the same as compared with the case predicted only by the maturity. .. As a result, the prediction module 43 determines the harvest time of this crop for a longer period than when it is determined only by maturity (for example, when the harvest time when it is determined only by maturity is in the middle of the time). This forecast is expected to be on the same day or two days later).
なお、収穫物の熟度が１００％を大幅（例えば、１２０％以上）に超えている場合、収穫時期の予測を中止し、廃棄を予測してもよい。 If the ripeness of the harvested product greatly exceeds 100% (for example, 120% or more), the prediction of the harvest time may be stopped and the disposal may be predicted.
予測モジュール４３は、取得した環境データが生育に適したものである場合、熟度のみで予測したものよりも少ない又は多い収穫量を予測し、取得した環境データが生育に適さないものである場合、熟度のみで予測したものよりも少ない収穫量を予測する。 When the acquired environmental data is suitable for growth, the prediction module 43 predicts a yield smaller or higher than that predicted only by maturity, and the acquired environmental data is not suitable for growth. , Predict less yield than predicted by maturity alone.
このとき、予測モジュール４３は、特定した収穫物の熟度の値と、取得した環境データとに基づいて、収穫量を予測する。この収穫量の予測に関して、予測モジュール４３は、各レーンにおける収穫物の収穫量を其々予測し、各レーンにおいて予測した結果を、合算したものを収穫量として予測する。レーン１を例として説明する。レーン１において、積算温度が５度、積算日射量が０．９２ＭＪ／ｍ２、位置情報が「Ｘ１，Ｙ１」である。At this time, the prediction module 43 predicts the yield amount based on the value of the ripeness of the specified harvested product and the acquired environmental data. Regarding the prediction of the yield, the prediction module 43 predicts the yield of the harvested product in each lane, and predicts the total of the predicted results in each lane as the yield. Lane 1 will be described as an example. In lane 1, the integrated temperature is 5 degrees, the integrated solar radiation amount is 0.92 MJ / m 2 , and the position information is "X1, Y1".
予測モジュール４３は、収穫物の熟度が１００％である場合、収穫量を、この熟度における個数に、この積算温度、積算日射量又は位置情報を加味して収穫量を予測する。例えば、熟度のみで判定した場合の収穫量が２である場合、この積算温度、積算日射量又は位置情報が通常よりも生育に適したものである場合、熟度のみで予測した場合に比べてより熟していることが予測される。その結果、予測モジュール４３は、この収穫物の収穫量を、熟度のみと判定した場合と比較してより多い個数（例えば、熟度のみで判定した場合の収穫量が２個である場合、今回の予測を４個）であるものと予測する。一方、この積算温度、積算日射量又は位置情報が通常よりも生育に適さないものである場合、熟度のみで予測した場合に比べてより熟さないことが予測される。その結果、予測モジュール４３は、この収穫物の収穫量を、熟度のみで判定した場合と比較してより少ない個数（例えば、熟度のみで判定した場合の収穫量が２個である場合、今回の予測を１個）であるものと予測する。 When the maturity of the harvested product is 100%, the prediction module 43 predicts the yield amount by adding the integrated temperature, the integrated solar radiation amount, or the position information to the number of pieces at this maturity. For example, when the yield when judged only by the maturity is 2, when the integrated temperature, the integrated solar radiation amount or the position information is more suitable for growth than usual, it is compared with the case where it is predicted only by the maturity. It is expected to be more ripe. As a result, the prediction module 43 determines that the yield of the harvested product is larger than that in the case where it is determined only by the maturity (for example, when the yield when it is determined only by the maturity is two). This prediction is predicted to be 4). On the other hand, when the integrated temperature, the integrated amount of solar radiation, or the position information is more unsuitable for growth than usual, it is predicted that the integrated temperature, the integrated amount of solar radiation, or the position information will not ripen more than the case predicted only by the maturity. As a result, the prediction module 43 determines that the yield of the harvested product is smaller than that of the case where the yield is determined only by the maturity (for example, when the yield is 2 when the yield is determined only by the maturity). This prediction is predicted to be one).
予測モジュール４３は、収穫物の熟度が１００％未満である場合、収穫量を、この熟度における個数に、この積算温度、積算日射量又は位置情報を加味して収穫量を予測する。例えば、熟度のみで判定した場合の収穫量が未熟であることから０であるが、この積算温度、積算日射量又は位置情報が通常よりも生育に適したものである場合、熟度のみで予測した場合に比べてより熟していることが予測される。その結果、予測モジュール４３は、この収穫物の収穫量を、熟度のみと判定した場合と比較してより多い個数（例えば、熟度のみで判定した場合の収穫量が０個である場合、今回の予測を２個）であるものと予測する。一方、この積算温度、積算日射量又は位置情報が通常よりも生育に適さないものである場合、熟度のみで予測した場合に比べてより熟さないことが予測される。その結果、予測モジュール４３は、この収穫物の収穫量を、熟度のみで判定した場合と比較してより少ない個数（例えば、熟度のみで判定した場合の収穫量が０個である場合、今回の予測を０個）であるものと予測する。 When the maturity of the crop is less than 100%, the prediction module 43 predicts the yield by adding the integrated temperature, the integrated solar radiation amount, or the position information to the number of pieces at this maturity. For example, it is 0 because the yield when judged only by the maturity is immature, but when the integrated temperature, the integrated solar radiation amount or the position information is more suitable for growth than usual, only the maturity is used. It is expected to be more ripe than expected. As a result, the prediction module 43 determines that the yield of the harvested product is larger than that in the case where it is determined only by the maturity (for example, when the yield when it is determined only by the maturity is 0). This prediction is predicted to be 2). On the other hand, when the integrated temperature, the integrated amount of solar radiation, or the position information is more unsuitable for growth than usual, it is predicted that the integrated temperature, the integrated amount of solar radiation, or the position information will not ripen more than the case predicted only by the maturity. As a result, the prediction module 43 determines that the yield of the harvested product is smaller than that of the case where the yield is determined only by the maturity (for example, when the yield is 0 when the yield is determined only by the maturity). This prediction is predicted to be 0).
予測モジュール４３は、収穫物の熟度が１００％を超える場合、収穫量を、この熟度における個数に、この積算温度、積算日射量又は位置情報を加味して収穫量を予測する。例えば、熟度のみで判定した場合の収穫量が熟度の値に応じて収穫量を予測するもの（例えば、１００％～１１０％のものはカウントし、１１０％以上のものはカウントしない。）であるが、この積算温度、積算日射量又は位置情報が通常よりも生育に適したものである場合、熟度のみで予測した場合に比べてより熟していることが予測される。その結果、予測モジュール４３は、この収穫物の収穫量を、熟度のみと判定した場合と比較してより少ない個数（例えば、熟度のみで判定した場合の収穫量において、１００％～１２０％のものをカウントし、１２０％以上のものはカウントしない）であるものと予測する。一方、この積算温度、積算日射量又は位置情報が通常よりも生育に適さないものである場合、熟度のみで予測した場合に比べてより熟さないことが予測される。その結果、予測モジュール４３は、この収穫物の収穫量を、熟度のみで判定した場合と比較してより多い個数（例えば、熟度のみで判定した場合の収穫量において、１００％～１１０％のものをカウントし、１１０％以上のものはカウントしない）であるものと予測する。 When the maturity of the crop exceeds 100%, the prediction module 43 predicts the yield by adding the integrated temperature, the integrated solar radiation amount, or the position information to the number of pieces at this maturity. For example, when the yield is judged only by the maturity, the yield is predicted according to the value of the maturity (for example, 100% to 110% is counted, and 110% or more is not counted). However, when the integrated temperature, the integrated amount of solar radiation, or the position information is more suitable for growth than usual, it is predicted that the crop is more ripe than the case predicted only by the maturity. As a result, the prediction module 43 determines that the yield of this crop is smaller than that when it is determined only by maturity (for example, 100% to 120% in the yield when it is determined only by maturity). It counts things, and does not count things over 120%). On the other hand, when the integrated temperature, the integrated amount of solar radiation, or the position information is more unsuitable for growth than usual, it is predicted that the integrated temperature, the integrated amount of solar radiation, or the position information will not ripen more than the case predicted only by the maturity. As a result, the prediction module 43 determines the yield of this harvested product in a larger number (for example, 100% to 110% in the yield when determined only by the maturity) as compared with the case where the yield is determined only by the maturity. It counts things, and does not count things over 110%).
なお、収穫物の熟度が１００％を大幅（例えば、１３０％以上）に超えている場合、収穫量の予測を中止し、廃棄を予測してもよい。 If the ripeness of the harvested product greatly exceeds 100% (for example, 130% or more), the prediction of the yield may be stopped and the disposal may be predicted.
また、予測モジュール４３は、特定した収穫物の熟度の値に基づいて、収穫時期及び収穫量を予測してもよい。 In addition, the prediction module 43 may predict the harvest time and the yield based on the value of the ripeness of the specified harvest.
通知モジュール２１は、この予測した結果を、作業者端末等に通知する（ステップＳ２７）。ステップＳ２７の処理は、上述したステップＳ１５の処理と同様である。 The notification module 21 notifies the worker terminal or the like of the predicted result (step S27). The process of step S27 is the same as the process of step S15 described above.
以上が、第二予測処理である。 The above is the second prediction process.
［学習処理］
図５に基づいて、収穫時期予測システム１が実行する学習処理について説明する。図５は、コンピュータ１０が実行する学習処理のフローチャートを示す図である。上述した各モジュールが実行する処理について、本処理に併せて説明する。[Learning process]
The learning process executed by the harvest time prediction system 1 will be described with reference to FIG. FIG. 5 is a diagram showing a flowchart of a learning process executed by the computer 10. The process executed by each of the above-mentioned modules will be described together with this process.
なお、上述した第一予測処理又は第二予測処理と同様の処理については、その詳細な説明は省略する。 The detailed description of the above-mentioned first prediction process or the same process as the second prediction process will be omitted.
育成状況取得モジュール２３は、実際に収穫物を収穫した際の収穫物の育成状況を取得する（ステップＳ３０）。ステップＳ３０において、育成状況取得モジュール２３は、作業者端末から、実際に農作物の収穫物の育成状況を取得する。このとき、作業者端末は、作業者からの入力操作を受け付け、収穫した時点における収穫物の育成状況の入力を受け付ける。ここでは、作業者端末は、この収穫物の収穫時の画像と、収穫時期と、収穫量との入力を受け付ける。育成状況取得モジュール２３は、この作業者端末に入力された育成状況を取得する。 The breeding status acquisition module 23 acquires the breeding status of the harvested product when the harvested product is actually harvested (step S30). In step S30, the breeding status acquisition module 23 actually acquires the breeding status of the crop of the crop from the worker terminal. At this time, the worker terminal accepts the input operation from the worker and accepts the input of the growing status of the harvested product at the time of harvesting. Here, the worker terminal accepts an image of the harvested product at the time of harvest, an input of the harvest time, and an input amount. The training status acquisition module 23 acquires the training status input to the worker terminal.
なお、ここで、作業者端末は、上述した環境データの入力を受け付けていてもよい。この場合、育成状況取得モジュール２３は、収穫物の育成状況に加えて、この環境データを取得する構成であってもよい。 Here, the worker terminal may accept the input of the above-mentioned environmental data. In this case, the growing status acquisition module 23 may be configured to acquire this environmental data in addition to the growing status of the harvested product.
学習モジュール４４は、取得した育成状況を教師データとして学習する（ステップＳ３１）。ステップＳ３１において、学習モジュール４４は、取得した収穫物の育成状況と、この収穫物の画像とを教師データとして学習する。 The learning module 44 learns the acquired training status as teacher data (step S31). In step S31, the learning module 44 learns the acquired growing condition of the harvested product and the image of the harvested product as teacher data.
記憶モジュール３０は、学習した教師データを記憶する（ステップＳ３２）。 The storage module 30 stores the learned teacher data (step S32).
コンピュータ１０は、上述したステップＳ３０－Ｓ３２の処理を繰り返して実行することにより、教師データの精度を向上させていく。 The computer 10 improves the accuracy of the teacher data by repeatedly executing the processes of steps S30-S32 described above.
コンピュータ１０は、上述した第一予測処理におけるステップＳ１４以降の処理又は上述した第二予測処理におけるステップＳ２５以降の処理において、この教師データを加味して、収穫物の育成状況を予測する。 The computer 10 predicts the growing state of the harvested product by adding this teacher data in the processing after step S14 in the above-mentioned first prediction processing or the processing after step S25 in the above-mentioned second prediction processing.
以上が、学習処理である。 The above is the learning process.
上述した手段、機能は、コンピュータ（ＣＰＵ、情報処理装置、各種端末を含む）が、所定のプログラムを読み込んで、実行することによって実現される。プログラムは、例えば、コンピュータからネットワーク経由で提供される（ＳａａＳ：ソフトウェア・アズ・ア・サービス）形態で提供される。また、プログラムは、例えば、フレキシブルディスク、ＣＤ（ＣＤ－ＲＯＭなど）、ＤＶＤ（ＤＶＤ－ＲＯＭ、ＤＶＤ－ＲＡＭなど）等のコンピュータ読取可能な記録媒体に記録された形態で提供される。この場合、コンピュータはその記録媒体からプログラムを読み取って内部記録装置又は外部記録装置に転送し記録して実行する。また、そのプログラムを、例えば、磁気ディスク、光ディスク、光磁気ディスク等の記録装置（記録媒体）に予め記録しておき、その記録装置から通信回線を介してコンピュータに提供するようにしてもよい。 The above-mentioned means and functions are realized by a computer (including a CPU, an information processing device, and various terminals) reading and executing a predetermined program. The program is provided, for example, in the form of being provided from a computer via a network (Software as a Service). Further, the program is provided in a form recorded on a computer-readable recording medium such as a flexible disk, a CD (CD-ROM or the like), or a DVD (DVD-ROM, DVD-RAM or the like). In this case, the computer reads the program from the recording medium, transfers it to an internal recording device or an external recording device, records the program, and executes the program. Further, the program may be recorded in advance on a recording device (recording medium) such as a magnetic disk, an optical disk, or a magneto-optical disk, and the program may be provided from the recording device to a computer via a communication line.
以上、本発明の実施形態について説明したが、本発明は上述したこれらの実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。 Although the embodiments of the present invention have been described above, the present invention is not limited to these embodiments described above. In addition, the effects described in the embodiments of the present invention merely list the most suitable effects arising from the present invention, and the effects according to the present invention are limited to those described in the embodiments of the present invention. is not it.
１ 収穫時期予測システム、１００ 指示者端末、２００ 被指示者端末 1 Harvest time prediction system, 100 Instructor terminal, 200 Instructor terminal
Claims (6)
前記画像から前記農作物の収穫物を認識する認識手段と、
認識した前記収穫物の熟度を判定する熟度判定手段と、
前記各レーンにおける一定期間の環境データを取得する環境データ取得手段と、
認識した前記収穫物の画像から判定した前記熟度と、取得した前記環境データとから、各レーンにおける当該収穫物の状況又は状態を予測する予測手段と、
を備え、
前記予測手段は、前記環境データが生育に適したものである場合、前記熟度のみで予測した前記収穫物の状況又は状態よりも熟すものとして予測し、当該環境データが生育に適したものでない場合、当該熟度のみで予測した当該収穫物の状況又は状態よりも熟さないものとして予測する、
ことを特徴とするコンピュータシステム。 Image acquisition means to acquire images of agricultural products in each lane,
A recognition means for recognizing the harvest of the crop from the image,
A maturity determination means for determining the recognized maturity of the harvest, and
Environmental data acquisition means for acquiring environmental data for a certain period in each lane, and
A predictive means for predicting the state or state of the harvested product in each lane from the maturity determined from the recognized image of the harvested product and the acquired environmental data.
Equipped with
When the environmental data is suitable for growth, the predictive means predicts that the crop will ripen more than the condition or state of the harvest predicted only by the maturity, and the environmental data is not suitable for growth. In the case, it is predicted that the crop will not ripen more than the condition or condition of the harvest predicted only by the ripeness.
A computer system characterized by that .
ことを特徴とする請求項１に記載のコンピュータシステム。 The condition or condition of the harvested product is at least one of the harvest time and the yield of the harvested product.
The computer system according to claim 1.
ことを特徴とする請求項１に記載のコンピュータシステム。 The environmental data is at least one of integrated temperature, integrated solar radiation, and position information of the crop.
The computer system according to claim 1 .
をさらに備え、
前記予測手段は、前記農作物の画像に加え、学習した前記教師データに基づいて、予測を行う、
ことを特徴とする請求項１に記載のコンピュータシステム。 A learning means for learning at least one of the conditions or states of the harvested product as teacher data when the harvested product is actually harvested.
Further prepare
The prediction means makes a prediction based on the learned teacher data in addition to the image of the crop.
The computer system according to claim 1.
各レーンにおける農作物の画像を取得するステップと、
前記画像から前記農作物の収穫物を認識するステップと、
認識した前記収穫物の熟度を判定するステップと、
前記各レーンにおける一定期間の環境データを取得するステップと、
認識した前記収穫物の画像から判定した前記熟度と、取得した前記環境データとから、各レーンにおける当該収穫物の状況又は状態を予測するステップと、
前記環境データが生育に適したものである場合、前記熟度のみで予測した前記収穫物の状況又は状態よりも熟すものとして予測し、当該環境データが生育に適したものでない場合、当該熟度のみで予測した当該収穫物の状況又は状態よりも熟さないものとして予測するステップと、
を備えることを特徴とする収穫時期予測方法。 A method of predicting harvest time performed by a computer system.
Steps to get images of crops in each lane,
The step of recognizing the harvest of the crop from the image,
The step of determining the recognized maturity of the harvest and
The step of acquiring environmental data for a certain period in each lane,
A step of predicting the state or state of the harvested product in each lane from the maturity determined from the recognized image of the harvested product and the acquired environmental data.
If the environmental data is suitable for growth, it is predicted that the crop will ripen more than the condition or condition of the harvest predicted only by the maturity, and if the environmental data is not suitable for growth, the maturity is expected. Steps to predict as less ripe than the condition or condition of the harvest predicted only by
A harvest time prediction method characterized by providing.
各レーンにおける農作物の画像を取得するステップ、
前記画像から前記農作物の収穫物を認識するステップ、
認識した前記収穫物の熟度を判定するステップ、
前記各レーンにおける一定期間の環境データを取得するステップ、
認識した前記収穫物の画像から判定した前記熟度と、取得した前記環境データとから、各レーンにおける当該収穫物の状況又は状態を予測するステップ、
前記環境データが生育に適したものである場合、前記熟度のみで予測した前記収穫物の状況又は状態よりも熟すものとして予測し、当該環境データが生育に適したものでない場合、当該熟度のみで予測した当該収穫物の状況又は状態よりも熟さないものとして予測するステップ、
を実行させるためのコンピュータ読み取り可能なプログラム。 For computer systems
Steps to get images of crops in each lane,
The step of recognizing the crop of the crop from the image,
Steps to determine the recognized maturity of the harvest,
Steps to acquire environmental data for a certain period in each lane,
A step of predicting the state or state of the harvested product in each lane from the maturity determined from the recognized image of the harvested product and the acquired environmental data.
If the environmental data is suitable for growth, it is predicted that the crop will ripen more than the condition or condition of the harvest predicted only by the maturity, and if the environmental data is not suitable for growth, the maturity is expected. Steps to predict as less ripe than the condition or condition of the harvest predicted only by
A computer-readable program for running.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2018/028746 WO2020026358A1 (en) | 2018-07-31 | 2018-07-31 | Computer system, harvest time prediction method, and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2020026358A1 JPWO2020026358A1 (en) | 2021-08-26 |
| JP6999223B2 true JP6999223B2 (en) | 2022-01-18 |
Family
ID=69230648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020533953A Active JP6999223B2 (en) | 2018-07-31 | 2018-07-31 | Computer system, harvest time prediction method and program |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6999223B2 (en) |
| WO (1) | WO2020026358A1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102620199B1 (en) * | 2023-08-18 | 2024-01-03 | (주)타이호인스트 | Server and method for operating farm agricultural products distribution price prediction information platform based on artificial-intelligent |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060247967A1 (en) | 2005-05-02 | 2006-11-02 | Thaddeus Prusik | Method of marketing maturing consumable products and products useful therein |
| JP2012183021A (en) | 2011-03-04 | 2012-09-27 | Hitachi Ltd | Vegetation control device and plant growing system |
| JP2014103958A (en) | 2012-11-29 | 2014-06-09 | Daiwa House Industry Co Ltd | System for controlling plant growth environment, and method for controlling plant growth environment |
| CN103971176A (en) | 2014-05-07 | 2014-08-06 | 中国农业科学院柑桔研究所 | Method and system for optimizing harvesting decision of citrus fruits |
| JP2016154510A (en) | 2015-02-26 | 2016-09-01 | 日本電気株式会社 | Information processor, growth state determination method, and program |
| US20170332544A1 (en) | 2015-10-05 | 2017-11-23 | iUNU, LLC | Data driven indoor farming optimization |
| JP6267841B1 (en) | 2017-04-28 | 2018-01-24 | 株式会社オプティム | Wearable terminal display system, wearable terminal display method and program |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012088100A (en) * | 2010-10-18 | 2012-05-10 | Nec Corp | Vegetables and fruits harvest determination device, vegetables and fruits harvest determination method and vegetables and fruits harvest determination program |
| JP2013005726A (en) * | 2011-06-22 | 2013-01-10 | Nikon Corp | Information providing system, information providing device, information providing method, and program |
| JP6524851B2 (en) * | 2015-08-17 | 2019-06-05 | Tdk株式会社 | Agricultural work support device and agricultural work support program |
| JP2018025548A (en) * | 2016-08-10 | 2018-02-15 | シャープ株式会社 | Fruit harvester and fruit harvesting method |
-
2018
- 2018-07-31 JP JP2020533953A patent/JP6999223B2/en active Active
- 2018-07-31 WO PCT/JP2018/028746 patent/WO2020026358A1/en active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060247967A1 (en) | 2005-05-02 | 2006-11-02 | Thaddeus Prusik | Method of marketing maturing consumable products and products useful therein |
| JP2012183021A (en) | 2011-03-04 | 2012-09-27 | Hitachi Ltd | Vegetation control device and plant growing system |
| JP2014103958A (en) | 2012-11-29 | 2014-06-09 | Daiwa House Industry Co Ltd | System for controlling plant growth environment, and method for controlling plant growth environment |
| CN103971176A (en) | 2014-05-07 | 2014-08-06 | 中国农业科学院柑桔研究所 | Method and system for optimizing harvesting decision of citrus fruits |
| JP2016154510A (en) | 2015-02-26 | 2016-09-01 | 日本電気株式会社 | Information processor, growth state determination method, and program |
| US20170332544A1 (en) | 2015-10-05 | 2017-11-23 | iUNU, LLC | Data driven indoor farming optimization |
| JP6267841B1 (en) | 2017-04-28 | 2018-01-24 | 株式会社オプティム | Wearable terminal display system, wearable terminal display method and program |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2020026358A1 (en) | 2021-08-26 |
| WO2020026358A1 (en) | 2020-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Witten et al. | What’s it all about | |
| KR101936317B1 (en) | Method for smart farming | |
| JP2019187259A (en) | Culture support method, culture support program, culture support device and culture support system | |
| CN111476149A (en) | Plant cultivation control method and system | |
| JP7137426B2 (en) | Harvest prediction system for greenhouse-grown fruits | |
| JP7311102B2 (en) | Agricultural crop growth estimation device, agricultural crop growth estimation system, agricultural crop growth estimation method, and program | |
| JP7208503B2 (en) | Machine learning program, machine learning method and machine learning apparatus | |
| US20220189025A1 (en) | Crop yield prediction program and cultivation environment assessment program | |
| JP6999223B2 (en) | Computer system, harvest time prediction method and program | |
| CN109871833B (en) | Crop maturity monitoring method based on deep learning convolutional neural network | |
| CN115620151B (en) | Method and device for identifying phenological period, electronic equipment and storage medium | |
| CN116843188A (en) | Fine agricultural cultivation and management platform based on big data analysis | |
| CN114723118B (en) | Insect pest early warning system based on internet of things | |
| James et al. | High‐throughput phenotyping for breeding targets—Current status and future directions of strawberry trait automation | |
| JP7138012B2 (en) | Management device for pollen-mating insects and method for managing pollen-mating insects | |
| JP2020156431A (en) | Agricultural crop growth evaluation/work proposal method, agricultural product growth evaluation/work proposal system, and regional agricultural activation system | |
| KR20230061863A (en) | Apparatus for predicting fruit development stage using ensemble model of convolutional neural network and multi layer perceptron and method thereof | |
| JP2018169993A (en) | Result prediction device, result prediction method, and program | |
| JPWO2020136819A1 (en) | Crop growth support system, crop growth support method and program | |
| Zarembo et al. | Digital twin: Orchard management using UAV | |
| EP4125325B1 (en) | Experimenting with an adjusted grow protocol target value | |
| WO2018158821A1 (en) | Harvest information suggestion system, method and program | |
| Muralimohan et al. | Monitoring System for the benefit of Agriculture using AI Automation Using IoT and Deep Learning | |
| CN114467530B (en) | Fruit tree girdling method, fruit tree girdling device, terminal equipment and computer readable storage medium | |
| Aderes et al. | Design and development of Sugarcane Maturity Identifier through Phenotypes via Image processing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210128 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210128 |
|
| 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: 20211214 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211220 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6999223 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |