JP7075787B2 - トラフィカビリティ推定装置およびプログラム - Google Patents
トラフィカビリティ推定装置およびプログラム Download PDFInfo
- Publication number
- JP7075787B2 JP7075787B2 JP2018044723A JP2018044723A JP7075787B2 JP 7075787 B2 JP7075787 B2 JP 7075787B2 JP 2018044723 A JP2018044723 A JP 2018044723A JP 2018044723 A JP2018044723 A JP 2018044723A JP 7075787 B2 JP7075787 B2 JP 7075787B2
- Authority
- JP
- Japan
- Prior art keywords
- soil
- information
- trafficability
- relative reflectance
- learning model
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Description
本発明は、このような事情に鑑みてなされたものであり土地のトラフィカビリティ情報を安全に確実に推定する上で有利なトラフィカビリティ推定装置およびプログラムを提供することを目的とする。
また、本発明は、情報処理装置において実行されるプログラムであって、前記情報処理装置を、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、前記相対反射率情報に基いて土壌の性質毎に種類分けされた土壌種別である土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部と、土種類学習モデルと含水量学習モデルとトラフィカビリティ学習モデルとを記録したデータベースと、して機能させ、前記土種類学習モデルは、前記土の種類と前記土の相対反射率のパターンとの関係を規定するものであり、前記含水量学習モデルは、前記土の種類と前記土の特定の波長における相対反射率と前記土の含水量との関係を規定するものであり、前記トラフィカビリティ学習モデルは、前記土の種類と前記土の含水量と作業機械の走行に耐え得る前記地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するものであり、前記推定部は、前記相対反射率情報に基いて前記土種類学習モデルから前記土種類を特定し、前記特定された土種類に基いて前記含水量学習モデルから含水量を特定し、前記特定された土種類と前記特定された含水量とに基いて前記トラフィカビリティ学習モデルから前記トラフィカビリティ情報を推定するプログラムである。
したがって、対象となる土地の地面にコーン貫入試験装置を運び込んで実測する必要がないため、実測する作業が困難、あるいは、危険となるような土地であっても、土地のトラフィカビリティ情報を安全に確実に推定する上で有利となる。
図1は本実施の形態に係るトラフィカビリティ推定装置10の構成を示すブロック図である。
本実施の形態では、トラフィカビリティ推定装置10は、パーソナルコンピュータで構成されている。
なお、トラフィカビリティ推定装置10は、パーソナルコンピュータに限定されるものではなく、タブレット型端末など従来公知の様々なコンピュータを用いることができる。
ROM14は、各種のデータを格納・記憶するものである。
RAM16はCPU12のワーキングエリアを提供するものである。
ハードディスク装置18は、CPU12が実行する本発明に係るプログラムを格納するものである。
また、ハードディスク装置18は、図2に示す学習モデル32を構成しており、学習モデル32については後述する。
入力部22は、入力操作を受け付けるものであり、キーボードおよびマウスによって構成されている。なお、入力部22は、表示部20の表示面上に設けられたタッチパネルで構成してもよく、入力部22として従来公知の様々な構成の入力デバイスが使用可能である。
通信部26は、図3に示すように無線回線を経由して回転翼機40の通信部56と通信を行なうものである。
カードスロット28は、カード型の記録媒体が装脱可能に装着されるものである。
プリンタ30は、文字や画像を印刷するものであり、本実施の形態では、トラフィカビリティ推定装置10によって推定されたトラフィカビリティにまつわる情報を印刷出力するものである。
本実施の形態では、土種および含水量と相対反射率との関係を機械学習による学習モデルを用いて解析する。以下では各種データを図面として視覚化できるよう2次元化しているが、実際にはそれ以上の次元数のデータを含んでいる。
土種類学習モデル32Aは、土の種類と土の相対反射率のパターンとの関係を規定するものである。
ここで土の種類とは、土壌の性質毎に種類分けされた土壌種別と呼ばれているものであり、以下のような土壌種別が例示される。
岩屑土、砂丘未熟土、黒ボク土、多湿黒ボク土、黒ボクグライ土、褐色森林土、灰色台地土、グライ台地土、赤色土、黄色土、暗赤色土、褐色低地土、灰色低地土、グライ土、黒泥土、泥炭土。
土の相対反射率とは、土に光を照射したときに土から反射される光の強度である。
土の相対反射率のパターンは土の種類に対応して異なっている。
例えば、図4には、7種類の土(A~H)を絶乾状態にして測定した相対反射率を示している。図4に示すように、各土A~Hによって相対反射率のパターンが異なっているが、それら土の含水量が変化しても相対反射率の特徴は保たれる。
例えば、図5は図4の土A、図6は図4の土B、図7は図4の土Cについて、それぞれ含水量を変化させて測定した相対反射率である。
図11に示すように、土種類学習モデル32Aは、上述した土の種類A、B、C、……、Zと、土の相対反射率のパターンa、b、c、……、zとを関連付けて構成されている。
土種類学習モデル32Aは、土の種類毎に相対反射率のパターン、すなわち、相対反射率情報を後述するハイパースペクトルカメラ50を用いて実測することによって構築される。
また、本実施の形態では、土種類学習モデル32Aにおける相対反射率のパターンは、400nm以上1100nm以下の波長範囲で測定されたものとした。
400nm以上1100nm以下の波長範囲で測定すると、ハイパースペクトルカメラで実測した場合に生成される相対反射率の画像サイズの軽減化を図ることができデータ処理の高速化を図る上で有利となり、土の種類を正確に効率的に判定する上で有利となる。
例えば、図8~図10に示すように、土A、土B、土Cの特定の波長における相対反射率を含水量を変化させて測定すると、同じ含水量であっても土の種類に応じた特定の相対反射率となることがわかる。
図12に示すように、含水量学習モデル32Bは、上述した土の種類A、B、C、……、Zと、土の特定の波長の相対反射率とを関連付けて構成されている。
本実施の形態では、特定の波長を960nm付近の波長と1450nm付近の波長との2種類の波長とした。
この2種類の波長とすると、相対反射率に対応する含水量のばらつきが少ないため、土の含水量の特定を精度良く行なう上で有利となる。
この理由は、判別する波長のバンドを2つ利用し、片方を較正バンドとする事で含水量をより正確に測定できるからである。
含水量学習モデル32Bは、土の種類毎に、含水量を変えながら土の特定の波長の相対反射率を実測することにより構築される。
なお、図12の例では、含水量を25%毎に示しているが、含水量をもっと細かい単位、例えば、10%毎に示すなど任意である。
また、図12の相対反射率の数値は実際の数値ではなく、大小関係をわかりやすく表示したものである。
図13に示すように、トラフィカビリティ学習モデル32Cは、土の種類と、土の含水量と、トラフィカビリティ情報とを関連付けて構成されている。
トラフィカビリティ情報は、JIS A1228規定のコーン指数試験によるコーン指数、あるいは、JIS A1219規定の標準貫入試験方法のN値で示すことができる。
トラフィカビリティ学習モデル32Cは、土の種類毎に土の含水量を変えてトラフィカビリティ情報を実測することによって構築される。
また、トラフィカビリティ情報として従来公知の様々な地盤の試験方法で特定される評価値を用いることができることは無論である。
しかしながら、本実施の形態のように、トラフィカビリティ情報を、従来から用いられているコーン指数、あるいは、N値で示すようにすると、トラフィカビリティの良否を的確に判断する上で有利となる。
なお、図13のトラフィカビリティ情報の数値は実際の数値ではなく、大小関係をわかりやすく表示したものである。
本実施の形態では、後述する回転翼機40によって測定された相対反射率情報および土地の位置情報を無線回線を介して通信部26が受信することにより情報取得部34による相対反射率情報および土地の位置情報の取得がなされる。
あるいは、回転翼機40によって測定された相対反射率情報および土地の位置情報を記録した記録媒体を、カードスロット28に挿入することで情報取得部34による相対反射率情報および土地の位置情報の取得がなされる。
図14(A)、(B)に示すように、地図情報Dmは、例えば、トラフィカビリティ情報であるコーン指数やN値の大小に対応した色やハッチングにより表現される。
すなわち、トラフィカビリティ情報が異なる領域を識別するために各領域に異なるハッチングを施し、あるいは各領域を異なる色で表示している。
例えば、図14(A)は、トラフィカビリティ情報をN値で示す場合について示しており、領域d1はN<N1の範囲であり、領域d2はN1≦N<N2の範囲であり、領域d3はN2≦N<N3の範囲であり、領域d4はN3≦Nの範囲である。ただし、N1<N2<N3である。
生成された地図情報Dmは、表示部20に表示され、あるいは、プリンタ30によって印刷出力され、あるいは、ハードディスク装置やカード型記録媒体に記録される。
回転翼機40は、無人飛行体を構成するものであって、機体42と、複数のロータ44と、駆動部46と、カメラ48と、ハイパースペクトルカメラ50、測位部52と、記録部54、通信部56と、制御部58を含んで構成されている。
複数のロータ44は回転翼を構成するものである。
駆動部46は、複数のロータ44を個別に駆動することにより回転翼機40を飛行させるものである。
カメラ48は、機体42に設けられ、機体42の周囲を撮影して画像情報を生成するものであり、制御部58によって動作が制御される。
ハイパースペクトルカメラ50は、機体42に設けられ、対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を生成するものである。
測位部52で特定した回転翼機40の現在位置は、回転翼機40の飛行経路の制御等に用いてもよい。
記録部54は、ハイパースペクトルカメラ50で生成された相対反射率情報と測位部52で生成された位置情報を関連付けて記録媒体55に格納するものであり、記録媒体55は例えば着脱可能なカード型の記録媒体で構成されている。
通信部56は、機体42に設けられ、通信部26、リモートコントローラ60、管理端末62とそれぞれ無線回線を介して通信するものである。
通信部56は、相対反射率情報と、測位部52で生成された位置情報とを関連付けて通信部26に送信する。
通信部56は、作業員が所持するリモートコントローラ60と通信を行ない、リモートコントローラ60からの制御情報を受信する。
また、通信部56は、カメラ48で撮影された画像情報を管理端末62に送信する。
管理端末62は、リモートコントローラ60を所持している作業員が所持するものであり、例えばパーソナルコンピュータやタブレット端末、スマートホン等である。
管理端末62は、回転翼機40の通信部56と無線通信を行なう不図示の通信部を備え、回転翼機40の制御部58から送信される画像情報を受け付ける。
したがって、作業員が管理端末62に表示される画像を視認しつつリモートコントローラ60によって回転翼機40を遠隔制御できるように図られている。
制御部58は、通信部56で受信された制御情報に基いて駆動部46を介して各ロータ44を制御することにより機体42の飛行動作を制御する。
また、制御部58は、カメラ48で撮影された画像情報を通信部56を介して管理端末62に送信する。
また、制御部58は、ハイパースペクトルカメラ50で検出された相対反射率情報と、測位部52で生成された位置情報を受け付け、それら情報を関連付けて通信部56を介して通信部26に送信する。
また、制御部58は、相対反射率情報と位置情報を受け付け、それら情報を関連付けて記録部54から記憶媒体55に記憶させる。
まず、作業員はリモートコントローラ60、管理端末62を用いて回転翼機40を対象となる土地の上空に飛行させる(ステップS10)。
回転翼機40では、ハイパースペクトルカメラ50により土地の地面の相対反射率情報が検出されると共に、測位部52により位置情報を検出する(ステップS12)。
制御部58は、それら相対反射率情報と位置情報とを関連付けて記録部54により記憶媒体55に記憶させる(ステップS14)。
また、制御部58は、それら相対反射率情報と位置情報とを関連付けて通信部56を介して通信部26に送信させる(ステップS16)。
作業員は、対象となる土地に対する検出動作が終了したか否かを、例えば、管理端末62に表示される画像に基いて判断する(ステップS18)。
対象となる土地に対する検出動作が終了していなければ、ステップS12に戻りリモートコントローラ60、管理端末62を用いて回転翼機40の遠隔操作を行ない土地の検出を継続して行なう。
対象となる土地に対する検出動作が終了したならば、作業員はリモートコントローラ60、管理端末62を用いて回転翼機40を回収する(ステップS20)。
なお、情報取得部34は、通信部56を介して互いに関連付けられた相対反射率情報および位置情報をリアルタイムに取得している。
あるいは、情報取得部34は、回収した回転翼機40から取り外された記録媒体55がカードスロット28に挿入されることで互いに関連付けられた相対反射率情報および位置情報を取得してもよい。
推定部36は、情報取得部34により取得された相対反射率情報に基いて土種類学習モデル32Aから土種類を特定し、特定された土種類に基いて含水量学習モデル32Bから含水量を特定し、特定された土種類と特定された含水量とに基いてトラフィカビリティ学習モデル32Cからトラフィカビリティ情報を推定する(ステップS22)。
地図生成部38は、推定されたトラフィカビリティ情報と取得された位置情報とを組み合わせた地図情報Dmを生成する(ステップS24)。
生成された地図情報Dmは、図14に示すように、表示部20の画面に表示出力され、あるいは、プリンタ30により印刷出力される(ステップS26)。
以上でトラフィカビリティ推定装置10の動作が終了する。
したがって、対象となる土地の地面にコーン貫入試験機を運び込んでコーン値やN値を実測する必要がないため、例えば、土地にぬかるみがあったり、土地の地盤が不安定であったりして実測する作業が困難、あるいは、危険となるような場合であっても、土地のトラフィカビリティ情報を安全に確実に推定する上で有利となる。
そのため、作業車両(重機)を使用することができるか否かの判定を的確に行なう上で有利となる。
また、災害復旧現場の他、建物の基礎工事を行なう土地のトラフィカビリティ情報を得ることにより、土地の地面に打つ杭の本数をトラフィカビリティ情報に基いて適切に決定する上でも有利となる。
したがって、それら学習モデル32A、32B、32Cを新たな測定結果に基いて更新することによりトラフィカビリティ情報の推定を精度良く行なう上で有利となる。
したがって、地図情報に基いて、作業車両が走行可能な経路を事前に設定する上で有利となる。そのため、特に災害復旧現場のように迅速な作業が要求される場合に作業効率の向上を図る上で有利となる。
したがって、対象となる土地から離れた場所において回転翼機40を遠隔制御することで、土地の相対反射率情報および位置情報を取得することができるため、土地のトラフィカビリティ情報を安全に確実に推定する上でより有利となる。
したがって、対象となる土地から離れた場所において回転翼機40を遠隔制御することで、土地の相対反射率情報および位置情報をリアルタイムに取得することができるため、土地のトラフィカビリティ情報を安全に確実にかつ早期に推定する上で有利となる。
32A 土種類学習モデル
32B 含水量学習モデル
32C トラフィカビリティ学習モデル
34 情報取得部
36 推定部
38 地図生成部
40 回転翼機(無人飛行体)
50 ハイパースペクトルカメラ
52 測位部
54 記録部
55 記録媒体
56 通信部
Claims (5)
- 対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、
前記相対反射率情報に基いて土壌の性質毎に種類分けされた土壌種別である土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部と、
土種類学習モデルと含水量学習モデルとトラフィカビリティ学習モデルとを記録したデータベースとを備え、
前記土種類学習モデルは、前記土の種類と前記土の相対反射率のパターンとの関係を規定するものであり、
前記含水量学習モデルは、前記土の種類と前記土の特定の波長における相対反射率と前記土の含水量との関係を規定するものであり、
前記トラフィカビリティ学習モデルは、前記土の種類と前記土の含水量と作業機械の走行に耐え得る前記地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するものであり、
前記推定部は、前記相対反射率情報に基いて前記土種類学習モデルから前記土種類を特定し、前記特定された土種類に基いて前記含水量学習モデルから含水量を特定し、前記特定された土種類と前記特定された含水量とに基いて前記トラフィカビリティ学習モデルから前記トラフィカビリティ情報を推定する、
ことを特徴とするトラフィカビリティ推定装置。 - 前記情報取得部は、前記相対反射率情報を前記土地の位置情報と共に取得し、
前記推定されたトラフィカビリティ情報と前記取得された位置情報とを組み合わせた地図情報を生成する地図生成部をさらに備える、
ことを特徴とする請求項1記載のトラフィカビリティ推定装置。 - 前記土地を撮影して前記相対反射率情報を生成するハイパースペクトルカメラと、
測位衛星から測位信号を受信して前記位置情報を生成する測位部と、
前記相対反射率情報および前記位置情報を記録媒体に記録する記録部と、
前記ハイパースペクトルカメラおよび前記測位部と前記記録部とを搭載した無人飛行体とをさらに備え、
前記情報取得部による前記相対反射率情報および前記位置情報の取得は前記記録媒体を用いてなされる、
ことを特徴とする請求項2記載のトラフィカビリティ推定装置。 - 前記土地を撮影して前記相対反射率情報を生成するハイパースペクトルカメラと、
測位衛星から測位信号を受信して前記位置情報を生成する測位部と、
前記相対反射率情報および前記位置情報を無線回線を介して通信する通信部と、
前記ハイパースペクトルカメラおよび前記測位部と前記通信部とを搭載した無人飛行体とをさらに備え、
前記情報取得部による前記相対反射率情報および前記位置情報の取得は前記無線回線を用いてなされる、
ことを特徴とする請求項2記載のトラフィカビリティ推定装置。 - 情報処理装置において実行されるプログラムであって、
前記情報処理装置を、
対象となる土地の地面の相対反射率の多次元分布である相対反射率情報を取得する情報取得部と、
前記相対反射率情報に基いて土壌の性質毎に種類分けされた土壌種別である土の種類および含水量を特定し、その特定結果に基いて前記地面のトラフィカビリティ情報を推定する推定部と、
土種類学習モデルと含水量学習モデルとトラフィカビリティ学習モデルとを記録したデータベースと、
して機能させ、
前記土種類学習モデルは、前記土の種類と前記土の相対反射率のパターンとの関係を規定するものであり、
前記含水量学習モデルは、前記土の種類と前記土の特定の波長における相対反射率と前記土の含水量との関係を規定するものであり、
前記トラフィカビリティ学習モデルは、前記土の種類と前記土の含水量と作業機械の走行に耐え得る前記地面の能力であるトラフィカビリティを示すトラフィカビリティ情報との関係を規定するものであり、
前記推定部は、前記相対反射率情報に基いて前記土種類学習モデルから前記土種類を特定し、前記特定された土種類に基いて前記含水量学習モデルから含水量を特定し、前記特定された土種類と前記特定された含水量とに基いて前記トラフィカビリティ学習モデルから前記トラフィカビリティ情報を推定する、
プログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017048046 | 2017-03-14 | ||
JP2017048046 | 2017-03-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018151388A JP2018151388A (ja) | 2018-09-27 |
JP7075787B2 true JP7075787B2 (ja) | 2022-05-26 |
Family
ID=63679549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018044723A Active JP7075787B2 (ja) | 2017-03-14 | 2018-03-12 | トラフィカビリティ推定装置およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7075787B2 (ja) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US12069978B2 (en) | 2018-10-26 | 2024-08-27 | Deere & Company | Predictive environmental characteristic map generation and control system |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
US12035648B2 (en) | 2020-02-06 | 2024-07-16 | Deere & Company | Predictive weed map generation and control system |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
JP7529208B2 (ja) | 2020-06-11 | 2024-08-06 | 国立大学法人 東京大学 | 対象物推定方法及びコーン指数推定システム |
JP7525844B2 (ja) | 2020-06-11 | 2024-07-31 | 国立大学法人 東京大学 | 含水比推定方法、コーン指数推定方法、コーン指数推定システム、車両及び無人航空機 |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
US12013245B2 (en) | 2020-10-09 | 2024-06-18 | Deere & Company | Predictive map generation and control system |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11983009B2 (en) | 2020-10-09 | 2024-05-14 | Deere & Company | Map generation and control system |
US12069986B2 (en) | 2020-10-09 | 2024-08-27 | Deere & Company | Map generation and control system |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
CN112632750B (zh) * | 2020-12-01 | 2023-09-26 | 北方信息控制研究院集团有限公司 | 虚拟战场环境不同要素相互耦合的仿真建模方法及系统 |
US12082531B2 (en) | 2022-01-26 | 2024-09-10 | Deere & Company | Systems and methods for predicting material dynamics |
US12058951B2 (en) | 2022-04-08 | 2024-08-13 | Deere & Company | Predictive nutrient map and control |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012150068A (ja) | 2011-01-21 | 2012-08-09 | Zukosha:Kk | 土壌乾湿予測方法及びその装置 |
JP2015040851A (ja) | 2013-08-23 | 2015-03-02 | 富士通株式会社 | 情報処理プログラム、情報処理方法および情報処理装置 |
JP2015105898A (ja) | 2013-11-30 | 2015-06-08 | 鹿島建設株式会社 | 地盤材料の表面水量管理方法及びシステム |
US20160247075A1 (en) | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil tilth and mechanical strength for field workability of cultivation activity from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
JP2017015527A (ja) | 2015-06-30 | 2017-01-19 | 株式会社トプコン | 広域センサシステム、飛行検出方法およびプログラム |
-
2018
- 2018-03-12 JP JP2018044723A patent/JP7075787B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012150068A (ja) | 2011-01-21 | 2012-08-09 | Zukosha:Kk | 土壌乾湿予測方法及びその装置 |
JP2015040851A (ja) | 2013-08-23 | 2015-03-02 | 富士通株式会社 | 情報処理プログラム、情報処理方法および情報処理装置 |
JP2015105898A (ja) | 2013-11-30 | 2015-06-08 | 鹿島建設株式会社 | 地盤材料の表面水量管理方法及びシステム |
US20160247075A1 (en) | 2015-02-20 | 2016-08-25 | Iteris, Inc. | Modeling of soil tilth and mechanical strength for field workability of cultivation activity from diagnosis and prediction of soil and weather conditions associated with user-provided feedback |
JP2017015527A (ja) | 2015-06-30 | 2017-01-19 | 株式会社トプコン | 広域センサシステム、飛行検出方法およびプログラム |
Non-Patent Citations (1)
Title |
---|
WELLS, L. G. et al.,The response of various soil strength indices to changing water content and bulk density,TRANSACTIONS of the ASAE,1978年,Vol.21, No.5,pp.854-861 |
Also Published As
Publication number | Publication date |
---|---|
JP2018151388A (ja) | 2018-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7075787B2 (ja) | トラフィカビリティ推定装置およびプログラム | |
US11733042B2 (en) | Information processing apparatus, information processing method, program, and ground marker system | |
CN109669401A (zh) | 无人飞行器辅助的工地数据获取 | |
Lu et al. | Optimal spatial resolution of Unmanned Aerial Vehicle (UAV)-acquired imagery for species classification in a heterogeneous grassland ecosystem | |
Cledat et al. | Mapping quality prediction for RTK/PPK-equipped micro-drones operating in complex natural environment | |
CN108875620B (zh) | 入侵植物的监测方法及系统 | |
US10534961B2 (en) | Method, device and permanent storage memory for detecting drilling and/or hydraulic fracturing of hydrocarbon wells | |
JP7172400B2 (ja) | 地質評価システム、地質評価方法及び地質評価プログラム | |
CN109813286A (zh) | 一种基于无人机的倒伏灾害遥感定损方法 | |
Balenović et al. | Digital photogrammetry–State of the art and potential for application in forest management in Croatia | |
Skarlatos et al. | Vegetation removal from UAV derived DSMS, using combination of RGB and NIR imagery | |
Clark | Small unmanned aerial systems comparative analysis for the application to coastal erosion monitoring | |
JP2018124198A (ja) | 受信機の適地判定方法、及び受信機の適地判定システム | |
Howell et al. | Structure from motion techniques for estimating the volume of wood chips | |
Aicardi et al. | Co-registration of multitemporal UAV image datasets for monitoring applications: A new approach | |
Wolfe et al. | Hyperspectral analytics in envi target detection and spectral mapping methods | |
CN104700428B (zh) | 一种位于无人机上的沙漠区域道路检测方法 | |
JP6082162B2 (ja) | 画像生成システム及び画像生成方法 | |
CN113412498A (zh) | 自动移动田地勘察传感器数据和图像分类设备 | |
CN104715462A (zh) | 位于无人机上的沙漠区域道路检测平台 | |
Hoffmann et al. | From UAS Data Acquisition to Actionable Information–How an End-to-End Solution Helps Oil Palm Plantation Operators to Perform a More Sustainable Plantation Management | |
US10352769B2 (en) | Self-calibrating spectral models | |
Torsvik et al. | Detection of macroplastic on beaches using drones and object-based image analysis | |
KR102586175B1 (ko) | 딥러닝 기반 항공 영상 내 포트홀 탐지 결과 시각화 장치 및 그 방법 | |
CN116229280B (zh) | 崩岗识别方法、装置、电子设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210225 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211119 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220112 |
|
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: 20220510 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220516 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7075787 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |