JP7099723B2 - 圃場管理装置、圃場管理方法、及びプログラム - Google Patents

Description

本発明は、圃場を管理するための、圃場管理装置、及び圃場管理方法に関し、更には、これらを実現するためのプログラムに関する。

近年、農業分野においては、ＩＴ技術を活用することによって、生産者を支援する試みが行なわれている。例えば、特許文献１は、圃場に設置された、カメラ、マルチスペクトルセンサ、樹液流量センサ、温度センサ、土壌温度センサ、画像データを収集する無人飛行機等を用いて、各種データを収集する、農業システムを開示している。

特許文献１に開示された農業システムは、収集した各種データを学習モデルに適用して、生産者がとるべき行動を特定することで、生産者を支援している。例えば、特許文献１に開示された農業システムは、収集したデータに基づいて、灌漑施設に問題がある場合は、生産者に対して、何日以内にメンテナンスするように警告を行なうことができる。これにより、生産者は、灌漑施設の故障に気付くことができ、安定して圃場を運営することができる。

また、特許文献２も、圃場に設置された各種センサが出力したセンサデータに基づいて、生産者を支援するシステムを開示している。但し、特許文献２に開示されたシステムでは、センサデータを単に収集しただけでは、異常かどうかを判断することが難しいため、設置場所によって属性が規定され、各種センサは各属性に分類される。そして、特許文献２に開示されたシステムは、属性毎に、センサデータ同士を比較することで、圃場の異常を検出する。

欧州特許出願公開第３０４６０６６号明細書 特開２０１２－１６４１０９号公報

上述した特許文献１及び２に開示されたシステムによれば、センサデータに基づいて、生産者の支援は可能となるが、そのためには、多くのセンサを設置することが必要となる。特に、圃場に設置される灌漑施設は、広範囲にわたって敷設され、更に多数の噴出口を備えているため、異常を確実に検出するためには、センサの数が膨大となってしまう。

本発明の目的の一例は、上記問題を解消し、センサ数を増加させることなく、圃場の施設の異常を検出し得る、圃場管理装置、圃場管理方法、及びプログラムを提供することにある。

上記目的を達成するため、本発明の一側面における圃場管理装置は、
圃場施設の故障に起因する現象の画像と、圃場施設の正常な稼働に起因する現象の画像とを用いて前記圃場施設の故障に起因する現象の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における、前記圃場施設の故障に起因する現象の画像を特定する、画像特定部と、
前記画像特定部が特定した前記圃場施設の故障に起因する現象の画像に基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、故障箇所特定部と、
を備えている、ことを特徴とする。

また、上記目的を達成するため、本発明の一側面における圃場管理方法は、
（ａ）圃場施設の故障に起因する現象の画像と、圃場施設の正常な稼働に起因する現象の画像とを用いて前記圃場施設の故障に起因する現象の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における、前記圃場施設の故障に起因する現象の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記圃場施設の故障に起因する現象の画像に基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、ステップと、
を有する、ことを特徴とする。

更に、上記目的を達成するため、本発明の一側面におけるコンピュータ読み取り可能な記録媒体は、
コンピュータに、
（ａ）圃場施設の故障に起因する現象の画像と、圃場施設の正常な稼働に起因する現象の画像とを用いて前記圃場施設の故障に起因する現象の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における、前記圃場施設の故障に起因する現象の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記圃場施設の故障に起因する現象の画像に基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、ステップと、
を実行させることを特徴とする。

以上のように、本発明によれば、センサ数を増加させることなく、圃場の施設の異常を検出することができる。

図１は、本発明の実施の形態１における圃場管理装置の構成を示すブロック図である。 図２は、本発明の実施の形態１における学習モデルの生成処理を説明する図である。 図３は、本発明の実施の形態１における学習モデルの生成処理の別の例を説明する図である。 図４は、本発明の実施の形態１における圃場管理装置のサポートベクトルマシンによる学習モデル生成処理時の動作を示すフロー図である。 図５は、本発明の実施の形態１における圃場管理装置のディープラーニングによる学習モデル生成処理時の動作を示すフロー図である。 図６は、本発明の実施の形態１における圃場管理装置の故障箇所特定処理時の動作を示すフロー図である。 図７は、本発明の実施の形態２における学習モデルの生成処理を説明する図である。 図８は、本発明の実施の形態２における学習モデルの生成処理の別の例を説明する図である。 図９は、本発明の実施の形態２における圃場管理装置のサポートベクトルマシンによる学習モデル生成処理時の動作を示すフロー図である。 図１０は、本発明の実施の形態２における圃場管理装置のディープラーニングによる学習モデル生成処理時の動作を示すフロー図である。 図１１は、本発明の実施の形態２における圃場管理装置の故障箇所特定処理時の動作を示すフロー図である。 図１２は、本発明の実施の形態３における圃場管理装置の構成を示すブロック図である。 図１３は、本発明の実施の形態３における圃場管理装置の故障箇所特定処理時の動作を示すフロー図である。 図１４は、本発明の実施の形態４における圃場管理装置の構成を示すブロック図である。 図１５は、本発明の実施の形態４において対象領域に設定される区分の一例を示す図である。 図１６は、本発明の実施の形態４における圃場管理装置の故障箇所特定処理時の動作を示すフロー図である。 図１７は、本発明の実施の形態１～４における圃場管理装置を実現するコンピュータの一例を示すブロック図である。

（実施の形態１）
以下、本発明の実施の形態１における、圃場管理装置、圃場管理方法、及びプログラムについて、図１～図６を参照しながら説明する。

［装置構成］
最初に、本実施の形態１における圃場管理装置の構成について図１を用いて説明する。図１は、本発明の実施の形態１における圃場管理装置の構成を示すブロック図である。

図１に示す、本実施の形態１における圃場管理装置１０は、圃場に設置されている圃場施設の故障箇所を特定するための装置である。図１に示すように、圃場管理装置１０は、学習モデル生成部１１と、画像取得部１２と、画像特定部１３と、故障箇所特定部１４とを備えている。

学習モデル生成部１１は、圃場施設の故障に起因する現象の画像（以下「故障現象画像」と表記する）と、圃場施設の正常な稼働に起因する現象の画像（以下「正常現象画像」と表記する）とを用いて、故障現象画像の特徴量を学習することによって、学習モデル１５を生成する。

ここで、故障現象画像及び正常現象画像は、例えば、対象領域となる圃場を上空から撮影した上空画像とすることができる。後述するように、学習モデル１５に適用する画像が上空画像であるため、学習モデル生成部１１が学習モデル１５の生成に用いる画像も上空画像であることが好ましい。

圃場を上空から撮影した上空画像は、例えば人工衛星、航空機、ドローン等によって圃場を上空から撮影することにより得られる。学習モデル１５を生成する際に、人工衛星、航空機、ドローン等によって圃場を上空から撮影することにより得られた上空画像を用いる場合、一枚の上空画像には、故障現象画像及び正常現象画像が含まれていることがある。一枚の上空画像に故障現象画像及び正常現象画像が含まれている場合は、該上空画像から故障現象画像及び正常現象画像をそれぞれ切り出して学習モデル１５の生成に使用することができる。

また、本実施の形態では、「故障現象画像」と、「故障現象画像及び正常現象画像の両方を含む画像」とを用いて学習が行われても良い。この場合、学習モデルの精度の向上が期待できる。例えば、圃場施設が灌漑設備であり、故障に起因する現象（故障現象）が、水漏れによる水たまりの発生であるとすると、この場合、施設の外形そのものは、故障現象が発生している場合と、正常な場合とで、画像上では変化することがない。よって、「故障現象画像及び正常現象画像の両方を含む画像」を用いることで、故障現象画像の特徴をより正確に学習することが可能となる。

従って、「故障現象画像」と「故障現象画像及び正常現象画像の両方を含む画像」を多数取得して学習を行う方が、実際のケースにより近い学習モデルを生成することができる場合がある。更に、故障現象が、圃場施設から離れた位置で発生しているケースも考えられるため、「故障現象画像」、「故障現象画像及び正常現象画像を含む画像」及び「正常現象画像」を用いて学習を行うことで、実際のケースにさらに近い学習モデルを生成することができる場合もある。

画像特定部１３は、学習モデル生成部１１が生成した学習モデル１５に、画像取得部１２が取得した上空画像を適用して、画像取得部１２が取得した上空画像における、圃場施設の故障に起因する現象の画像（故障現象画像）を特定する。

故障箇所特定部１４は、画像特定部１３が特定した故障現象画像に基づいて、対象領域における圃場施設の故障箇所を特定する。例えば、故障箇所特定部１４は、故障現象画像が含む位置情報に基づいて、圃場施設の故障箇所を特定することができる。

このように、本実施の形態１では、学習モデル生成部１１が、故障現象画像の特徴量を学習することによって故障現象画像を特定できる学習モデル１５を生成するので、上空画像から、精度よく故障現象画像を特定できる。このため、本実施の形態１によれば、センサ数を増加させることなく、圃場の施設の異常を検出することができる。

続いて、図２及び図３を用いて、本実施の形態１における圃場管理装置１０の構成についてより具体的に説明する。図２は、本発明の実施の形態１における学習モデルの生成処理を説明する図である。図２では、学習モデルの生成に用いられる画像として圃場等の上空画像を用いる例を説明する。

まず、本実施の形態１において、「画像」は全て可視画像であるとする。また、故障箇所の特定対象となる圃場施設は、灌漑設備であるとする。灌漑設備は、例えば、圃場の畝に沿って地中又は地上に配置されたパイプを備えている。また、パイプの管壁には、パイプの長手方向に沿って、設定間隔で孔が設けられている。この灌漑設備において、灌漑用水をパイプに供給すると、灌漑用水は管壁の孔から圃場へと放出され、農作物へと供給される。

ところで、このような構成の灌漑設備では、劣化によってパイプに亀裂が生じたり、更には、パイプが切断されたりすることがある。また、管壁のいずれか孔が目詰まりしてしまうことにより、別の箇所に圧力がかかって亀裂が生じたりすることもある。このような場合、故障現象としては、灌漑用水の漏水によって生じる現象、例えば、水たまりの発生、畝の崩れ、農作物の成長の変化等が挙げられる。

なお、農作物の成長の変化とは、漏水によって水が行き届かない領域では成長の遅れが発生すること、灌漑用水に肥料を溶かして供給する場合に、水分が多い領域では成長が促進され、水分が少ない領域では成長の遅れが発生すること、水たまりが発生している領域に存在する農作物についてその根が呼吸できずに枯れること、等をいう。

従って、本実施の形態１では、学習モデル生成部１１は、灌漑用水の漏水によって生じる現象の画像を、故障現象画像として、その特徴量を学習することによって、学習モデルを生成する。具体的には、以下の通りである。

図２に示すように、まず、人工衛星、航空機、ドローン等によって上空から圃場の撮影が行なわれ、学習に用いられる上空画像が得られる。また、得られた上空画像のうち、故障現象画像を含む上空画像を第１の上空画像とする。一方、正常現象画像を含む上空画像を第２の上空画像とする。なお、撮影によって得られた上空画像が故障現象画像と正常現象画像との両方を含む場合は、画像を加工することによって、第１の上空画像及び第２の上空画像を作成しても良い。図２に示す第１の上空画像において、灌漑方向に沿って水たまりの手前までは水が行き届いているため、農作物の成長は正常であると考えられる。一方、水たまりの先では、例えば漏水により水が行き届いていないため、農作物の成長が遅く、葉の緑が薄くなっている。

学習モデル生成部１１は、本実施の形態１では、まず、上述のようにして得られた第１の上空画像と第２の上空画像とを取得する。なお、取得される第１の上空画像及び第２の上空画像の枚数は限定されないが、学習モデルによる判別精度の点から、枚数はできるだけ多いのが良い。

そして、上述したように、灌漑用水が漏水すると、圃場に水たまりが発生したり、畝が崩れたり、農作物の成長の変化が発生したりする。従って、学習モデル生成部１１は、第１の上空画像から、灌漑用水の漏水によって生じる現象の画像の特徴量として、例えば、光の反射率、農作物が存在している領域の形状、農作物が存在している領域及びその周辺の色、農作物が存在している領域の位置を抽出する。

更に、学習モデル生成部１１は、第２の上空画像から、正常現象画像の特徴量として、灌漑用水が漏水していない状態での農作物が存在している領域についての、形状、色、位置を抽出する。そして、学習モデル生成部１１は、第１の上空画像から得られた特徴量と、第２の上空画像から得られた特徴量とを分類して保持する。

なお、農作物が存在している領域の形状には、対象となる農作物に固有の形状、畝の形状等が含まれる。また、農作物に固有の形状とは、その農作物の葉の形、葉の重なり方によって決まる、その農作物を上から見たときの固有の形状を意味している。更に、農作物が存在している領域の位置には、圃場における畝の配列の状態が含まれる。また、農作物が存在している領域の色には、農作物やその葉の色によって決まる、その領域における周波数特性（赤外、紫外を含めた色成分）が含まれる。

次に、学習モデル生成部１１は、サポートベクトルマシンを用いて、故障現象画像の特徴量を学習する。具体的には、学習モデル生成部１１は、サポートベクトルマシンに、分類された各上空画像の特徴量を与えて、故障現象画像と正常現象画像との境界を学習させ、学習結果を示す学習モデル１５を生成する。

また、学習モデル生成部１１は、取得した多数の第１の上空画像と第２の上空画像とを用いて、ディープラーニングを行ない、それによって、第１の上空画像と第２の上空画像とを識別する分類器を作成し、作成した分類器を学習モデル１５とすることもできる。

画像特定部１３は、学習モデル生成部１１が生成した学習モデル１５を用いて、画像取得部１２が取得した上空画像から、故障現象画像を特定する。画像取得部１２が取得する上空画像も、学習に用いられる上空画像（図２参照）と同様に、人工衛星、航空機、ドローン等によって上空から圃場等を撮影することによって得られている。

故障箇所特定部１４は、画像特定部１３が上空画像から故障現象画像を特定できた場合は、故障現象画像の圃場における位置を特定し、特定した位置を故障箇所とする。また、故障箇所特定部１４は、圃場管理装置１０の管理者の端末装置等に、特定した故障箇所を通知することもできる。故障箇所の通知を受信した端末装置等では、故障箇所の表示を行うことができる。また、故障箇所の通知を受信した端末装置等では、例えば生育シミュレーション等種々のシミュレーションにおいて、故障箇所にて収集されたデータを除外することで、精度の高いシミュレーション結果を得ることができる。

図３は、本発明の実施の形態１における学習モデルの生成処理の別の例を説明する図である。図３の例では、学習モデル生成部１１は、「故障現象画像」と、「故障現象画像及び正常現象画像の両方を含む画像」を用いて学習を行う。先述したように、「故障現象画像」と、「故障現象画像及び正常現象画像の両方を含む画像」を用いて学習を行うことにより、学習モデルの精度が向上する。

［装置動作］
次に、本発明の実施の形態１における圃場管理装置１０の動作について図４～図６を用いて説明する。また、本実施の形態１では、圃場管理装置１０を動作させることによって、圃場管理方法が実施される。よって、本実施の形態１における圃場管理方法の説明は、以下の圃場管理装置１０の動作説明に代える。

最初に、学習モデルの生成処理について図４及び図５を用いて説明する。まず、図４を用いて、サポートベクトルマシンによって学習モデルが生成される場合について説明する。図４は、本発明の実施の形態１における圃場管理装置のサポートベクトルマシンによる学習モデル生成処理時の動作を示すフロー図である。

図４に示すように、学習モデル生成部１１は、外部から、多数の第１の上空画像と第２の上空画像とを取得する（ステップＡ１）。第１の上空画像と第２の上空画像については、上述の通りである。

次に、学習モデル生成部１１は、ステップＡ１で取得した第１の上空画像から、故障現象画像、即ち、灌漑用水の漏水によって生じる現象の画像の特徴量を抽出し、第２の上空画像から、正常現象画像の特徴量を抽出する（ステップＡ２）。

次に、学習モデル生成部１１は、第１の上空画像から得られた特徴量と、第２の上空画像から得られた特徴量とを分類して保持する（ステップＡ３）。

次に、学習モデル生成部１１は、サポートベクトルマシンを用いて、故障現象画像、即ち、灌漑用水の漏水によって生じる現象の画像の特徴量を学習して、学習モデル１５を生成する（ステップＡ４）。

具体的には、学習モデル生成部１１は、サポートベクトルマシンに、分類された各上空画像の特徴量を与えて、故障現象画像と正常現象画像との境界を学習させ、学習結果を示す学習モデル１５を生成する。

続いて、図５を用いて、ディープラーニングによって学習モデルが生成される場合について説明する。図５は、本発明の実施の形態１における圃場管理装置のディープラーニングによる学習モデル生成処理時の動作を示すフロー図である。

図５に示すように、学習モデル生成部１１は、外部から、多数の第１の上空画像と第２の上空画像とを取得する（ステップＢ１）。

次に、学習モデル生成部１１は、ステップＢ１で取得した多数の第１の上空画像と第２の上空画像とを用いて、ディープラーニングを実行する（ステップＢ２）。

そして、学習モデル生成部１１は、ステップＢ２の結果から、第１の上空画像と第２の上空画像とを識別する分類器を作成し、作成した分類器を学習モデル１５とする（ステップＢ３）。

続いて、故障箇所の特定処理について図６を用いて説明する。図６は、本発明の実施の形態１における圃場管理装置の故障箇所特定処理時の動作を示すフロー図である。

図６に示すように、最初に、画像取得部１２は、対象領域となる圃場の上空画像を取得する（ステップＣ１）。

次に、画像特定部１３は、学習モデル１５に、ステップＣ１で画像取得部１２が取得した上空画像を適用して、この上空画像における故障現象画像を特定する（ステップＣ２）。

次に、故障箇所特定部１４は、ステップＣ２で画像特定部１３が特定した故障現象画像を用いて、対象領域における灌漑設備の故障箇所を特定する（ステップＣ３）。また、故障箇所特定部１４は、特定した故障箇所を、外部の端末装置等に通知する。

以上のように、図４に示すステップＡ１～Ａ４、又は図５に示すステップＢ１～Ｂ３を実行することにより、学習モデル生成部１１が、故障現象画像の特徴量を学習し、故障現象画像を特定できる学習モデル１５を生成する。画像特定部１３は、この学習モデル１５に、対象領域の上空画像を適用することにより、故障現象画像、例えば、水たまりの画像等を特定することができる。そして、故障箇所特定部１４は、画像特定部１３が特定した故障現象画像を用いて灌漑設備の故障箇所を特定する。このため、本実施の形態１によれば、センサ数を増加させることなく、圃場施設の異常を検出することができる。圃場施設の状況を把握するためには、把握したい項目ごとに専用のセンサを設置する必要があり、センサ設置や保守のコストが増大する。本実施の形態１において、例えば営農支援サービスで用いる上空画像を用いることで、専用のセンサを別途設置することなく、営農支援サービスと併せて、圃場施設の状況に関する情報を提供することができる。

［プログラム］
本実施の形態１におけるプログラムは、コンピュータに、図４に示すステップＡ１～Ａ４（又は図５に示すステップＢ１～Ｂ３）と、図６に示すステップＣ１～Ｃ３とを実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態１における圃場管理装置１０と圃場管理方法とを実現することができる。この場合、コンピュータのプロセッサは、学習モデル生成部１１、画像取得部１２、画像特定部１３、及び故障箇所特定部１４として機能し、処理を行なう。

また、本実施の形態１におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、学習モデル生成部１１、画像取得部１２、画像特定部１３、及び故障箇所特定部１４のいずれかとして機能しても良い。

（実施の形態２）
続いて、本実施の形態２における、圃場管理装置、圃場管理方法、及びプログラムについて図７～図１１を用いて説明する。

［装置構成］
最初に、本実施の形態２における圃場管理装置の構成につい説明する。本実施の形態２における圃場管理装置は、図１に示した圃場管理装置１０と同様の構成を有している。このため、以下の説明では、適宜図１を参酌する。但し、本実施の形態２では、故障現象画像、正常現象画像、及び上空画像として、レーダ画像が用いられ、この点で、実施の形態１と異なっている。以下、実施の形態１との相違点を中心に説明する。

まず、本実施の形態２で用いられるレーダ画像は、人工衛星、航空機等に搭載された合成開口レーダによって撮影された画像である。従って、本実施の形態では、学習モデル生成部１１は、圃場施設の故障に起因する現象のレーダ画像（以下「故障現象レーダ画像」と表記する）と、圃場施設の正常な稼働に起因する現象のレーダ画像（以下「正常現象レーダ画像」と表記する）とを用いて、故障現象レーダ画像の特徴量を学習することによって、学習モデル１５を生成する。

図７は、本発明の実施の形態２における学習モデルの生成処理を説明する図である。図７に示すように、まず、人工衛星、航空機等に搭載された合成開口レーダによって、上空から圃場の撮影が行なわれ、学習に用いられる上空からのレーダ画像（以下「上空レーダ画像」と表記する）が得られる。また、得られた上空レーダ画像のうち、故障現象レーダ画像を含む上空レーダ画像を第１の上空レーダ画像とする。一方、正常現象レーダ画像を含む上空レーダ画像を第２の上空レーダ画像とする。なお、撮影によって得られた上空レーダ画像が故障現象レーダ画像と正常現象レーダ画像との両方を含む場合は、画像を加工することによって、第１の上空レーダ画像及び第２の上空レーダ画像を作成しても良い。

学習モデル生成部１１は、本実施の形態２では、まず、上述のようにして得られた第１の上空レーダ画像と第２の上空レーダ画像とを取得する。なお、取得される第１の上空レーダ画像及び第２の上空レーダ画像の枚数は限定されないが、学習モデルによる判別精度の点から、枚数はできるだけ多いのが良い。

ところで、レーダ画像は、上空から照射されたレーダの反射波の強度に基づいて形成された画像である。そして、反射波の強度は、地面の状態によって変化する。このため、レーダ画像は、地表の湿度分布を可視化した画像として用いることができる。

そして、実施の形態１で述べたように、灌漑用水が漏水すると、圃場に水たまりが発生する等して、地表又は地表に近い地中の湿度分布が変化する。従って、学習モデル生成部１１は、第１の上空レーダ画像から、灌漑用水の漏水によって生じる現象のレーダ画像の特徴量として、例えば、湿度の勾配、湿度が閾値以上（又は閾値以下）と推定される領域の位置及び大きさを抽出する。

更に、学習モデル生成部１１は、第２の上空レーダ画像から、正常現象レーダ画像の特徴量として、例えば、灌漑用水が漏水していない場合における、湿度の勾配、湿度が閾値以上（又は閾値以下）と推定される領域の位置及び大きさを抽出する。そして、学習モデル生成部１１は、第１の上空レーダ画像から得られた特徴量と、第２の上空レーダ画像から得られた特徴量とを分類して保持する。

なお、図７の例では、学習モデル生成部１１は、第１の上空レーダ画像及び第２の上空レーダ画像それぞれから、特徴量として、湿度が閾値以上と推定される領域の位置及び大きさを抽出している。

次に、学習モデル生成部１１は、実施の形態１の場合と同様に、サポートベクトルマシンを用いて、故障現象レーダ画像の特徴量を学習する。具体的には、学習モデル生成部１１は、サポートベクトルマシンに、分類された各上空レーダ画像の特徴量を与えて、故障現象レーダ画像と正常現象レーダ画像との境界を学習させ、学習結果を示す学習モデル１５を生成する。

また、学習モデル生成部１１は、取得した多数の第１の上空レーダ画像と第２の上空レーダ画像とを用いて、ディープラーニングを行ない、それによって、第１の上空レーダ画像と第２の上空レーダ画像とを識別する分類器を作成し、作成した分類器を学習モデル１５とすることもできる。

画像取得部１２は、本実施の形態２では、圃場が存在している対象領域の上空からのレーダ画像（以下「上空レーダ画像」と表記する）を取得する。画像取得部１２は、例えば人工衛星、航空機等に搭載された合成開口レーダよって上空から撮影された圃場等の上空レーダ画像を取得する。

画像特定部１３は、本実施の形態２では、学習モデル１５を用いて、画像取得部１２が取得した上空レーダ画像から、故障現象レーダ画像を特定する。

故障箇所特定部１４は、本実施の形態２では、画像特定部１３が上空レーダ画像から故障現象レーダ画像を特定できた場合は、故障現象レーダ画像の圃場における位置を特定し、特定した位置を故障箇所とする。また、故障箇所特定部１４は、圃場管理装置１０の管理者の端末装置等に、特定した故障箇所を通知することもできる。

図８は、本発明の実施の形態２における学習モデルの生成処理の別の例を説明する図である。図８の例では、学習モデル生成部１１は、「故障現象レーダ画像」と、「故障現象レーダ画像及び正常現象レーダ画像の両方を含む画像」を用いて学習を行う。「故障現象レーダ画像」と、「故障現象レーダ画像及び正常現象レーダ画像の両方を含む画像」を用いて学習を行うことにより、学習モデルの精度の向上が期待できる。

［装置動作］
次に、本発明の実施の形態２における圃場管理装置の動作について図９～図１１を用いて説明する。また、本実施の形態２でも、本実施の形態２における圃場管理装置１０を動作させることによって、圃場管理方法が実施される。本実施の形態２における圃場管理方法の説明は、以下の圃場管理装置１０の動作説明に代える。

最初に、学習モデルの生成処理について図９及び図１０を用いて説明する。まず、図９を用いて、サポートベクトルマシンによって学習モデルが生成される場合について説明する。図９は、本発明の実施の形態２における圃場管理装置のサポートベクトルマシンによる学習モデル生成処理時の動作を示すフロー図である。

図９に示すように、学習モデル生成部１１は、外部から、多数の第１の上空レーダ画像と第２の上空レーダ画像とを取得する（ステップＤ１）。第１の上空レーダ画像と第２の上空レーダ画像については、上述の通りである。

次に、学習モデル生成部１１は、ステップＤ１で取得した第１の上空レーダ画像から、故障現象レーダ画像、即ち、灌漑用水の漏水によって生じる現象のレーダ画像の特徴量を抽出し、第２の上空レーダ画像から、正常現象レーダ画像の特徴量を抽出する（ステップＤ２）。

次に、学習モデル生成部１１は、第１の上空レーダ画像から得られた特徴量と、第２の上空レーダ画像から得られた特徴量とを分類して保持する（ステップＤ３）。

次に、学習モデル生成部１１は、サポートベクトルマシンを用いて、故障現象画像、即ち、灌漑用水の漏水によって生じる現象のレーダ画像の特徴量を学習して、学習モデル１５を生成する（ステップＤ４）。

具体的には、学習モデル生成部１１は、サポートベクトルマシンに、分類された各上空レーダ画像の特徴量を与えて、故障現象レーダ画像と正常現象レーダ画像との境界を学習させ、学習結果を示す学習モデル１５を生成する。

続いて、図１０を用いて、ディープラーニングによって学習モデルが生成される場合について説明する。図１０は、本発明の実施の形態２における圃場管理装置のディープラーニングによる学習モデル生成処理時の動作を示すフロー図である。

図１０に示すように、学習モデル生成部１１は、外部から、多数の第１の上空レーダ画像と第２の上空レーダ画像とを取得する（ステップＥ１）。

次に、学習モデル生成部１１は、ステップＥ１で取得した多数の第１の上空レーダ画像と第２の上空レーダ画像とを用いて、ディープラーニングを実行する（ステップＥ２）。

そして、学習モデル生成部１１は、ステップＥ２の結果から、第１の上空レーダ画像と第２の上空レーダ画像とを識別する分類器を作成し、作成した分類器を学習モデル１５とする（ステップＥ３）。

続いて、故障箇所の特定処理について図１１を用いて説明する。図１１は、本発明の実施の形態２における圃場管理装置の故障箇所特定処理時の動作を示すフロー図である。

図１１に示すように、最初に、画像取得部１２は、対象領域となる圃場の上空レーダ画像を取得する（ステップＦ１）。

次に、画像特定部１３は、学習モデル１５に、ステップＦ１で画像取得部１２が取得した上空レーダ画像を適用して、この上空レーダ画像における故障現象レーダ画像を特定する（ステップＦ２）。

次に、故障箇所特定部１４は、ステップＦ２で画像特定部１３が特定した故障現象レーダ画像を用いて、対象領域における灌漑設備の故障箇所を特定する（ステップＦ３）。また、故障箇所特定部１４は、特定した故障箇所を、外部の端末装置等に通知する。

以上のように、本実施の形態２においては、レーダ画像から、学習モデル生成部１１が、学習モデル１５を生成する。このため、本実施の形態２によれば、可視画像では判別できない漏水を特定することができるので、故障箇所の早期発見が期待できる。

［プログラム］
本実施の形態２におけるプログラムも、コンピュータに、図９に示すステップＤ１～Ｄ４（又は図１０に示すステップＥ１～Ｅ３）と、図１１に示すステップＦ１～Ｆ３とを実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態２における圃場管理装置と圃場管理方法とを実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、学習モデル生成部１１、画像取得部１２、画像特定部１３、及び故障箇所特定部１４として機能し、処理を行なう。

また、本実施の形態２におけるプログラムも、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、学習モデル生成部１１、画像取得部１２、画像特定部１３、及び故障箇所特定部１４のいずれかとして機能しても良い。

（実施の形態３）
続いて、本実施の形態３における、圃場管理装置、圃場管理方法、及びプログラムについて図１２及び図１３を用いて説明する。

［装置構成］
最初に、本実施の形態３における圃場管理装置の構成について図１２を用いて説明する。図１２は、本発明の実施の形態３における圃場管理装置の構成を示すブロック図である。

図１２に示すように、本実施の形態３における圃場管理装置２０は、可視画像用学習モデル生成部２１と、レーダ画像用学習モデル生成部２２と、画像取得部２３と、画像特定部２４と、故障箇所特定部２５とを備えている。

本実施の形態３における圃場管理装置２０は、可視画像用学習モデル生成部２１と、レーダ画像用学習モデル生成部２２との２つの学習モデル生成部を備えている点で、図１に示した実施の形態１における圃場管理装置１０と異なっている。また、これにより、画像取得部２３、画像特定部２４、及び故障箇所特定部２５それぞれの処理も、実施の形態１と異なっている。以下、実施の形態１及び２との相違点を中心に説明する。

まず、可視画像用学習モデル生成部２１は、図１に示した実施の形態１における学習モデル生成部１１と同様のものである。可視画像用学習モデル生成部２１は、故障現象画像と、正常現象画像とを用いて、故障現象画像の特徴量を学習することによって、可視画像用学習モデル２６を生成する。なお、故障現象画像及び正常現象画像は、可視画像である。また、可視画像用学習モデル２６は、実施の形態１で述べた学習処理によって作成されており、実施の形態１に示した学習モデル１５と同様に構築されている。

また、レーダ画像用学習モデル生成部２２は、実施の形態２における学習モデル生成部と同様のものである。レーダ画像用学習モデル生成部２２は、故障現象レーダ画像と、正常現象レーダ画像とを用いて、故障現象レーダ画像の特徴量を学習することによって、レーダ画像用学習モデル２７を生成する。なお、レーダ画像用学習モデル２７は、実施の形態２で述べた学習処理によって作成されており、実施の形態２に示した学習モデルと同様に構築されている。

画像取得部２３は、本実施の形態３では、対象領域の上空からの可視画像と対象領域の上空からのレーダ画像とを取得する。つまり、本実施の形態３では、画像取得部２３は、実施の形態１で取得される画像と、実施の形態２で取得される画像との２種類の画像を取得する。

画像特定部２４は、まず、可視画像用学習モデル生成部２１が生成した可視画像用学習モデル２６に、画像取得部２３が取得した対象領域の上空からの可視画像を適用して、対象領域の上空からの可視画像における、故障現象画像（可視画像）を特定する。また、画像特定部２４は、レーダ画像用学習モデル生成部２２が生成したレーダ画像用学習モデル２７に、画像取得部２３が取得した対象領域の上空からのレーダ画像を適用して、対象領域の上空からのレーダ画像における、故障現象レーダ画像を特定する。

また、故障箇所特定部２５は、画像特定部２４が特定した故障現象画像と、同じく画像特定部２４が特定した故障現象レーダ画像とに基づいて、対象領域における圃場施設の故障箇所を特定する。具体的には、故障箇所特定部２５は、可視画像によって特定した故障箇所と、レーダ画像によって特定した故障箇所とを比較する。そして、故障箇所特定部２５は、両者が一致している場合は、両者によって特定された箇所を故障箇所とする。一方、故障箇所特定部２５は、両者が一致していない場合は、状況に応じて、どちらか一方が特定した箇所を故障箇所とする。例えば、灌漑設備用のパイプが地中に埋まっており、圃場の表面に水が析出しにくい場合は、故障箇所特定部２５は、レーダ画像によって特定した故障箇所を優先する。

［装置動作］
次に、本発明の実施の形態３における圃場管理装置２０の動作について図１３を用いて説明する。また、本実施の形態３では、圃場管理装置２０を動作させることによって、圃場管理方法が実施される。よって、本実施の形態３における圃場管理方法の説明は、以下の圃場管理装置２０の動作説明に代える。

まず、本実施の形態３では、可視画像用学習モデル生成部２１が、図４に示したステップＡ１～Ａ４又は図５に示したステップＢ１～Ｂ３に準じた処理を実行して、可視画像用学習モデル２６を生成する。また、レーダ画像用学習モデル生成部２２が、図９に示したステップＤ１～Ｄ４又は図１０に示したステップＥ１～Ｅ３に準じた処理を実行して、レーダ画像用学習モデル２７を生成する。

続いて、故障箇所の特定処理について図１３を用いて説明する。図１３は、本発明の実施の形態３における圃場管理装置の故障箇所特定処理時の動作を示すフロー図である。

図１３に示すように、最初に、画像取得部２３は、対象領域となる圃場の上空画像（可視画像）を取得する（ステップＧ１）。続いて、画像取得部２３は、対象領域となる圃場の上空レーダ画像を取得する（ステップＧ２）。

次に、画像特定部２４は、可視画像用学習モデル２６に、ステップＧ１で画像取得部２３が取得した上空画像を適用して、この上空画像における故障現象画像を特定する（ステップＧ３）。続いて、画像特定部２４は、レーダ画像用学習モデル２７に、ステップＧ２で画像取得部２３が取得した上空レーダ画像を適用して、この上空レーダ画像における故障現象レーダ画像を特定する（ステップＧ４）。

次に、故障箇所特定部２５は、ステップＧ３で画像特定部２４が特定した故障現象画像と、ステップＧ４で画像特定部２４が特定した故障現象レーダ画像とに基づいて、対象領域における圃場施設の故障箇所を特定する（ステップＧ５）。また、故障箇所特定部２５は、特定した故障箇所を、外部の端末装置等に通知する。

以上のように、本実施の形態３においては、実施の形態１で述べた可視画像を用いた学習モデルと、実施の形態２で述べたレーダ画像を用いた学習モデルとが構築され、両者を用いて、故障箇所が特定されるので、よりいっそう故障箇所を正確に特定することが可能となる。

［プログラム］
本実施の形態３におけるプログラムは、コンピュータに、図４に示すステップＡ１～Ａ４（又は図５に示すステップＢ１～Ｂ３）と、図９に示すステップＤ１～Ｄ４（又は図１０に示すステップＥ１～Ｅ３）と、図１３に示すステップＧ１～Ｇ５とを実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態３における圃場管理装置２０と圃場管理方法とを実現することができる。この場合、コンピュータのプロセッサは、可視画像用学習モデル生成部２１、レーダ画像用学習モデル生成部２２、画像取得部２３、画像特定部２４、及び故障箇所特定部２５として機能し、処理を行なう。

また、本実施の形態３におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、可視画像用学習モデル生成部２１、レーダ画像用学習モデル生成部２２、画像取得部２３、画像特定部２４、及び故障箇所特定部２５のいずれかとして機能しても良い。

（実施の形態４）
以下、本発明の実施の形態４における、圃場管理装置、圃場管理方法、及びプログラムについて、図１４～図１６を参照しながら説明する。

［装置構成］
最初に、本実施の形態４における圃場管理装置の構成について図１４を用いて説明する。図１４は、本発明の実施の形態４における圃場管理装置の構成を示すブロック図である。

図１４に示すように、本実施の形態４における圃場管理装置３０は、学習モデル生成部３１と、画像取得部３２と、画像特定部３３と、故障箇所特定部３４と、土壌推定部３６とを備えている。

本実施の形態４における圃場管理装置３０は、土壌推定部３６を備えている点で、図１に示した実施の形態１における圃場管理装置１０と異なっている。また、これにより、故障箇所特定部３４における処理も実施の形態１と異なっている。以下、実施の形態１との相違点を中心に説明する。

まず、本実施の形態４において、土壌推定部３６は、対象領域の土中の水分量を推定する。具体的には、土壌推定部３６は、まず、圃場の対象領域を複数の部分に分割して、複数の区分を設定する。

図１５は、本発明の実施の形態４において対象領域に設定される区分の一例を示す図である。図１５の例では、土壌推定部３６は、対象領域をマス目状に分割することによって、区分を設定している。各区分の面積が小さい方が、すなわち、対象圃場をより細かなメッシュ状に区切る方が、推定モデルの精度が向上する。

続いて、土壌推定部３６は、地形情報及び土壌分布情報の両方に基づいて、区分毎に、土中の水分の流入量及び流出量を予測して、土中推定モデル３７を生成する。具体的には、土壌推定部３６は、まず、区分毎に、対応する地形情報及び土壌分布情報を抽出し、各区分における土壌の組成と傾斜とを特定し、そして、特定した土壌の組成と傾斜とに基づいて、土中推定モデル３７を生成する。

土中推定モデル３７は、対象領域内の一の地点における土中の状態を示す実測値から、この一の地点とは異なる他の地点における土中の状態を推定する、モデルである。地形情報は、例えば対象圃場の傾斜等を表す地形モデルである。土壌分布情報は、例えば対象圃場における土壌分布を表す土壌分布モデルである。

続いて、土壌推定部３６は、対象領域の任意の位置に設置されている土壌水分センサから、実測値を取得し、取得した実測値を土中推定モデル３７に適用して、区分毎に、土中の水分量を推定する。つまり、土壌推定部３６は、土中推定モデル３７に実測値を入力することにより、各区分における水分量の相対的な関係から、各区分における水分量の絶対値を算出する。これにより、対象領域における水分量の分布が特定される。すなわち、豪雨等の自然現象に起因する水分量は、土中推定モデル３７を用いて特定することができる。

また、本実施の形態４において、故障箇所特定部３４は、画像特定部３３が特定した故障現象画像と、土壌推定部３６が推定した対象領域の土中の水分量とに基づいて、対象領域における圃場施設（灌漑設備）の故障箇所を特定する。

例えば、故障箇所特定部３４は、故障現象画像によって特定された箇所（箇所Ａ）及びその周辺の水分量の分布を特定し、特定した水分量の分布を、土壌推定部３６が土中推定モデル３７を用いて特定した、箇所Ａ及びその周辺の水分量の分布に照らし合わせる。又は、故障箇所特定部３４は、箇所Ａ及びその周辺の画像と、土壌推定部３６が土中推定モデル３７を用いて特定した、箇所Ａ及びその周辺の水分量の分布とを照らし合わせる。例えば、水分量の分布が一致する場合、該故障現象画像は、灌漑設備の故障に起因する現象を表す画像ではなく、自然現象に起因する現象を表す画像であると考えられる。水分量の分布が一致しない場合、該故障現象画像は、灌漑設備の故障に起因する現象を表す画像であると考えられる。故障箇所特定部３４は、故障現象画像によって特定された箇所を故障箇所とする。これにより、自然現象に起因する現象が灌漑設備の故障に起因する現象であるとされることを防ぐことができる。

［装置動作］
次に、本発明の実施の形態４における圃場管理装置３０の動作について図１６を用いて説明する。また、本実施の形態４では、圃場管理装置３０を動作させることによって、圃場管理方法が実施される。よって、本実施の形態４における圃場管理方法の説明は、以下の圃場管理装置３０の動作説明に代える。

まず、本実施の形態４では、学習モデル生成部３１が、実施の形態１と同様に、図４に示したステップＡ１～Ａ４又は図５に示したステップＢ１～Ｂ３に準じた処理を実行して、学習モデル３５を生成する。

続いて、故障箇所の特定処理について図１６を用いて説明する。図１６は、本発明の実施の形態４における圃場管理装置の故障箇所特定処理時の動作を示すフロー図である。

図１６に示すように、最初に、画像取得部３２は、対象領域となる圃場の上空画像を取得する（ステップＨ１）。

次に、画像特定部３３は、学習モデル３５に、ステップＨ１で画像取得部３２が取得した上空画像を適用して、この上空画像における故障現象画像を特定する（ステップＨ２）。

次に、土壌推定部３６は、土壌水分センサから取得した実測値を土中推定モデル３７に適用して、区分毎に、土中の水分量を推定する（ステップＨ３）。

次に、故障箇所特定部３４は、ステップＨ２で画像特定部３３が特定した故障現象画像と、土壌推定部３６が推定した対象領域の区分毎の土中の水分量とに基づいて、対象領域における圃場施設の故障箇所を特定する（ステップＨ４）。また、故障箇所特定部３４は、特定した故障箇所を、外部の端末装置等に通知する。

このように、本実施の形態４によれば、土中の水分量が算出され、その結果を利用することで、上空画像から特定された故障箇所が、本当に灌漑設備の故障であるのかどうかを確認することができる。本実施の形態４によれば、故障箇所の特定精度の向上が図られる。また、本実施の形態４で用いられる土壌推定部３６は、実施の形態２及び３に示した圃場管理装置に備えられていても良い。この場合も上記と同様の効果を得ることができる。

［プログラム］
本実施の形態４におけるプログラムは、コンピュータに、図４に示すステップＡ１～Ａ４（又は図５に示すステップＢ１～Ｂ３）と、図１６に示すステップＨ１～Ｈ４を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態４における圃場管理装置３０と圃場管理方法とを実現することができる。この場合、コンピュータのプロセッサは、学習モデル生成部３１、画像取得部３２、画像特定部３３、故障箇所特定部３４、及び土壌推定部３６として機能し、処理を行なう。

また、本実施の形態４におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、学習モデル生成部３１、画像取得部３２、画像特定部３３、故障箇所特定部３４、及び土壌推定部３６のいずれかとして機能しても良い。

（物理構成）
ここで、実施の形態１～４におけるプログラムを実行することによって、圃場管理装置を実現するコンピュータについて図１７を用いて説明する。図１７は、本発明の実施の形態１～４における圃場管理装置を実現するコンピュータの一例を示すブロック図である。

図１７に示すように、コンピュータ１１０は、ＣＰＵ（Central Processing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。

ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。なお、コンピュータ１１０は、ＣＰＵ１１１に加えて、又はＣＰＵ１１１に代えて、ＧＰＵ（Graphics Processing Unit）、又はＦＰＧＡ（Field-Programmable Gate Array）を備えていても良い。

また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。

データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。

また、記録媒体１２０の具体例としては、ＣＦ（Compact Flash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ－ＲＯＭ（Compact Disk Read Only Memory）などの光学記録媒体が挙げられる。

なお、本実施の形態における圃場管理装置は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、圃場管理装置は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。

上述した実施の形態の一部又は全部は、以下に記載する（付記１）～（付記２４）によって表現することができるが、以下の記載に限定されるものではない。

（付記１）
圃場施設の故障に起因する現象の画像と、圃場施設の正常な稼働に起因する現象の画像とを用いて前記圃場施設の故障に起因する現象の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における、前記圃場施設の故障に起因する現象の画像を特定する、画像特定部と、
前記画像特定部が特定した前記圃場施設の故障に起因する現象の画像に基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、故障箇所特定部と、
を備えている、ことを特徴とする圃場管理装置。

（付記２） 前記学習モデル生成部が、
前記圃場施設の故障に起因する現象の画像から、前記圃場施設の故障に起因する現象の特徴量を抽出し、
前記圃場施設の正常な稼働に起因する現象の画像から、前記圃場施設の正常な稼働に起因する現象の特徴量を抽出し、
サポートベクトルマシンを用いて、前記圃場施設の故障に起因する現象の画像の特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
付記１に記載の圃場管理装置。

（付記３） 前記学習モデル生成部が、ディープラーニングによって、圃場施設の故障に起因する現象の画像と、圃場施設の正常な稼働に起因する現象の画像とを識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
付記１に記載の圃場管理装置。

（付記４） 圃場施設の故障に起因する現象の画像、圃場施設の正常な稼働に起因する現象の画像、及び前記上空画像が、可視画像である、
付記１～３のいずれかに記載の圃場管理装置。

（付記５） 圃場施設の故障に起因する現象の画像、圃場施設の正常な稼働に起因する現象の画像、及び前記上空画像が、レーダ画像である、
付記１～３のいずれかに記載の圃場管理装置。

（付記６） 圃場施設の故障に起因する現象のレーダ画像と、圃場施設の正常な稼働に起因する現象のレーダ画像とを用いて前記圃場施設の故障に起因する現象のレーダ画像の特徴量を学習することによって、第２の学習モデルを生成する、第２の学習モデル生成部を更に備え、
前記画像取得部は、対象領域の上空からの可視画像と、前記対象領域の上空からのレーダ画像とを取得し、
前記画像特定部は、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記対象領域の上空からの可視画像を適用して、前記画像取得部が取得した前記対象領域の上空からの可視画像における、前記圃場施設の故障に起因する現象の可視画像を特定し、
更に、前記第２の学習モデル生成部が生成した前記第２の学習モデルに、前記画像取得部が取得した前記対象領域の上空からのレーダ画像を適用して、前記画像取得部が取得した前記対象領域の上空からのレーダ画像における、前記圃場施設の故障に起因する現象のレーダ画像を特定し、
前記故障箇所特定部は、
前記画像特定部が特定した前記圃場施設の故障に起因する現象の可視画像と、前記圃場施設の故障に起因する現象のレーダ画像とに基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、
付記４に記載の圃場管理装置。

（付記７） 前記圃場施設が灌漑設備であり、
前記圃場施設の故障に起因する現象が、灌漑用水の漏水によって生じる現象である、
付記１～６のいずれかに記載の圃場管理装置。

（付記８） 前記対象領域の土中の水分量を推定する土壌推定部を更に備え、
前記故障箇所特定部が、前記画像特定部が特定した前記圃場施設の故障に起因する現象の画像と、前記土壌推定部が推定した前記対象領域の土中の水分量とに基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、
付記７に記載の圃場管理装置。

（付記９）（ａ）圃場施設の故障に起因する現象の画像と、圃場施設の正常な稼働に起因する現象の画像とを用いて前記圃場施設の故障に起因する現象の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における、前記圃場施設の故障に起因する現象の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記圃場施設の故障に起因する現象の画像に基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、ステップと、
を有する、ことを特徴とする圃場管理方法。

（付記１０） 前記（ａ）のステップにおいて、
前記圃場施設の故障に起因する現象の画像から、前記圃場施設の故障に起因する現象の特徴量を抽出し、
前記圃場施設の正常な稼働に起因する現象の画像から、前記圃場施設の正常な稼働に起因する現象の特徴量を抽出し、
サポートベクトルマシンを用いて、前記圃場施設の故障に起因する現象の画像の特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
付記９に記載の圃場管理方法。

（付記１１） 前記（ａ）のステップにおいて、ディープラーニングによって、圃場施設の故障に起因する現象の画像と、圃場施設の正常な稼働に起因する現象の画像とを識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
付記９に記載の圃場管理方法。

（付記１２） 圃場施設の故障に起因する現象の画像、圃場施設の正常な稼働に起因する現象の画像、及び前記上空画像が、可視画像である、
付記９～１１のいずれかに記載の圃場管理方法。

（付記１３） 圃場施設の故障に起因する現象の画像、圃場施設の正常な稼働に起因する現象の画像、及び前記上空画像が、レーダ画像である、
付記９～１１のいずれかに記載の圃場管理方法。

（付記１４）（ｅ）圃場施設の故障に起因する現象のレーダ画像と、圃場施設の正常な稼働に起因する現象のレーダ画像とを用いて前記圃場施設の故障に起因する現象のレーダ画像の特徴量を学習することによって、第２の学習モデルを生成する、ステップを更に有し、
前記（ｂ）のステップにおいて、対象領域の上空からの可視画像と、前記対象領域の上空からのレーダ画像とを取得し、
前記（ｃ）のステップにおいて、
前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記対象領域の上空からの可視画像を適用して、前記（ｂ）のステップで取得した前記対象領域の上空からの可視画像における、前記圃場施設の故障に起因する現象の可視画像を特定し、
更に、前記（ｅ）のステップで生成した前記第２の学習モデルに、前記（ｂ）のステップで取得した前記対象領域の上空からのレーダ画像を適用して、前記（ｂ）のステップで取得した前記対象領域の上空からのレーダ画像における、前記圃場施設の故障に起因する現象のレーダ画像を特定し、
前記（ｄ）のステップにおいて、
前記（ｃ）のステップで特定した前記圃場施設の故障に起因する現象の可視画像と、前記圃場施設の故障に起因する現象のレーダ画像とに基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、
付記１２に記載の圃場管理方法。

（付記１５） 前記圃場施設が灌漑設備であり、
前記圃場施設の故障に起因する現象が、灌漑用水の漏水によって生じる現象である、
付記９～１４のいずれかに記載の圃場管理方法。

（付記１６）（ｆ）前記対象領域の土中の水分量を推定する、ステップを更に有し、
前記（ｄ）のステップにおいて、
前記（ｃ）のステップで特定した前記圃場施設の故障に起因する現象の画像と、前記（ｆ）のステップで推定した前記対象領域の土中の水分量とに基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、
付記１５に記載の圃場管理方法。

（付記１７）コンピュータに、
（ａ）圃場施設の故障に起因する現象の画像と、圃場施設の正常な稼働に起因する現象の画像とを用いて前記圃場施設の故障に起因する現象の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
（ｂ）対象領域の上空画像を取得する、ステップと、
（ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における、前記圃場施設の故障に起因する現象の画像を特定する、ステップと、
（ｄ）前記（ｃ）のステップで特定した前記圃場施設の故障に起因する現象の画像に基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、ステップと、
を実行させるプログラム。

（付記１８） 前記（ａ）のステップにおいて、
前記圃場施設の故障に起因する現象の画像から、前記圃場施設の故障に起因する現象の特徴量を抽出し、
前記圃場施設の正常な稼働に起因する現象の画像から、前記圃場施設の正常な稼働に起因する現象の特徴量を抽出し、
サポートベクトルマシンを用いて、前記圃場施設の故障に起因する現象の画像の特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
付記１７に記載のプログラム。

（付記１９） 前記（ａ）のステップにおいて、ディープラーニングによって、圃場施設の故障に起因する現象の画像と、圃場施設の正常な稼働に起因する現象の画像とを識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
付記１７に記載のプログラム。

（付記２０） 圃場施設の故障に起因する現象の画像、圃場施設の正常な稼働に起因する現象の画像、及び前記上空画像が、可視画像である、
付記１７～１９のいずれかに記載のプログラム。

（付記２１） 圃場施設の故障に起因する現象の画像、圃場施設の正常な稼働に起因する現象の画像、及び前記上空画像が、レーダ画像である、
付記１７～１９のいずれかに記載のプログラム。

（付記２２）前記プログラムが、前記コンピュータに、
（ｅ）圃場施設の故障に起因する現象のレーダ画像と、圃場施設の正常な稼働に起因する現象のレーダ画像とを用いて前記圃場施設の故障に起因する現象のレーダ画像の特徴量を学習することによって、第２の学習モデルを生成する、ステップを実行させる、命令を更に含み、
前記（ｂ）のステップにおいて、対象領域の上空からの可視画像と、前記対象領域の上空からのレーダ画像とを取得し、
前記（ｃ）のステップにおいて、
前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記対象領域の上空からの可視画像を適用して、前記（ｂ）のステップで取得した前記対象領域の上空からの可視画像における、前記圃場施設の故障に起因する現象の可視画像を特定し、
更に、前記（ｅ）のステップで生成した前記第２の学習モデルに、前記（ｂ）のステップで取得した前記対象領域の上空からのレーダ画像を適用して、前記（ｂ）のステップで取得した前記対象領域の上空からのレーダ画像における、前記圃場施設の故障に起因する現象のレーダ画像を特定し、
前記（ｄ）のステップにおいて、
前記（ｃ）のステップで特定した前記圃場施設の故障に起因する現象の可視画像と、前記圃場施設の故障に起因する現象のレーダ画像とに基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、
付記２０に記載のプログラム。

（付記２３） 前記圃場施設が灌漑設備であり、
前記圃場施設の故障に起因する現象が、灌漑用水の漏水によって生じる現象である、
付記１７～２２のいずれかに記載のプログラム。

（付記２４）前記プログラムが、前記コンピュータに、
（ｆ）前記対象領域の土中の水分量を推定する、ステップを実行させる、命令を更に含み、
前記（ｄ）のステップにおいて、
前記（ｃ）のステップで特定した前記圃場施設の故障に起因する現象の画像と、前記（ｃ）のステップで推定した前記対象領域の土中の水分量とに基づいて、前記対象領域における前記圃場施設の故障箇所を特定する、
付記２３に記載のプログラム。

以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１７年３月２９日に出願された日本出願特願２０１７－６６１９０を基礎とする優先権を主張し、その開示の全てをここに取り込む。

以上のように、本発明によれば、センサ数を増加させることなく、圃場の施設の異常を検出することができる。本発明は、農業分野に有用である。

１０ 圃場管理装置（実施の形態１、２）
１１ 学習モデル生成部
１２ 画像取得部
１３ 画像特定部
１４ 故障箇所特定部
１５ 学習モデル
２０ 圃場管理装置（実施の形態３）
２１ 可視画像用学習モデル生成部
２２ レーダ画像用学習モデル生成部
２３ 画像取得部
２４ 画像特定部
２５ 故障箇所特定部
２６ 可視画像用学習モデル
２７ レーダ画像用学習モデル
３０ 圃場管理装置（実施の形態４）
３１ 学習モデル生成部
３２ 画像取得部
３３ 画像特定部
３４ 故障箇所特定部
３５ 学習モデル
３６ 土壌推定部
３７ 土中推定モデル
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス

Claims (21)

1. 圃場における灌漑設備の故障に起因する現象の画像と、前記灌漑設備の正常な稼働に起因する現象の画像とを用いて前記灌漑設備の故障に起因する現象の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
   前記圃場を上空から撮像可能な人工衛星、航空機又はドローンから、前記圃場の対象領域の上空画像を取得する、画像取得部と、
   前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における、前記灌漑設備の故障に起因する現象の画像を特定する、画像特定部と、
   前記画像特定部が特定した前記灌漑設備の故障に起因する現象の画像に基づいて、前記対象領域における前記灌漑設備の故障箇所を特定する、故障箇所特定部と、
   を備え、
   前記灌漑設備の故障に起因する現象の画像は、前記灌漑設備のパイプの裂傷と、前記灌漑設備の故障により生じる水たまりと、前記圃場における畝の崩れと、前記圃場における農作物の成長の変化と、のいずれかを示す画像であり、
   前記灌漑設備の正常な稼働に起因する現象の画像は、前記灌漑設備の故障に起因する現象を含まない画像である、
   圃場管理装置。
2. 前記学習モデル生成部が、サポートベクトルマシンを用いて、前記灌漑設備の故障に起因する現象の画像の特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
   請求項１に記載の圃場管理装置。
3. 前記学習モデル生成部が、ディープラーニングによって、前記灌漑設備の故障に起因する現象の画像と、前記灌漑設備の正常な稼働に起因する現象の画像とを識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
   請求項１に記載の圃場管理装置。
4. 前記灌漑設備の故障に起因する現象の画像、前記灌漑設備の正常な稼働に起因する現象の画像、及び前記上空画像が、可視画像である、
   請求項１～３のいずれか一つに記載の圃場管理装置。
5. 前記灌漑設備の故障に起因する現象の画像、前記灌漑設備の正常な稼働に起因する現象の画像、及び前記上空画像が、レーダ画像である、
   請求項１～３のいずれかに記載の圃場管理装置。
6. 前記灌漑設備の故障に起因する現象のレーダ画像と、前記灌漑設備の正常な稼働に起因する現象のレーダ画像とを用いて前記灌漑設備の故障に起因する現象のレーダ画像の特徴量を学習することによって、第２の学習モデルを生成する、第２の学習モデル生成部を更に備え、
   前記画像取得部は、対象領域の上空からの可視画像と、前記対象領域の上空からのレーダ画像とを取得し、
   前記画像特定部は、
   前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記対象領域の上空からの可視画像を適用して、前記画像取得部が取得した前記対象領域の上空からの可視画像における、前記灌漑設備の故障に起因する現象の可視画像を特定し、
   更に、前記第２の学習モデル生成部が生成した前記第２の学習モデルに、前記画像取得部が取得した前記対象領域の上空からのレーダ画像を適用して、前記画像取得部が取得した前記対象領域の上空からのレーダ画像における、前記灌漑設備の故障に起因する現象のレーダ画像を特定し、
   前記故障箇所特定部は、
   前記画像特定部が特定した前記灌漑設備の故障に起因する現象の可視画像と、前記灌漑設備の故障に起因する現象のレーダ画像とに基づいて、前記対象領域における前記灌漑設備の故障箇所を特定する、
   請求項４に記載の圃場管理装置。
7. 前記対象領域の土中の水分量を推定する土壌推定部を更に備え、
   前記故障箇所特定部が、前記画像特定部が特定した前記灌漑設備の故障に起因する現象の画像と、前記土壌推定部が推定した前記対象領域の土中の水分量とに基づいて、前記対象領域における前記灌漑設備の故障箇所を特定する、
   請求項６に記載の圃場管理装置。
8. コンピュータが、
   （ａ）圃場における灌漑設備の故障に起因する現象の画像と、前記灌漑設備の正常な稼働に起因する現象の画像とを用いて前記灌漑設備の故障に起因する現象の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
   （ｂ）前記圃場を上空から撮像可能な人工衛星、航空機又はドローンから、前記圃場の対象領域の上空画像を取得する、ステップと、
   （ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における、前記灌漑設備の故障に起因する現象の画像を特定する、ステップと、
   （ｄ）前記（ｃ）のステップで特定した前記灌漑設備の故障に起因する現象の画像に基づいて、前記対象領域における前記灌漑設備の故障箇所を特定する、ステップと、
   を実行し、
   前記灌漑設備の故障に起因する現象の画像は、前記灌漑設備のパイプの裂傷と、前記灌漑設備の故障により生じる水たまりと、前記圃場における畝の崩れと、前記圃場における農作物の成長の変化と、のいずれかを示す画像であり、
   前記灌漑設備の正常な稼働に起因する現象の画像は、前記灌漑設備の故障に起因する現象を含まない画像である、
   圃場管理方法。
9. 前記（ａ）のステップにおいて、サポートベクトルマシンを用いて、前記灌漑設備の故障に起因する現象の画像の特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
   請求項８に記載の圃場管理方法。
10. 前記（ａ）のステップにおいて、ディープラーニングによって、前記灌漑設備の故障に起因する現象の画像と、前記灌漑設備の正常な稼働に起因する現象の画像とを識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
    請求項８に記載の圃場管理方法。
11. 前記灌漑設備の故障に起因する現象の画像、前記灌漑設備の正常な稼働に起因する現象の画像、及び前記上空画像が、可視画像である、
    請求項８～１０のいずれか一つに記載の圃場管理方法。
12. 前記灌漑設備の故障に起因する現象の画像、前記灌漑設備の正常な稼働に起因する現象の画像、及び前記上空画像が、レーダ画像である、
    請求項８～１０のいずれかに記載の圃場管理方法。
13. （ｅ）前記灌漑設備の故障に起因する現象のレーダ画像と、前記灌漑設備の正常な稼働に起因する現象のレーダ画像とを用いて前記灌漑設備の故障に起因する現象のレーダ画像の特徴量を学習することによって、第２の学習モデルを生成する、ステップを更に有し、
    前記（ｂ）のステップにおいて、対象領域の上空からの可視画像と、前記対象領域の上空からのレーダ画像とを取得し、
    前記（ｃ）のステップにおいて、
    前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記対象領域の上空からの可視画像を適用して、前記（ｂ）のステップで取得した前記対象領域の上空からの可視画像における、前記灌漑設備の故障に起因する現象の可視画像を特定し、
    更に、前記（ｅ）のステップで生成した前記第２の学習モデルに、前記（ｂ）のステップで取得した前記対象領域の上空からのレーダ画像を適用して、前記（ｂ）のステップで取得した前記対象領域の上空からのレーダ画像における、前記灌漑設備の故障に起因する現象のレーダ画像を特定し、
    前記（ｄ）のステップにおいて、
    前記（ｃ）のステップで特定した前記灌漑設備の故障に起因する現象の可視画像と、前記灌漑設備の故障に起因する現象のレーダ画像とに基づいて、前記対象領域における前記灌漑設備の故障箇所を特定する、
    請求項１１に記載の圃場管理方法。
14. 前記コンピュータが、
    （ｆ）前記対象領域の土中の水分量を推定する、ステップを更に実行し、
    前記（ｄ）のステップにおいて、
    前記（ｃ）のステップで特定した前記灌漑設備の故障に起因する現象の画像と、前記（ｃ）のステップで推定した前記対象領域の土中の水分量とに基づいて、前記対象領域における前記灌漑設備の故障箇所を特定する、
    請求項１３に記載の圃場管理方法。
15. コンピュータに、
    （ａ）圃場における灌漑設備の故障に起因する現象の画像と、前記灌漑設備の正常な稼働に起因する現象の画像とを用いて前記灌漑設備の故障に起因する現象の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
    （ｂ）前記圃場を上空から撮像可能な人工衛星、航空機又はドローンから、前記圃場の対象領域の上空画像を取得する、ステップと、
    （ｃ）前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記上空画像を適用して、前記（ｂ）のステップで取得した前記上空画像における、
    前記灌漑設備の故障に起因する現象の画像を特定する、ステップと、
    （ｄ）前記（ｃ）のステップで特定した前記灌漑設備の故障に起因する現象の画像に基づいて、前記対象領域における前記灌漑設備の故障箇所を特定する、ステップと、
    を実行し、
    前記灌漑設備の故障に起因する現象の画像は、前記灌漑設備のパイプの裂傷と、前記灌漑設備の故障により生じる水たまりと、前記圃場における畝の崩れと、前記圃場における農作物の成長の変化と、のいずれかを示す画像であり、
    前記灌漑設備の正常な稼働に起因する現象の画像は、前記灌漑設備の故障に起因する現象を含まない画像である、
    プログラム。
16. 前記（ａ）のステップにおいて、サポートベクトルマシンを用いて、前記灌漑設備の故障に起因する現象の画像の特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
    請求項１５に記載のプログラム。
17. 前記（ａ）のステップにおいて、ディープラーニングによって、前記灌漑設備の故障に起因する現象の画像と、前記灌漑設備の正常な稼働に起因する現象の画像とを識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
    請求項１５に記載のプログラム。
18. 前記灌漑設備の故障に起因する現象の画像、前記灌漑設備の正常な稼働に起因する現象の画像、及び前記上空画像が、可視画像である、
    請求項１５～１７のいずれかに記載のプログラム。
19. 前記灌漑設備の故障に起因する現象の画像、前記灌漑設備の正常な稼働に起因する現象の画像、及び前記上空画像が、レーダ画像である、
    請求項１５～１７のいずれかに記載のプログラム。
20. 前記プログラムが、前記コンピュータに、
    （ｅ）前記灌漑設備の故障に起因する現象のレーダ画像と、前記灌漑設備の正常な稼働に起因する現象のレーダ画像とを用いて前記灌漑設備の故障に起因する現象のレーダ画像の特徴量を学習することによって、第２の学習モデルを生成する、ステップを実行させる、命令を更に含み、
    前記（ｂ）のステップにおいて、対象領域の上空からの可視画像と、前記対象領域の上空からのレーダ画像とを取得し、
    前記（ｃ）のステップにおいて、
    前記（ａ）のステップで生成した前記学習モデルに、前記（ｂ）のステップで取得した前記対象領域の上空からの可視画像を適用して、前記（ｂ）のステップで取得した前記対象領域の上空からの可視画像における、前記灌漑設備の故障に起因する現象の可視画像を特定し、
    更に、前記（ｅ）のステップで生成した前記第２の学習モデルに、前記（ｂ）のステップで取得した前記対象領域の上空からのレーダ画像を適用して、前記（ｂ）のステップで取得した前記対象領域の上空からのレーダ画像における、前記灌漑設備の故障に起因する現象のレーダ画像を特定し、
    前記（ｄ）のステップにおいて、
    前記（ｃ）のステップで特定した前記灌漑設備の故障に起因する現象の可視画像と、前記灌漑設備の故障に起因する現象のレーダ画像とに基づいて、前記対象領域における前記灌漑設備の故障箇所を特定する、
    請求項１８に記載のプログラム。
21. 前記プログラムが、前記コンピュータに、
    （ｆ）前記対象領域の土中の水分量を推定する、ステップを実行させる、命令を更に含み、
    前記（ｄ）のステップにおいて、
    前記（ｃ）のステップで特定した前記灌漑設備の故障に起因する現象の画像と、前記（ｃ）のステップで推定した前記対象領域の土中の水分量とに基づいて、前記対象領域における前記灌漑設備の故障箇所を特定する、
    請求項２０に記載のプログラム。

Images