JP7113555B1 - 果樹栽培支援装置、推論装置、機械学習装置、果樹栽培支援方法、推論方法、及び、機械学習方法 - Google Patents

Abstract

【課題】毎年の収穫量の平準化を簡便に図ることを可能とする果樹栽培支援装置を提供する。【解決手段】果樹栽培支援装置は、支援対象の果樹の開花時期における当該果樹の状態を含む果樹状態情報を取得する取得部６００と、学習対象の果樹の開花時期における当該果樹の状態を含む果樹状態情報と、当該果樹に対して次年の開花時期までに行う作業内容を含む作業情報との相関関係を学習させた学習モデル１１０～１１２に対して、取得部６００により取得された支援対象の果樹に対する果樹状態情報を入力することで、当該果樹に対する作業情報を生成する生成処理部６０１と、を備える。【選択図】 図１２

Description

本発明は、果樹栽培支援装置、推論装置、機械学習装置、果樹栽培支援方法、推論方法、及び、機械学習方法に関する。

従来、果樹園における果樹の栽培では、摘果、剪定、施肥等の作業内容を決定する際、作業者の経験やノウハウに依存する部分が大きかったが、近年、各種のデータに基づいて果樹の栽培を管理するためのシステムの開発や導入や進められている。例えば、特許文献１には、果樹園に設置されたカメラで評価対象の果樹を撮影スケジュールに従って撮影した画像から葉面積の積算値を求め、その葉面積の積算値と、過去の生育状態のデータから決定された生育曲線とに基づいて、その果樹に対する摘果作業のアドバイスを行う栽培支援システムが開示されている。

特開２０１９－１８７２５９号公報

果樹の栽培では、１年毎に豊作と不作を繰り返す隔年結果と呼ばれる現象が発生するため、毎年の果樹の収穫量は不安定になりやすい。隔年結果の抑制という観点でみると、特許文献１に開示された栽培支援システムは、単年毎の収穫をそれぞれ最適化するものであり、その年の摘果作業のアドバイスにおいて、次年以降の収穫については考慮されていない。また、特許文献１に開示された栽培支援システムでは、評価対象の果樹を毎日のように撮影する必要があるため、栽培支援システムを導入し、正常に動作させるために必要な条件が厳しいものであった。

本発明は、上述した課題に鑑みてなされたものであって、毎年の収穫量の平準化を簡便に図ることを可能とする果樹栽培支援装置、推論装置、機械学習装置、果樹栽培支援方法、推論方法、及び、機械学習方法を提供することを目的とする。

上記目的を達成するために、本発明の一態様に係る果樹栽培支援装置は、
支援対象の果樹の開花時期における当該果樹の状態を含む果樹状態情報を取得する取得
部と、
学習対象の果樹の開花時期における当該果樹の状態を含む果樹状態情報と、当該果樹に
対して次年の前記開花時期までに行う作業内容を含む作業情報との相関関係を学習させた
学習モデルに対して、前記取得部により取得された前記支援対象の果樹に対する前記果樹
状態情報を入力することで、当該果樹に対する前記作業情報を生成する生成処理部と、を
備え、
前記果樹状態情報は、前記状態として、
前記開花時期における前記果樹が撮影された画像情報、
前記開花時期における前記果樹の花と芽の割合を示す割合情報を含む、及び、
前記開花時期における前記果樹内の内生植物ホルモンの含有量を示す含有量情報のうち少なくとも１つを含み、
前記作業情報は、前記作業内容として、
あら摘果作業における摘果量、及び、
前記あら摘果作業よりも後であって仕上げ摘果作業よりも前に行われる中間摘果作業における摘果量のうち少なくとも１つを含む。

本発明の一態様に係る果樹栽培支援装置によれば、開花時期における支援対象の果樹の状態から、当該果樹に対して次年の開花時期までに行う作業内容を含む作業情報が生成される。これは、開花時期における果樹の状態を毎年安定させるように、果樹に対する作業内容を決めることが隔年結果の抑制に有効であるという新たな知見に基づくものである。
そして、この新たな知見を学習モデルとして導入し、開花時期における果樹の状態という基準に基づいて、次年の開花時期までの作業内容が決められるので、毎年の収穫量の平準化を簡便に図ることができる。

上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにされる。

第１の実施形態に係る果樹栽培支援システム１の一例を示す全体構成である。 果樹Ｔに対して行われる作業と、その作業時期を示す図である。 コンピュータ９００の一例を示すハードウエア構成図である。 果樹データベース４０の一例を示すデータ構成図である。 果樹データベース４０に基づく特定の果樹Ｔに対する情報の一例を示す説明図である。 第１の実施形態に係る機械学習装置５の一例を示すブロック図である。 果樹状態情報が画像情報である場合の第１の学習モデル１１０及び第１の学習用データ１２０の一例を示す図である。 果樹状態情報が割合情報である場合の第２の学習モデル１１１及び第２の学習用データ１２１の一例を示す図である。 果樹状態情報が含有量情報である場合の第３の学習モデル１１２及び第３の学習用データ１２２の一例を示す図である。 機械学習装置５による機械学習方法の一例を示すフローチャートである。 第１の実施形態に係る果樹栽培支援装置６の一例を示すブロック図である。 第１の実施形態に係る果樹栽培支援装置６の一例を示す機能説明図である。 果樹栽培支援装置６による果樹栽培支援方法の一例を示すフローチャートである。 第２の実施形態に係る機械学習装置５ａの一例を示すブロック図である。 第４の学習モデル１１３及び第４の学習用データ１２３の一例を示す図である。 第５の学習モデル１１４及び第５の学習用データ１２４の一例を示す図である。 第６の学習モデル１１５及び第６の学習用データ１２５の一例を示す図である。 第２の実施形態に係る果樹栽培支援装置６ａとして機能する果樹栽培支援装置６ａの一例を示すブロック図である。 第２の実施形態に係る果樹栽培支援装置６ａの一例を示す機能説明図である。 第３の実施形態に係る機械学習装置５ｂの一例を示すブロック図である。 状態解析用の第７の学習モデル１１６及び第７の学習用データ１２６の一例を示す図である。 状態解析用の第８の学習モデル１１７及び第８の学習用データ１２７の一例を示す図である。 第３の実施形態に係る果樹栽培支援装置６ｂとして機能する果樹栽培支援装置６ｂの一例を示すブロック図である。 第３の実施形態に係る果樹栽培支援装置６ｂの一例を示す機能説明図である。

以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

（第１の実施形態）
図１は、第１の実施形態に係る果樹栽培支援システム１の一例を示す全体構成図である。図２は、果樹Ｔに対して行われる作業と、その作業時期を示す図である。果樹栽培支援システム１は、多数の果樹Ｔを栽培する果樹園にて作業する作業者を支援するために用いられるシステムである。

果樹栽培支援システム１は、その主要な構成要素として、作業者端末装置２と、果樹状態取得装置３と、データベース装置４と、機械学習装置５と、果樹栽培支援装置６とを備える。各装置２～６は、例えば、汎用又は専用のコンピュータ（後述の図３参照）で構成されるとともに、有線又は無線のネットワーク７に接続されて、各種のデータを相互に送受信可能に構成される。なお、各装置２～６の数やネットワーク７の接続構成は、図１の例に限られず、適宜変更してもよい。

果樹Ｔは、例えば、ミカン科、バラ科、カキノキ科等の果樹であり、果樹Ｔの品種は特に限定されない。なお、果樹園では、複数品種の果樹Ｔが栽培されていてもよい。本実施形態では、果樹Ｔとして、ミカン科に属するミカン属の一種を例にして説明する。

果樹Ｔに対する作業として、果樹Ｔの開花時期（５月頃）を起点にして次年の開花時期までに行われる作業を順に並べると、図２に示すように、夏肥の施肥作業（５月頃）、あら摘果作業（６～７月頃）、中間摘果作業（７～８月頃）、仕上げ摘果作業（８～９月頃）、秋肥の施肥作業（９月頃）、剪定作業（２～４月頃）、春肥の施肥作業（２～３月頃）等が挙げられる。なお、上記の各作業の時期は、目安の時期であり、前後にずれてもよい。また、上記の各作業は、その順序が入れ替えられてもよいし、その一部が省略されてもよいし、他の作業が追加で行われてもよい。

果樹栽培支援システム１では、果樹Ｔの状態を果樹Ｔ毎に管理し、果樹Ｔに対する各作業の作業内容は、開花時期における果樹Ｔの状態を含む果樹状態情報を主な基準にして果樹Ｔ毎に決定される。なお、各作業のうち一部の作業の作業内容は、開花時期における果樹Ｔの状態だけでなく、その作業の作業時期における果樹Ｔの状態を補助的な基準にして決定されてもよく、例えば、剪定作業では、開花時期の状態だけでなく、剪定作業の作業時期の状態も基準にして決定されてもよい。また、各作業のうち一部の作業の作業内容は、開花時期における果樹Ｔの状態ではなく、その作業の作業時期における果樹Ｔの状態を主な基準にして決定されてもよく、例えば、仕上げ摘果作業では、開花時期の状態ではなく、仕上げ摘果作業の作業時期の状態を基準にして決定されてもよい。

果樹状態情報は、開花時期における果樹が撮影された画像情報、開花時期における果樹の花と芽の割合を示す割合情報、及び、開花時期における果樹内の内生植物ホルモンの含有量を示す含有量情報の少なくとも１つを含む。

作業者端末装置２は、果樹園の作業者（各種作業を行う農作業者や果樹園の管理者等）により使用される端末装置である。作業者端末装置２は、据置型の装置又は携帯型の装置で構成され、例えば、スマートフォン、タブレット端末、ＡＲ（又はＭＲ）機能付きスマートグラス等の携帯型の装置で構成される場合には、作業者端末装置２は、果樹状態情報としての画像情報を取得可能なカメラ２０を備える。

作業者端末装置２は、アプリケーションプログラム、ウェブブラウザ等の表示画面を介して各種の入力操作を受け付けるとともに、表示画面を介して各種の情報（例えば、果樹状態情報、作業情報等）を表示する。作業者端末装置２は、例えば、果樹状態情報としての割合情報の入力操作や、果樹Ｔに対する作業内容の入力操作を受け付けたり、果樹Ｔに対して行われた過去の作業内容をデータベース装置４から受信して表示したり、果樹Ｔに対して行われる予定の作業内容を果樹栽培支援装置６から受信して表示したりする。

果樹状態取得装置３は、果樹状態情報を取得し、その取得した果樹状態情報をネットワーク７又は記録媒体等を介してデータベース装置４、果樹栽培支援装置６等に提供する。果樹状態情報が画像情報である場合には、果樹状態取得装置３は、例えば、固定型又は携帯型のカメラ３０、カメラが搭載されたドローン３１等で構成される。なお、作業者端末装置２が、上記のように、カメラ２０を備える場合には、作業者端末装置２が果樹状態取得装置３を兼ねてもよい。また、果樹状態情報が含有量情報である場合には、果樹状態取得装置３は、例えば、成分分析計３２等で構成される。

データベース装置４は、果樹園にて栽培されている各果樹Ｔに関する各種の情報を登録可能な果樹データベース４０を備える。データベース装置４は、作業者端末装置２や果樹状態取得装置３から果樹状態情報や作業内容を随時受信し、果樹データベース４０に登録することで、果樹データベース４０には、各果樹Ｔに関する各種の情報が、日付情報とともに蓄積される。

機械学習装置５は、機械学習の学習フェーズの主体として動作し、例えば、データベース装置４から果樹データベース４０の一部を学習用データ１２として取得し、果樹栽培支援装置６にて用いられる学習モデル１１を機械学習により生成する。学習済みの学習モデル１１は、ネットワーク７や記録媒体等を介して果樹栽培支援装置６に提供される。本実施形態では、機械学習の手法として、教師あり学習を採用する場合について説明する。

果樹栽培支援装置６は、機械学習の推論フェーズの主体として動作し、機械学習装置５により生成された学習済みの学習モデル１１を用いて、支援対象の果樹Ｔに対する作業情報を生成し、その作業情報を作業者端末装置２、データベース装置４等に提供する。

（コンピュータ９００）
図３は、コンピュータ９００の一例を示すハードウエア構成図である。果樹栽培支援システム１の各装置２～６は、汎用又は専用のコンピュータ９００により構成される。

コンピュータ９００は、図３に示すように、その主要な構成要素として、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信Ｉ／Ｆ（インターフェース）部９２２、外部機器Ｉ／Ｆ部９２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部９２６、及び、メディア入出力部９２８を備える。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。

プロセッサ９１２は、１つ又は複数の演算処理装置（ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＤＳＰ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等）で構成され、コンピュータ９００全体を統括する制御部として動作する。メモリ９１４は、各種のデータ及びプログラム９３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ）、フラッシュメモリ等とで構成される。

入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス９１７は、例えば、音（音声）出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶する。

通信Ｉ／Ｆ部９２２は、インターネットやイントラネット等のネットワーク９４０（図１のネットワーク７と同じであってもよい）に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器Ｉ／Ｆ部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続され、所定の通信規格に従って外部機器９５０との間でデータの送受信を行う通信部として機能する。Ｉ／ＯデバイスＩ／Ｆ部９２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス９６０に接続され、Ｉ／Ｏデバイス９６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部９２８は、例えば、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）ドライブ、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）ドライブ等のドライブ装置で構成され、ＤＶＤ、ＣＤ等のメディア（非一時的な記憶媒体）９７０に対してデータの読み書きを行う。

上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式でメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信Ｉ／Ｆ部９２２を介してネットワーク９４０経由でダウンロードすることによりコンピュータ９００に提供されてもよい。また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することで実現する各種の機能を、例えば、ＦＰＧＡ（ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）等のハードウエアで実現するものでもよい。

コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ９００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ９００は、他の装置に適用されてもよい。

（果樹データベース４０）
図４は、果樹データベース４０の一例を示すデータ構成図である。果樹データベース４０は、各果樹Ｔにそれぞれ付与された果樹識別情報（果樹ＩＤ）に基づいて、各果樹Ｔの状態や作業内容を管理するためのデータベースである。果樹データベース４０は、例えば、基本情報テーブル４００と、状態記録テーブル４０１と、作業記録テーブル４０２と、収穫記録テーブル４０３とから構成される。

基本情報テーブル４００は、果樹Ｔの基本情報を記録するための複数のレコードを有し
、各レコードには、果樹ＩＤ、品種、植樹日、及び、植樹位置が登録される。植樹位置は、果樹園内に植えられた果樹Ｔの位置を示すものであり、例えば、果樹園の敷地を表す地図上に対して果樹Ｔの位置表示を可能とする情報である。

状態記録テーブル４０１は、果樹状態情報を記録するための複数のレコードを有し、各レコードには、果樹ＩＤ、取得日、果樹状態種別、及び、果樹状態情報が登録される。果樹状態情報には、画像情報、割合情報、及び、含有量情報のいずれかが登録され、果樹状態種別には、その登録された果樹状態情報の種別が登録される。

作業記録テーブル４０２は、果樹Ｔに対する作業内容を記録するための複数のレコードを有し、各レコードには、果樹ＩＤ、作業項目、予定作業時期、予定作業内容、実施作業日、実施作業内容、及び、実施作業者が登録される。予定作業時期及び予定作業内容は、今後作業が行われる作業予定に関する情報であり、実施作業日、実施作業内容及び実施作業者は、実際に作業が行われた作業実績に関する情報である。実施作業内容及び予定作業内容には、各作業の作業量が登録されるが、標準的な作業量を中間値として、所定の範囲（例えば、０～１）に正規化した値で登録される。

収穫記録テーブル４０３は、果樹Ｔの収穫実績を記録するための複数のレコードを有し、各レコードには、果樹ＩＤ、収穫日、及び、収穫量が登録される。なお、収穫量は、果実の大きさ、色、形毎に記録されてもよい。

図５は、果樹データベース４０に基づく特定の果樹Ｔに対する情報の一例を示す説明図である。果樹データベース４０では、図４に示す各テーブルの情報が果樹ＩＤにより関連付けられることで、各果樹Ｔにおける過去から現在までの状態、作業実績、今後の作業予定、収穫実績が一元管理される。

図５には、２０２１年の開花時期における果樹ＩＤ（「Ｔ０１０３」）で特定される果樹Ｔの情報が例示されている。２０１８年～２０２０年の各作業内容は、作業実績である。植樹日以降の２０１７年までの作業内容や、実際には果樹データベース４０に登録されているが、図５では省略している。また、２０２１年の各作業内容は、作業予定であり、果樹栽培支援装置６により２０２１年の開花時期における画像情報Ｄ３（「Ｔ０１０３―Ｐ２１」）に基づいて生成された作業情報Ｄ４が登録されたものである。なお、果樹データベース４０に登録された情報は、作業者端末装置２の表示画面に表示され、編集、検索、統計、印刷等の処理が可能である。

（機械学習装置５）
図６は、第１の実施形態に係る機械学習装置５の一例を示すブロック図である。機械学習装置５は、制御部５０、通信部５１、学習用データ記憶部５２、及び、学習済みモデル記憶部５３を備える。

制御部５０は、学習用データ取得部５００及び機械学習部５０１として機能する。通信部５１は、ネットワーク７を介して外部装置（例えば、装置２～４、６等）と接続され、各種のデータを送受信する通信インターフェースとして機能する。

学習用データ取得部５００は、通信部５１及びネットワーク７を介して外部装置と接続され、学習対象の果樹Ｔの開花時期における当該果樹Ｔの状態を含む果樹状態情報と、当該果樹Ｔに対して次年の開花時期までに行う作業内容を含む作業情報とで構成される学習用データ１２を取得する。本実施形態では、学習用データ取得部５００は、果樹データベース４０に登録された過去の果樹状態情報及び作業内容に基づいて、学習用データ１２を取得する場合を中心に説明する。なお、学習用データ取得部５００は、管理者や熟練の農
作業者が、果樹状態情報やその果樹状態情報に対する作業内容を入力する操作を、作業者端末装置２を介して受け付けることで、学習用データ１２を取得するようにしてもよい。

学習用データ記憶部５２は、学習用データ取得部５００で取得した学習用データ１２を複数組記憶するデータベースである。学習用データ１２は、上記のように、入力データとしての果樹状態情報と、出力データとしての作業情報とで構成される。学習用データ１２は、教師あり学習における教師データ（トレーニングデータ）、検証データ及びテストデータとして用いられるデータである。また、作業情報は、教師あり学習における正解ラベルとして用いられるデータである。なお、学習用データ記憶部５２を構成するデータベースの具体的な構成は適宜設計すればよい。

機械学習部５０１は、学習用データ記憶部５２に記憶された複数組の学習用データ１２を用いて機械学習を実施する。すなわち、機械学習部５０１は、学習モデル１１に学習用データ１２を複数組入力し、学習用データ１２に含まれる果樹状態情報と作業情報との相関関係を学習モデル１１に学習させることで、学習済みの学習モデル１１を生成する。

学習済みモデル記憶部５３は、機械学習部５０１により生成された学習済みの学習モデル１１（具体的には、調整済みの重みパラメータ群）を記憶するデータベースである。学習済みモデル記憶部５３に記憶された学習済みの学習モデル１１は、ネットワーク７や記録媒体等を介して実システム（例えば、果樹栽培支援装置６）に提供される。なお、図５では、学習用データ記憶部５２と、学習済みモデル記憶部５３とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。

本実施形態では、学習用データ１２が、果樹状態情報として、学習対象の果樹Ｔの開花時期における画像情報、割合情報、及び、含有量情報をそれぞれ含む第１乃至第３の学習用データ１２０～１２２で構成される場合であって、機械学習部５０１が、第１乃至第３の学習用データ１２０～１２２から第１乃至第３の学習モデル１１０～１１２をそれぞれ生成する場合について説明する。

図７は、果樹状態情報が画像情報である場合の第１の学習モデル１１０及び第１の学習用データ１２０の一例を示す図である。第１の学習モデル１１０の機械学習に用いられる第１の学習用データ１２０は、学習対象の果樹Ｔの開花時期における画像情報と、当該果樹Ｔに対して次年の開花時期までに行う作業内容を含む作業情報とで構成される。

画像情報は、作業者端末装置２（カメラ２０）、又は、果樹状態取得装置３（カメラ３０、ドローン３１）により開花時期の果樹Ｔが撮影されたものである。画像情報は、果樹Ｔが特定の方角から撮影された画像でもよいし、例えば、果樹状態取得装置３がドローン３１で構成される場合には、果樹Ｔが真上から撮影された画像でもよい。画像情報は、複数の画像でもよく、例えば、複数の方角から撮影された複数の画像でもよいし、果樹Ｔの全体が撮像された画像と、果樹Ｔの一部が撮像された画像とを組み合わせたものでもよい。画像情報は、モノクロ画像及びカラー画像のいずれでもよいし、二次元画像及び三次元画像のいずれでもよい。

作業情報は、果樹Ｔの画像情報が撮影された開花時期を起点として、次年の開花時期までに行われた作業内容として、例えば、夏肥の施肥作業における肥料量、あら摘果作業における摘果量、中間摘果作業における摘果量、秋肥の施肥作業における肥料量、剪定作業における剪定量及び作業時期、並びに、春肥の施肥作業における肥料量のうち少なくとも１つを含む。

学習用データ取得部５００は、果樹データベース４０を参照したり、作業者端末装置２
による管理者の入力操作を受け付けたりすることで、第１の学習用データ１２０を取得する。例えば、学習用データ取得部５００は、例えば、開花時期における花と芽の割合の変化量が次年に対して特定の範囲内にある場合等を学習用データ検索条件として、果樹データベース４０を検索する。このとき、果樹Ｔは、１年周期で開花時期が到来するため、１つの果樹Ｔに対して１年毎に学習用データ検索条件に該当する年であるか否かが判定される。

そして、学習用データ取得部５００は、学習用データ検索条件に該当する果樹Ｔと対象の年を特定すると（管理者により指定されたものでもよい）、その果樹Ｔがその対象の年の開花時期に撮影された画像情報と、その果樹Ｔに対して次年の開花時期までに行われた作業内容（管理者により作業内容の一部又は全部が指定されたものでもよい）とを果樹データベース４０から取得することで、第１の学習用データ１２０を取得する。例えば、図５の破線で囲まれた範囲の情報Ｄ１、Ｄ２が、第１の学習用データ１２０にそれぞれ相当する。図７は、図５に示す情報Ｄ１を、第１の学習用データ１２０として例示したものである。

第１の学習モデル１１０は、例えば、畳み込みニューラルネットワーク（ＣＮＮ）の構造を採用したものであり、入力層１１００、中間層１１０１、及び、出力層１１０２を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス（不図示）が張られており、各シナプスには、重みがそれぞれ対応付けられている。各シナプスの重みからなる重みパラメータ群が、機械学習により調整される。

入力層１１００は、入力データとしての画像情報の画素数に対応する数のニューロンを有し、各ピクセルの画素値が各ニューロンにそれぞれ入力される。中間層１１０１は、例えば、畳み込み層、プーリング層及び全結合層から構成される。出力層１１０２は、出力データとしての作業情報が含む作業内容に対応する数のニューロンを有し、各作業内容の判定結果（推論結果）が、出力データとしてそれぞれ出力される。

第１の学習モデル１１０を、図７に示すように、回帰モデルで構成する場合には、摘果量、剪定量、及び、肥料量は、標準的な作業量を中間値に対応させた所定の範囲（例えば、０～１）を有する数値でそれぞれ表され、剪定作業における剪定時期は、１年の期間に対応させた所定の範囲（例えば、０～１）を有する数値で表される。そのため、出力層１１０２の各ニューロンは、各作業内容に対応付けられて、上記のような数値をそれぞれ出力する。また、第１の学習モデル１１０を分類モデルで構成する場合には、作業内容としての摘果量、剪定量、及び、肥料量は、作業量を段階的に区切ったときの各段階に対応させた多クラスでそれぞれ表され、剪定時期は、１年を所定の期間（例えば、１カ月）で区切ったときの各期間にそれぞれ対応させた多クラスで表される。そのため、出力層１１０２の各ニューロンは、作業内容を表す上記の各クラスにそれぞれ対応付けられて、そのクラスにそれぞれ分類されるときのスコア（信頼度）を、所定の範囲（例えば、０～１）の値で出力する。

図８は、果樹状態情報が割合情報である場合の第２の学習モデル１１１及び第２の学習用データ１２１の一例を示す図である。第２の学習モデル１１１の機械学習に用いられる第２の学習用データ１２１は、学習対象の果樹Ｔの開花時期における割合情報と、当該果樹Ｔに対して次年の開花時期までに行う作業内容を含む作業情報とで構成される。作業情報は、第１の学習用データ１２０と同様であるため、説明を省略する。

割合情報は、例えば、作業者が開花時期に果樹Ｔを目視し、その花と芽の割合を判定した結果が、作業者端末装置２を介して入力されたものである。割合情報は、作業者の判定結果として入力された値が、所定の範囲（例えば、０～１）に正規化されて、その値が大
きくなるほど花の割合が高いものとして定義される。

学習用データ取得部５００は、果樹データベース４０を参照したり、作業者端末装置２による管理者の入力操作を受け付けたりすることで、第２の学習用データ１２１を取得する。例えば、学習用データ取得部５００は、学習用データ検索条件に該当する果樹Ｔと対象の年を特定し（管理者により指定されたものでもよい）、その対象の年の開花時期におけるその果樹Ｔの割合情報と、その果樹Ｔに対して次年の開花時期までに行われた作業内容（管理者により作業内容の一部又は全部が指定されたものでもよい）とを果樹データベース４０から取得することで、第２の学習用データ１２１を取得する。

第２の学習モデル１１１は、例えば、ニューラルネットワークの構造を採用したものであり、入力層１１１０、中間層１１１１、及び、出力層１１１２を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス（不図示）が張られており、各シナプスの重みからなる重みパラメータ群が、機械学習により調整される。

入力層１１１０は、入力データとしての割合情報に対応するニューロンを有し、割合情報が示す値が、そのニューロンに入力される。中間層１１１１は、例えば、複数の層から構成される。出力層１１１２は、出力データとしての作業情報が含む作業内容に対応する数のニューロンを有し、各作業内容の判定結果（推論結果）が、出力データとしてそれぞれ出力される。

図９は、果樹状態情報が含有量情報である場合の第３の学習モデル１１２及び第３の学習用データ１２２の一例を示す図である。第３の学習モデル１１２の機械学習に用いられる第３の学習用データ１２２は、学習対象の果樹Ｔの開花時期における含有量情報と、当該果樹Ｔに対して次年の開花時期までに行う作業内容を含む作業情報とで構成される。作業情報は、第１の学習用データ１２０と同様であるため、説明を省略する。

含有量情報は、果樹状態取得装置３としての成分分析計３２により開花時期の果樹Ｔ内に存在する内生植物ホルモンが計測されたものである。内生植物ホルモンは、例えば、ジベレリン、サイトカイニン、オーキシン等であり、含有量情報は、これらのうち少なくとも１つの内生植物ホルモンの含有量を表すものである。上記のような内生植物ホルモンの含有量は、果樹Ｔの生育状況に影響を与えるものであり、例えば、開花時期における花と芽の割合に影響を与えるものである。なお、含有量情報は、成分分析計３２による含有量の計測値でそのまま表されてもよいし、その計測値が、所定の範囲（例えば、０～１）に正規化されたものでもよい。

学習用データ取得部５００は、果樹データベース４０を参照したり、作業者端末装置２による管理者の入力操作を受け付けたりすることで、第３の学習用データ１２２を取得する。例えば、学習用データ取得部５００は、学習用データ検索条件に該当する果樹Ｔと対象の年を特定し（管理者により指定されたものでもよい）、その対象の年の開花時期におけるその果樹Ｔの含有量情報と、その果樹Ｔに対して次年の開花時期までに行われた作業内容（管理者により作業内容の一部又は全部が指定されたものでもよい）とを果樹データベース４０から取得することで、第３の学習用データ１２２を取得する。

第３の学習モデル１１２は、例えば、ニューラルネットワークの構造を採用したものであり、入力層１１２０、中間層１１２１、及び、出力層１１２２を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス（不図示）が張られており、各シナプスの重みからなる重みパラメータ群が、機械学習により調整される。

入力層１１２０は、入力データとしての含有量情報に対応する数（本実施形態では、ジ
ベレリン及びサイトカイニンの含有量に対応する２つ）のニューロンを有し、例えば、含有量が正規化された値が、各ニューロンにそれぞれ入力される。中間層１１２１は、例えば、複数の層から構成される。出力層１１２２は、出力データとしての作業情報が含む作業内容に対応する数のニューロンを有し、各作業内容の判定結果（推論結果）が、出力データとしてそれぞれ出力される。

なお、学習用データ１２は、上記のように、学習用データ検索条件に従って抽出されたり、管理者により指定されたりすることで取得されるが、その学習用データ１２としては、開花時期の果樹Ｔの状態から、管理者や熟練の農作業者の長年の経験に基づいて隔年結果を抑制できるような作業内容を含む作業情報（所謂、成功データ）を用いることができるその作業情報は、例えば、隔年結果を抑制するための長年の経験（発明者により得られた知見）として、隔年結果が発生しているような果樹Ｔ、すなわち、開花時期の状態が花ばかりの年と芽ばかりの年とを繰り返すような果樹Ｔの状態を、安定状態（例えば、花と芽の割合が５：５）に単年又は複数年に亘って移行させるような作業内容を含むものである。具体的には、あら摘果作業における摘果量は、安定状態の果樹Ｔにおいて生理落下後に着果する果実の数が目標数になるように、開花時期の果樹Ｔに状態に応じて調整されるものであり、例えば、花の割合が芽の割合よりも高い果樹Ｔでは、その割合が高い程、摘果量は多くなるように調整され、花の割合が芽の割合よりも低い果樹Ｔでは、「０」（未摘果）のように調整されてもよい。その他の作業内容についても同様に調整される。

（機械学習方法）
図１０は、機械学習装置５による機械学習方法の一例を示すフローチャートである。以下では、複数組の学習用データ１２を用いて学習モデル１１を生成するものとして説明するが、第１乃至第３の学習用データ１２０～１２２の各々を用いて第１乃至第３の学習モデル１１０～１１２をそれぞれ作成する場合に適用される。

まず、ステップＳ１００において、学習用データ取得部５００は、機械学習を開始するための事前準備として、果樹データベース４０等から所望の数の学習用データ１２を取得し、その取得した学習用データ１２を学習用データ記憶部５２に記憶する。ここで準備する学習用データ１２の数については、最終的に得られる学習モデル１１に求められる推論精度を考慮して設定すればよい。

次に、ステップＳ１１０において、機械学習部５０１は、機械学習を開始すべく、学習前の学習モデル１１を準備する。ここで準備する学習前の学習モデル１１は、図７乃至図９に例示したニューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されている。

次に、ステップＳ１２０において、機械学習部５０１は、学習用データ記憶部５２に記憶された複数組の学習用データ１２から、例えば、ランダムに１組の学習用データ１２を取得する。

次に、ステップＳ１３０において、機械学習部５０１は、１組の学習用データ１２に含まれる果樹状態情報としての画像情報（入力データ）を、準備された学習前（又は学習中）の学習モデル１１の入力層に入力する。その結果、学習モデル１１の出力層から推論結果として作業情報（出力データ）が出力されるが、当該出力データは、学習前（又は学習中）の学習モデル１１によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用データ１２に含まれる作業情報（正解ラベル）とは異なる情報を示す。

次に、ステップＳ１４０において、機械学習部５０１は、ステップＳ１２０において取
得された１組の学習用データ１２に含まれる作業情報（正解ラベル）と、ステップＳ１３０において出力層から推論結果として出力された作業情報（出力データ）とを比較し、各シナプスの重みを調整する処理（バックプロバケーション）を実施することで、機械学習を実施する。これにより、機械学習部５０１は、果樹状態情報と作業情報との相関関係を学習モデル１１に学習させる。

次に、ステップＳ１５０において、機械学習部５０１は、所定の学習終了条件が満たされたか否かを、例えば、学習用データに含まれる作業情報（正解ラベル）と、推論結果として出力された作業情報（出力データ）とに基づく誤差関数の評価値や、学習用データ記憶部５２内に記憶された未学習の学習用データの残数に基づいて判定する。

ステップＳ１５０において、機械学習部５０１が、学習終了条件が満たされておらず、機械学習を継続すると判定した場合（ステップＳ１５０でＮｏ）、ステップＳ１２０に戻り、学習中の学習モデル１１に対してステップＳ１２０～Ｓ１４０の工程を未学習の学習用データ１２を用いて複数回実施する。一方、ステップＳ１５０において、機械学習部５０１が、学習終了条件が満たされて、機械学習を終了すると判定した場合（ステップＳ１５０でＹｅｓ）、ステップＳ１６０に進む。

そして、ステップＳ１６０において、機械学習部５０１は、各シナプスに対応付けられた重みを調整することで生成された学習済みの学習モデル１１（調整済みの重みパラメータ群）を学習済みモデル記憶部５３に記憶し、図１０に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１００が学習用データ記憶工程、ステップＳ１１０～Ｓ１５０が機械学習工程、ステップＳ１６０が学習済みモデル記憶工程に相当する。

以上のように、本実施形態に係る機械学習装置５及び機械学習方法によれば、開花時期における支援対象の果樹Ｔの状態を含む果樹状態情報から、当該果樹Ｔに対して次年の開花時期までに行う作業内容を含む作業情報を生成（推論）することが可能な学習モデル１１（第１乃至第３の学習モデル１１０～１１２）を提供することができる。

（果樹栽培支援装置６）
図１１は、第１の実施形態に係る果樹栽培支援装置６の一例を示すブロック図である。図１２は、第１の実施形態に係る果樹栽培支援装置６の一例を示す機能説明図である。果樹栽培支援装置６は、制御部６０、通信部６１、及び、学習済みモデル記憶部６２を備える。

制御部６０は、取得部６００、生成処理部６０１及び出力処理部６０２として機能する。通信部６１は、ネットワーク７を介して外部装置（例えば、装置２～６等）と接続され、各種のデータを送受信する通信インターフェースとして機能する。

取得部６００は、通信部６１及びネットワーク７を介して外部装置と接続され、支援対象の果樹Ｔの開花時期における当該果樹Ｔの状態を含む果樹状態情報を取得する。例えば、取得部６００が、支援対象の果樹Ｔの状態を表す情報として、画像情報を取得する場合には、作業者端末装置２（カメラ２０）又は果樹状態取得装置３（カメラ３０、ドローン３１）により支援対象の果樹Ｔが撮影された画像情報を作業者端末装置２又は果樹状態取得装置３から受信したり、果樹データベース４０に登録されている支援対象の果樹Ｔの画像情報を参照したりする。取得部６００が、支援対象の果樹Ｔの状態を表す情報として、割合情報を取得する場合には、作業者により作業者端末装置２に対して入力された支援対象の果樹Ｔの割合情報を作業者端末装置２から受信したり、果樹データベース４０に登録されている支援対象の果樹Ｔの割合情報を参照したりする。取得部６００が、支援対象の果樹Ｔの状態を表す情報として、含有量情報を取得する場合には、果樹状態取得装置３と
しての成分分析計３２により計測された支援対象の果樹Ｔの含有量情報を果樹状態取得装置３から受信したり、成分分析計３２の計測結果が作業者により作業者端末装置２に対して入力された支援対象の果樹Ｔの含有量情報を作業者端末装置２から受信したり、果樹データベース４０に登録されている支援対象の果樹Ｔの含有量情報を参照したりする。

生成処理部６０１は、取得部６００により取得された支援対象の果樹Ｔに対する果樹状態情報を、学習モデル１１に入力することで、当該果樹Ｔに対する作業情報を生成する。具体的には、生成処理部６０１は、果樹状態情報の種別に応じて、第１乃至第３の学習モデル１１０～１１２のいずれかに入力する。

学習済みモデル記憶部６２は、生成処理部６０１にて用いられる学習済みの学習モデル１１（具体的には、第１乃至第３の学習モデル１１０～１１２）を記憶するデータベースである。なお、学習済みモデル記憶部６２に記憶される学習モデル１１は、果樹状態情報の種別に応じて生成されたものに限られず、例えば、機械学習の手法、果樹状態情報に含まれるデータの種類、作業情報に含まれる作業内容の種類等のように、条件が異なる複数の学習済みモデルが記憶され、選択的に利用可能としてもよい。また、学習済みモデル記憶部６２は、外部コンピュータ（例えば、サーバ型コンピュータやクラウド型コンピュータ）の記憶部で代用されてもよく、その場合には、生成処理部６０１は、当該外部コンピュータにアクセスすることで、上記の作業情報を生成してもよい。

出力処理部６０２は、生成処理部６０１により生成された作業情報を出力するための出力処理を行う。例えば、出力処理部６０２は、その作業情報を作業者端末装置２に送信することで、その作業情報に基づく表示画面が作業者端末装置２に表示されてもよいし、その作業情報をデータベース装置４に送信することで、その作業情報が果樹データベース４０に登録されてもよい。

（果樹栽培支援方法）
図１３は、果樹栽培支援装置６による果樹栽培支援方法の一例を示すフローチャートである。以下では、作業者が、作業者端末装置２のカメラ２０で支援対象の果樹Ｔを撮影したときの果樹栽培支援装置６の動作を例にして説明する。

まず、ステップＳ２００において、作業者が、作業者端末装置２のカメラ２０で支援対象の果樹Ｔを撮影するとともに、その支援対象の果樹Ｔを特定する果樹ＩＤ（例えば、図５に示す「Ｔ０１０３」）を入力する操作を行うと、作業者端末装置２は、その支援対象の果樹Ｔを撮影した画像情報を生成し、画像情報及び果樹ＩＤを果樹栽培支援装置６に送信する。なお、その画像情報及び果樹ＩＤは、データベース装置４にも送信されて、果樹データベース４０に登録される。すなわち、果樹ＩＤ「Ｔ０１０３」に関連付けて、図５の破線で囲まれた画像情報Ｄ３（「Ｔ０１０３―Ｐ２１」）が登録される。

次に、ステップＳ２１０において、果樹栽培支援装置６の取得部６００は、図１２に示すように、ステップＳ２００にて送信された画像情報（「Ｔ０１０３―Ｐ２１」）及び果樹ＩＤ（「Ｔ０１０３」）を受信することで、支援対象の果樹Ｔに対する果樹状態情報を取得する。

次に、ステップＳ２２０において、生成処理部６０１は、ステップＳ２１０にて取得された支援対象の果樹Ｔに対する果樹状態情報を学習モデル１１に入力することで、当該果樹Ｔに対する作業情報を生成する。具体的には、生成処理部６０１は、図１２に示すように、支援対象の果樹Ｔに対する画像情報（「Ｔ０１０３―Ｐ２１」）を第１の学習モデル１１０に入力することで、当該果樹Ｔに対する作業情報を生成する。

次に、ステップＳ２３０において、出力処理部６０２は、ステップＳ２２０にて生成された作業情報を出力するための出力処理として、その作業情報を作業者端末装置２に送信する。また、出力処理部６０２は、その作業情報を、ステップＳ２１０にて取得された果樹ＩＤとともにデータベース装置４に送信することで、その作業情報は、果樹データベース４０に登録される。ここでの作業情報は、開花時期において果樹状態情報が取得されたタイミングで生成されるため、今後の作業予定として、例えば、作業記録テーブル４０２の予定作業時期、予定作業内容等に登録される。すなわち、果樹ＩＤ「Ｔ０１０３」に関連付けて、図５に破線で囲まれた作業情報Ｄ４が登録される。

次に、ステップＳ２４０において、作業者端末装置２は、ステップＳ２３０にて送信された作業情報を受信すると、その作業情報に基づいて、その支援対象の果樹Ｔに対する今後の作業予定を示す表示画面を表示し、図１３に示す一連の果樹栽培支援方法が終了する。果樹栽培支援方法において、ステップＳ２１０が取得工程、ステップＳ２２０が生成処理工程、ステップＳ２３０が出力処理工程に相当する。

なお、上記では、図１３に示す一連の処理が、開花時期において実行されるものとして説明したが、ステップＳ２１０以降の処理は、実際に作業を行う直前に実行されるようにしてもよい。例えば、あら摘果作業の作業時期において、作業者が、あら摘果作業を行うタイミングで、果樹栽培支援装置６が、作業者端末装置２からの要求を受け付けて、ステップＳ２１０以降の処理を実行して、あら摘果作業における摘果量を含む作業情報を生成するようにしてもよい。

また、ステップＳ２２０において、生成処理部６０１は、果樹状態情報が割合情報である場合には、その果樹状態情報を第２の学習モデル１１１に入力すればよいし、果樹状態情報が含有量情報である場合には、その果樹状態情報を第３の学習モデル１１２に入力すればよい。

さらに、果樹状態取得装置３としてのドローン３１が、果樹園の上空を巡回しながら支援対象の果樹Ｔを順次撮影した画像情報を果樹栽培支援装置６に送信する場合には、果樹栽培支援装置６は、その画像情報を受信する毎に、ステップＳ２１０以降の処理を繰り返し実行するようにすればよい。その場合には、画像情報に撮影位置が付加されることで、その撮影位置から果樹ＩＤを特定すればよい。

以上のように、本実施形態に係る果樹栽培支援装置６及び果樹栽培支援方法によれば、開花時期における支援対象の果樹Ｔの状態を含む果樹状態情報が学習モデル１１に入力されることで、当該果樹Ｔに対して次年の開花時期までに行う作業内容を含む作業情報が生成される。これは、開花時期における果樹Ｔの状態を毎年安定させるように、果樹Ｔに対する作業内容を決めることが隔年結果の抑制に有効であるという新たな知見に基づくものである。そして、この新たな知見を学習モデル１１として導入し、開花時期における果樹Ｔの状態という基準に基づいて、次年の開花時期までの作業内容が決められるので、毎年の収穫量の平準化を簡便に図ることができる。

（第２の実施形態）
第２の実施形態は、果樹状態情報が、開花時期における果樹Ｔの状態だけでなく、剪定時期における果樹Ｔが撮影された画像情報をさらに含むものであり、作業情報は、作業内容として、剪定作業における剪定箇所を含むものである。以下では、第２の実施形態に係る機械学習装置５ａ及び果樹栽培支援装置６ａについて、第１の実施形態と異なる部分を中心に説明する。

図１４は、第２の実施形態に係る機械学習装置５ａの一例を示すブロック図である。図
１５は、第４の学習モデル１１３及び第４の学習用データ１２３の一例を示す図である。図１６は、第５の学習モデル１１４及び第５の学習用データ１２４の一例を示す図である。図１７は、第６の学習モデル１１５及び第６の学習用データ１２５の一例を示す図である。第４乃至第６の学習用データ１２３～１２５の各々は、第４乃至第６の学習モデル１１３～１１５の機械学習にそれぞれ用いられる。

第４乃至第６の学習用データ１２３～１２５を構成する果樹状態情報は、学習対象の果樹Ｔの開花時期における当該果樹Ｔの状態として、画像情報（図１５）、割合情報（図１６）及び含有量情報（図１７）のいずれかと、剪定時期における当該果樹Ｔが撮像された画像情報とを含む。剪定時期の画像情報は、作業者端末装置２（カメラ２０）又は果樹状態取得装置３（カメラ３０、ドローン３１）により剪定時期の果樹Ｔが撮影されたものである。なお、剪定時期の画像情報は、開花時期の画像情報と同様にして撮影されたものでもよいし、異なる撮影条件（例えば、枝の分岐や枝の方向を含むような撮影位置）にて撮影されたものでもよい。

第４乃至第６の学習用データ１２３～１２５を構成する作業情報は、学習対象の果樹Ｔに対する作業内容として、剪定作業における剪定箇所を少なくとも含む。剪定箇所は、剪定する枝の位置を指定するものでもよいし、剪定する範囲を指定するものでもよい。

学習用データ取得部５００は、果樹データベース４０を参照したり、作業者端末装置２による管理者の入力操作を受け付けたりすることで、第４乃至第６の学習用データ１２３～１２５を取得する。例えば、学習用データ取得部５００は、学習用データ検索条件に該当する果樹Ｔと対象の年を特定し（管理者により指定されたものでもよい）、その対象の年の開花時期におけるその果樹Ｔの状態（画像情報、割合情報及び含有量情報のいずれか）及びその果樹Ｔの剪定時期における画像情報と、その果樹Ｔに対する剪定作業における剪定箇所を少なくとも含む作業情報（管理者により作業内容の一部又は全部が指定されたものでもよい）とを果樹データベース４０から取得することで、第４乃至第６の学習用データ１２３～１２５を取得する。

機械学習部５０１は、学習モデル１１ａ（第４乃至第６の学習モデル１１３～１１５）に学習用データ１２ａ（第４乃至第６の学習用データ１２３～１２５）を複数組入力し、学習用データ１２ａに含まれる果樹状態情報と作業情報との相関関係を学習モデル１１ａに学習させることで、学習済みの学習モデル１１ａを生成する。

図１８は、第２の実施形態に係る果樹栽培支援装置６ａとして機能する果樹栽培支援装置６ａの一例を示すブロック図である。図１９は、第２の実施形態に係る果樹栽培支援装置６ａの一例を示す機能説明図である。

取得部６００は、支援対象の果樹Ｔの開花時期における当該果樹Ｔの状態と、剪定時期における当該果樹Ｔが撮像された画像情報とを含む果樹状態情報を取得する。例えば、取得部６００は、開花時期における支援対象の果樹Ｔの状態を表す情報（画像情報、割合情報及び含有量情報のいずれか）を果樹データベース４０から取得するとともに、剪定時期において作業者端末装置２（カメラ２０）又は果樹状態取得装置３（カメラ３０、ドローン３１）により支援対象の果樹Ｔが撮影された画像情報を作業者端末装置２又は果樹状態取得装置３から取得する。なお、剪定時期の画像情報が、果樹データベース４０に登録済みの場合には、取得部６００は、果樹データベース４０から剪定時期の画像情報を取得してもよい。

生成処理部６０１は、取得部６００により取得された支援対象の果樹Ｔに対する果樹状態情報を、学習モデル１１ａ（具体的には、第４乃至第６の学習モデル１１３～１１５の
いずれか）に入力することで、当該果樹Ｔに対する作業情報を生成する。作業情報は、作業内容として、剪定作業における剪定箇所を少なくとも含む。

以上のように、本実施形態に係る果樹栽培支援装置６ａ及び果樹栽培支援方法によれば、開花時期における支援対象の果樹Ｔの状態及び剪定時期における画像情報を含む果樹状態情報が学習モデル１１ａに入力されることで、当該果樹Ｔに対する剪定作業における剪定箇所を少なくとも含む作業情報が生成される。したがって、作業者は、作業情報に含まれる剪定箇所を参考にしながら剪定作業を行うことができる。

（第３の実施形態）
第３の実施形態は、学習モデルが、状態解析用の学習モデルと、作業支援用の学習モデルとで構成されるものである。以下では、第３の実施形態に係る機械学習装置５ｂ及び果樹栽培支援装置６ｂについて、第１の実施形態と異なる部分を中心に説明する。

図２０は、第３の実施形態に係る機械学習装置５ｂの一例を示すブロック図である。図２１は、状態解析用の第７の学習モデル１１６及び第７の学習用データ１２６の一例を示す図である。図２２は、状態解析用の第８の学習モデル１１７及び第８の学習用データ１２７の一例を示す図である。

第１の例に係る学習モデル１１ｂは、状態解析用の第７の学習モデル１１６（図２１）と、作業支援用の第２の学習モデル１１１（図８）とで構成される。状態解析用の第７の学習モデル１１６の機械学習に用いられる第７の学習用データ１２６は、図２１に示すように、学習対象の果樹Ｔの開花時期における当該果樹Ｔが撮影された画像情報と、開花時期における当該果樹Ｔの花と芽の割合を示す割合情報とで構成される。作業支援用の第２の学習モデル１１１及び第２の学習用データ１２１は、第１の実施形態（図８参照）と同様に構成されるため、説明を省略する。

第２の例に係る学習モデル１１ｃは、状態解析用の第８の学習モデル１１７（図２２）と、作業支援用の第３の学習モデル１１２（図９）とで構成される。状態解析用の第８の学習モデル１１７の機械学習に用いられる第８の学習用データ１２７は、図２２に示すように、学習対象の果樹Ｔの開花時期における当該果樹Ｔが撮影された画像情報と、開花時期における当該果樹内の内生植物ホルモンの含有量を示す含有量情報とで構成される。作業支援用の第３の学習モデル１１２及び第３の学習用データ１２２は、第１の実施形態（図９参照）と同様に構成されるため、説明を省略する。

学習用データ取得部５００は、果樹データベース４０を参照したり、作業者端末装置２による管理者の入力操作を受け付けたりすることで、第７及び第８の学習用データ１２６、１２７を取得する。

機械学習部５０１は、状態解析用の第７の学習モデル１１６に第７の学習用データ１２６をそれぞれ複数組入力し、第７の学習用データ１２６に含まれる画像情報と割合情報との相関関係を状態解析用の第７の学習モデル１１６に学習させることで、学習済みの状態解析用の第７の学習モデル１１６を生成する。また、機械学習部５０１は、状態解析用の第８の学習モデル１１７に第８の学習用データ１２７をそれぞれ複数組入力し、第８の学習用データ１２７に含まれる画像情報と含有量情報との相関関係を状態解析用の第８の学習モデル１１７に学習させることで、学習済みの状態解析用の第８の学習モデル１１７を生成する。

図２３は、第３の実施形態に係る果樹栽培支援装置６ｂとして機能する果樹栽培支援装置６ｂの一例を示すブロック図である。図２４は、第３の実施形態に係る果樹栽培支援装
置６ｂの一例を示す機能説明図である。

取得部６００は、支援対象の果樹Ｔの開花時期における当該果樹Ｔの状態を表す情報として、開花時期における画像情報を取得する。例えば、取得部６００は、作業者端末装置２（カメラ２０）又は果樹状態取得装置３（カメラ３０、ドローン３１）により支援対象の果樹Ｔが撮影された画像情報を作業者端末装置２又は果樹状態取得装置３から受信したり、果樹データベース４０に登録されている支援対象の果樹Ｔの画像情報を参照したりすることで、開花時期における画像情報を取得する。

生成処理部６０１は、第１の例に係る学習モデル１１ｂを用いる場合には、状態解析用の第７の学習モデル１１６に対して、取得部６００により取得された支援対象の果樹Ｔに対する画像情報を入力することで、当該果樹Ｔに対する割合情報を生成し、作業支援用の第２の学習モデル１１１に対して、その生成した割合情報を入力することで、当該果樹Ｔに対する作業情報を生成する。

生成処理部６０１は、第２の例に係る学習モデル１１ｃを用いる場合には、状態解析用の第８の学習モデル１１７に対して、取得部６００により取得された支援対象の果樹Ｔに対する画像情報を入力することで、当該果樹Ｔに対する含有量情報を生成し、作業支援用の第３の学習モデル１１２に対して、その生成した含有量情報を入力することで、当該果樹Ｔに対する作業情報を生成する。

以上のように、本実施形態に係る果樹栽培支援装置６ｂ及び果樹栽培支援方法によれば、開花時期における支援対象の果樹Ｔの状態を含む果樹状態情報が学習モデル１１ｂ、１１ｃに入力されることで、当該果樹Ｔに対して次年の開花時期までに行う作業内容を含む作業情報が生成される。これは、開花時期における果樹Ｔの状態を毎年安定させるように、果樹Ｔに対する作業内容を決めることが隔年結果の抑制に有効であるという新たな知見に基づくものである。そして、この新たな知見を学習モデル１１ｂ、１１ｃとして導入し、開花時期における果樹Ｔの状態という基準に基づいて、次年の開花時期までの作業内容が決められるので、毎年の収穫量の平準化を簡便に図ることができる。

（他の実施形態）
本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。

上記実施形態では、データベース装置４、機械学習装置５及び果樹栽培支援装置６は、別々の装置で構成されたものとして説明したが、それら３つの装置が、単一の装置で構成されていてもよいし、それら３つの装置のうち任意の２つの装置が、単一の装置で構成されていてもよい。また、機械学習装置５及び果樹栽培支援装置６の少なくとも一方は、作業者端末装置２に組み込まれていてもよい。

上記実施形態では、機械学習装置５、５ａ、５ｂの機械学習部５０１が、第１乃至第８の学習モデル１１０～１１７を生成するものとして説明したが、機械学習部５０１は、第１乃至第８の学習モデル１１０～１１７のいずれかを生成するものであればよく、その場合には、第１乃至第８の学習用データ１２０～１２７のうち機械学習に必要な学習用データが、学習用データ取得部５００により取得されて、学習用データ記憶部５２に記憶されていればよい。また、上記実施形態では、果樹栽培支援装置６、６ａ、６ｂの生成処理部６０１が、第１乃至第８の学習モデル１１０～１１７を用いて作業情報を生成するものとして説明したが、生成処理部６０１は、第１乃至第８の学習モデル１１０～１１７のいずれかを用いるものであればよく、その場合には、作業情報を生成するのに必要な果樹状態
情報が、取得部６００により取得されていればよい。

上記実施形態では、機械学習部５０１による機械学習を実現する学習モデルとして、ニューラルネットワークを採用した場合について説明したが、他の機械学習のモデルを採用してもよい。他の機械学習のモデルとしては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニューラルネットワーク、畳み込みニューラルネットワーク、ＬＳＴＭ等のニューラルネット型(ディープラーニングを含
む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラス
タリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。

上記実施形態では、果樹栽培支援システム１は、単一の果樹園に使用された場合を中心に説明したが、機械学習装置５、５ａ、５ｂ及び果樹栽培支援装置６、６ａ、６ｂは、複数の果樹園にて使用されてもよいし、機械学習装置５、５ａ、５ｂ及び果樹栽培支援装置６、６ａ、６ｂは、異なる果樹園にて使用されてもよい。

（推論装置、推論方法又は推論プログラム）
本発明は、上記実施形態に係る果樹栽培支援装置６（果樹栽培支援方法又は果樹栽培支援プログラム）の態様によるもののみならず、支援対象の果樹の栽培を支援するために用いられる推論装置（推論方法又は推論プログラム）の態様で提供することもできる。その場合、推論装置（推論方法又は推論プログラム）としては、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、支援対象の果樹の開花時期における当該果樹の状態を示す果樹状態情報を取得する取得処理（取得工程）と、取得処理にて支援対象の果樹に対する果樹状態情報を取得すると、当該果樹に対して次年の前記開花時期までに行う作業内容を示す作業情報を推論する推論処理（推論工程）とを含む。また、当該一連の処理とは、支援対象の果樹の開花時期における当該果樹が撮影された画像情報を取得する取得処理（取得工程）と、取得処理にて支援対象の果樹に対する画像情報を取得すると、開花時期における当該果樹の花と芽の割合を示す割合情報、又は、当該果樹内の内生植物ホルモンの含有量を示す含有量情報を推論する推論処理（推論工程）とを含むものでもよい。

推論装置（推論方法又は推論プログラム）の態様で提供することで、果樹栽培支援装置６を実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置（推論方法又は推論プログラム）が作業情報を推論する際、上記実施形態に係る機械学習装置５及び機械学習方法により生成された学習済みの学習モデルを用いて、生成処理部が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。

１…果樹栽培支援システム、２…作業者端末装置、３…果樹状態取得装置、
４…データベース装置、５、５ａ、５ｂ…機械学習装置、
６、６ａ、６ｂ…果樹栽培支援装置、７…ネットワーク、
１１、１１ａ～１１ｃ…学習モデル、１２、１２ａ～１２ｃ…学習用データ、
２０…カメラ、３０…カメラ、３１…ドローン、３２…成分分析計、
４０…果樹データベース、
５０…制御部、５１…通信部、５２…学習用データ記憶部、
５３…学習済みモデル記憶部、
６０…制御部、６１…通信部、６２…学習済みモデル記憶部
４００…基本情報テーブル、４０１…状態記録テーブル、
４０２…作業記録テーブル、４０３…収穫記録テーブル、
５００…学習用データ取得部、５０１…機械学習部、
６００…取得部、６０１…生成処理部、６０２…出力処理部、
９００…コンピュータ

Claims (9)

1. 支援対象の果樹の開花時期における当該果樹の状態を含む果樹状態情報を取得する取得部と、
   学習対象の果樹の開花時期における当該果樹の状態を含む果樹状態情報と、当該果樹に対して次年の前記開花時期までに行う作業内容を含む作業情報との相関関係を学習させた学習モデルに対して、前記取得部により取得された前記支援対象の果樹に対する前記果樹状態情報を入力することで、当該果樹に対する前記作業情報を生成する生成処理部と、を備え、
   前記果樹状態情報は、前記状態として、
   前記開花時期における前記果樹が撮影された画像情報、
   前記開花時期における前記果樹の花と芽の割合を示す割合情報を含む、及び、
   前記開花時期における前記果樹内の内生植物ホルモンの含有量を示す含有量情報のうち少なくとも１つを含み、
   前記作業情報は、前記作業内容として、
   あら摘果作業における摘果量、及び、
   前記あら摘果作業よりも後であって仕上げ摘果作業よりも前に行われる中間摘果作業における摘果量のうち少なくとも１つを含む、
   果樹栽培支援装置。
2. 前記作業情報は、前記作業内容として、
   剪定作業における剪定量及び剪定時期を含む、
   請求項１に記載の果樹栽培支援装置。
3. 前記果樹状態情報は、
   前記支援対象の果樹の剪定時期における当該果樹が撮影された画像情報をさらに含み、
   前記作業情報は、前記作業内容として、
   剪定作業における剪定箇所を含む、
   請求項１又は請求項２に記載の果樹栽培支援装置。
4. 前記作業情報は、前記作業内容として、
   夏肥の施肥作業における肥料量、
   秋肥の施肥作業における肥料量、及び、
   春肥の施肥作業における肥料量のうち少なくとも１つを含む、
   請求項１乃至３のいずれか一項に記載の果樹栽培支援装置。
5. 支援対象の果樹の栽培を支援するために用いられる推論装置であって、
   前記推論装置は、メモリと、プロセッサとを備え、
   前記プロセッサは、
   支援対象の果樹の開花時期における当該果樹の状態を示す果樹状態情報を取得する取得処理と、
   前記取得処理にて前記支援対象の果樹に対する前記果樹状態情報を取得すると、当該果樹に対して次年の前記開花時期までに行う作業内容を示す作業情報を推論する推論処理と、を実行し、
   前記果樹状態情報は、前記状態として、
   前記開花時期における前記果樹が撮影された画像情報、
   前記開花時期における前記果樹の花と芽の割合を示す割合情報を含む、及び、
   前記開花時期における前記果樹内の内生植物ホルモンの含有量を示す含有量情報のうち少なくとも１つを含み、
   前記作業情報は、前記作業内容として、
   あら摘果作業における摘果量、及び、
   前記あら摘果作業よりも後であって仕上げ摘果作業よりも前に行われる中間摘果作業における摘果量のうち少なくとも１つを含む、
   推論装置。
6. 学習対象の果樹の開花時期における当該果樹の状態を含む果樹状態情報と、当該果樹に対して次年の前記開花時期までに行う作業内容を含む作業情報とで構成される学習用データを複数組記憶する学習用データ記憶部と、
   複数組の前記学習用データを学習モデルに入力することで、前記果樹状態情報と前記作業情報との相関関係を前記学習モデルに学習させる機械学習部と、
   前記機械学習部により前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備え、
   前記果樹状態情報は、前記状態として、
   前記開花時期における前記果樹が撮影された画像情報、
   前記開花時期における前記果樹の花と芽の割合を示す割合情報を含む、及び、
   前記開花時期における前記果樹内の内生植物ホルモンの含有量を示す含有量情報のうち少なくとも１つを含み、
   前記作業情報は、前記作業内容として、
   あら摘果作業における摘果量、及び、
   前記あら摘果作業よりも後であって仕上げ摘果作業よりも前に行われる中間摘果作業における摘果量のうち少なくとも１つを含む、
   機械学習装置。
7. 支援対象の果樹の開花時期における当該果樹の状態を含む果樹状態情報を取得する取得工程と、
   学習対象の果樹の開花時期における当該果樹の状態を含む果樹状態情報と、当該果樹に対して次年の前記開花時期までに行う作業内容を含む作業情報との相関関係を学習させた学習モデルに対して、前記取得工程により取得された前記支援対象の果樹に対する前記果樹状態情報を入力することで、当該果樹に対する前記作業情報を生成する生成処理工程と、を備え、
   前記果樹状態情報は、前記状態として、
   前記開花時期における前記果樹が撮影された画像情報、
   前記開花時期における前記果樹の花と芽の割合を示す割合情報を含む、及び、
   前記開花時期における前記果樹内の内生植物ホルモンの含有量を示す含有量情報のうち少なくとも１つを含み、
   前記作業情報は、前記作業内容として、
   あら摘果作業における摘果量、及び、
   前記あら摘果作業よりも後であって仕上げ摘果作業よりも前に行われる中間摘果作業における摘果量のうち少なくとも１つを含む、
   果樹栽培支援方法。
8. メモリと、プロセッサとを含む推論装置において、支援対象の果樹の栽培を支援するために用いられる推論方法であって、
   前記プロセッサは、
   前記支援対象の果樹の開花時期における当該果樹の状態を示す果樹状態情報を取得する取得工程と、
   前記取得工程にて前記支援対象の果樹に対する前記果樹状態情報を取得すると、当該果樹に対して次年の前記開花時期までに行う作業内容を示す作業情報を推論する推論工程と、を実行し、
   前記果樹状態情報は、前記状態として、
   前記開花時期における前記果樹が撮影された画像情報、
   前記開花時期における前記果樹の花と芽の割合を示す割合情報を含む、及び、
   前記開花時期における前記果樹内の内生植物ホルモンの含有量を示す含有量情報のうち少なくとも１つを含み、
   前記作業情報は、前記作業内容として、
   あら摘果作業における摘果量、及び、
   前記あら摘果作業よりも後であって仕上げ摘果作業よりも前に行われる中間摘果作業における摘果量のうち少なくとも１つを含む、
   推論方法。
9. 学習対象の果樹の開花時期における当該果樹の状態を含む果樹状態情報と、当該果樹に対して次年の前記開花時期までに行う作業内容を含む作業情報とで構成される学習用データを学習用データ記憶部に複数組記憶する学習用データ記憶工程と、
   複数組の前記学習用データを学習モデルに入力することで、前記果樹状態情報と前記作業情報との相関関係を前記学習モデルに学習させる機械学習工程と、
   前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備え、
   前記果樹状態情報は、前記状態として、
   前記開花時期における前記果樹が撮影された画像情報、
   前記開花時期における前記果樹の花と芽の割合を示す割合情報を含む、及び、
   前記開花時期における前記果樹内の内生植物ホルモンの含有量を示す含有量情報のうち少なくとも１つを含み、
   前記作業情報は、前記作業内容として、
   あら摘果作業における摘果量、及び、
   前記あら摘果作業よりも後であって仕上げ摘果作業よりも前に行われる中間摘果作業における摘果量のうち少なくとも１つを含む、
   機械学習方法。

Images