JP7243496B2 - 情報処理装置 - Google Patents
情報処理装置 Download PDFInfo
- Publication number
- JP7243496B2 JP7243496B2 JP2019127655A JP2019127655A JP7243496B2 JP 7243496 B2 JP7243496 B2 JP 7243496B2 JP 2019127655 A JP2019127655 A JP 2019127655A JP 2019127655 A JP2019127655 A JP 2019127655A JP 7243496 B2 JP7243496 B2 JP 7243496B2
- Authority
- JP
- Japan
- Prior art keywords
- index value
- image
- cultivation area
- tree vigor
- information processing
- 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
- 230000010365 information processing Effects 0.000 title claims description 53
- 238000013528 artificial neural network Methods 0.000 claims description 59
- 238000010191 image analysis Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 32
- 230000012010 growth Effects 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 20
- 238000000034 method Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Description
本発明は、植物の成育状態に関する指標値をAI画像解析により算出する情報処理装置に関する。
植物の成育状態に関する指標値を、AI(Artificial Intelligence)画像解析によって算出することが行われている(例えば、特許文献1参照)。
植物の成育状態に関する指標値をAI画像解析で算出するためには、所定サイズの複数の画像を入力することで、CNN(Convolutional Neural Network)等のニューラルネットワークを教育する必要がある。ただし、植物の外観は、成長に伴い大きく変化するため、植物の成育状態に関する指標値を算出するためのニューラルネットワークの教育には、大量の画像が必要であった。
本発明は、上記現状を鑑みてなされたものであり、植物の成育状態に関する指標値をニューラルネットワークにより求める情報処理装置であって、比較的に少量の画像でニューラルネットワークの教育が完了する情報処理装置を提供することにある。
本発明の一観点に係る情報処理装置は、植物の栽培領域を撮影した栽培領域画像に対してニューラルネットワークによる解析を行うことで前記栽培領域における植物の成育状態の指標値である状態指標値を算出する第1~第N(≧2)画像解析部であって、それぞれ、所定の樹勢指標値が第1~第N樹勢指標値区分に分類される複数の栽培領域画像により教育されたニューラルネットワークを含む第1~第N画像解析部と、前記状態指標値を算出すべき栽培領域画像の入力を受け付けて、入力された栽培領域画像を、前記第1~第N画像解析部の中の、当該栽培領域画像と同じ樹勢指標値区分に分類される複数の栽培領域画像にて教育された画像解析部に解析させる選択部と、を備える。
すなわち、この情報処理装置は、栽培領域における植物の成育状態の指標値である状態を算出するためのニューラルネットワーク(画像解析部)を樹勢指標値区分別に備えている。植物の樹勢によらず状態指標値を正確に算出できるように、1つのニューラルネットワークを教育するのには、大量の画像が必要とされるが、樹勢指標値区分別にニューラルネットワークが設けられていれば、各ニューラルネットワークを、そのニューラルネットワークの教育に適さない画像を用いずに教育することが出来る。従って、上記構成を有する情報処理装置では、比較的に少量の画像で各画像解析ユニットのニューラルネットワークの教育が完了することになる。
情報処理装置に、『前記第iの画像解析部(iは、1からNまでの各整数値)に含まれるニューラルネットワークが、縦方向画素数Hi、横方向画素数Wiの画像を入力としたニューラルネットワーク#iであり、前記第iの画像解析部(iは、1からNまでの各整数値)は、解析すべき栽培領域画像から縦横比がHi:Wiの画像を複数個抽出して抽出
した各画像を画素数を調整した上でニューラルネットワーク#iに入力する』構成を採用しておいても良い。また、一般的な植物は丈が高くなっていくものであるので、情報処理装置に、さらに、『前記第k+1樹勢指標値区分(kは、1からN-1までの各整数値)が前記第k樹勢指標値区分よりも樹勢が良好な区分であり、1からN-1までの各整数値iについて、Hi+1/Wi+1>Hi/Wiが成立するように、ニューラルネットワーク#i~#Nの入力画像サイズが決定されている』構成を採用しておいても良い。
した各画像を画素数を調整した上でニューラルネットワーク#iに入力する』構成を採用しておいても良い。また、一般的な植物は丈が高くなっていくものであるので、情報処理装置に、さらに、『前記第k+1樹勢指標値区分(kは、1からN-1までの各整数値)が前記第k樹勢指標値区分よりも樹勢が良好な区分であり、1からN-1までの各整数値iについて、Hi+1/Wi+1>Hi/Wiが成立するように、ニューラルネットワーク#i~#Nの入力画像サイズが決定されている』構成を採用しておいても良い。
また、樹勢指標値は、前記栽培領域内の植物の丈の代表値(植物の丈の最頻値、平均値等)であっても良い。当該代表値は、栽培領域画像とは別に与えられる値であっても、栽培領域画像を解析して求めた値であっても良い。
本発明の他の一観点に係る情報処理装置(以下、第2情報処理装置とも表記する)は、植物の成育状態の指標値である状態指標値を算出する情報処理装置において、前記状態指標値を算出するためのニューラルネットワークであって、前記植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、第1~第N(≧2)樹勢指標値区分の中の、前記栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して入力することで教育されたニューラルネットワークと、前記状態指標値を算出すべき栽培領域画像から、当該栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して前記ニューラルネットワークに入力することで前記状態指標値を算出する算出手段と、を備える。
すなわち、植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、栽培領域画像内の植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して、FCN等のニューラルネットワークに入力すれば、教育に適さない画像を用いずにニューラルネットワークを教育することが出来る。従って、この第2情報処理装置でも、比較的に少量の画像で各画像解析ユニットのニューラルネットワークの教育が完了することになる。
第2情報処理装置に、『前記第k+1樹勢指標値区分(kは、1からN-1までの各整数値)が前記第k樹勢指標値区分よりも樹勢が良好な区分であり、第1~第N区分に応じたサイズが、第i区分に応じたサイズの縦方向画素数、横方向画素数を、それぞれ、Hi、Wiと表記すると、1からN-1までの各整数値iについて、Hi+1/Wi+1>Hi/Wiが成立するように、定められている』構成を採用しておいても良い。
本発明によれば、植物の成育状態に関する指標値をニューラルネットワークにより求める情報処理装置であって、比較的に少量の画像でニューラルネットワークの教育が完了する情報処理装置を提供することが出来る。
以下、図面を参照して、本発明の実施の形態について説明する。
《第1実施形態》
図1に、本発明の第1実施形態に係る情報処理装置10の構成及び使用形態を示す。
図1に、本発明の第1実施形態に係る情報処理装置10の構成及び使用形態を示す。
本実施形態に係る情報処理装置10は、各ユーザのユーザ端末30からインターネット50を介して送信されてくる植物の栽培領域の撮影結果に基づき、各ユーザの植物の栽培領域における植物の生育状態に関する指標値を算出する装置である。図示してあるように、情報処理装置10は、複数の画像解析部12と、解析制御部13と、栽培領域管理データベース14とを備えている。なお、情報処理装置10は、比較的に高機能なコンピュータ、例えば、高性能な1つ又は複数のGPU(Graphics Processing Unit)を備えたコンピュータ、を、複数の画像解析部12、解析制御部13及び栽培領域管理データベース14を備えた装置として機能するようにプログラミングした装置となっている。そのため、情報処理装置10の具体的なハードウェア構成の説明は省略する。また、以下では、情報処理装置10が備える複数の画像解析部12のことを、第1~第N画像解析部12(Nは、情報処理装置10が備える画像解析部12の総数)とも表記する。
栽培領域管理データベース14は、各ユーザの栽培領域に関する情報を管理しておくためのデータベースである。この栽培領域管理データベース14には、各ユーザの認証用情報(例えば、ユーザIDとパスワード)も設定されている。
第i(i=1~N)画像解析部12は、植物の栽培領域の撮影結果(以下、栽培領域画像)に対してニューラルネットワーク#iによる解析を行うことで当該栽培領域における植物の成育状態の指標値(以下、状態指標値)を算出するユニットである。
より具体的には、第i(i=1~N)画像解析部12は、図2に模式的に示してあるように、前処理部#i、ニューラルネットワーク(“NN”)#i、後処理部#i及び学習処理部#iを備えている。
ニューラルネットワーク#iは、縦方向画素数Hi、横方向画素数Wiの画像を入力とした、CNN(Convolutional Neural Network)等のニューラルネットワークである。ニューラルネットワーク#1~#Nの入力画像サイズは、1からN-1までの各整数値jについて、Hj+1/Wj+1>Hj/Wjが成立するように定められている。なお、ニューラルネットワーク#1~#Nを、1つ以上のGPUにより実現する場合には、ニューラルネットワーク#1~#Nの入力画像サイズ(総画素数)を、GPUの性能を十分に発揮させることが出来る特定のサイズとしておくことが好ましい。そのような入力画像サイズとしては、N=3である場合における、H1=256,W1=256、H2=128、W2=512、H3=64、W3=1028を例示できる。
前処理部#i(i=1~N)は、処理対象として解析制御部13(詳細は後述)から与えられた栽培領域画像から、縦横比がHi:Wiの画像を複数個抽出し、抽出した各画像を、縦方向画素数Hi、横方向画素数Wiの画像に変換した上で、ニューラルネットワーク#iに入力するユニットである。後処理部#iは、前処理部#iによる画像の入力毎にニューラルネットワーク#iから出力される指標値群の平均値を、処理対象領域についての状態指標値として栽培領域管理データベース14に記憶するユニットである。
学習処理部#i(i=1~N)は、樹勢指標値が第i樹勢指標値区分に分類される多数の栽培領域画像と各栽培領域画像から求められるべき状態指標値とを教育データとして用いて、ニューラルネットワーク#iを教育するユニットである。
ここで、樹勢指標値とは、栽培領域における植物の樹勢の程度(強弱)を示す値のことである。樹勢指標値としては、例えば、栽培領域における植物の代表的な丈(植物の丈の平均値や最頻値)が使用される。第1~第N樹勢指標値区分とは、区分番号(第i樹勢指標値区分におけるi値)が大きくなるにつれ、樹勢指標値が大きくなる(樹勢が強くなる)ように予め定められた樹勢指標値区分のことである。また、“ニューラルネットワーク#iを教育する”とは、“ニューラルネットワーク#iの各ノードの重み値及びバイアス値を所定の評価関数が最小となるように決定する”ということである。学習処理部#iは、前処理部#iと同様に、栽培領域画像から、縦横比がHi:Wiの画像を複数個抽出し、抽出した各画像を、縦方向画素数Hi、横方向画素数Wiの画像に変換した上で、ニューラルネットワーク#iに入力するように構成されている。
解析制御部13は、ユーザ認証を伴う処理により、ユーザ端末30から送信されてきた栽培領域画像を、状態指標値を算出すべき栽培領域(以下、処理対象領域と表記する)についての栽培領域画像(以下、処理対象画像と表記する)として受け付けるユニットである。
この解析制御部13は、処理対象画像の入力を受け付けた場合には、図3に示した手順の解析先選択処理を実行する。
すなわち、処理対象画像の入力を受け付けた解析制御部13は、まず、処理対象画像を解析することで、樹勢指標値(植物の丈の平均値や最頻値)を求める(ステップS101)。次いで、解析制御部13は、求めた樹勢指標値が、第1~第N樹勢指標値区分の中からいずれに分類されるものであるかを判別する(ステップS102)。そして、解析制御部13は、判別結果に応じた画像解析部12に処理対象画像を供給する(ステップS103)。すなわち、解析制御部13は、樹勢指標値が第k樹勢指標値区分に分類されるものであった場合には、第k画像解析部12に処理対象画像を供給することで、第k画像解析部12に処理対象画像についての状態指標値を算出させる。そして、ステップS103の処理を終えた解析制御部13は、この解析先選択処理を終了する。
以上の説明から明らかなように、本実施形態に係る情報処理装置10は、栽培領域についての状態指標値(栽培領域における植物の成育状態の指標値)を算出するためのニューラルネットワーク(画像解析部12)を樹勢指標値区分別に備えている。さらに、情報処理装置10は、状態指標値の算出対象領域の樹勢が強くなるほど、入力画像サイズが縦方向に長いニューラルネットワークが用いられる構成を有している。植物の樹勢によらず状態指標値を正確に算出できるように、1つのニューラルネットワークを教育するのには、大量の画像が必要とされるが、樹勢指標値区分別に、樹勢指標値区分によって入力画像サイズが上記のように変化するニューラルネットワークが設けられていれば、各ニューラルネットワークを、そのニューラルネットワークの教育に適さない画像を用いずに教育することが出来る。従って、本実施形態に係る情報処理装置10では、比較的に少量の画像で各画像解析部12のニューラルネットワークの教育が完了することになる。
《第2実施形態》
図4に、本発明の第2実施形態に係る情報処理装置20の構成及び使用形態を示す。なお、本実施形態に係る情報処理装置20も、情報処理装置10と同様に、各ユーザのユーザ端末30からインターネット50を介して送信されてくる植物の栽培領域の撮影結果に基づき、各ユーザの植物の栽培領域における植物の生育状態に関する指標値を算出する装置である。
図4に、本発明の第2実施形態に係る情報処理装置20の構成及び使用形態を示す。なお、本実施形態に係る情報処理装置20も、情報処理装置10と同様に、各ユーザのユーザ端末30からインターネット50を介して送信されてくる植物の栽培領域の撮影結果に基づき、各ユーザの植物の栽培領域における植物の生育状態に関する指標値を算出する装置である。
図示してあるように、情報処理装置20は、画像解析部22と、解析制御部23と、栽
培領域管理データベース24とを備える。
培領域管理データベース24とを備える。
栽培領域管理データベース24は、各ユーザの栽培領域に関する情報を管理しておくためのデータベースである。この栽培領域管理データベース24には、各ユーザの認証用情報(例えば、ユーザIDとパスワード)も設定されている。
画像解析部22は、植物の栽培領域の撮影結果(以下、栽培領域画像)を解析することで当該栽培領域における植物の成育状態の指標値(以下、状態指標値)を算出するユニットである。図示してあるように、画像解析部22は、前処理部22a、FCN(Fully Convolutional Network)22b、後処理部22c及び学習処理部22cを備えている。
FCN22bは、全てが畳み込み層(Convolutional layer)で構成された、各種サイ
ズの画像を入力できるニューラルネットワークである。なお、本実施形態に係る情報処理装置20は、このFCN22bは、複数のGPUにより実現したものとなっている。
ズの画像を入力できるニューラルネットワークである。なお、本実施形態に係る情報処理装置20は、このFCN22bは、複数のGPUにより実現したものとなっている。
前処理部22aは、解析制御部23又は学習処理部22cから区分番号i(1≦i≦N)と共に入力される栽培領域画像より縦横比がHi:Wiの画像を複数個抽出し、抽出した各画像を、縦方向画素数Hi、横方向画素数Wiの画像に変換した上で、FCN22bに入力するユニットである。
この前処理部22aに、或る栽培領域画像と共に入力される区分番号iは、当該栽培領域画像についての樹勢指標値が属する樹勢指標値区分が、第1~第N樹勢指標値区分のいずれであるかを示す値(第i樹勢指標値区分におけるi値)である。なお、樹勢指標値とは、栽培領域における植物の樹勢の程度(強弱)を示す値のことである。樹勢指標値としては、例えば、栽培領域における植物の代表的な丈(植物の丈の平均値や最頻値)が使用される。
第1~第N樹勢指標値区分は、区分番号が大きくなるにつれ、樹勢指標値が大きくなる(樹勢が強くなる)ように予め定められている。また、第1~第N樹勢指標値区分の栽培領域画像から抽出する画像のサイズは、第i(1≦i≦N)樹勢指標値区分の栽培領域画像から抽出する画像の縦方向画素数、横方向画素数を、それぞれ、Hi、Wiと表記すると、1からN-1までの各整数値jについて、Hj+1/Wj+1>Hj/Wjが成立するように定められている。また、Hi、Wi(i=1~N)は、i値に依らず、“Hi×Wi”が一定値となるようにも定められている。
後処理部22dは、前処理部22aが、解析制御部23から入力された或る栽培領域についての栽培領域画像を処理している間に、FCN22bから出力される指標値群の平均値を、当該栽培領域についての状態指標値として栽培領域管理データベース24に記憶するユニットである。
学習処理部22dは、多数の栽培領域画像と各栽培領域画像から求められるべき状態指標値とを教育データとして用いて、FCN22bを教育するユニットである。ここで、“FCN22bを教育する”とは、FCN22bの各ノードの重み値及びバイアス値を所定の評価関数が最小となるように決定する”ということである。また、学習処理部22は、後述する樹勢指標値区分判別処理(図5)と同様の手順で、各栽培領域画像が属する樹勢指標値区分の区分番号を判別し、判別結果を各栽培領域画像と共に前処理部22aに供給することで、FCN22bを教育するように構成されている。
解析制御部23は、ユーザ認証を伴う処理により、ユーザ端末30から送信されてきた栽培領域画像を、状態指標値を算出すべき栽培領域(以下、処理対象領域と表記する)に
ついての栽培領域画像(以下、処理対象画像と表記する)として受け付けるユニットである。
ついての栽培領域画像(以下、処理対象画像と表記する)として受け付けるユニットである。
この解析制御部23は、処理対象画像の入力を受け付けた場合には、図5に示した手順の樹勢指標値区分判別処理を実行する。
すなわち、処理対象画像の入力を受け付けた解析制御部23は、まず、処理対象画像を解析することで、樹勢指標値(植物の丈の平均値や最頻値)を求める(ステップS201)。次いで、解析制御部23は、求めた樹勢指標値が、第1~第N樹勢指標値区分の中からいずれに分類されるものであるかを判別する(ステップS202)。そして、解析制御部23は、判別結果(樹勢指標値区分番号)と処理対象画像とを画像解析部22(前処理部22a)に供給する(ステップS203)ことで、画像解析部22に処理対象画像についての状態指標値を算出させる。そして、ステップS203の処理を終えた解析制御部23は、この樹勢指標値区分判別処理を終了する。
本実施形態に係る情報処理装置20は、以上、説明した構成を有している。そして、植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、栽培領域画像内の植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出してFCN22bに入力すれば、教育に適さない画像を用いずにFCN22bを教育することが出来るのであるから、本実施形態に係る情報処理装置20でも、比較的に少量の画像で各画像解析ユニットのニューラルネットワーク(FCN22b)の教育が完了することになる。
《変形形態》
上記した情報処理装置10、20は、各種の変形を行えるものである。例えば、各ニューラルネットワークの教育に情報処理装置10よりも多くの画像が必要とされることにはなるが、第1実施形態に係る情報処理装置10を、各画像解析部12のニューラルネットワークの入力画像サイズが同一の装置に変形しても良い。
上記した情報処理装置10、20は、各種の変形を行えるものである。例えば、各ニューラルネットワークの教育に情報処理装置10よりも多くの画像が必要とされることにはなるが、第1実施形態に係る情報処理装置10を、各画像解析部12のニューラルネットワークの入力画像サイズが同一の装置に変形しても良い。
情報処理装置20を、1つ(1種類)の畳み込み層と複数の全結合層(Dense layer)
を含むニューラルネットワークにより状態指標値を算出する装置に変形しても良い。また、情報処理装置10、20は、樹勢指標値が栽培領域画像を解析することで求められる装置であったが、情報処理装置10を、栽培領域画像及び樹勢指標値がユーザ端末30から入力される装置に変形しても良い。
を含むニューラルネットワークにより状態指標値を算出する装置に変形しても良い。また、情報処理装置10、20は、樹勢指標値が栽培領域画像を解析することで求められる装置であったが、情報処理装置10を、栽培領域画像及び樹勢指標値がユーザ端末30から入力される装置に変形しても良い。
《付記》
植物の栽培領域を撮影した栽培領域画像に対してニューラルネットワークによる解析を行うことで前記栽培領域における植物の成育状態の指標値である状態指標値を算出する第1~第N(≧2)画像解析部(12)であって、それぞれ、所定の樹勢指標値が第1~第N樹勢指標値区分に分類される複数の栽培領域画像により教育されたニューラルネットワークを含む第1~第N画像解析部(12)と、
前記状態指標値を算出すべき栽培領域画像の入力を受け付けて、入力された栽培領域画像を、前記第1~第N画像解析部の中の、当該栽培領域画像と同じ樹勢指標値区分に分類される複数の栽培領域画像にて教育された画像解析部(12)に解析させる選択部(13)と、
を備えることを特徴とする情報処理装置(10)。
植物の栽培領域を撮影した栽培領域画像に対してニューラルネットワークによる解析を行うことで前記栽培領域における植物の成育状態の指標値である状態指標値を算出する第1~第N(≧2)画像解析部(12)であって、それぞれ、所定の樹勢指標値が第1~第N樹勢指標値区分に分類される複数の栽培領域画像により教育されたニューラルネットワークを含む第1~第N画像解析部(12)と、
前記状態指標値を算出すべき栽培領域画像の入力を受け付けて、入力された栽培領域画像を、前記第1~第N画像解析部の中の、当該栽培領域画像と同じ樹勢指標値区分に分類される複数の栽培領域画像にて教育された画像解析部(12)に解析させる選択部(13)と、
を備えることを特徴とする情報処理装置(10)。
植物の成育状態の指標値である状態指標値を算出する情報処理装置(20)において、
前記状態指標値を算出するためのニューラルネットワーク(22b)であって、前記植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、第1~第N(≧2)樹勢指標値区分の中の、前記栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じた
サイズの画像を抽出して入力することで教育されたニューラルネットワーク(22b)と、
前記状態指標値を算出すべき栽培領域画像から、当該栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して前記ニューラルネットワーク(22b)に入力することで前記状態指標値を算出する算出手段(22a,23)と、
を備えることを特徴とする情報処理装置(20)。
前記状態指標値を算出するためのニューラルネットワーク(22b)であって、前記植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、第1~第N(≧2)樹勢指標値区分の中の、前記栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じた
サイズの画像を抽出して入力することで教育されたニューラルネットワーク(22b)と、
前記状態指標値を算出すべき栽培領域画像から、当該栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して前記ニューラルネットワーク(22b)に入力することで前記状態指標値を算出する算出手段(22a,23)と、
を備えることを特徴とする情報処理装置(20)。
10、20 情報処理装置
12、22 画像解析部
13、23 解析制御部
14、24 栽培領域管理データベース
30 ユーザ端末
50 インターネット
12、22 画像解析部
13、23 解析制御部
14、24 栽培領域管理データベース
30 ユーザ端末
50 インターネット
Claims (7)
- 植物の栽培領域を撮影した栽培領域画像に対してニューラルネットワークによる解析を行うことで前記栽培領域における植物の成育状態の指標値である状態指標値を算出する第1~第N(≧2)画像解析部であって、それぞれ、所定の樹勢指標値が第1~第N樹勢指標値区分に分類される複数の栽培領域画像により教育されたニューラルネットワークを含む第1~第N画像解析部と、
前記状態指標値を算出すべき栽培領域画像の入力を受け付けて、入力された栽培領域画像を、前記第1~第N画像解析部の中の、当該栽培領域画像と同じ樹勢指標値区分に分類される複数の栽培領域画像にて教育された画像解析部に解析させる選択部と、
を備えることを特徴とする情報処理装置。 - 前記第i画像解析部(iは、1からNまでの各整数値)に含まれるニューラルネットワークが、縦方向画素数Hi、横方向画素数Wiの画像を入力としたニューラルネットワーク#iであり、
前記第i画像解析部(iは、1からNまでの各整数値)は、解析すべき栽培領域画像から縦横比がHi:Wiの画像を複数個抽出して抽出した各画像を画素数を調整した上でニューラルネットワーク#iに入力する、
ことを特徴とする請求項1に記載の情報処理装置。 - 前記第k+1樹勢指標値区分(kは、1からN-1までの各整数値)が前記第k樹勢指標値区分よりも樹勢が良好な区分であり、
1からN-1までの各整数値iについて、Hi+1/Wi+1>Hi/Wiが成立するように、ニューラルネットワーク#i~#Nの入力画像サイズが決定されている、
ことを特徴とする請求項2に記載の情報処理装置。 - 前記樹勢指標値が、前記栽培領域内の植物の丈の代表値である、
ことを特徴とする請求項1から3のいずれか一項に記載の情報処理装置。 - 前記樹勢指標値が、前記栽培領域画像を解析することで求められた前記栽培領域内の植物の丈の代表値である、
ことを特徴とする請求項1から3のいずれか一項に記載の情報処理装置。 - 植物の成育状態の指標値である状態指標値を算出する情報処理装置において、
前記状態指標値を算出するためのニューラルネットワークであって、前記植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、第1~第N(≧2)樹勢指標値区分の中の、前記栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して入力することで教育されたニューラルネットワークと、
前記状態指標値を算出すべき栽培領域画像から、当該栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して前記ニューラルネットワークに入力することで前記状態指標値を算出する算出手段と、
を備えることを特徴とする情報処理装置。 - 前記第k+1樹勢指標値区分(kは、1からN-1までの各整数値)が前記第k樹勢指標値区分よりも樹勢が良好な区分であり、
第1~第N区分に応じたサイズが、第i区分に応じたサイズの縦方向画素数、横方向画素数を、それぞれ、Hi、Wiと表記すると、1からN-1までの各整数値iについて、Hi+1/Wi+1>Hi/Wiが成立するように、定められている。
ことを特徴とする請求項6に記載の情報処理装置。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019127655A JP7243496B2 (ja) | 2019-07-09 | 2019-07-09 | 情報処理装置 |
PCT/JP2020/024568 WO2021006030A1 (ja) | 2019-07-09 | 2020-06-23 | 情報処理装置 |
US17/621,391 US20220358642A1 (en) | 2019-07-09 | 2020-06-23 | Information processing device |
EP20836374.7A EP3975113A4 (en) | 2019-07-09 | 2020-06-23 | INFORMATION PROCESSING DEVICE |
CN202080045150.8A CN113994379A (zh) | 2019-07-09 | 2020-06-23 | 信息处理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019127655A JP7243496B2 (ja) | 2019-07-09 | 2019-07-09 | 情報処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021012634A JP2021012634A (ja) | 2021-02-04 |
JP7243496B2 true JP7243496B2 (ja) | 2023-03-22 |
Family
ID=74114696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019127655A Active JP7243496B2 (ja) | 2019-07-09 | 2019-07-09 | 情報処理装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220358642A1 (ja) |
EP (1) | EP3975113A4 (ja) |
JP (1) | JP7243496B2 (ja) |
CN (1) | CN113994379A (ja) |
WO (1) | WO2021006030A1 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017104841A1 (ja) | 2015-12-16 | 2017-06-22 | プランティオ株式会社 | 情報処理装置、情報処理方法、及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6305473B2 (ja) * | 2016-08-18 | 2018-04-04 | ヤフー株式会社 | 分類支援装置、分類支援方法、および分類支援プログラム |
JP6839433B2 (ja) | 2016-08-26 | 2021-03-10 | 国立大学法人静岡大学 | 萎れ具合予測システム及び萎れ具合予測方法 |
JP6971453B2 (ja) * | 2017-10-13 | 2021-11-24 | 有限会社竹内園芸 | 苗データ生成システム、苗判別システム、苗データ生成プログラム、苗判別プログラム、苗データ生成装置、苗判別装置 |
JP6638121B1 (ja) * | 2018-08-30 | 2020-01-29 | 株式会社エヌ・ティ・ティ・データCcs | 作物生育ステージ判定システムのサーバ装置、生育ステージ判定方法及びプログラム |
IL281334B1 (en) * | 2018-09-09 | 2024-07-01 | Viewnetic Ltd | System and test method for use in plant monitoring in plant growing areas |
JP7162550B2 (ja) * | 2019-02-15 | 2022-10-28 | オムロン株式会社 | モデル生成装置、予測装置、モデル生成方法、及びモデル生成プログラム |
-
2019
- 2019-07-09 JP JP2019127655A patent/JP7243496B2/ja active Active
-
2020
- 2020-06-23 CN CN202080045150.8A patent/CN113994379A/zh active Pending
- 2020-06-23 EP EP20836374.7A patent/EP3975113A4/en active Pending
- 2020-06-23 WO PCT/JP2020/024568 patent/WO2021006030A1/ja unknown
- 2020-06-23 US US17/621,391 patent/US20220358642A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017104841A1 (ja) | 2015-12-16 | 2017-06-22 | プランティオ株式会社 | 情報処理装置、情報処理方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021012634A (ja) | 2021-02-04 |
CN113994379A (zh) | 2022-01-28 |
US20220358642A1 (en) | 2022-11-10 |
EP3975113A1 (en) | 2022-03-30 |
WO2021006030A1 (ja) | 2021-01-14 |
EP3975113A4 (en) | 2023-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520504B (zh) | 一种基于生成对抗网络端到端的模糊图像盲复原方法 | |
Roodposhti et al. | Towards automatic calibration of neighbourhood influence in cellular automata land-use models | |
Andrianto et al. | Smartphone application for deep learning-based rice plant disease detection | |
US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
WO2019242329A1 (zh) | 一种卷积神经网络训练方法及装置 | |
CN107230113A (zh) | 一种多模型融合的房产评估方法 | |
KR20180004208A (ko) | 컨볼루션 신경망 기반의 완전 기준 이미지 품질 평가 | |
De Fauw et al. | Hierarchical autoregressive image models with auxiliary decoders | |
CN110879982B (zh) | 一种人群计数系统及方法 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN112115967B (zh) | 一种基于数据保护的图像增量学习方法 | |
CN112784913A (zh) | 一种基于图神经网络融合多视图信息的miRNA-疾病关联预测方法及装置 | |
CN112767385B (zh) | 基于显著性策略与特征融合无参考图像质量评价方法 | |
CN111368911B (zh) | 一种图像分类方法、装置和计算机可读存储介质 | |
CN114187261B (zh) | 一种基于多维注意力机制的无参考立体图像质量评价方法 | |
CN109918542B (zh) | 一种用于关系图数据的卷积分类方法及系统 | |
Abd Elaziz et al. | Improving image thresholding by the type II fuzzy entropy and a hybrid optimization algorithm | |
CN115761240B (zh) | 一种混沌反向传播图神经网络的图像语义分割方法及装置 | |
Jiang et al. | Application of back propagation neural network in the classification of high resolution remote sensing image: take remote sensing image of Beijing for instance | |
CN107516102A (zh) | 图像数据分类与建立分类模型方法、装置及系统 | |
CN111079930A (zh) | 数据集质量参数的确定方法、装置及电子设备 | |
CN114612450A (zh) | 基于数据增广机器视觉的图像检测分割方法、系统、电子设备 | |
JP7243496B2 (ja) | 情報処理装置 | |
CN111369124A (zh) | 一种基于自生成全局特征和注意力的图像美学预测方法 | |
CN110211122A (zh) | 一种检测图像处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220513 |
|
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: 20230207 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230220 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7243496 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |