JP7311102B2 - 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム - Google Patents
農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム Download PDFInfo
- Publication number
- JP7311102B2 JP7311102B2 JP2019201061A JP2019201061A JP7311102B2 JP 7311102 B2 JP7311102 B2 JP 7311102B2 JP 2019201061 A JP2019201061 A JP 2019201061A JP 2019201061 A JP2019201061 A JP 2019201061A JP 7311102 B2 JP7311102 B2 JP 7311102B2
- Authority
- JP
- Japan
- Prior art keywords
- leaf age
- image
- crop growth
- leaf
- crop
- 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
- 238000000034 method Methods 0.000 title claims description 37
- 238000003306 harvesting Methods 0.000 claims description 42
- 235000003228 Lactuca sativa Nutrition 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 241000196324 Embryophyta Species 0.000 claims description 15
- 235000010702 Insulata Nutrition 0.000 claims description 13
- 244000165077 Insulata Species 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 235000013311 vegetables Nutrition 0.000 claims description 10
- 240000007124 Brassica oleracea Species 0.000 claims description 6
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 claims description 6
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 claims description 6
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 240000008415 Lactuca sativa Species 0.000 claims description 3
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 claims description 2
- 235000017647 Brassica oleracea var italica Nutrition 0.000 claims description 2
- 240000003259 Brassica oleracea var. botrytis Species 0.000 claims description 2
- 244000233513 Brassica perviridis Species 0.000 claims description 2
- 235000010149 Brassica rapa subsp chinensis Nutrition 0.000 claims description 2
- 235000000536 Brassica rapa subsp pekinensis Nutrition 0.000 claims description 2
- 241000499436 Brassica rapa subsp. pekinensis Species 0.000 claims description 2
- 235000007542 Cichorium intybus Nutrition 0.000 claims description 2
- 244000298479 Cichorium intybus Species 0.000 claims description 2
- 235000002767 Daucus carota Nutrition 0.000 claims description 2
- 244000000626 Daucus carota Species 0.000 claims description 2
- 235000005733 Raphanus sativus var niger Nutrition 0.000 claims description 2
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 claims description 2
- 240000001970 Raphanus sativus var. sativus Species 0.000 claims description 2
- 235000009337 Spinacia oleracea Nutrition 0.000 claims description 2
- 244000300264 Spinacia oleracea Species 0.000 claims description 2
- 241000208822 Lactuca Species 0.000 description 34
- 238000011156 evaluation Methods 0.000 description 34
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Landscapes
- Cultivation Of Plants (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Description
かかる露地野菜の問題に対して、圃場別に、栽培途中の育成段階情報(現在の露地野菜がどの育成段階にあるのかといった情報)と育成量(現在の地上部の重量)を起点とする生育シミュレーションによって、精度良く収穫時期を予測できる生育モデルが知られている(例えば、非特許文献1、非特許文献2を参照)。農業生産現場において、栽培途中の生育量に関する情報については、作物体の鉛直方法からの投影面積など定量的に推定する手法など種々の手法が提案されているが、育成段階情報については、有効な手法が見当らず、かかる情報を得ることが極めて困難であった。育成段階を定量的に推定できれば、既に確立された育成状況の予測手法を用いて、その後の育成段階、更には収穫時期を精度良く予測することが可能である。
また特許文献2に開示されたシステムは、データ収集にドローンを用いており、ドローンに搭載されるカメラはマルチスペクトラムカメラであって、RGB、RED EDGE、NIR(近赤外線)による撮影を行い、撮影した画像データに基づいて、農地等の管理と農作物の生育予測、収穫予測等を自動的に行っている。
かかる状況に鑑みて、本発明は、農作物の育成段階情報を定量的に推定でき、推定値から更にその後の育成段階情報、収穫時期を推定できる農作物生育推定装置、農作物生育推定システム、及び農作物生育推定方法を提供することを目的とする。
なお、葉齢が大きくなると、葉の重なりが多くなり、上方から撮影した画像からの葉齢の推定が困難となることから、葉齢は凡そ15乃至20以下までが推定可能である。
また本発明の農作物生育推定装置における葉齢推定部は、学習済みの第1の分類器モデルを用いて画像を解析し、農作物の葉齢を推定する。分類器モデルは、予めディープラーニングなどにより十分に学習させたものを用いる。
植付け後の週数とは、農作物の植付け後、何週目に当るかを示す指標である。農作物の種子の植付け(定植)後0週目を“0”、定植後1週目を“1”、定植後2週目を“2”、・・・、定植後5週目を“5”、定植後6週目以降を“6”とし、ラベル付けを行う。ラベルと週数の関係は、これに限定されず、他のラベル付けを行うことも可能である。農業の管理業者は、週数に基づいて、収穫時期を予測することができる。
第2の観点による農作物生育推定装置における分類器モデルは、教師画像と、該教師画像に表現される農作物の実際の植付け後の週数又は日数とが関連付けされた学習データによって、学習がなされたものである。本発明の対象となる農作物は、第1の観点による農作物生育推定装置と同様である。
教師画像に関連付けされた「葉齢」の教師ラベルは、当該画像に映る農作物の葉形の佇まいから、農業に従事する専門家の知見により付与されるものであってもよい。農業に長年従事する者であれば、農作物の葉の形状や葉のつき方など形の佇まいから、葉齢を判別することができるからである。葉形の佇まいには、何らかの特徴点があるが、それらの特徴点が具体的に何かということを列記することは困難である。農業に長年従事する者であれば、過去の記憶と合せて感覚で、葉齢を推定している。経験を積んだ農作物の栽培者や栽培研究者であれば、農作物の葉形の佇まいから、大凡の生育段階の見当を付けることができるという情報に着目して、農作物の葉を上方から撮影した画像のデータ情報から葉齢の識別器モデルを学習するものである。
また、農作物の生育を観察し、何枚目の本葉が出ているのかを、既に枯れ落ちた本葉の数や葉の重なりを考慮し、展開している葉を下から正確にカウントして、農作物の葉を上方から撮影した画像に、カウントした本葉の数を、葉齢として関連付けすることもできる。
葉齢増加量算出部は、撮影した画像の取得日からの経過日数と、取得日以後の日平均気温と、葉齢推定部で推定した葉齢に応じて決定される葉齢増加係数から葉齢増加量を算出する。
また、葉齢算出部は、画像の取得日から推定した葉齢推定値に、葉齢増加量算出部で算出した葉齢増加量を加算し、画像の取得日からの日数経過後の葉齢を算出する。
収穫期の目安である収穫期葉齢は、農作物の種類や品種、出荷規格に応じて予め設定される。例えば、レタスやキャベツの収穫期葉齢は、30~40が設定される。この収穫期葉齢と、画像の取得日からの経過日数後の葉齢推定値とを比較することにより、収穫時期を推定する。
カメラ手段は、撮影した画像データを農作物生育推定装置に送信するデータ通信部を備える。上述したとおり、カメラ手段は、カメラ付きドローンやタイムラプス撮影できる定点カメラを用いることができる。またユーザ端末は、農作物生育推定装置から通信ネットワークを介して生育状況の推定結果を受信し、現在の葉齢や週数、予想された収穫時期を画面に表示するなどし、ユーザに推定情報を提供する。
カメラ付きドローンを用いて、作付圃場全体を上空10~100mから撮影する。作付圃場全体を上空から撮影して、農作物の欠株あるいは生育不良株の数または割合を直接計測することは従来から知られているが、本発明により、一株の拡大画像から当該株の現在の葉齢や週数もしくは日数を推定でき、更に収穫時期を予測できる。また、作付け日が異なる圃場が、撮影された画像に複数存在している場合でも、作付け日が異なる圃場毎に、一株の拡大画像を抽出し当該株の現在の葉齢や週数もしくは日数を推定でき、作付け日が異なる圃場毎の収穫時期を予測できる。このことは、農業の管理業者だけではなく、前述のとおり、農家、管理業者、販売業者、消費者の農作物のサプライチェーン全体にとって、非常に有益である。
本発明の第1の観点による農作物生育推定方法は、一株一個体のロゼット状の葉を地面に広げる農作物の上方から撮影した画像を取得する画像取得ステップと、学習済みの第1の分類器モデルを用いて画像を解析し、農作物の葉齢を推定する葉齢推定ステップを備える。
また、本発明の第1の観点による農作物生育推定方法において、葉齢増加量算出ステップと葉齢算出ステップを更に備える。葉齢増加量算出ステップは、画像の取得日からの経過日数と、該取得日以後の日平均気温と、葉齢推定部で推定した葉齢に応じて決定される葉齢増加係数から葉齢増加量を算出する。葉齢算出ステップは、画像の取得日の葉齢推定値に葉齢増加量を加算し、画像の取得日からの日数経過後の葉齢を算出する。
本発明の第1の観点による農作物生育推定方法において、予め設定された収穫期葉齢と、画像の取得日からの経過日数後の葉齢推定値とを比較することにより、収穫時期を推定する収穫時期推定ステップを更に備える。
個々の説明については、本発明の第1の観点による農作物生育推定装置と同様であり割愛する。
図1は、第1の観点による農作物生育推定装置1の機能ブロック図である。農作物生育推定装置1は、画像取得部3と葉齢推定部4を備える。画像取得部3は、画像データ入力部31と画像データ処理部32から構成され、さらに画像データ処理部32は、個体画像抽出部32aと画像サイズ変更部32bから構成される。
画像取得部3では、一株一個体のロゼット状の葉を地面に広げる農作物の上方からカメラで撮影した画像を取得するが、入力する画像は、一株一個体の画像でなくてもよく、複数の個体が写り込んだ画像でよい。画像データ入力部31は、データ通信や記録媒体(図示せず)の受渡しによって、カメラ11の内部に記録された画像データ10を入力する。入力された画像データ10は、画像データ処理部32で入力され、データ処理が施される。
分類器モデル100は、一株一個体のロゼット状の葉を地面に広げる作物体を撮影対象として上方から撮影した教師画像と、その教師画像に付与される葉齢ラベルとが関連付けされた学習データセットを用いて学習が施される。葉齢は1から始まる自然数であり、何枚目の本葉が出ているのかを、展開している葉を下からカウントしたものである。葉齢は、撮影した画像に映る葉の枚数と必ずしも一致しないが、画像に表現される作物体の葉形の佇まいから推定できる。
図5に示すように、プーリング層のユニットでは、入力データ(直前の畳み込み層の出力データ)の一部の小領域Pijについて、小領域内部の出力ypqを集約し1つの出力とする。小領域Pijは任意の大きさ(例えば、図のように2×2ピクセルや、3×3ピクセル)であり、入力が複数チャネルある場合には、チャネル毎にプーリングを行う(なお、チャネルとは、畳み込み層の入力画像の枚数のことである)。プーリングには、小領域内の平均を出力する平均プーリングと最大値を出力する最大プーリングがあるが、以下の実施例においては、最大プーリングを用いる。
図6は、第2の観点による農作物生育推定装置2の機能ブロック図である。農作物生育推定装置2は、画像取得部3と、生育時間推定部として機能する週数推定部5を備える。画像取得部3は、第1の観点による農作物生育推定装置1と同じであり、画像データ入力部31と画像データ処理部32から構成され、さらに画像データ処理部32は、個体画像抽出部32aと画像サイズ変更部32bから構成される。
週数推定部5では、画像取得部3から出力される画像を、学習済みの第2の分類器モデル200を用いて解析し、作物体の植付け後の週数を推定する。週数推定部5では、学習済みの分類器モデル200が画像を判別して週数を推定するが、分類器モデル200の学習内容については、教師画像に付与される教師ラベルが、植付け後の週数ラベルである点を除いて、第1の観点による農作物生育推定装置1の分類器モデル100の学習内容と同様である。
先ず、実施例1及び実施例2では、露地野菜として結球レタスを対象とした葉齢の推定について説明し、実施例3では、同じく、結球レタスを対象とした植付け後の週数の推定について説明する。また、実施例4では、図1の機能ブロック図で示される農作物生育推定装置1に、更に、葉齢増加量算出部と葉齢算出部および収穫時期推定部の機能ブロックが備わった農作物生育推定装置について説明し、実施例5では、農作物生育推定装置1をサーバ装置とした農作物生育推定システムについて説明する。そして、実施例6及び7では、第1又は第2の観点による農作物生育推定方法の処理フローを説明した後、実施例8において、それを実現するプログラムについて説明する。
本実施例では、結球レタスを対象とした葉齢の推定について説明する。第1の観点による農作物生育推定装置1の分類器モデル100に、結球レタスの画像を入力させ、葉齢を出力させた。
まず、分類器モデル100に入力する画像データの前処理について、図2を参照して説明する。前処理では、撮影された画像から推定対象の一個体の範囲を切り出し、画像サイズを変更する。
切り出したレタス画像を分類器モデル100に入力するために画像サイズを変更した。具体的には、30×26cmの大きさで切り出した画像データを75ピクセル×65ピクセルの画像サイズに変更した。
その他の計算機実験の実験条件としては、上述のとおり、グループ数は13、学習率(α)は0.001、バッチサイズは32、更新回数は20回、試行回数は10回である。1試行あたり20回の更新回数があり、1回の更新回数で1回の学習を行った。1回の学習で663枚の教師画像の学習と判別を行い、13枚の評価画像については判別のみを行った。
下記表1は、10試行(10回の試行回数)の判別率(正解率)の平均(Avg.)と標準偏差(S.D.)をまとめたもので、20回目の更新回数時における結果である。ここで、評価画像については、正解の葉齢の±1(前後1)を正解と見做した判別率を示している。葉齢の±1(前後1)を正解と見做す妥当性について、その理由を説明する。1つ目の理由としては、葉齢の測定が人手により行われるために、教師画像に関連付けした葉齢の教師ラベルが、前後1枚程度の誤差を含んでいる可能性があることである。また、2つ目の理由としては、葉齢の分類器モデルで判別を行う際に、判別した葉齢が前後1枚程度の誤差を含んでいたとしても作物体の生育予測にとって実用上の問題が無いからである。
その他の計算機実験の実験条件としては、上述のとおり、グループ数は13、学習率(α)は0.001、バッチサイズは32、更新回数は20回、試行回数は10回である。1試行あたり20回の更新回数があり、1回の更新回数で1回の学習を行った。1回の学習で663枚の教師画像の学習と判別を行い、評価画像については判別のみを行った。
下記表4は、10試行を通しての判別率の平均と標準偏差をまとめたものであり、20回目の更新回数時における結果を示している。
このように、葉齢6の評価画像の場合については、高度によらず、何れも44%以上の判別率が得られ、特に高度25m及び高度50mで撮影された画像の場合には、何れも81%以上という非常に高い判別率であった。
一方で、葉齢5又は7の評価画像の場合、0~27.5%という低い判別率であったが、葉齢の前後1を含めた判別率の平均を算出すると、葉齢6の評価画像の場合が何れも87%以上の判別率であり、また葉齢5の評価画像の場合が85%以上、葉齢7の評価画像の場合が63%の判別率であり、何れも高い判別率であったことがわかる(上記表5の括弧内を参照)。
本実施例では、結球レタスを対象とした植付け後の週数の推定について説明する。第2の観点による農作物生育推定装置2の分類器モデル200に、結球レタス画像を入力させ、植付け後の週数(定植後何週目)を出力させる。
まず、分類器モデル200に入力する画像データの前処理について説明する。前処理では、撮影された画像から推定対象の一個体の範囲を切り出し、画像サイズを変更する。そして、画像データを作物体の育成段階に応じて、週数0~6の7グループ(「定植後0週目」、「定植後1週目」、「定植後2週目」、「定植後3週目」、「定植後4週目」、「定植後5週目」、及び「定植後6週目以降」)に判別し分類する。判別の精度を上げるために画像の各グループの枚数を100枚になるまで画像を増大する。その後、画像を分類器モデル200に入力し、判別を行う。
その他の計算機実験の実験条件としては、上述のとおり、グループ数は7、教師画像枚数は700枚、評価画像枚数は123枚、学習率(α)は0.001、バッチサイズは100、更新回数は20回、試行回数は5回である。1試行あたり20回の更新回数があり、1回の更新回数で1回の学習を行った。1回の学習で700枚の教師画像の学習と判別を行い、123枚の評価画像については判別のみを行った。
ここでは図示しないが、誤判別された評価画像中のレタスと教師画像中のレタスの生育状況が類似していることがわかった。以上より、2017年に栽培されたレタスは2016年に栽培されたレタスよりも生育が2週間ほど遅れているものが多いと考えられ、標準生育画像を教師画像として用いることにより、農作物の生育状況を予測することができることが理解できる。
葉齢推定部4では、画像取得部3から出力される画像を、学習済みの第1の分類器モデル100を用いて解析し、葉齢を推定する。葉齢推定部4については、前述の実施例1における第1の観点による農作物生育推定装置1と同じである。
葉齢増加量算出部6は、撮影した画像の取得日からの経過日数と、取得日以後の日平均気温と、葉齢推定部で推定した葉齢に応じて決定される葉齢増加係数から葉齢増加量を算出する。葉齢算出部7は、画像の取得日から推定した葉齢推定値に、葉齢増加量算出部で算出した葉齢増加量を加算し、画像の取得日からの日数経過後の葉齢を算出する。また、収穫時期推定部8は、農作物生育推定装置1aにおいて、予め設定された収穫期葉齢と、画像の取得日からの経過日数後の葉齢推定値とを比較することにより、収穫時期を推定するものである。
図8に示すように、圃場13にはレタス12が定植されている。ドローン16には、カメラ11が設けられており、圃場13全体を、ドローン16を用いて上空10~100mから撮影する。ドローン16は、データ通信部(図示せず)を備え、ネットワーク18を用いて、サーバ15又はユーザ端末17との間でデータの送受信を行うことが可能である。本実施例において、ネットワーク18はインターネットであるが、インターネット以外の通信手段を用いることも可能である。
サーバ15には、前述した農作物生育推定装置(1,1a,2)が設けられており、ドローン16のカメラ11により撮像された画像データを基に、レタスの生育状況を推定する。
ユーザ端末17は、サーバ15からネットワーク18を介してレタスの生育状況の推定結果を受信し、現在の葉齢や週数、予想された収穫時期を画面に表示するなどし、ユーザに推定情報を提供する。ユーザ端末17としては、ここではスマートフォンを用いているが、PC、タブレット端末、ウェアラブル端末等、その他の端末でもよい。
3 画像取得部
4 葉齢推定部
5 週数推定部
6 葉齢増加量算出部
7 葉齢算出部
8 収穫時期推定部
10 画像データ
10a,10b 画像
11 カメラ
12 レタス
13 圃場
14 農作物生育推定システム
15 サーバ
16 ドローン
17 ユーザ端末
18 ネットワーク
31 画像データ入力部
32 画像データ処理部
32a 個体画像抽出部
32b 画像サイズ変更部
100 第1の分類器モデル
200 第2の分類器モデル
Claims (12)
- 一株一個体のロゼット状の葉を地面に広げる農作物の上方から撮影した画像を取得する画像取得部と、
教師画像と該教師画像に表現される前記農作物の葉形の佇まいから分類された葉齢とが関連付けされた学習データによって、学習がなされた学習済みの第1の分類器モデルを用いて前記画像を解析し、前記農作物の葉齢を推定する葉齢推定部、
を備えたことを特徴とする農作物生育推定装置。 - 一株一個体のロゼット状の葉を地面に広げる農作物の上方から撮影した画像を取得する画像取得部と、
教師画像と該教師画像に表現される前記農作物の葉形の佇まいから分類された葉齢とが関連付けされた学習データによって、学習がなされた学習済みの第1の分類器モデルを用いて前記画像を解析し、前記農作物の葉齢を推定する葉齢推定部と、
前記画像の取得日からの経過日数と、
該取得日以後の日平均気温と、
前記葉齢推定部で推定した葉齢に応じて決定される葉齢増加係数、
から葉齢増加量を算出する葉齢増加量算出部と、
前記画像の取得日の葉齢推定値に前記葉齢増加量を加算し、前記画像の取得日からの日数経過後の葉齢を算出する葉齢算出部、
を備えたことを特徴とする農作物生育推定装置。 - 予め設定された収穫期葉齢と、前記画像の取得日からの経過日数後の葉齢推定値とを比較することにより、収穫時期を推定する収穫時期推定部、を更に備えたことを特徴とする請求項2に記載の農作物生育推定装置。
- 前記分類器モデルは、畳み込みニューラルネットワークを含んで構成されることを特徴とする請求項1~3の何れかに記載の農作物生育推定装置。
- 前記農作物は、ハクサイ、キャベツ、ブロッコリー、レタス類(レタス、非結球レタス、チコリー)、ホウレンソウ、コマツナ、ダイコン、ニンジンを含む結球野菜、又は、葉根菜であることを特徴とする請求項1~4の何れかに記載の農作物生育推定装置。
- 前記画像は、ドローンを含む無人航空機に搭載されたカメラにより撮影されたことを特徴とする請求項1~5の何れかに記載の農作物生育推定装置。
- 請求項1~5の何れかの農作物生育推定装置と、ユーザ端末と、カメラ手段とから構成される農作物生育推定システムであって、
前記カメラ手段は、撮影した画像データを前記農作物生育推定装置に送信するデータ通信部を備え、
前記ユーザ端末は、前記農作物生育推定装置から通信ネットワークを介して生育状況の推定結果を受信する、ことを特徴とする農作物生育推定システム。 - ドローンを含む無人航空機を更に備え、
該無人航空機には、前記カメラ手段が搭載されたことを特徴とする請求項7に記載の農作物生育推定システム。 - 一株一個体のロゼット状の葉を地面に広げる農作物の上方から撮影した画像を取得する画像取得ステップと、
教師画像と該教師画像に表現される前記農作物の葉形の佇まいから分類された葉齢とが関連付けされた学習データによって、学習がなされた学習済みの第1の分類器モデルを用いて前記画像を解析し、前記農作物の葉齢を推定する葉齢推定ステップ、
を備えたことを特徴とする農作物生育推定方法。 - 一株一個体のロゼット状の葉を地面に広げる農作物の上方から撮影した画像を取得する画像取得ステップと、
教師画像と該教師画像に表現される前記農作物の葉形の佇まいから分類された葉齢とが関連付けされた学習データによって、学習がなされた学習済みの第1の分類器モデルを用いて前記画像を解析し、前記農作物の葉齢を推定する葉齢推定ステップと、
前記画像の取得日からの経過日数と、
該取得日以後の日平均気温と、
前記葉齢推定部で推定した葉齢に応じて決定される葉齢増加係数、
から葉齢増加量を算出する葉齢増加量算出ステップと、
前記画像の取得日の葉齢推定値に前記葉齢増加量を加算し、前記画像の取得日からの日数経過後の葉齢を算出する葉齢算出ステップ、
を備えたことを特徴とする農作物生育推定方法。 - 予め設定された収穫期葉齢と、前記画像の取得日からの経過日数後の葉齢推定値とを比較することにより、収穫時期を推定する収穫時期推定ステップ、を更に備えたことを特徴とする請求項10に記載の農作物生育推定方法。
- 請求項9~11の何れかの農作物生育推定方法における前記ステップ全てをコンピュータに実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019201061A JP7311102B2 (ja) | 2019-11-05 | 2019-11-05 | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019201061A JP7311102B2 (ja) | 2019-11-05 | 2019-11-05 | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021073860A JP2021073860A (ja) | 2021-05-20 |
JP7311102B2 true JP7311102B2 (ja) | 2023-07-19 |
Family
ID=75897015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019201061A Active JP7311102B2 (ja) | 2019-11-05 | 2019-11-05 | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7311102B2 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102543154B1 (ko) * | 2021-07-20 | 2023-06-14 | 대한민국 | Vnir 스펙트럼을 이용한 형질전환 십자화과 교잡종 판별 방법 및 시스템 |
CN114266734B (zh) * | 2021-12-03 | 2023-04-07 | 深圳市桑瑞生物科技有限公司 | 植物生长阶段的识别方法、装置、设备及存储介质 |
CN114913217A (zh) * | 2022-03-31 | 2022-08-16 | 北京瀚景锦河科技有限公司 | 一种水稻叶龄诊断方法 |
CN115797771A (zh) * | 2022-12-07 | 2023-03-14 | 北大荒信息有限公司 | 一种寒地水稻叶龄判断方法、装置、计算机及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010231733A (ja) | 2009-03-30 | 2010-10-14 | Japan Research Institute Ltd | 農作業支援装置 |
JP2012055207A (ja) | 2010-09-07 | 2012-03-22 | Nikon Corp | 植物栽培システム、植物栽培プラント、収穫装置及び植物栽培方法 |
JP2012208839A (ja) | 2011-03-30 | 2012-10-25 | Kobe Univ | 植物体の画像領域抽出方法、植物体の画像領域抽出装置、および植物体の生育監視システム |
JP2017077238A (ja) | 2015-10-21 | 2017-04-27 | 国立大学法人神戸大学 | 花数計測システムおよび花数計測方法 |
JP2019040383A (ja) | 2017-08-25 | 2019-03-14 | コニカミノルタ株式会社 | 撮影スケジュール決定方法及び撮影スケジュール決定制御プログラム |
JP2019170359A (ja) | 2018-03-28 | 2019-10-10 | 国立大学法人名古屋大学 | 植物栽培結果予測システム |
-
2019
- 2019-11-05 JP JP2019201061A patent/JP7311102B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010231733A (ja) | 2009-03-30 | 2010-10-14 | Japan Research Institute Ltd | 農作業支援装置 |
JP2012055207A (ja) | 2010-09-07 | 2012-03-22 | Nikon Corp | 植物栽培システム、植物栽培プラント、収穫装置及び植物栽培方法 |
JP2012208839A (ja) | 2011-03-30 | 2012-10-25 | Kobe Univ | 植物体の画像領域抽出方法、植物体の画像領域抽出装置、および植物体の生育監視システム |
JP2017077238A (ja) | 2015-10-21 | 2017-04-27 | 国立大学法人神戸大学 | 花数計測システムおよび花数計測方法 |
JP2019040383A (ja) | 2017-08-25 | 2019-03-14 | コニカミノルタ株式会社 | 撮影スケジュール決定方法及び撮影スケジュール決定制御プログラム |
JP2019170359A (ja) | 2018-03-28 | 2019-10-10 | 国立大学法人名古屋大学 | 植物栽培結果予測システム |
Non-Patent Citations (1)
Title |
---|
小椋吉晃,レタスの葉数は40枚,農中総研 調査と情報,2019年07月10日,Vol.73,p.4-5 |
Also Published As
Publication number | Publication date |
---|---|
JP2021073860A (ja) | 2021-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7311102B2 (ja) | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム | |
Ballesteros et al. | Vineyard yield estimation by combining remote sensing, computer vision and artificial neural network techniques | |
Yang et al. | A near real-time deep learning approach for detecting rice phenology based on UAV images | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
Hung et al. | A feature learning based approach for automated fruit yield estimation | |
MacEachern et al. | Detection of fruit maturity stage and yield estimation in wild blueberry using deep learning convolutional neural networks | |
US20230165235A1 (en) | Image monitoring for control of invasive grasses | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN112116206A (zh) | 一种基于大数据的智慧农业系统 | |
CN112084977A (zh) | 一种融合图像和时间特征的苹果物候期自动识别方法 | |
Veeragandham et al. | A review on the role of machine learning in agriculture | |
Fiona et al. | Automated detection of plant diseases and crop analysis in agriculture using image processing techniques: A survey | |
CN115697040A (zh) | 人工授粉方法及进行人工授粉的装置 | |
Juyal et al. | Crop growth monitoring using unmanned aerial vehicle for farm field management | |
Khurana et al. | Weed detection approach using feature extraction and KNN classification | |
Motie et al. | Identification of Sunn-pest affected (Eurygaster Integriceps put.) wheat plants and their distribution in wheat fields using aerial imaging | |
AHM et al. | A deep convolutional neural network based image processing framework for monitoring the growth of soybean crops | |
Liang et al. | CanopyCAM–an edge-computing sensing unit for continuous measurement of canopy cover percentage of dry edible beans | |
CN115063690B (zh) | 一种基于ndvi时序特征的植被分类方法 | |
CN116385885A (zh) | 一种病虫害识别方法及系统 | |
Tanaka et al. | Deep learning-based estimation of rice yield using RGB image | |
Cornejo-Velazquez et al. | Low-cost technological strategies for smallholders sustainability: A review | |
WO2022046657A1 (en) | Method and system of analyzing plant image data and projecting plant growth and health status | |
Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
Datt et al. | Neural Network Model for Predicting Apple Yield Based on Arrival of Phenological Stage in Conjunction with Leaf disease, Soil and Weather Parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20191130 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220719 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230131 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230131 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230331 |
|
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: 20230620 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230627 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7311102 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |