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

Description

特許法第３０条第２項適用 １）刊行物名 日本機械学会 第２８回設計工学・システム部門講演会講演論文集 発行日 ２０１８年１１月３日 発行所 一般社団法人 日本機械学会 ２）刊行物名 ＩＦＩＰ ＡＰＭＳ ２０１９（Ａｄｖａｎｃｅｓ ｉｎ Ｐｒｏｄｕｃｔｉｏｎ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍｓ），Ｐｒｏｃｅｅｄｉｎｇｓ，Ｐａｒｔ １ 発行日 ２０１９年８月２８日 発行所 情報処理国際連合（ＩＦＩＰ） ３）刊行物名 日本機械学会 第２９回設計工学・システム部門講演会講演論文集 発行日 ２０１９年９月２０日 発行所 一般社団法人 日本機械学会 ４）刊行物名 神戸新聞２０１９年５月１４日朝刊 発行日 ２０１９年５月１４日 発行所 株式会社 神戸新聞社 ５）刊行物名 神戸新聞２０１９年１０月２７日朝刊別冊 発行日 ２０１９年１０月２７日 発行所 株式会社神戸新聞社

本発明は、農作物の生育状況の推定技術に関するものである。

近年、日本の農業は、農業人口の減少、農業従事者の高齢化、食料自給率の低下、後継者不足など多くの問題を抱えているのが実情である。これらの問題により、日本の農業の活力が低下しており、農業の活性化が求められている。農業の活性化を図るためには、農村がもつ資源の有効活用、農作物の生産プロセス・加工プロセス・販売プロセスの一体化、農産物に関する情報管理の強化が必要である。すなわち、農業のみならず、製造業、小売業といった１，２，３次産業全てを組合せた新しい産業化が必要である。

現在の農作物のサプライチェーンは、農家、管理業者、販売業者、消費者で構成されている。これらの間には農作物の流通や情報のやり取り等があり、管理業者は、販売業者に対する販売戦略を立てる上で、農家から農作物の収穫時期と収穫個数を知る必要がある。また、販売業者においても、消費者に対する販売戦略を立てる上で、仕入れ時期などの予測は重要である。しかしながら、現状では、管理業者が農家一軒一軒を回って、何の農作物をいつ頃定植したのか、どれくらい収穫が見込めるのかといったヒヤリングを個別に行って、収穫時期と収穫量の情報を得ており、時間やコストがかかるといった問題がある。

農作物の中で、特にレタスやキャベツなどの露地野菜は、気象条件により植付けや生育状況が大きく影響され、生育日数や収穫量が変動しやすく、収穫直前にならないと出荷時期や出荷量を正確に把握できず、出荷時期が不安定であり、生産や流通で問題となっている。
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。

一方で、農業管理予測を自動的に行う公知技術として、画像データの可視域赤の反射率と近赤外域の反射率から算出される指数であって、植物の茎葉の窒素含有量と極めて高い相関がある正規化植生指数（NDVI；Normalized Difference Vegetation Index）と呼ばれる生育指標を算出し、農作物の生育状況を予測するシステムが知られている（例えば、特許文献１，特許文献２を参照）。

特許文献１に開示されたシステムでは、撮影した画像と付加情報とに基づき、散水や肥料散布、除草などの作業が必要な植物が存在する箇所を検出でき、また農作物の収穫時期については、農作物の大きさや色、糖度などを分析し、収穫するか否かを判断している。また、特許文献２に開示されたシステムでは、植生指数化、指数情報の標準偏差化、標準偏差の意味化を行い、その結果を可視化する。標準偏差の意味化は、農業専門家の知見をベースにしたディープラーニングなどにより人工知能として機能する。人工知能による分類は、日々の業務により蓄積された専門家の知見に係るライブラリに基づいて信頼性の高い結果を得ている。
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。

特開２０１６－４９１０２号公報 特開２０１８－４６７８７号公報

菅原幸治，"露地野菜の安定的な契約取引を支援する出荷予測システム"，グリーンレポートNo.594，pp.2-5，2018年12月号 菅原幸治、岡田邦彦，"レタスの生育モデルに基づく出荷予測アプリケーション"，電子情報通信学会技術研究報告115(290)，pp.77-78，2015年

上述のとおり、従来、農作物の生育量情報は、作物体の鉛直方向からの投影面積などを計測することにより定量的に推定する手法は知られているものの、農作物の生育段階情報（農作物の葉齢や農作物の植付け後の週数や日数等）を定量的に推定できる手法は見当たらないのが実情である。
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。

上記課題を解決すべく、本発明の第１の観点による農作物生育推定装置は、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部と、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部とを備える。本発明によれば、農作物の成育が旺盛か否かといった生育状況、育成段階情報を推定することができる。農業の管理業者は、葉齢に基づいて、収穫時期を予測することができる。

本発明の対象となる農作物は、一株一個体のロゼット状の葉を地面に広げる農作物であり、具体的には、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、葉根菜が挙げられるが、これらに限定されず、葉を放射状や螺旋状に配列し地表に平らに並べる植物の農作物であれば対象となる。なお、茎が伸びる立茎植物は、本発明の対象の農作物ではない。

本発明では、農作物の葉齢を、農作物の出来具合の良し悪し（出来不出来）を推定するための時間軸として利用する。葉齢と生育段階との間には強い相関がある。葉齢は、通常はイネの生育段階を親茎の葉の枚数で表現したものを意味するものであるが、本発明における農作物の葉齢とは、一株一個体のロゼット状の葉を地面に広げる農作物において、種子から最初に出てくる双葉を除き、葉身のついた本葉を第一葉とカウントし、出てきた本葉の枚数をカウントしたものである。すなわち、本発明における葉齢とは、最初の本葉から順に数えた展開葉数と定義する。特に農作物が結球野菜である場合には、葉齢は、最初の本葉から順に数えた展開葉数と結球葉数の合計と定義する。

葉齢は、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値である。葉齢は１から始まる自然数である。重要なことは、葉齢は、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するが、葉齢がＮだからといって、撮影した画像でもＮ枚ということではない。すなわち、農作物の葉齢は、撮影した画像に映る葉の枚数と必ずしも一致しない。また、例えばレタスでは葉齢が６を超える辺りから、葉が重なり合うために、一部の葉が他の葉の陰になる場合があり、撮影した画像に全ての葉が映るというものではない。また葉齢が１０を超える辺りから、最初の本葉は枯れ落ちるため、葉齢と残存する葉の数は一致しない。
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。

本発明の農作物生育推定装置における画像取得部では、農作物の葉を上方から撮影した画像を取得する。画像取得部がカメラ手段を有し、カメラ手段が撮影した画像データを取得する態様でもよいし、或は、カメラ手段が装置とは別物であって当該カメラ手段から画像データが受渡しされる態様でもよい。本発明の対象の農作物は、一株一個体のロゼット状の葉を地面に広げるものであり、葉を上方から撮影する。撮影した画像に複数の個体の葉が映っている場合でも、植付け間隔や画像から、その中から１個体分の画像を抜き出すことができる。上方から撮影するものは、真上から撮影するのが好ましいが、斜め上方からであっても、一株一個体のロゼット状の葉の形状が判別できるものであれば構わない。
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。

次に、本発明の第２の観点による農作物生育推定装置は、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部と、学習済みの第２の分類器モデルを用いて画像を解析し、農作物の植付け後の週数又は日数を推定する生育時間推定部を備える。本発明によれば、農作物の成育が旺盛か否かといった生育状況、育成段階情報を推定することができる。
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。

一方、第１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、教師画像に表現される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、学習がなされたものである。
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。

本発明の第１の観点による農作物生育推定装置において、画像取得部と葉齢推定部に加えて、更に、葉齢増加量算出部と葉齢算出部を備えることが好ましい態様である。
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。

ここで、葉齢増加量算出部について説明する。葉齢増加量算出部では、農作物の定植日から１日当りの葉齢増加量を積算して毎日の葉齢を算出する。１日当りの葉齢増加量は、撮影した画像の取得日以後の日平均気温（℃）を用い、日平均気温に所定の係数を乗算して算出する。日本の日平均気温は、例えば、メッシュ農業気象データシステム（The Agro-Meteorological Grid Square Data）を利用することで取得することができる。メッシュ農業気象データシステムは、気象情報が農業現場で有効に活用されることを目指して、本出願人の一つである国立研究開発法人農業・食品産業技術総合研究機構(農研機構)が開発し運用する気象データサービスシステムである。日本全国の日平均気温などの日別気象情報を、約１ｋｍ四方（基準地域メッシュ）単位で場所を指定することにより、インターネットを介してオンラインで取得できる。詳細については、Ｗｅｂサイト（https://amu.rd.naro.go.jp/）を参照。

葉齢増加係数は、農作物の品種によって異なるが、例えば、レタスやキャベツの農産物では、何れの品種でもほぼ同等であることが知られている。また、生育段階によって、葉齢増加係数の値が変化することも知られている。例えば、レタスやキャベツの農産物では、葉齢が１２を閾値として、葉齢増加係数の値が変化する。これら葉齢増加係数や閾値のパラメータ値は、農作物の種類や場合によっては更に品種に応じて、適切に設定される。

本発明の第１の観点による農作物生育推定装置において、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部、を更に備えることが好ましい。
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。

本発明の第１及び第２の観点による農作物生育推定装置で用いる分類器モデルは、具体的には、畳み込みニューラルネットワーク（ＣＮＮ；Convolutional Nerural Network）を含んで構成される。近年のビッグデータやコンピュータの計算資源の進歩などにより、ニューラルネットワークのディープラーニングを活用した技術が様々提案されており、特に、画像認識においては、従来のニューラルネットワークに畳み込み処理を組合せたＣＮＮが有用で、この畳み込み処理により特徴量を抽出できる。ＣＮＮの構造は畳み込み層とプーリング層を交互に持ち、出力の直前に全結合層を持つ。畳み込み層で畳み込み処理を行い、画像から特徴量を抽出し、プーリング層でデータ圧縮し、特徴の位置感度を低下させ位置に対するロバスト性を高め、全結合層で取り出された情報を結合して結果を出力する。ＣＮＮでは学習する際、教師画像を用い、畳み込み層および全結合層の重みを調整する。

本発明の第１及び第２の観点による農作物生育推定装置における画像取得部で取得する画像は、一つの態様として、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る。広大な圃場の農作物の生育状況（葉齢や週数）のモニタリングを省力化または自動化するために、カメラ付きドローン（無人小型マルチコプター）や、タイムラプス撮影できる定点カメラや、移動式車両や移動式ロボットのアームに取付けられたカメラなどを利用して、圃場の画像を取得する。なお、省力化・自動化ではないが、人手で圃場の農作物の生育状況をカメラ撮影した画像を取得しても構わない。

次に、本発明の農作物生育推定システムについて説明する。本発明の農作物生育推定システムは、上述の第１の観点または第２の観点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。農作物生育推定装置は、サーバ装置として機能する。
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。

次に、本発明の農作物生育推定方法について説明する。本発明の農作物生育推定方法は、本発明の農作物生育推定装置と同様、第１の観点による農作物生育推定方法と第２の観点による農作物生育推定方法に分けられる。
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。

本発明の第２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２の分類器モデルを用いて画像を解析し、農作物の植付け後の週数または日数を推定する生育時間推定ステップを備える。個々の説明については、本発明の第２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。

本発明のプログラムは、上述の第１の観点による農作物生育推定方法における画像取得ステップ、葉齢推定ステップ、葉齢増加量算出ステップ、葉齢算出ステップ、及び収穫時期推定ステップの全てをコンピュータに実行させるためのプログラムである。あるいは、上述の第２の観点による農作物生育推定方法における画像取得ステップ及び生育時間推定ステップの全てをコンピュータに実行させるためのプログラムである。

本発明によれば、農作物の育成段階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といった効果がある。

第１の観点による農作物生育推定装置の機能ブロック図 作物体の撮影画像の前処理の説明図 ＣＮＮの構造の説明図 畳み込み層の説明図 プーリング層の説明図 第２の観点による農作物生育推定装置の機能ブロック図（実施例３） 実施例４の第１の観点による農作物生育推定装置の機能ブロック図 実施例５の農作物生育推定システムのシステム構成図 実施例６の農作物生育推定方法のフロー図 実施例７の農作物生育推定方法のフロー図

以下、本発明の実施形態の一例を、図面を参照しながら詳細に説明していく。なお、本発明の範囲は、以下の実施例や図示例に限定されるものではなく、幾多の変更及び変形が可能である。

先ず、本発明の第１の観点による農作物生育推定装置の一実施態様について説明する。
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。

画像データ処理部３２において、データ処理は、個体画像抽出部３２ａと画像サイズ変更部３２ｂが行う。個体画像抽出部３２ａは、画像データ１０から推定対象となる作物体の一個体の写っている画像領域を切り出し抽出する。画像領域の切り出しサイズは、一株一個体の場合であれば株間の距離を用いて予め決定し、その切り出した画像領域の中に一株だけ収まるようにする。切り出す画像領域の形状は特に限定されるものではないが、通常は正方形や長方形の形状で切り取る。また画像サイズ変更部３２ｂは、後述する分類器に入力する画像サイズ（ピクセル単位）に合致させるように切り出した画像の画像サイズを変更する。

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、作物体の葉齢を推定する。前述のとおり、葉齢とは、葉身のついた本葉を第一葉とカウントし、出てきた本葉の枚数をカウントしたものである。葉齢と生育段階との間には強い相関があり、葉齢を農作物の出来具合の良し悪しを推定するための時間軸として利用する。

葉齢推定部４では、学習済みの分類器モデル１００が画像を判別して葉齢を推定するが、以下に、分類器モデル１００の学習内容について説明する。
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。

ＣＮＮでは高い認識精度を出すために大量の学習データセットが必要とされることから、後述する実施例３では、分類器モデル１００の学習に用いる教師画像は、分類する葉齢の各グループの画像枚数を増大した。すなわち、教師画像として標準生育画像を用いるが、各グループの画像枚数を等しくするために、標準生育画像を各グループの画像枚数がある程度の枚数になるまで増やした。画像の増やし方としては、元々ある教師画像を目標枚数となるまで、左右反転、輝度変更、コントラスト変更を行った。

分類器モデル１００は、畳み込みニューラルネットワーク（ＣＮＮ）から構成されるが、ここでＣＮＮの構造について図３～５を用いて説明する。前述のとおり、ＣＮＮの構造は畳み込み層（Convolutional layer）とプーリング層（Pooling layer）を交互に持ち、出力の直前に１層以上の全結合層（Fully connected layer）を持つ。畳み込み層で畳み込み処理を行い、入力画像から特徴量を抽出し、次いで、プーリング層でデータ圧縮し、特徴の位置感度を低下させ位置に対するロバスト性を高める。そして、全結合層で取り出された情報を結合して分類結果を出力する。ＣＮＮでは学習する際、教師画像を用いて畳み込み層および全結合層の重みを調整する。

全結合層において、あるユニットには、その直前の層の出力の重み付き和にバイアスが加算され入力させ、この入力を活性化関数であるＲｅＬＵ関数に入力させる。分類器モデル１００では、最終端の出力には葉齢の分類グループ数と同数のユニットを配置するが、これらのユニットの出力には活性化関数ではなく、全ての入力値と出力値が結びついた確率分布を与える関数であるソフトマックス関数を用いる。分類判定には、期待値が最大値をとるユニットのインデックスを葉齢推定値とする。

プーリング層は、畳み込み層の出力データを入力し、畳み込み層で抽出した特徴から認識に余分な情報を捨て、認識に必要な情報を保った新たな表現に変換するものであり、画像内に現れる特徴の微小な位置変化に対する応答の不変性を実現する。
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Ｐ_ｉｊについて、小領域内部の出力ｙ_ｐｑを集約し１つの出力とする。小領域Ｐ_ｉｊ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。

ＣＮＮの学習は、畳み込み層と全結合層の重みが教師画像に適応するように調整することであり、以下の実施例でも、ソフトマックス関数が出力した値と正解ラベル間の損失誤差を計算、具体的には、交差エントロピーを求める。求めた交差エントロピーから逆誤差伝播法を用いて各重みに対する勾配を算出し、算出した勾配から重みを更新する。ＣＮＮの学習の最適化手法として、Ａｄａｍ（Adaptive moment estimation）を用いる。

次に、本発明の第２の観点による農作物生育推定装置の一実施態様について説明する。
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。

以下の実施例では、レタスを例示作物として、育成段階情報を持つレタス画像を教師画像とし、畳み込みニューラルネットワーク（ＣＮＮ）を用いて学習させ、その学習結果を農業現場で撮影されたレタス画像に適用し、育成段階情報として葉齢および植付け後週数を推定した結果について説明する。
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。

（結球レタスの葉齢の推定について）
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。

図２は、発芽後数週間生育された後に定植されたレタスの株のイメージを示している。画像１０ａには、圃場１３に定植されたレタス１２が写っている。画像の調整と切り出しは、画像１０ｂの範囲、すなわち、ａ×ｂ（＝１５×１３ｃｍ）の大きさで行った。図２に示すように、レタスとレタスの株間が縦Ａ（＝３０ｃｍ）、横Ｂ（＝２６ｃｍ）であるのでそれに合わせて長方形を作り、その中に一株だけ収まるように切り出した。
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。

本実施例では、２０１５年、２０１６年及び２０１９年に、人手により撮影された４２４３２枚の結球レタスの画像を用いる。結球レタスの品種は、エレガントである。まず、得られた画像データを作物体の育成段階に応じて、葉齢４～１６の１３グループ（「葉齢４」、「葉齢５」、「葉齢６」、「葉齢７」、「葉齢８」、「葉齢９」、「葉齢１０」、「葉齢１１」、「葉齢１２」、「葉齢１３」、「葉齢１４」、「葉齢１５」及び「葉齢１６」）に判別し分類した。そして、葉齢４～１６の１３グループ全てについて、画像枚数を揃え、それぞれの葉齢グループから１枚ずつを抜き出し評価画像とし、残りを教師画像とした。グループ毎に揃えた画像枚数は５２枚であり、評価画像として１枚を抜き出したため、生育予測に使用した教師画像の枚数は５１枚であった。

教師画像６６３枚（＝１３×５１枚）、評価画像１３枚を用いて検証実験を行った。本実験において用いた分類器モデル１００のＣＮＮの構造は、図３に示すものであるが、畳み込み層１のサイズは５×５×４０、プーリング層１及び２のサイズは共に２×２、畳み込み層２のサイズは５×５×５０である。また、全結合層１のサイズは１１２００、全結合層２のサイズは５００、全結合層３のサイズは１３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、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。

上記表１に示すように、判別率は、教師画像で９９．１１％、評価画像で８７．６９％であった。下記表２は、評価画像における１０試行の各葉齢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たものである。なお、括弧内は、葉齢の前後１を含めた判別率である。

上記表２に示すように、各葉齢の判別率の平均は、葉齢４では１００％、葉齢５では７０％と高い数値を示しているが、例えば、葉齢７、葉齢１４又は葉齢１５では２０％と低い数値となっている。しかしながら、表２の括弧内に示すように、葉齢の前後１を含めた判別率の平均を算出すると、全ての葉齢について８０％以上の値となり、高い判別率が得られることがわかる。

本実施例では、１０ｍ、１５ｍ、２５ｍ、及び５０ｍの高度からドローンにより撮影された画像を判別に用いた場合の、結球レタス（品種：エレガント）を対象とした葉齢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、葉齢を出力させる点は実施例１と同様である。また、評価画像については、実施例１と同様に、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。

本実施例で用いた画像は、実施例１と同様であり、２０１５年、２０１６年及び２０１９年に手撮影された４２４３２枚の結球レタスの画像である。下記表３は、実施例２に用いた各画像の枚数を表したものである。実施例１と同様に、画像データを作物体の育成段階に応じて、葉齢４～１６の１３グループ（「葉齢４」、「葉齢５」、「葉齢６」、「葉齢７」、「葉齢８」、「葉齢９」、「葉齢１０」、「葉齢１１」、「葉齢１２」、「葉齢１３」、「葉齢１４」、「葉齢１５」及び「葉齢１６」）に判別し分類した。

上記表３に示すように、葉齢４～１６の１３グループ全てについて、教師用元画像枚数はバラついているが、教師画像の枚数は一律に揃えている。ここでは、葉齢４～１６の１３グループの内で、葉齢４の教師用元画像の枚数が５２枚であり、最も少ないため、他のグループについても５２枚に揃えている。評価画像として用いられた画像は、４２４３２枚の内、葉齢５において、高度１５ｍで撮影された画像が７３枚、高度１０ｍ、２５ｍ又は５０ｍで撮影された画像が４枚である。葉齢６において、高度１５ｍで撮影された画像が８６枚、１０ｍ、２５ｍ又は５０ｍの高度で撮影された画像が２６６枚である。葉齢７において、高度１５ｍで撮影された画像が１枚、１０ｍ、２５ｍ又は５０ｍの高度で撮影された画像が３０枚である。

本実験で用いた分類器モデル１００のＣＮＮの構造は、図３に示すものであるが、畳み込み層１のサイズは５×５×４０、プーリング層１及び２のサイズは共に２×２、畳み込み層２のサイズは５×５×５０である。また、全結合層１のサイズは１１２００、全結合層２のサイズは５００、全結合層３のサイズは１３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。

上記表４に示すように、判別率は、高度１０ｍで撮影された教師画像の場合は９９．４２％、高度１５ｍで撮影された教師画像の場合は９９．１４％、高度２５ｍで撮影された教師画像の場合は９８．６６％、また、高度５０ｍで撮影された教師画像の場合は９８．２９％であった。また、高度１０ｍの撮影された評価画像の場合は８５．１７％、高度１５ｍで撮影された評価画像の場合は９６．３８％、高度２５ｍで撮影された評価画像の場合は９８．０３％、また、高度５０ｍで撮影された評価画像の場合は９８．１３％であった。このように、教師画像の場合では全て９８％以上の判別率が得られているが、評価画像の場合においても、正解の葉齢の±１（前後１）を正解と見做した判別率で見ると、全て８５％の以上の判別率が得られており、特に高度２５ｍ及び高度５０ｍで撮影された評価画像の場合は９８％以上の判別率が得られており、極めて高い判別率であることが判った。

下記表５は、評価画像における１０試行を通しての葉齢５～７の判別率の平均（Ａｖｇ．）と標準偏差（Ｓ．Ｄ．）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たものである。なお、判別率の平均値において、括弧を付けていない数値は、正解の葉齢そのものに分類した判別率であり、括弧内の数値は葉齢の前後1を含めた判別率である。

上記表５に示すように、葉齢５の評価画像の場合の撮影の高度毎の判別率については、高度１０ｍの画像では２７．５％、高度１５ｍの画像では１０．６９％、高度２５ｍの画像では５％、高度５０ｍの画像では２５％であった。葉齢６の評価画像の場合の撮影の高度毎の判別率については、高度１０ｍの画像では４４．０６％、高度１５ｍの画像では７１．１６％、高度２５ｍの画像では８１．８％、高度５０ｍの画像では８３．８％であった。葉齢７の評価画像の場合の撮影の高度毎の判別率については、高度１０ｍの画像では１３．６７％、高度１５ｍの画像では０％、高度２５ｍの画像では８．６７％、高度５０ｍの画像では７．３％であった。
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）。

（結球レタスの植付け後週数の推定について）
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。

本実施例で用いた画像は、２０１６年に農林水産技術総合センターで標準的な生育環境で撮影されたもの（標準生育画像）と、２０１７年に協力農家の実圃場で撮影されたもの（実環境生育画像）の２種類である。結球レタスは、品種がエレガントであり、栽培場所が兵庫県南あわじ市であり、１週間間隔で撮影された画像を用いた。

レタスの株の画像の切り出し及び調整の方法については、実施例１と同様である。切り出し及び調整が行われた画像にラベルを付与した。このとき、ラベルはレタスの育成段階に応じてグループ分けしたものを用いた。得られた画像は、標準生育画像で、「定植後０週目」が６９枚、「定植後１週目」が７２枚、「定植後２週目」が９３枚、「定植後３週目」が６０枚、「定植後４週目」が９０枚、「定植後５週目」が３６枚、「定植後６週目以降」が３０枚の計４５０枚であり、実環境生育画像でそれぞれ、１２枚、１２枚、１２枚、１１枚、１１枚、１１枚、５４枚の計１２３枚である。

分類器モデル２００では、高い認識精度を出すため、データセットを増大し、また各グループの画像枚数を等しくするため、標準生育画像４５０枚を各グループの枚数が１００枚になるまで増やした。増やし方は画像を１００枚になるまで左右反転、輝度変更、コントラスト変更を行った。このようにして標準生育画像の枚数は各グループ１００枚ずつの計７００枚としたが、実環境生育画像の枚数は増やさずに１２３枚を用いた。

標準生育画像７００枚を教師画像、実環境生育画像１２３枚を評価画像として実験を行った。本実験において用いた分類器モデル２００のＣＮＮの構造は、図３に示すものであるが、畳み込み層１のサイズは５×５×４０、プーリング層１のサイズは２×２、畳み込み層２のサイズは５×５×５０である。また、全結合層１のサイズは１１２００、全結合層２のサイズは５００、全結合層３のサイズは７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。

初めに判別率に関する結果を示す。下記表６は５回の試行回数の判別率の平均と標準偏差をまとめたものであり、１回目、５回目、１０回目、１５回目、２０回目の更新回数時の結果である。

上記表６より、教師画像の判別率は学習が進むにつれて上昇し、２０回目の更新回数終了時における判別率は９８．４%と高い判別率が得られた。その一方で、評価画像の判別率は学習が進んだとしてもあまり変わらず、２０回目の更新回数終了時における判別率は４２．８%と低いものとなった。実環境生育画像を用いた評価画像の判別率が向上しないことについて、次に説明する。

正解ラベルと不正解となった予測ラベルの対応をまとめたものを下記表７及び表８に示す。表７は教師画像の誤判別結果、表８は評価画像の誤判別結果であり、行が正解ラベル、列が予測ラベルを示している。

教師画像の誤判別に関しては、もともと付与されている正解ラベルに近いラベルを予測して誤判別している。例えば、上記表７の正解ラベルが０である「定植後０週目」の場合、「定植後１週目」と誤判別されている回数が２３２回、「定植後２週目」であると誤判別されている回数が１２．６回、「定植後３週目」であると誤判別されている回数が４．６回、「定植後４週目」であると誤判別されている回数が３．８回、「定植後５週目」であると誤判別されている回数が２．８回、「定植後６週目以降」であると誤判別されている回数が０回であった。

一方、評価画像に関しては「定植後０週目」と「定植後１週目」は「定植後２週目」と誤判別することが多く、正解ラベルよりも先の週を予測している。それに対し、「定植後２週目」は「定植後０週目」と、「定植後３週目」は「定植後２週目」と、「定植後４週目」も「定植後２週目」と、「定植後５週目」は「定植後３週目」と、「定植後６週目以降」は「定植後４週目」と誤判別することが多く、正解ラベルよりも前の週を予測している。特に、前の週を予測し誤判別している中で正解ラベルが「定植後３週目」を除く、「定植後２週目」、「定植後４週目」、「定植後５週目」、「定植後６週目以降」では２週間前を予測している。予測結果と表７より評価画像として用いた実環境生育画像中のレタスの生育は、教師画像として用いた標準生育画像中のレタスよりも成長が進むにつれて２週間程度の遅れがでていることがわかる。

すなわち、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２週間ほど成長が遅いものが多い。標準生育画像として用いたレタスの栽培時期は２０１６年１０月から２０１７年１月である。実環境生育画像として用いたレタスの栽培時期は２０１７年１０月から１２月であり、定植日は１０月１１日と１２日である。直後の１０月１５日から雨が続き、台風が接近した同月２２日は南あわじ市内に２４時間で２００ミリ超の雨が降り、多くの畑が冠水し、植えつけたばかりのレタスの根が傷んでしまったからだと推察できる。
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。

図７は、本実施例で説明する第１の観点による農作物生育推定装置１ａの機能ブロック図である。農作物生育推定装置１ａは、画像取得部３、葉齢推定部４、葉齢増加量算出部６、葉齢算出部７および収穫時期推定部８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。
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。

これに対して、本実施例における第１の観点による農作物生育推定装置１ａは、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と異なり、葉齢増加量算出部６、葉齢算出部７および収穫時期推定部８を更に備える。
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は、本実施例の農作物生育推定システムのシステム構成図を示している。図８に示すように、本実施例の農作物生育推定システム１４は、サーバ１５、ドローン１６、ユーザ端末１７を備え、サーバ１５、ドローン１６及びユーザ端末１７は、ネットワーク１８により通信可能となっている。
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。

図９は、本発明の第１の観点による農作物生育推定方法のフロー図を示している。図９に示すように、まず、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（ステップＳ０１：画像取得ステップ）。次に、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（ステップＳ０２：葉齢推定ステップ）。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（ステップＳ０３：葉齢増加量算出ステップ）。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（ステップＳ０４：葉齢算出ステップ）。最後に、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（ステップＳ０５：収穫時期推定ステップ）。

図１０は、本発明の第２の観点による農作物生育推定方法のフロー図を示している。フロー図に示すように、まず、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（ステップＳ１１：画像取得ステップ）。次に、学習済みの第２の分類器モデルを用いて画像を解析し、農作物の植付け後の週数を推定する（ステップＳ１２：週数推定ステップ）。

農作物生育推定方法の各ステップをコンピュータに実行させる農作物生育推定プログラムについて説明する。コンピュータは、ＣＰＵ、メモリ、ハードディスク、通信Ｉ／Ｆを備える。ＣＰＵは、ハードディスクに記録されているオペレーティング・システム（ＯＳ）、農作物生育推定プログラムその他のアプリケーションに基づいた処理を行う。メモリは、ＣＰＵに対して作業領域を提供する。ハードディスクは、オペレーティング・システム（ＯＳ）、農作物生育推定プログラム等その他のアプリケーション、及び農作物生育推定の結果得られた推定データを記録保持する。通信Ｉ／Ｆは、無線ＬＡＮ通信などのＩ／Ｆであり、外部のカメラの撮影した画像データを受信する。

農作物生育推定プログラムは、図９のフローに示す農作物生育推定方法における画像取得ステップ（ステップＳ０１）、葉齢推定ステップ（ステップＳ０２）、葉齢増加量算出ステップ（ステップＳ０３）、葉齢算出ステップ（ステップＳ０４）及び収穫時期推定ステップ（ステップＳ０５）をコンピュータに実行させる。或は、農作物生育推定プログラムは、図１０のフローに示す農作物生育推定方法における画像取得ステップ（ステップＳ１１）及び週数推定ステップ（ステップＳ１２）をコンピュータに実行させる。

本発明は、露地野菜など生育段階に応じて作物体形状に違いが見られる多くの農作物の発育段階の推定に有用である。

１，１ａ，２ 農作物生育推定装置
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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。