JP7366472B1 - 作付け支援方法と圃場作業支援システム等 - Google Patents
作付け支援方法と圃場作業支援システム等 Download PDFInfo
- Publication number
- JP7366472B1 JP7366472B1 JP2023065189A JP2023065189A JP7366472B1 JP 7366472 B1 JP7366472 B1 JP 7366472B1 JP 2023065189 A JP2023065189 A JP 2023065189A JP 2023065189 A JP2023065189 A JP 2023065189A JP 7366472 B1 JP7366472 B1 JP 7366472B1
- Authority
- JP
- Japan
- Prior art keywords
- soil
- field
- operator
- data
- agricultural machine
- 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 61
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000012876 topography Methods 0.000 claims abstract description 11
- 239000002689 soil Substances 0.000 claims description 218
- 230000006872 improvement Effects 0.000 claims description 102
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 61
- 244000005700 microbiome Species 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 15
- 235000015097 nutrients Nutrition 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000001976 improved effect Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 241001465754 Metazoa Species 0.000 claims description 4
- 230000004297 night vision Effects 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 description 107
- 238000004422 calculation algorithm Methods 0.000 description 101
- 238000003066 decision tree Methods 0.000 description 85
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 44
- 229910052757 nitrogen Inorganic materials 0.000 description 22
- 240000007594 Oryza sativa Species 0.000 description 19
- 235000007164 Oryza sativa Nutrition 0.000 description 19
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 19
- 229910052698 phosphorus Inorganic materials 0.000 description 19
- 239000011574 phosphorus Substances 0.000 description 19
- 235000009566 rice Nutrition 0.000 description 19
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 17
- 229910052700 potassium Inorganic materials 0.000 description 17
- 239000011591 potassium Substances 0.000 description 17
- 230000005856 abnormality Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000012706 support-vector machine Methods 0.000 description 13
- 239000005416 organic matter Substances 0.000 description 12
- 235000019645 odor Nutrition 0.000 description 11
- 238000007637 random forest analysis Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 235000003715 nutritional status Nutrition 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 9
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 9
- 240000003768 Solanum lycopersicum Species 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000003306 harvesting Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000003337 fertilizer Substances 0.000 description 8
- 239000007789 gas Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 235000014102 seafood Nutrition 0.000 description 7
- 241000209140 Triticum Species 0.000 description 6
- 235000021307 Triticum Nutrition 0.000 description 6
- 238000009360 aquaculture Methods 0.000 description 6
- 244000144974 aquaculture Species 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000011022 operating instruction Methods 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 239000003403 water pollutant Substances 0.000 description 6
- 244000068988 Glycine max Species 0.000 description 5
- 235000010469 Glycine max Nutrition 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000002378 acidificating effect Effects 0.000 description 5
- 239000004927 clay Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 4
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 4
- 235000011941 Tilia x europaea Nutrition 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 229910052791 calcium Inorganic materials 0.000 description 4
- 239000011575 calcium Substances 0.000 description 4
- 235000005822 corn Nutrition 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000004571 lime Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 235000021049 nutrient content Nutrition 0.000 description 4
- 240000007124 Brassica oleracea Species 0.000 description 3
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 3
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 3
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 3
- 244000061456 Solanum tuberosum Species 0.000 description 3
- 235000002595 Solanum tuberosum Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000002361 compost Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000012364 cultivation method Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 235000020188 drinking water Nutrition 0.000 description 3
- 239000003651 drinking water Substances 0.000 description 3
- 238000009313 farming Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000032258 transport Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 240000008067 Cucumis sativus Species 0.000 description 2
- 241000255925 Diptera Species 0.000 description 2
- 244000061458 Solanum melongena Species 0.000 description 2
- 235000002597 Solanum melongena Nutrition 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- UORVGPXVDQYIDP-UHFFFAOYSA-N borane Chemical compound B UORVGPXVDQYIDP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000003864 humus Substances 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 235000012015 potatoes Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 244000132059 Carica parviflora Species 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 244000007645 Citrus mitis Species 0.000 description 1
- 102100035932 Cocaine- and amphetamine-regulated transcript protein Human genes 0.000 description 1
- 235000013162 Cocos nucifera Nutrition 0.000 description 1
- 244000060011 Cocos nucifera Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 206010019345 Heat stroke Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 101000715592 Homo sapiens Cocaine- and amphetamine-regulated transcript protein Proteins 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 241000320508 Pentatomidae Species 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 241001291279 Solanum galapagense Species 0.000 description 1
- 241000255628 Tabanidae Species 0.000 description 1
- 229910021536 Zeolite Inorganic materials 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003463 adsorbent Substances 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 229910000085 borane Inorganic materials 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- HNPSIPDUKPIQMN-UHFFFAOYSA-N dioxosilane;oxo(oxoalumanyloxy)alumane Chemical compound O=[Si]=O.O=[Al]O[Al]=O HNPSIPDUKPIQMN-UHFFFAOYSA-N 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000002631 hypothermal effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000011499 joint compound Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 239000011785 micronutrient Substances 0.000 description 1
- 235000013369 micronutrients Nutrition 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000009335 monocropping Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 239000002362 mulch Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- -1 pH value Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 244000000000 soil microbiome Species 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000010920 waste tyre Substances 0.000 description 1
- 239000008207 working material Substances 0.000 description 1
- 239000010457 zeolite Substances 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Guiding Agricultural Machines (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
Description
AIによる水産物養殖場の水質の判定には、水中の化学物質や微生物などを測定するための様々な技術が知られており、AIを用いることで、膨大な量のデータを高速に処理し、より正確な判定を行うことができる。例えば、水中の溶存酸素量やpH値などをリアルタイムにモニタリングし、AIによってそれらのデータを解析することで、水質の変化を早期に検出することができる。また、水質に異常があった場合には、AIが自動でアラートを発信したり、管理者に水質の改善必要性を報知することもできる。さらに、AIを用いることで、水中の微生物や有害物質などを検出するためのセンサ技術の開発も進み広く知られているので、この技術によって、養殖場の水質管理をより効率的に行い、より安全で高品質な水産物の生産を実現することができる。
圃場土壌の改良要否をAIが判定するために、例えば以下のようなアルゴリズムを使用することが知られている。まず、エキスパートシステムでは、人間の専門家が持っている知識や経験をプログラムに取り込んで、専門家と同じような判断を行うシステムであり、土壌改良に関する知識を専門家から収集し、その知識をシステムに取り込んで、入力された土壌の情報から改良要否を判定することができる。また、ニューラルネットワークは、複数のニューロンから構成される人工的な神経回路網を用いたアルゴリズムであり、土壌の化学成分、土壌の物理的性質、肥料の使用量、作物の種類など、複数のパラメータを入力として受け取り、これらのパラメータから土壌改良要否を判定することができる。そして、決定木は、分岐の枝で条件分岐を行い、最終的に結果を出力するアルゴリズムであり、土壌のpH値、含水率、有機物含有率、窒素含有率、リン含有率などのパラメータを入力として受け取り、これらのパラメータから改良要否を判定することができる。また、サポートベクターマシン(SVM)は、データを分類する線や曲線を引くことにより、データの分類を行うアルゴリズムであり、土壌の化学成分、土壌の物理的性質、肥料の使用量、作物の種類など、複数のパラメータを入力として受け取り、これらのパラメータから土壌改良要否を判定することができる。
<データセット>
土壌酸度(pH):数値データ
土壌の栄養状態:カテゴリーデータ(高、中、低)
土壌の水はけ:カテゴリーデータ(良好、普通、悪い)
作付けする作物の種類:カテゴリーデータ(小麦、米、大豆)
<決定木アルゴリズム>
1、根ノード:作付けする作物の種類を選択
2、作付けする作物が小麦の場合:
・1つ目の分岐:土壌の栄養状態が高いかどうかを確認
・高い場合:土壌の水はけを確認
・良好な場合:改良不要
・普通または悪い場合:改良が必要
・低い場合:改良が必要
・2つ目の分岐:土壌の栄養状態が中または低い場合、改良が必要
3、作付けする作物が米の場合:
・1つ目の分岐:土壌の栄養状態が高いかどうかを確認
・高い場合:改良不要
・低い場合:土壌の水はけを確認
・良好な場合:改良不要
・普通または悪い場合:改良が必要
・2つ目の分岐:土壌の栄養状態が中または低い場合、改良が必要
4、作付けする作物が大豆の場合:
・1つ目の分岐:土壌の栄養状態が高いかどうかを確認
・高い場合:土壌の水はけを確認
・良好な場合:改良不要
・普通または悪い場合:改良が必要
・低い場合:改良が必要
・2つ目の分岐:土壌の栄養状態が中または低い場合、改良が必要
以上のように、作付けする作物の種類によって判断基準を変えることができる。
<データセット>
・土壌のph値(0-14)
・土壌の窒素含有量(%)
・土壌のリン含有量(%)
・作付けする作物の種類(トマト、キュウリ、ナス、ピーマンのいずれか)
<決定木アルゴリズム>
1、土壌のph値が6.5より高い場合、改良不要とする。
2、土壌のph値が6.5以下の場合、窒素含有量によって分岐する。
3、窒素含有量が1.0%より高い場合、作付けする作物によって分岐する。
4、トマトを作付けする場合、リン含有量によって分岐する。
5、リン含有量が0.5%より高い場合、改良不要とする。
6、リン含有量が0.5%以下の場合、改良必要とする。
7、キュウリ、ナス、ピーマンを作付けする場合、改良必要とする。
このような決定木アルゴリズムを、適切な学習アルゴリズムを使ってAIに覚えさせることができ、例えば、Decision Tree, Random Forest, XGBoostなどのアルゴリズムが利用可能である。データセットを学習アルゴリズムに与え、T適宜なパラメータを設定することで、AIは入力されたデータから土壌の改良要否を判定することができる。
<決定木のアルゴリズム>
1、土壌のpH値が6.5以上であるかどうかを判定する
・はい: 2に進む
・いいえ: 3に進む
2、土壌の窒素含有量が0.2%以上であるかどうかを判定する
・はい: 土壌改良不要と判定する
・いいえ: 土壌改良必要と判定する
3、土壌のカリウム含有量が0.3%以上であるかどうかを判定する
・はい: 土壌改良不要と判定する
・いいえ: 4に進む
4、作付けする作物の種類がトマトであるかどうかを判定する
・はい: 土壌改良必要と判定する
・いいえ: 土壌改良不要と判定する
<データセットの例>
以下の表3のように、土壌のpH値、窒素含有量、カリウム含有量、作付けする作物の種類、および土壌改良要否を含むデータセットを用意する。
このようなデータセットを使用して、決定木のアルゴリズムを学習させることができ、学習には、機械学習ライブラリやフレームワークを使用して、実装を行っても良い。
<決定木アルゴリズム>
1、圃場土壌のpH値が7.0以上であるかどうかを判定する
・Yes:2へ進む
・No:3へ進む
2、土壌中の主要栄養素(窒素、リン、カリウム)が不足しているかどうかを判定する
・Yes:改良必要
・No:改良不要
3、土壌中の主要栄養素のうち、少なくとも1つが過剰であるかどうかを判定する
・Yes:改良必要
・No:4へ進む
4、土壌中の微量栄養素のうち、少なくとも1つが不足しているかどうかを判定する
・Yes:改良必要
・No:改良不要
<データセット>
下記表4に示すように、作物の種類、pH値、窒素、リン、カリウム、亜鉛、ボラン、銅、マンガンのデータを含む、圃場土壌のデータセットとすることができる。
圃場土壌の改良要否を判断するために使用されるAIの一例として以下のようにしても良い。
<データセット>
・圃場土壌の性質(pH、有機物含有量、窒素含有量、リン含有量、カリウム含有量など)
・圃場土壌の種類(砂質土壌、粘質土壌、礫質土壌など)
・作物の種類(例:トマト、キャベツ、ジャガイモなど)
・圃場の地理的位置情報
<決定木アルゴリズム>
1、圃場土壌の性質のうち、最も影響を与える因子を選択する。
2、選択した因子の値によって、データを二つのグループに分ける。
3、各グループの中で最も影響を与える因子を選択し、2の手順を繰り返す。
4、分割ができなくなった場合、そのグループに含まれるデータの平均値を用いて、改良要否を判断する。
<入力情報の例>
・圃場土壌の性質(pH、有機物含有量、窒素含有量、リン含有量、カリウム含有量)
・圃場土壌の種類
・作物の種類と量
具体的には、以下の示す具体例のようにしても良い。
・圃場土壌の性質:pH=6.5、有機物含有量=2.5%、窒素含有量=0.1%、リン含有量=0.08%、カリウム含有量=0.2%
・圃場土壌の種類:粘質土壌
・作物の種類と量:トマト10株、キャベツ5株、ジャガイモ20kg
このような情報をAIに入力し、決定木アルゴリズムを適用することで、圃場土壌の改良要否を判断することができる。
<データセット>
・圃場土壌の性状(例えば、pH、有機物含量、窒素、リン、カリウム、カルシウム等)
・作付け予定作物の種類や量
・圃場土壌改良方法(例えば、石灰、堆肥、化学肥料、微生物肥料、有機物質等)
・圃場土壌の性状に基づく作物生育情報(例えば、育成期間中のpH、生育速度、収穫量等)
<決定木アルゴリズム>
以下のような決定木アルゴリズムを使用して、圃場土壌の改良要否を判断することができる。
・圃場土壌の性状が、作付け予定作物の生育に適しているかどうかを判断する。
・圃場土壌のpHが、作付け予定作物の適正pH範囲内にあるかどうかを判断する。
・圃場土壌の窒素、リン、カリウム、カルシウムが、作付け予定作物の必要量を満たしているかどうかを判断する。
・圃場土壌の性状が、作付け予定作物の生育に適していない場合、改良方法を決定する。
・圃場土壌のpHが適正でない場合、石灰の添加が必要かどうかを判断する。
・圃場土壌の窒素、リン、カリウム、カルシウムが不足している場合、化学肥料や堆肥の添加が必要かどうかを判断する。
・圃場土壌の有機物含量が不足している場合、有機物質の添加が必要かどうかを判断する。
<入力情報の例>
・圃場土壌の性状データ(pH、有機物含量、窒素、リン、カリウム、カルシウム等)
・作付け予定作物の種類や量
・圃場土壌改良方法の選択(石灰、堆肥、化学肥料、微生物肥料、有機物質等)
以上のように構成してAIが判定を行うものとしても良い。
そして、決定木アルゴリズムは、IF-THEN規則に基づいた分類器であるから、学習データセットを用いて、条件分岐によって分類を行う木構造のモデルをScikit-learnライブラリを用いた決定木アルゴリズムとして下記のように構成しても良い。
from sklearn.tree import DecisionTreeClassifier
# データセットの読み込み
X = [[1.0], [2.0], [3.0], [4.0], [5.0]]
y = [0, 0, 1, 1, 1]
# 決定木モデルの生成
clf = DecisionTreeClassifier()
clf.fit(X, y)
上記したコードでは、DecisionTreeClassifierクラスを用いて決定木モデルを生成し、fitメソッドで学習を行うものとする。
そして、入力情報としては、以下のような圃場土壌の特徴を用いることができる。
# 圃場土壌の特徴
X_test = [[2.5], [4.5]]
上記のコードでは、圃場土壌の特徴として2.5と4.5の2つの値を持つデータを生成している。
そして、判定結果の具体例として、生成された決定木モデルを用いて、入力情報から圃場土壌の改良要否を判断することができ、例えば、以下のようなコードを用いて判定を行うことができる。
# 判定結果の取得
y_pred = clf.predict(X_test)
# 判定結果の表示
print(y_pred) # => [0, 1]
上記したコードでは、predictメソッドを用いて入力情報から圃場土壌の改良要否を行うものとする。
<データセット>
・土壌の養分量 (高: 1, 中: 0, 低: -1)
・土壌の水分量 (多: 1, 普通: 0, 少: -1)
・土壌の酸性度 (酸性: 1, 中性: 0, アルカリ性: -1)
・作付け予定の作物 (トマト: 1, じゃがいも: 0, キャベツ: -1)
・土壌改良要否 (必要: 1, 不要: -1)
また、実際のデータ例として下記表6のようにできる。
<決定木アルゴリズム>
そして、以下のような決定木アルゴリズムを使用するものとする。
if 作物 = 1:
if 養分量 = -1:
土壌改良要否 = 1
elif 酸性度 = 1:
土壌改良要否 = 1
else:
土壌改良要否 = -1
elif 作物 = 0:
if 水分量 = -1:
土壌改良要否 = 1
else:
土壌改良要否 = -1
else:
土壌改良要否 = -1
<入力情報の具体例>
そして、以下に示すような具体的な入力情報としても良い。
養分量: 1
水分量: 0
酸性度: 0
作物: 1
このような入力情報を決定木アルゴリズムに入力すると、土壌改良要否は-1となる。
・土壌のpH値
・土壌の水分量
・土壌の栄養状態
・土壌の質
・作付け予定作物の種類
・作付け予定作物の量
次に、このデータセットを用いて決定木アルゴリズムを構築するが、以下のようにPythonのscikit-learnライブラリを用いた決定木アルゴリズムとしても良い。
from sklearn.tree import DecisionTreeClassifier
# データセットの読み込み
data = [[pH, water, nutrient, quality, crop, amount, improvement] for pH, water, nutrient, quality, crop, amount, improvement in dataset]
# 特徴量とラベルに分割
X = [d[:-1] for d in data]
y = [d[-1] for d in data]
# 決定木アルゴリズムの学習
clf = DecisionTreeClassifier()
clf.fit(X, y)
そして、上記した決定木アルゴリズムを用いて、以下のような入力情報を用いて圃場土壌の改良要否を判断することができる。
・土壌のpH値
・土壌の水分量
・土壌の栄養状態
・土壌の質
・作付け予定作物の種類
・作付け予定作物の量
すなわち具体的には、以下のように入力情報を指定する。
# 土壌のpH値が6.5、水分量が50、栄養状態が高、土壌の質が良好、作付け予定作物がトマト、作付け予定作物の量が10の場合
input_data = [[6.5, 50, 'high', 'good', 'tomato', 10]]
# 決定木アルゴリズムによる予測
prediction = clf.predict(input_data)
# 圃場土壌の改良要否を出力
if prediction[0] == 1:
print("圃場土壌の改良が必要です。")
else:
print("圃場土壌の改良は不要です。")
上記した例では、決定木アルゴリズムが出力する「1」と「0」がそれぞれ、「圃場土壌の改良が必要」と「圃場土壌の改良は不要」と対応する。
1、データセットは下記表7のように用意する。
2、決定木アルゴリズム
上記した表7のデータセットを用いて、以下のような決定木アルゴリズムを構築する。
if 過去の作付け作物 = トマト:
if 土壌pH > 6.2:
改良要否 = 不要
else:
改良要否 = 必要
elif 過去の作付け作物 = トウモロコシ:
if 土壌酸性度 = 酸性 or 有機物含有量 = 低:
改良要否 = 必要
else:
改良要否 = 不要
else:
改良要否 = 不要
3、入力情報
そして、決定木アルゴリズムの入力情報としては、以下のようになる。
・土壌pH:数値
・土壌酸性度:非酸性 or 酸性
・有機物含有量:低 or 中 or 高
・過去の作付け作物:トマト or トウモロコシ or その他
4、入力実例として下記のような入力情報が与えられた場合、改良要否が「必要」と判定されることとなる。
・土壌pH:5.6
・土壌酸性度:酸性
・有機物含有量:高
・過去の作付け作物:小麦
農作業機械の自動操縦をするかどうかを判断するためには、以下のようなアルゴリズムが考えられる。
1、ニューラルネットワーク
入力層:作業機械の種類、天候、時間帯、農作業の種類、敷地の地形や形状など
中間層:隠れ層1, 隠れ層2, ...
出力層:自動操縦するかどうかの判定(Yes or No)
2、決定木
データセット:農作業機械の種類、天候、時間帯、農作業の種類、敷地の地形や形状などの各要素を組み合わせたデータセット
決定木アルゴリズム:各要素を分岐として判定を行い、最終的に自動操縦するかどうかの判定をする。
3、サポートベクターマシン (SVM)
データセット:農作業機械の種類、天候、時間帯、農作業の種類、敷地の地形や形状などの各要素を組み合わせたデータセット
4、SVMアルゴリズム:各要素を特徴空間上にマッピングし、自動操縦するかどうかの境界線を決定する。
具体例としては、以下のようなデータセットが考えられる。
5、入力情報としては、例えば以下のようなものが考えられる。
農作業機械の種類:トラクタ、コンバイン、田植え機など
天候:晴れ、曇り、雨など
時間帯:朝、昼、夕方など
農作業の種類:耕うん、収穫、灌水など
敷地の地形:平坦、斜面など
1、農作業機械の種類を入力情報として受け取る。
2、農作業機械の種類に応じて、以下の情報を入力として受け取る。
・圃場の形状や大きさ
・圃場に生えている作物の種類や密度
・土壌の種類や含水量
・天候や気象条件
・作業の時間帯やスケジュール
3、上記の入力情報をもとに、以下の判定を行う。
3-1、農作業機械の自動操縦が可能な場合:
・圃場の形状が単純で障害物が少ない
・圃場に生えている作物の密度が低く、作物の種類が一種類である
・土壌の状態が均一で、含水量が一定範囲内に収まる
・天候や気象条件が安定しており、視界が良好である
・作業スケジュールがあらかじめ設定されており、時間的な余裕がある
3-2、農作業機械の自動操縦が不可能な場合:
・圃場の形状が複雑で、障害物が多い
・圃場に生えている作物の密度が高く、作物の種類が複数種類ある
・土壌の状態が不均一で、含水量が範囲外にある
・天候や気象条件が不安定で、視界が悪い
・作業スケジュールが厳密に決まっておらず、時間的な余裕がない
上記した決定木アルゴリズムに対して、以下のようなデータセットを用いて学習を行う。
表9のデータセットでは、機械、圃場、作物、土壌、天候、作業スケジュール、および自動操縦の可否を入力情報として使用している。
そして、データセットの各要素に対する具体例としては以下のようになる。
・農作業機械: トラクタ
・圃場の形状: 正方形、100m x 100m
・圃場に生えている作物の密度: 200本/m2
・土壌の状態: pH 6.5、窒素 100kg/ha、リン 50kg/ha、カリウム 150kg/ha
・含水量: 30%
・天候・気象条件: 晴れ、気温25℃、湿度60%
・作業スケジュール: 8時から17時まで、1時間ごとに作業予定あり
・自動操縦の可否: 可能
これらのデータを数値、数式、またはプログラムに変換する場合に、各要素に対して適切な変換方法を適用する必要があるが、たとえば、天候・気象条件は数値に変換することができ、気温25℃は数値25に、湿度60%は数値0.6に変換されても良い。また、作業スケジュールはプログラムによって表現することができるので、8時から17時までの時間帯を10個の時間帯に分割し、各時間帯の作業予定を1または0の値で表現することができる。
1、作業内容によって、機械を自動操縦するかどうかを判断する。
・作業内容が定型的な場合は、機械を自動操縦する。
・作業内容が非定型的な場合は、オペレータによる遠隔操縦をアシストする。
2、地形や障害物の有無によって、機械を自動操縦するかどうかを判断する。
・地形や障害物がない場合は、機械を自動操縦する。
・地形や障害物がある場合は、オペレータによる遠隔操縦をアシストする。
3、天候状況によって、機械を自動操縦するかどうかを判断する。
・天候状況が良好な場合は、機械を自動操縦する。
・天候状況が悪い場合は、オペレータによる遠隔操縦をアシストする。
上記の決定木アルゴリズムにおいて、学習に使用するデータセットは、機械の自動操縦が適切であるかどうかを判断するための基準となる作業内容、地形や障害物の有無、天候状況、そして機械の自動操縦が適切であったかどうかを判断するための評価データが必要となるところ、具体的な入力情報としては、以下のようなものが考えられる。
・作業内容:畑の草刈り、畑の耕耘、稲作の水やりなど
・地形や障害物:平地、斜面、岩、木など
・天候状況:晴れ、曇り、雨、雪など
・機械の状態:作業幅、速度、燃料残量、エラーコードなど
また、具体的なデータセットや決定木アルゴリズムの作成には、実際の農場でのデータや専門家の知見を活用することも有効であるが、例えば以下のように作成できる。
<データセットの例>
<決定木アルゴリズムの例>
上記表10のデータセットを用いた決定木アルゴリズムの具体例としては以下のようになる。
1、草丈が40cm以下の場合は自動操縦とする
2、草丈が40cmよりも大きく、かつ濡れた土壌でない場合はオペレータによる遠隔操縦をアシストとする
3、草丈が40cmよりも大きく、かつ濡れた土壌で、かつ丘陵地帯でない場合はオペレータによる遠隔操縦をアシストとする
4、草丈が40cmよりも大きく、かつ濡れた土壌で、かつ丘陵地帯の場合は自動操縦とする
この決定木アルゴリズムに従って、草丈が50cmで、濡れた土壌で、山地にある場合、オペレータによる遠隔操縦をアシストすることが適切な操縦方式と判断される。
さらに、この場合のデータセットと決定木アルゴリズム及び入力データは下記(例1)乃至(例3)のようにしても良い。
(例1)
<データセット>
以下のような特徴量とラベルを持つデータセットを用意する。
特徴量
・作業区画の面積(単位:ha)
・作業内容(耕うん、田植え、草刈り、収穫など)
・作業時間(単位:時間)
・天候(晴れ、曇り、雨)
・土壌湿度(乾燥、普通、湿り気がある)
・傾斜度(平坦、やや傾斜、急傾斜)
ラベル
・自動操縦可(1)
・オペレータによる遠隔操縦をアシストすることが必要(0)
<決定木アルゴリズム>
このようなデータセットを用いて決定木アルゴリズムを構築する。以下のようなルールを持つ決定木を考えることができる。
・作業区画の面積が100ha以上の場合は、自動操縦可(1)とする。
・作業区画の面積が100ha未満かつ、作業内容が耕うん、田植え、草刈りのいずれかである場合は、天候に関係なく自動操縦可(1)とする。
・作業区画の面積が100ha未満かつ、作業内容が収穫である場合は、以下の条件に基づいて判断する。
・作業時間が12時間以上で、天候が晴れか曇りである場合は自動操縦可(1)とする。
・作業時間が12時間以上で、天候が雨であっても、土壌湿度が普通以上であれば自動操縦可(1)とする。
・上記以外の場合は、オペレータによる遠隔操縦のアシストが必要(0)とする。
・作業区画の面積が100ha未満かつ、作業内容が収穫以外である場合は、傾斜度に関係なく自動操縦可(1)とする。
<入力情報の具体例>
・作業区画の面積:80ha
・作業内容:収穫
・作業時間:10時間
・天候:晴れ
・土壌湿度:湿り気がある
・傾斜度:急傾斜・・・
(例2)
<データセット>
・地形の起伏 (低い、やや低い、中程度、やや高い、高い)
・作業幅 (狭い、やや狭い、普通、やや広い、広い)
・作物の種類 (小麦、米、トウモロコシ、大豆、その他)
・天候 (晴れ、曇り、雨、雪、その他)
・作業時間帯 (昼間、夕方、夜間、その他)
・オペレータの経験年数 (1年未満、1年以上3年未満、3年以上5年未満、5年以上)
<決定木アルゴリズム>
・最初に、地形の起伏を分類するノードを設定
・その後、作業幅、作物の種類、天候、作業時間帯、オペレータの経験年数を順番に分類するノードを設定
・最終的に、オペレータの経験年数によって、自動操縦か遠隔操縦のアシストかを決定する
より具体的にPythonでの決定木アルゴリズムとしては下記表11のようになる。
表11の例では、sklearnライブラリを使用し、DecisionTreeClassifierクラスを使用して、決定木のモデルを作成し、criterionパラメータで不純度の計算方法を、max_depthパラメータで決定木の深さを指定している。
データセットは、pandasライブラリを使用してCSVファイルから読み込むものとし、また、ilocメソッドを使用して、特徴量とラベルを取得している。
新しいデータを予測する場合は、predictメソッドを使用する。new_dataには、予測したい新しいデータが含まれている。
<入力情報の具体例>
・地形の起伏:中程度
・作業幅:普通
・作物の種類:トウモロコシ
・天候:晴れ
・作業時間帯:昼間
・オペレータの経験年数:3年以上5年未満
上記の入力情報を決定木アルゴリズムに入力すると、オペレータの経験年数が3年以上5年未満であるため、オペレータによる遠隔操縦のアシスト操縦を行うものと判断される可能性が高くなる。
(例3)
<データセット>
・地形の情報(平地、斜面、段々畑など)
・作業する田んぼの形状や大きさ
・田んぼの土質情報(例えば、粘土、砂質、泥土など)
・作付けする作物の情報(例えば、種類、密度、作付け期間、栽培方法など)
・作業機械の情報(例えば、種類、サイズ、能力など)
・天候情報(例えば、晴天、雨天、積雪など)
<決定木アルゴリズム>
1、地形が平地かつ田んぼの形状が正方形または長方形の場合、自動操縦を行う。
2、地形が斜面または段々畑で、かつ田んぼの形状が正方形または長方形の場合、オペレータのアシスト操縦を行う。
3、田んぼの土質情報が砂質で、かつ作物が稲の場合、自動操縦を行う。
4、田んぼの土質情報が粘土で、かつ作物が小麦の場合、オペレータのアシストを行う。
5、作業機械の種類が田植え機で、かつ作付け期間が5月中旬から6月上旬の場合、自動操縦を行う。
6、天候が雨天で、かつ作物が大豆の場合、オペレータのアシストを行う。
7、上記以外の場合は、オペレータの判断により自動操縦またはオペレータのアシストを行う。
具体的には、Pythonで実装された決定木アルゴリズムは下記表12のようになる。
表12のプログラムでは、CSVファイルからデータセットを読み込み、特徴量とラベルを分割し、決定木アルゴリズムを作成してモデルを学習する。そして、新しいデータを予測し、予測結果を出力する。新しいデータには、地形の情報、作業する田んぼの形状や大きさ、田んぼの土質情報、作付けする作物の情報、作業機械の情報、天候情報が含まれる。
このようなAI入力情報として下記表13に示すものとできる。ここで、表13の各情報の意味は以下の通りとなる。
terrain: 地形の情報。flat(平地)、slope(斜面)、terraced(段々畑)のいずれか。
field_shape: 田んぼの形状や大きさ。square(正方形)、rectangle(長方形)、irregular(不規則)のいずれか。
soil_type: 土質情報。clay(粘土)、sandy(砂質)、loam(泥土)のいずれか。
crop: 作付けする作物の情報。rice(米)、wheat(小麦)、soybean(大豆)のいずれか。
crop_density: 作付け密度の情報。low(低密度)、medium(中密度)、high(高密度)のいずれか。
crop_season: 作付け期間の情報。spring(春)、summer(夏)、autumn(秋)のいずれか。
cultivation_method: 栽培方法の情報。dry-field farming(乾田)、paddy-field farming(水田)のいずれか。
machine_type: 使用する農作業機械の情報。tractor(トラクタ)、combine harvester(コンバイン)のいずれか。
machine_size: 農作業機械のサイズの情報。small(小型)、medium(中型)、large(大型)のいずれか。
machine_capacity: 農作業機械の能力の情報。low(低能力)、medium(中能力)、high(高能力)のいずれか。
weather: 天候情報。sunny(晴天)、rainy(雨天)、snowy(積雪)のいずれか。
例えば、作業機械の自動制御機能の実行をAIが行うものとし、AIが農作業機械が自動的に行うべき作業や走行操舵を予測し、自動制御機能を実行することができる。これにより、オペレータは、より高度なタスクに集中することができる。また、モニタリングとデータ収集をAIが行うものとし、作業機械のセンサからのデータをモニタリングし、データを収集することができる。これにより、オペレータは、農作業機械の状態を把握し、必要に応じて遠隔操作することができる。また、作業プロセスの最適化をAIが行うものとし、作業機械が最適な方法で作業を行うためのアドバイスを提供することができる。たとえば、作物の密度や作付け期間などの情報を基に、作業機械が最適な速度や深度で作業を行うようアシストすることができる。エラー検出と診断をAIが行うものとし、作業機械のエラーを検出し、原因を特定することができる。これにより、オペレータは、作業機械の修理やメンテナンスに必要な情報を得ることができる。さらに、次の作業の準備をAIが行うものとし、次の作業に必要な作業機械の設定や準備を行うことができる。たとえば、作業機械の部品の交換や充電などを自動的に行うことができる。上記した事項の全てまたはいずれか任意の機能をAIによる操縦アシストの典型例として理解することができる。
表14のプログラムでは、assist_operator関数がAIによるアシストを担当している。距離と角度の2つの入力情報を受け取り、それに基づいて農作業機械の速度と方向を決定する。具体的には、距離が一定以下の場合は停止し、角度が一定範囲外の場合は旋回し、それ以外の場合は前進する。テスト用の距離と角度を設定し、assist_operator関数を呼び出して、結果を出力する。この例では、距離が15で角度が-5の場合、AIが前進することを判断し、速度は1、方向は0となる。
Claims (8)
- ドローンが測量した圃場の地形と高低差との地図データを受信して3D表示するモニターと、
全方位カメラと、傾斜計と、振動計または/及び加速度センサと、GPSと、ソナーと、ジャイロと、臭気計と、温度計と、湿度計と、暗視カメラと、音響マイクとを少なくとも含むモニタリング計装装置を備え、前記圃場に配置される遠隔操作可能農作業機械と、
前記モニタリング計装装置から送信されるデータに基づいて、前記遠隔操作可能農作業機械の位置と向きとをリアルタイムで前記3D表示された地図データに示す前記モニター、を視認可能に配置されるとともに、前記遠隔操作可能農作業機械の振動または/及び加速度と、騒音と、傾きとをリアルタイムで反映するように、少なくとも複数のアクチュエータとスピーカとを備えるオペレータ席と、を備え、
前記遠隔操作可能農作業機械は、前記オペレータ席に着席するオペレータによって遠隔操縦されるように構成され、
前記遠隔操作可能農作業機械はさらにAIを搭載し、
前記AIは、有人オペレータ操作時の運行記録として前記モニタリング計装装置で取得されたデータを予め蓄積することでその操縦・操作を予め学習しており、学習した前記データに基づいて、前記オペレータによる遠隔操縦をアシストするか自動操縦をする
ことを特徴とする圃場作業支援システム。 - 請求項1に記載の圃場作業支援システムにおいて、
前記遠隔操作可能農作業機械は、進行方向の目前に前記モニタリング計装装置により障害物または動物が検知された場合には自動停止するとともに、前記オペレータに通知する
ことを特徴とする圃場作業支援システム。 - 請求項1に記載の圃場作業支援システムにおいて、
前記遠隔操作可能農作業機械の前記オペレータによる遠隔操縦は、無線による遠隔操縦である
ことを特徴とする圃場作業支援システム。 - 請求項1に記載の圃場作業支援システムにおいて、
前記3D表示するモニターは、
360度モニターとして前記オペレータの周囲頭上に配置されるモニターであるか、または3DのVRゴーグルまたはVR眼鏡であるか、両者の組み合わせか、である
ことを特徴とする圃場作業支援システム。 - 請求項1に記載の圃場作業支援システムにおいて、
前記モニターは半球状のドーム型モニターである
ことを特徴とする圃場作業支援システム。 - 請求項1に記載の圃場作業支援システムを用いた支援方法において、
前記オペレータ席に着席するオペレータが、前記モニターを視認しながら、かつ前記遠隔操作可能農作業機械の状態のうち、振動または/及び加速度と、騒音と、傾きとを体感しながら体感シミュレーションゲーム感覚で現実の前記遠隔操作可能農作業機械を遠隔操作する工程を有する
ことを特徴とする支援方法。 - 圃場土壌に含まれる有害物質または栄養素またはPHまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データを取得してAIにして、前記AIに蓄積された圃場データに基づいて、前記AIが前記圃場土壌の改良要否を判定し、前記AIが前記圃場土壌の改良が必要と判定した場合に、土壌改良作業機を用いて前記圃場土壌の改良を行った後に作付けする通知を発出するAIを用いた土壌改良または作付けにおいて、請求項6に記載の支援方法を用いる
ことを特徴とするAI判断に基づく圃場作業方法。 - 請求項6に記載の支援方法において、
前記オペレータが前記遠隔操作可能農作業機械を遠隔操作する工程において、前記遠隔操作可能農作業機械の周囲の安全確認のために前記ドローンによる監視を行う
ことを特徴とする支援方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022108164 | 2022-07-05 | ||
JP2022108164 | 2022-07-05 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7366472B1 true JP7366472B1 (ja) | 2023-10-23 |
JP2024007317A JP2024007317A (ja) | 2024-01-18 |
Family
ID=88418538
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023022773A Pending JP2024007313A (ja) | 2022-07-05 | 2023-02-16 | 作付け支援方法と圃場作業支援システム等 |
JP2023065189A Active JP7366472B1 (ja) | 2022-07-05 | 2023-04-12 | 作付け支援方法と圃場作業支援システム等 |
JP2023110992A Active JP7438516B2 (ja) | 2022-07-05 | 2023-07-05 | 作付け支援方法と圃場作業支援システム等 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023022773A Pending JP2024007313A (ja) | 2022-07-05 | 2023-02-16 | 作付け支援方法と圃場作業支援システム等 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023110992A Active JP7438516B2 (ja) | 2022-07-05 | 2023-07-05 | 作付け支援方法と圃場作業支援システム等 |
Country Status (1)
Country | Link |
---|---|
JP (3) | JP2024007313A (ja) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2731663B2 (ja) | 1992-04-07 | 1998-03-25 | 株式会社クボタ | 農作業機の操向機構 |
JP2010522293A (ja) | 2007-03-20 | 2010-07-01 | ディーア・アンド・カンパニー | 資材の載荷または掘削用車両を制御する方法およびシステム |
JP2011155938A (ja) | 2010-02-03 | 2011-08-18 | Daitsu:Kk | 遠隔操作式農業用トラクター |
JP2014048859A (ja) | 2012-08-31 | 2014-03-17 | Ihi Aerospace Co Ltd | 遠隔操縦システム |
JP2016156193A (ja) | 2015-02-25 | 2016-09-01 | 株式会社日立製作所 | 操作支援システムおよび操作支援システムを備えた作業機械 |
WO2017042873A1 (ja) | 2015-09-08 | 2017-03-16 | 株式会社日立製作所 | 遠隔操作システムおよび操作支援システム |
JP6220961B2 (ja) | 2014-04-09 | 2017-10-25 | 株式会社日立製作所 | 作業機械の遠隔操縦システム |
JP2019007139A (ja) | 2017-06-20 | 2019-01-17 | コベルコ建機株式会社 | 建設機械遠隔操作システム |
US20190039862A1 (en) | 2016-01-14 | 2019-02-07 | Michael PALBERG | Remote control device for a crane, a construction machine and/or for a pallet truck |
WO2019111859A1 (ja) | 2017-12-04 | 2019-06-13 | 住友重機械工業株式会社 | 周辺監視装置、情報処理端末、情報処理装置、情報処理プログラム |
JP3223500U (ja) | 2019-08-01 | 2019-10-10 | 秀文 玉利 | 遠隔操縦システム |
JP2020011593A (ja) | 2018-07-18 | 2020-01-23 | 株式会社フジタ | 作業機械を監視する移動式飛行体装置 |
JP6730501B1 (ja) | 2019-10-08 | 2020-07-29 | アイコンヤマト株式会社 | 自動図化装置、自動図化方法および自動図化プログラム |
JP2020123013A (ja) | 2019-01-29 | 2020-08-13 | ヤンマーパワーテクノロジー株式会社 | 自律走行制御システム |
JP2020143520A (ja) | 2019-03-07 | 2020-09-10 | コベルコ建機株式会社 | 遠隔操作システム |
JP2020159147A (ja) | 2019-03-27 | 2020-10-01 | 株式会社フジタ | 自動操縦システム |
JP6785018B1 (ja) | 2019-07-25 | 2020-11-18 | 株式会社プロドローン | 遠隔操縦システムおよびその操縦装置 |
JP6947659B2 (ja) | 2018-02-16 | 2021-10-13 | 株式会社神戸製鋼所 | 建設機械の位置推定装置 |
JP6949417B1 (ja) | 2020-05-18 | 2021-10-13 | 防衛装備庁長官 | 車両操縦システムと車両操縦方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0569832A (ja) * | 1991-09-17 | 1993-03-23 | Nippon Telegr & Teleph Corp <Ntt> | 遠隔操縦ロボツト操舵システム |
-
2023
- 2023-02-16 JP JP2023022773A patent/JP2024007313A/ja active Pending
- 2023-04-12 JP JP2023065189A patent/JP7366472B1/ja active Active
- 2023-07-05 JP JP2023110992A patent/JP7438516B2/ja active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2731663B2 (ja) | 1992-04-07 | 1998-03-25 | 株式会社クボタ | 農作業機の操向機構 |
JP2010522293A (ja) | 2007-03-20 | 2010-07-01 | ディーア・アンド・カンパニー | 資材の載荷または掘削用車両を制御する方法およびシステム |
JP2011155938A (ja) | 2010-02-03 | 2011-08-18 | Daitsu:Kk | 遠隔操作式農業用トラクター |
JP2014048859A (ja) | 2012-08-31 | 2014-03-17 | Ihi Aerospace Co Ltd | 遠隔操縦システム |
JP6220961B2 (ja) | 2014-04-09 | 2017-10-25 | 株式会社日立製作所 | 作業機械の遠隔操縦システム |
JP2016156193A (ja) | 2015-02-25 | 2016-09-01 | 株式会社日立製作所 | 操作支援システムおよび操作支援システムを備えた作業機械 |
WO2017042873A1 (ja) | 2015-09-08 | 2017-03-16 | 株式会社日立製作所 | 遠隔操作システムおよび操作支援システム |
US20190039862A1 (en) | 2016-01-14 | 2019-02-07 | Michael PALBERG | Remote control device for a crane, a construction machine and/or for a pallet truck |
JP2019007139A (ja) | 2017-06-20 | 2019-01-17 | コベルコ建機株式会社 | 建設機械遠隔操作システム |
WO2019111859A1 (ja) | 2017-12-04 | 2019-06-13 | 住友重機械工業株式会社 | 周辺監視装置、情報処理端末、情報処理装置、情報処理プログラム |
JP6947659B2 (ja) | 2018-02-16 | 2021-10-13 | 株式会社神戸製鋼所 | 建設機械の位置推定装置 |
JP2020011593A (ja) | 2018-07-18 | 2020-01-23 | 株式会社フジタ | 作業機械を監視する移動式飛行体装置 |
JP2020123013A (ja) | 2019-01-29 | 2020-08-13 | ヤンマーパワーテクノロジー株式会社 | 自律走行制御システム |
JP2020143520A (ja) | 2019-03-07 | 2020-09-10 | コベルコ建機株式会社 | 遠隔操作システム |
JP2020159147A (ja) | 2019-03-27 | 2020-10-01 | 株式会社フジタ | 自動操縦システム |
JP6785018B1 (ja) | 2019-07-25 | 2020-11-18 | 株式会社プロドローン | 遠隔操縦システムおよびその操縦装置 |
JP3223500U (ja) | 2019-08-01 | 2019-10-10 | 秀文 玉利 | 遠隔操縦システム |
JP6730501B1 (ja) | 2019-10-08 | 2020-07-29 | アイコンヤマト株式会社 | 自動図化装置、自動図化方法および自動図化プログラム |
JP6949417B1 (ja) | 2020-05-18 | 2021-10-13 | 防衛装備庁長官 | 車両操縦システムと車両操縦方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2024007547A (ja) | 2024-01-18 |
JP7438516B2 (ja) | 2024-02-27 |
JP2024007313A (ja) | 2024-01-18 |
JP2024007317A (ja) | 2024-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roshanianfard et al. | A review of autonomous agricultural vehicles (The experience of Hokkaido University) | |
Mousazadeh | A technical review on navigation systems of agricultural autonomous off-road vehicles | |
Krishna | Push button agriculture: Robotics, drones, satellite-guided soil and crop management | |
US10362733B2 (en) | Agricultural harvester configured to control a biomass harvesting rate based upon soil effects | |
Bergerman et al. | Robotics in agriculture and forestry | |
Bonadies et al. | A survey of unmanned ground vehicles with applications to agricultural and environmental sensing | |
US6671582B1 (en) | Flexible agricultural automation | |
CN111373425A (zh) | 对农艺田地上作物上的病害的数字建模 | |
van Evert et al. | A robot to detect and control broad‐leaved dock (Rumex obtusifolius L.) in grassland | |
CN101872440A (zh) | 用于管理资源使用的系统和方法 | |
CA3171571A1 (en) | Horticulture aided by autonomous systems | |
CA3171575A1 (en) | Horticulture aided by autonomous systems | |
Rovira-Más et al. | Robotics for precision viticulture | |
Rautio et al. | Perspectives: Lean forestry–A paradigm shift from economies of scale to precise and sustainable use of ecosystem services in forests | |
JP7366472B1 (ja) | 作付け支援方法と圃場作業支援システム等 | |
Rogers et al. | An open source seeding agri-robot | |
McLellan | Smart farming: How IoT, robotics, and AI are tackling one of the biggest problems of the century | |
Zhou et al. | Creeping bentgrass yield prediction with machine learning models | |
Have et al. | Autonomous weeders for Christmas tree plantations–a feasibility study | |
WO2023119871A1 (ja) | 自動走行を行う農業機械のための経路計画システムおよび経路計画方法 | |
Reddy et al. | A smartphone controlled fertilizing and plant watering garduino | |
CN114971212A (zh) | 一种基于农业物联网的元宇宙交互系统及其方法 | |
Nagchaudhuri et al. | Student Experiential Learning Projects in Agricultural Automation and Smart Farming | |
WO2023106158A1 (ja) | 自動運転を行う農業機械のための経路計画システム | |
Bharti et al. | Impact of artificial intelligence for agricultural sustainability |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230412 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230412 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230630 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230712 |
|
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: 20231002 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231003 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7366472 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |