JPWO2018173577A1 - 植生指標算出装置、植生指標算出方法、及びプログラム - Google Patents
植生指標算出装置、植生指標算出方法、及びプログラム Download PDFInfo
- Publication number
- JPWO2018173577A1 JPWO2018173577A1 JP2019507446A JP2019507446A JPWO2018173577A1 JP WO2018173577 A1 JPWO2018173577 A1 JP WO2018173577A1 JP 2019507446 A JP2019507446 A JP 2019507446A JP 2019507446 A JP2019507446 A JP 2019507446A JP WO2018173577 A1 JPWO2018173577 A1 JP WO2018173577A1
- Authority
- JP
- Japan
- Prior art keywords
- image
- crop
- vegetation index
- learning model
- learning
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
Index)が知られている。NDVIは、植物の葉が青と赤の波長を吸収し、近赤外線領域の波長を強く反射する特性を利用した指数であり、植生の分布状況及び活性度を示している。NDVIの値が、正の大きな値になるほど、植生が濃くなる傾向にある。
植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物の画像を特定する、特定部と、
前記特定部が特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、植生指標算出部と、
を備えている、ことを特徴とする。
植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物以外の植物の画像を特定する、特定部と、
前記上空画像を用いて第1の植生指標を算出し、前記特定部が特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、植生指標算出部と、
前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、植生指標補正部と、
を備えている、ことを特徴とする。
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
(d)前記(c)のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする。
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
(d)前記上空画像を用いて第1の植生指標を算出し、前記(c)のステップで特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、ステップと、
(e)前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする。
コンピュータに、
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
(d)前記(c)のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を実行させる命令を含む、プログラムを記録していることを特徴とする。
コンピュータに、
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
(d)前記上空画像を用いて第1の植生指標を算出し、前記(c)のステップで特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、ステップと、
(e)前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
実行させる命令を含む、プログラムを記録していることを特徴とする。
以下、本発明の実施の形態1における、植生指標算出装置、植生指標算出方法、及びプログラムについて、図1〜図6を参照しながら説明する。
最初に、本実施の形態1における植生指標算出装置の構成について図1を用いて説明する。図1は、本発明の実施の形態1における植生指標算出装置の構成を示すブロック図である。
次に、本発明の実施の形態1における植生指標算出装置10の動作について図4〜図6を用いて説明する。また、本実施の形態1では、植生指標算出装置10を動作させることによって、植生指標算出方法が実施される。よって、本実施の形態1における植生指標算出方法の説明は、以下の植生指標算出装置の動作説明に代える。
本実施の形態1におけるプログラムは、コンピュータに、図4に示すステップA1〜A4(又は図5に示すステップB1〜B3)と、図6に示すステップC1〜C3とを実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態1における植生指標算出装置10と植生指標算出方法とを実現することができる。この場合、コンピュータのプロセッサは、学習モデル生成部11、画像取得部12、特定部13、及び植生指標算出部14として機能し、処理を行なう。
続いて、本発明の実施の形態2における、植生指標算出装置、植生指標算出方法、及びプログラムについて、図7〜図8を参照しながら説明する。
最初に、本実施の形態2における植生指標算出装置の構成について図7を用いて説明する。図7は、本発明の実施の形態2における植生指標算出装置の構成を示すブロック図である。
次に、本発明の実施の形態2における植生指標算出装置20の動作について図8を用いて説明する。図8は、本発明の実施の形態2における植生指標算出装置の植生指標算出処理時の動作を示すフロー図である。また、本実施の形態2では、植生指標算出装置20を動作させることによって、植生指標算出方法が実施される。よって、本実施の形態2における植生指標算出方法の説明は、以下の植生指標算出装置の動作説明に代える。
本実施の形態2におけるプログラムは、コンピュータに、図4に示すステップA1〜A4(又は図5に示すステップB1〜B3)と、図8に示すステップD1〜D5とを実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態2における植生指標算出装置20と植生指標算出方法とを実現することができる。この場合、コンピュータのプロセッサは、学習モデル生成部21、画像取得部22、特定部23、植生指標算出部24、及び植生指標補正部25として機能し、処理を行なう。
ここで、本実施の形態1及び2におけるプログラムを実行することによって、植生指標算出装置10を実現するコンピュータについて図9を用いて説明する。図9は、本発明の実施の形態1又は2における植生指標算出装置を実現するコンピュータの一例を示すブロック図である。
上述した実施の形態の一部又は全部は、以下に記載する(付記1)〜(付記12)によって表現することができるが、以下の記載に限定されるものではない。
(付記1) 植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物の画像を特定する、特定部と、
前記特定部が特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、植生指標算出部と、
を備えている、ことを特徴とする植生指標算出装置。
(付記2) 前記学習モデル生成部が、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
付記1に記載の植生指標算出装置。
(付記3) 前記学習モデル生成部が、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
付記1に記載の植生指標算出装置。
(付記4) 植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物以外の植物の画像を特定する、特定部と、
前記上空画像を用いて第1の植生指標を算出し、前記特定部が特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、植生指標算出部と、
前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、植生指標補正部と、
を備えている、ことを特徴とする植生指標算出装置。
(付記5)(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
(d)前記(c)のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする植生指標算出方法。
(付記6) 前記(a)のステップにおいて、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
付記5に記載の植生指標算出方法。
(付記7) 前記(a)のステップにおいて、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
付記5に記載の植生指標算出方法。
(付記8)(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
(d)前記上空画像を用いて第1の植生指標を算出し、前記(c)のステップで特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、ステップと、
(e)前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする植生指標算出方法。
(付記9)コンピュータに、
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
(d)前記(c)のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を実行させる命令を含む、プログラムを記録している、ことを特徴とするコンピュータ読み取り可能な記録媒体。
(付記10) 前記(a)のステップにおいて、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
付記9に記載のコンピュータ読み取り可能な記録媒体。
(付記11) 前記(a)のステップにおいて、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
付記9に記載のコンピュータ読み取り可能な記録媒体。
(付記12)コンピュータに、
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
(d)前記上空画像を用いて第1の植生指標を算出し、前記(c)のステップで特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、ステップと、
(e)前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
実行させる命令を含む、プログラムを記録している、ことを特徴とするコンピュータ読み取り可能な記録媒体。
11 学習モデル生成部
12 画像取得部
13 特定部
14 植生指標算出部
15 学習モデル
20 植生指標算出装置(実施の形態2)
21 学習モデル生成部
22 画像取得部
23 特定部
24 植生指標算出部
25 植生指標補正部
26 学習モデル
110 コンピュータ
111 CPU
112 メインメモリ
113 記憶装置
114 入力インターフェイス
115 表示コントローラ
116 データリーダ/ライタ
117 通信インターフェイス
118 入力機器
119 ディスプレイ装置
120 記録媒体
121 バス
コンピュータに、
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
(d)前記(c)のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を実行させることを特徴とする。
コンピュータに、
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
(d)前記上空画像を用いて第1の植生指標を算出し、前記(c)のステップで特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、ステップと、
(e)前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
実行させることを特徴とする。
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
(d)前記(c)のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を実行させるプログラム。
付記9に記載のプログラム。
付記9に記載のプログラム。
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
(d)前記上空画像を用いて第1の植生指標を算出し、前記(c)のステップで特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、ステップと、
(e)前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
実行させるプログラム。
Claims (12)
- 植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物の画像を特定する、特定部と、
前記特定部が特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、植生指標算出部と、
を備えている、ことを特徴とする植生指標算出装置。 - 前記学習モデル生成部が、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
請求項1に記載の植生指標算出装置。 - 前記学習モデル生成部が、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
請求項1に記載の植生指標算出装置。 - 植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、学習モデル生成部と、
前記農作物が栽培されている対象領域の上空画像を取得する、画像取得部と、
前記学習モデル生成部が生成した前記学習モデルに、前記画像取得部が取得した前記上空画像を適用して、前記画像取得部が取得した前記上空画像における前記農作物以外の植物の画像を特定する、特定部と、
前記上空画像を用いて第1の植生指標を算出し、前記特定部が特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、植生指標算出部と、
前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、植生指標補正部と、
を備えている、ことを特徴とする植生指標算出装置。 - (a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
(d)前記(c)のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする植生指標算出方法。 - 前記(a)のステップにおいて、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
請求項5に記載の植生指標算出方法。 - 前記(a)のステップにおいて、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
請求項5に記載の植生指標算出方法。 - (a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
(d)前記上空画像を用いて第1の植生指標を算出し、前記(c)のステップで特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、ステップと、
(e)前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
を有する、ことを特徴とする植生指標算出方法。 - コンピュータに、
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物の画像を特定する、ステップと、
(d)前記(c)のステップで特定した前記農作物の画像を用いて、前記農作物の植生指標を算出する、ステップと、
を実行させる命令を含む、プログラムを記録している、ことを特徴とするコンピュータ読み取り可能な記録媒体。 - 前記(a)のステップにおいて、学習用の上空画像から、前記農作物が存在している領域及び前記農作物以外の植物が存在している領域それぞれにおける、形状、色、位置を示す特徴量を抽出し、サポートベクトルマシンを用いて、前記農作物が存在している領域の形状、色、位置を示す特徴量を学習し、その学習結果を示す前記学習モデルを生成する、
請求項9に記載のコンピュータ読み取り可能な記録媒体。 - 前記(a)のステップにおいて、学習用の上空画像から、ディープラーニングによって、前記農作物の上空からの画像と、前記農作物以外の植物の上空からの画像と、を識別する分類器を作成し、作成した前記分類器を前記学習モデルとする、
請求項9に記載のコンピュータ読み取り可能な記録媒体。 - コンピュータに、
(a)植生指標の算出対象となる農作物の画像と、前記農作物以外の植物の画像と、を用いて前記農作物以外の植物の画像の特徴量を学習することによって、学習モデルを生成する、ステップと、
(b)前記農作物が栽培されている対象領域の上空画像を取得する、ステップと、
(c)前記(a)のステップで生成した前記学習モデルに、前記(b)のステップで取得した前記上空画像を適用して、前記(b)のステップで取得した前記上空画像における前記農作物以外の植物の画像を特定する、ステップと、
(d)前記上空画像を用いて第1の植生指標を算出し、前記(c)のステップで特定した前記農作物以外の植物の画像を用いて第2の植生指標を算出する、ステップと、
(e)前記第1の植生指標を、前記第2の植生指標で補正することにより、前記農作物の植生指標を算出する、ステップと、
実行させる命令を含む、プログラムを記録している、ことを特徴とするコンピュータ読み取り可能な記録媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017057781 | 2017-03-23 | ||
JP2017057781 | 2017-03-23 | ||
PCT/JP2018/005579 WO2018173577A1 (ja) | 2017-03-23 | 2018-02-16 | 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2018173577A1 true JPWO2018173577A1 (ja) | 2019-11-07 |
JP6631747B2 JP6631747B2 (ja) | 2020-01-15 |
Family
ID=63586544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019507446A Active JP6631747B2 (ja) | 2017-03-23 | 2018-02-16 | 植生指標算出装置、植生指標算出方法、及びプログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US11417089B2 (ja) |
EP (1) | EP3605455A4 (ja) |
JP (1) | JP6631747B2 (ja) |
WO (1) | WO2018173577A1 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6729791B2 (ja) * | 2017-03-23 | 2020-07-22 | 日本電気株式会社 | 植生指標算出装置、植生指標算出方法、及びプログラム |
JP7068747B2 (ja) * | 2019-01-30 | 2022-05-17 | 株式会社オプティム | コンピュータシステム、作物生育支援方法及びプログラム |
JP7273259B2 (ja) * | 2019-06-17 | 2023-05-15 | 株式会社パスコ | 植生領域判定装置及びプログラム |
CN110852149B (zh) * | 2019-09-24 | 2022-10-04 | 广州地理研究所 | 基于分类和回归树算法的植被指数预测方法、系统及设备 |
JPWO2021153791A1 (ja) * | 2020-01-31 | 2021-08-05 | ||
CN112861807B (zh) * | 2021-03-18 | 2022-12-09 | 国家海洋信息中心 | 一种基于改进gli指数和深度学习的极地植被提取方法 |
CN115830442B (zh) * | 2022-11-11 | 2023-08-04 | 中国科学院空天信息创新研究院 | 一种基于机器学习的小麦茎蘖密度遥感估算方法和系统 |
CN117372503B (zh) * | 2023-12-08 | 2024-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种河湖岸带植被分类及覆盖度计算方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003009664A (ja) * | 2001-06-29 | 2003-01-14 | Minolta Co Ltd | 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体 |
JP2006085517A (ja) * | 2004-09-17 | 2006-03-30 | Hiroshima Pref Gov | 衛星データによる森林地域の植生分類方法 |
JP2008152425A (ja) * | 2006-12-15 | 2008-07-03 | Hitachi Software Eng Co Ltd | 農地区画データ作成システム |
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 |
JP2014191624A (ja) * | 2013-03-27 | 2014-10-06 | Kobe Univ | 植物体の画像生成装置 |
JP2015188333A (ja) * | 2014-03-27 | 2015-11-02 | 株式会社日立製作所 | 植生生長分析システム及び方法 |
JP2016168046A (ja) * | 2015-03-09 | 2016-09-23 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150206255A1 (en) * | 2011-05-13 | 2015-07-23 | HydroBio, Inc | Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data |
EP2822380B1 (en) * | 2012-03-07 | 2022-12-21 | Blue River Technology, Inc. | Method and apparatus for automated plant necrosis |
US20150254800A1 (en) * | 2014-03-06 | 2015-09-10 | F12 Solutions, Llc | Nitrogen status determination in growing crops |
US10349584B2 (en) * | 2014-11-24 | 2019-07-16 | Prospera Technologies, Ltd. | System and method for plant monitoring |
JP5892275B2 (ja) * | 2015-02-26 | 2016-03-23 | カシオ計算機株式会社 | 多クラス識別器生成装置、データ識別装置、多クラス識別器生成方法、データ識別方法、及びプログラム |
JP6326009B2 (ja) * | 2015-06-29 | 2018-05-16 | 株式会社オプティム | 無線航空機、位置情報出力方法及び無線航空機用プログラム。 |
JP2017057781A (ja) | 2015-09-16 | 2017-03-23 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
JP2019513315A (ja) * | 2016-02-29 | 2019-05-23 | ウルグス ソシエダード アノニマ | 惑星規模解析のためのシステム |
-
2018
- 2018-02-16 US US16/494,117 patent/US11417089B2/en active Active
- 2018-02-16 JP JP2019507446A patent/JP6631747B2/ja active Active
- 2018-02-16 WO PCT/JP2018/005579 patent/WO2018173577A1/ja active Application Filing
- 2018-02-16 EP EP18772317.6A patent/EP3605455A4/en not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003009664A (ja) * | 2001-06-29 | 2003-01-14 | Minolta Co Ltd | 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体 |
JP2006085517A (ja) * | 2004-09-17 | 2006-03-30 | Hiroshima Pref Gov | 衛星データによる森林地域の植生分類方法 |
JP2008152425A (ja) * | 2006-12-15 | 2008-07-03 | Hitachi Software Eng Co Ltd | 農地区画データ作成システム |
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 |
JP2014191624A (ja) * | 2013-03-27 | 2014-10-06 | Kobe Univ | 植物体の画像生成装置 |
JP2015188333A (ja) * | 2014-03-27 | 2015-11-02 | 株式会社日立製作所 | 植生生長分析システム及び方法 |
JP2016168046A (ja) * | 2015-03-09 | 2016-09-23 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
Non-Patent Citations (1)
Title |
---|
景山 陽一、外5名: ""河川堤防管理を目的とした有害植生の比率推定アルゴリズム"", 電子情報通信学会論文誌, vol. 95, no. 4, JPN6019028409, 1 April 2012 (2012-04-01), JP, pages 1056 - 1060, ISSN: 0004082387 * |
Also Published As
Publication number | Publication date |
---|---|
JP6631747B2 (ja) | 2020-01-15 |
EP3605455A4 (en) | 2020-04-01 |
US20210142056A1 (en) | 2021-05-13 |
US11417089B2 (en) | 2022-08-16 |
WO2018173577A1 (ja) | 2018-09-27 |
EP3605455A1 (en) | 2020-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018173577A1 (ja) | 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体 | |
JP6729791B2 (ja) | 植生指標算出装置、植生指標算出方法、及びプログラム | |
Gutierrez et al. | A benchmarking of learning strategies for pest detection and identification on tomato plants for autonomous scouting robots using internal databases | |
JP6935377B2 (ja) | 時空間画像の変化を自動推論するためのシステムおよび方法 | |
Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
Jiménez-Brenes et al. | Automatic UAV-based detection of Cynodon dactylon for site-specific vineyard management | |
US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
CA3125790A1 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using multilayer perceptron | |
Nasution et al. | Eggplant Disease Detection Using Yolo Algorithm Telegram Notified | |
JP2019160246A (ja) | 栽培作物選定支援装置、栽培作物選定支援方法、及びプログラム | |
EP4256465A1 (en) | System and method for determining damage on plants after herbicide application | |
Gonçalves et al. | Automatic detection of Acacia longifolia invasive species based on UAV-acquired aerial imagery | |
WO2016121432A1 (ja) | 技能承継支援装置、技能承継支援方法、及びコンピュータ読み取り可能な記録媒体 | |
Nandhini et al. | PREDICTION OF CROP GROWTH USING MACHINE LEARNING BASED ON SEED FEATURES. | |
Li et al. | Hybrid rice row detection at the pollination stage based on vanishing point and line-scanning method | |
Gómez-Zamanillo et al. | Damage assessment of soybean and redroot amaranth plants in greenhouse through biomass estimation and deep learning-based symptom classification | |
CN116884096A (zh) | 一种评估婴幼儿智力发育程度的方法、系统、设备 | |
JP6977733B2 (ja) | パラメータ最適化装置、パラメータ最適化方法、及びプログラム | |
US20220366242A1 (en) | Information processing apparatus, information processing method, and storage medium | |
Altınbaş et al. | Detecting defected crops: Precision agriculture using haar classifiers and UAV | |
JP7452879B2 (ja) | 予測システム、予測方法、および予測プログラム | |
Chaudhary et al. | An efficient approach for automated system to identify the rice crop disease using intensity level based multi-fractal dimension and twin support vector machine | |
JP6287176B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
KR20220055807A (ko) | 식물의 생육 상태 판단 장치 및 방법 | |
Islam | Quantification of crops' consistency on corn fields using robust deep learning models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190627 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190627 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190627 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190719 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190730 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190926 |
|
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: 20191112 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191125 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6631747 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |