WO2019107179A1 - 情報処理装置、情報処理方法、および植生管理システム - Google Patents

情報処理装置、情報処理方法、および植生管理システム Download PDF

Info

Publication number
WO2019107179A1
WO2019107179A1 PCT/JP2018/042425 JP2018042425W WO2019107179A1 WO 2019107179 A1 WO2019107179 A1 WO 2019107179A1 JP 2018042425 W JP2018042425 W JP 2018042425W WO 2019107179 A1 WO2019107179 A1 WO 2019107179A1
Authority
WO
WIPO (PCT)
Prior art keywords
turf
information
vegetation
analysis
information processing
Prior art date
Application number
PCT/JP2018/042425
Other languages
English (en)
French (fr)
Inventor
栗原　邦彰
正彦 江成
吉信　仁司
Original Assignee
ソニー株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ソニー株式会社 filed Critical ソニー株式会社
Priority to US16/766,963 priority Critical patent/US11432470B2/en
Priority to CN201880076118.9A priority patent/CN111372444B/zh
Priority to EP18884295.9A priority patent/EP3707990B1/en
Publication of WO2019107179A1 publication Critical patent/WO2019107179A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G20/00—Cultivation of turf, lawn or the like; Apparatus or methods therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • A01G7/04—Electric or magnetic or acoustic treatment of plants for promoting growth
    • A01G7/045—Electric or magnetic or acoustic treatment of plants for promoting growth with electric lighting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Definitions

  • the present disclosure relates to an information processing apparatus, an information processing method, and a vegetation management system, and in particular, an information processing that can manage vegetation so as to maintain high quality and grow uniformly.
  • the present invention relates to an apparatus, an information processing method, and a vegetation management system.
  • red light and blue light of a predetermined wavelength are used to promote growth and repair of natural turf by irradiating natural turf with light from a light emitting element to natural turf at a specific position.
  • a natural turf nurturing lighting device with a light source has been proposed.
  • Patent Document 2 in order to use for maintenance and management of natural turf, while being able to make the storage space at the time of stowage small, movable movable natural turf that can be easily moved. A growing illumination system has been proposed.
  • Patent Document 3 maintenance work information necessary for a natural turf structure can be extracted in order to facilitate the daily management of cultivation of the natural turf structure that can be used even in an indoor facility.
  • a management system for natural turf structures is disclosed.
  • JP 2012-228231 A JP, 2016-52299, A JP 2005-253415 A
  • the present disclosure has been made in view of such circumstances, and enables maintenance of a high quality state and management of vegetation so as to be uniformly grown.
  • An information processing apparatus performs an operation on the vegetation according to an analysis unit that analyzes at least an image obtained by capturing a vegetation to be managed as input information, and an analysis result output from the analysis unit. And a determination unit that determines the content.
  • An information processing method analyzes an image obtained by capturing at least a vegetation image to be managed as at least input information, and determines work content for the vegetation according to an analysis result output by the analysis. Including.
  • a vegetation management system includes an image acquisition apparatus that acquires an image obtained by capturing an image of a vegetation to be managed, and an analysis unit that analyzes the image acquired by the image acquisition apparatus at least as input information. And an information processing apparatus having a determination unit that determines work content for the vegetation according to the analysis result output from the analysis unit, and performing the work on the vegetation according to the work content determined by the determination unit And a work device for performing processing for
  • analysis is performed with at least an image obtained by capturing a vegetation to be managed as input information, and work content for the vegetation is determined according to the analysis result output by the analysis.
  • vegetation can be managed to maintain high quality and be uniformly grown.
  • FIG. 1 is a block diagram illustrating a configuration example of an embodiment of a turf management system to which the present technology is applied. It is a block diagram which shows the 1st example of arrangement
  • Fig. 21 is a block diagram illustrating a configuration example of an embodiment of a computer to which the present technology is applied.
  • natural turf like other plants, is affected by natural conditions such as sunlight, temperature, moisture, etc., and it is necessary to perform turf management while responding to changing daily weather conditions. For this reason, advanced cultivation knowledge based on years of experience is essential in order to always maintain the surface of the turf in high quality.
  • turf grows outdoors by photosynthesis using sunlight.
  • structures such as spectator seats and lighting become light shields, and a situation occurs where sunlight does not uniformly reach the turf surface.
  • unevenness occurs in the growth of the turf, so the shortfall is compensated by an artificial sunlight irradiation device or fertilization, but the range and amount to compensate for it are based on experience.
  • PPFD photosynthetic photon flux density
  • PPFD photosynthetic photon flux density
  • PPFD expresses the photon flux density contained in the wavelength range from 400 nm to 700 nm that can absorb plant chlorophyll.
  • the measurement is representative of a narrow two-dimensional range in which the sensors are installed, it is necessary to install a large number of sensors in order to measure the PPFD at each location on a wide turf surface.
  • NDVI Normalized Difference Vegetation Index: Vegetation Index
  • NDVI is the activity of a plant calculated by using information obtained by optical spectrum analysis of light reflected from leaves as an index.
  • a device for measuring NDVI already exists, and is widely used as a device for quantifying the state of a sod that is difficult to determine with the naked eye.
  • the device for measuring NDVI is provided as a handy type of equipment, and after transporting it to an arbitrary place, simply install the device on the lawn and press the button to record the NDVI at that point along with the position coordinates Can.
  • this device in order to measure the turf surface of a large stadium using this device, it is necessary to repeat operations of movement and measurement, and it is difficult to collect data efficiently.
  • remote sensing exists as a technique for measuring a wide range of NDVI.
  • a field where plants are grown is aerially photographed from a high altitude using an aircraft or a satellite.
  • this technology when the distance between the observation plane and the camera is long, it may be affected by dust, water vapor, or clouds present along the way, so that accurate measurement may not be possible.
  • remote sensing has the advantage of being able to shoot a large area at one time, but the resolution of the shot image is as rough as several meters square. For this reason, for example, it is not suitable for grasping the state of the turf growing on the pitch surface in a soccer stadium, the area of the green extent of a golf course, etc. in detail.
  • the number of times the imaging can be performed per day is very limited. For example, comparing changes in the NDVI of grass before and after the competition at a stadium difficult.
  • FIG. 1 is a block diagram showing a configuration example of an embodiment of a turf management system to which the present technology is applied.
  • the present technology is not limited to the turf management system. That is, the present technology, for example, a system for managing vegetation that is required to maintain a high quality state and to be uniformly grown, such as parks, rooftops, and wall greening environments. Can be applied to
  • the turf management system 11 includes a turf surface imaging mechanism 21, a growth information collection mechanism 22, an environment sensing mechanism 23, a cultivation method database 24, a turf surface analysis mechanism 25, a growth information analysis mechanism 26, a sensing information database 27, cultivation
  • the method improvement mechanism 28, the work content determination mechanism 29, and the work mechanism 30 are provided.
  • the turf surface imaging mechanism 21, the growth information collecting mechanism 22, the environment sensing mechanism 23, and the working mechanism 30 are configured by hardware such as various sensors and working devices. Be done.
  • the cultivation method database 24, the turf surface analysis mechanism 25, the growth information analysis mechanism 26, the sensing information database 27, the cultivation method improvement mechanism 28, and the work content determination mechanism 29 are configured by software executed by the information processing apparatus.
  • a component configured by hardware is disposed on the user side using the turf management system 11, and a component configured by software operates to provide the service that operates the turf management system 11.
  • a component configured by software operates to provide the service that operates the turf management system 11.
  • the arrangement of each component constituting the turf management system 11 is not limited to the arrangement example as shown in FIG. 1, but various arrangement examples will be described as will be described later with reference to FIGS. It can be adopted.
  • the turf surface imaging mechanism 21 is configured to have a camera (for example, the camera 41 of FIG. 6) for acquiring an image obtained by capturing a turf surface to be managed.
  • the turf surface analysis mechanism 25 The information is supplied to the sensing information database 27.
  • the growth information collection mechanism 22 is configured by a terminal (for example, the personal computer 43 or the tablet computer 45 in FIG. 6) used by a user who uses the turf management system 11 to input growth information.
  • the growth information collection mechanism 22 supplies the sensing information database 27 with measurement date and time as described later, measurement position, measurement content (numerical value or text), image and the like as growth information input by the user.
  • the environment sensing mechanism 23 is configured to include various sensors (for example, the sensor 51 in FIG. 9) for collecting growth information on the turf surface.
  • the environment sensing mechanism 23 associates the sensor information obtained by sensing the environment of the turf surface with a sensor with the position of the sensor from which the sensor information is obtained, and supplies it to the sensing information database 27.
  • the cultivation method database 24 can read out and store a known learning model from, for example, an external storage device.
  • a rule or a neural network model is used as an example of a learning model, but the learning model is not particularly limited thereto.
  • the cultivation method database 24 can store a new learning model (such as a new rule or a new learned neural network model) that has been improved by the cultivation method improvement mechanism 28.
  • the turf surface analysis mechanism 25 analyzes the turf surface captured in the image, for example, using the image supplied from the turf surface imaging mechanism 21 as at least input information, and the turf leaf coverage as described later, Vegetation indicators such as treading turf injury rates and animal pest turf injury rates are output as analysis results. Then, the turf surface analysis mechanism 25 associates, for example, the analysis result (numerical value) for each divided area obtained by dividing the turf surface into a plurality of areas and the position of the divided area from which each analysis result is obtained. It supplies the database 27. Also, even if the turf surface analysis mechanism 25 outputs an analysis result obtained by inputting into the learned neural network model read out from the cultivation method database 24 at least the image supplied from the turf surface imaging mechanism 21 as input information. Good.
  • the growth information analysis mechanism 26 analyzes the turf roots captured in the image, for example, using at least the image supplied from the growth information collection mechanism 22 as at least input information, and the length and Output the density as an analysis result. Then, the turf surface analysis mechanism 25 associates, for example, the analysis result (numerical value) of the turf roots with the position of the place where the turf roots have grown, and supplies the sensing information database 27 with the same. In addition, even if the growth information analysis mechanism 26 uses at least the image supplied from the turf surface imaging mechanism 21 as input information and outputs the analysis result obtained by inputting into the learned neural network model read from the cultivation method database 24. Good.
  • the sensing information database 27 includes an image supplied from the turf surface imaging mechanism 21, growth information supplied from the growth information collection mechanism 22, analysis results supplied from the turf surface analysis mechanism 25 and the growth information analysis mechanism 26, and environmental sensing.
  • the sensor information etc. supplied from the mechanism 23 are stored.
  • the cultivation method improvement mechanism 28 finds out new rules concerning cultivation and management of turf, and learning by a neural network model from various information (position, image, numerical value, text, etc.) stored in the sensing information database 27. carry out. Then, the cultivation method improvement mechanism 28 stores the new rules and the numerical values analyzed by learning in the sensing information database 27, and stores the new rules or the new learned neural network model in the cultivation method database 24.
  • the work content determination mechanism 29 determines the work content to be performed on the turf surface according to various information stored in the sensing information database 27 and the cultivation method database 24, and sends information on the work content to the work mechanism 30. Output and execute the work.
  • the work mechanism 30 includes various devices as described with reference to FIGS. 42 to 46 described later, and performs processing for executing the work content determined by the work content determination mechanism 29.
  • the turf management system 11 is configured, for example, to maintain a high quality state so that the turf surface is evergreen all year round, and to be uniformly grown so that the turf surface becomes uniform. Can be managed.
  • the turf management system 11a shown in FIG. 2 includes a turf surface imaging mechanism 21, a growth information collection mechanism 22, an environment sensing mechanism 23, a cultivation method database 24, a turf surface analysis mechanism 25, a growth information analysis mechanism 26, a sensing information database 27, a cultivation All components of the method improvement mechanism 28, the work content determination mechanism 29, and the work mechanism 30 are disposed and configured on the user side.
  • a component configured by hardware and a component configured by software are connected via a network 31 such as an intranet used only in a closed environment, for example. Is configured.
  • a storage device 32 storing known initial rules is connected to the cultivation method database 24.
  • the turf management system 11 b shown in FIG. 3 is configured by arranging the turf surface imaging mechanism 21, the growth information collection mechanism 22, the environment sensing mechanism 23, and the working mechanism 30 on the user side.
  • the cultivation method database 24, the turf surface analysis mechanism 25, the growth information analysis mechanism 26, the sensing information database 27, the cultivation method improvement mechanism 28, and the work content determination mechanism 29 are arranged on the provider side.
  • the turf management system 11b is configured by connecting the components disposed on the user side and the components disposed on the provider side via, for example, the network 31 including the Internet or a private network. Be done. Further, in the turf management system 11b, among the storage devices 32 storing known initial rules, the storage device 32-1 storing rules common to all the various users is disposed on the provider side, and is unique to each individual user. The storage device 32-2 for storing the rules of (1) is arranged on the user side.
  • the turf management system 11b can adopt an arrangement example in which components configured by software are not arranged on the user side.
  • components configured by software can be constructed in a distributed manner (by so-called cloud computing) using a plurality of information processing apparatuses connected on the network.
  • the turf surface imaging mechanism 21, the growth information collection mechanism 22, the environment sensing mechanism 23, the turf surface analysis mechanism 25, the growth information analysis mechanism 26, and the work mechanism 30 are arranged on the user side. And be configured.
  • the cultivation method database 24, the sensing information database 27, the cultivation method improvement mechanism 28, and the work content determination mechanism 29 are disposed on the provider side.
  • the turf management system 11c is configured by connecting the components arranged on the user side and the components arranged on the provider side via a network 31 consisting of the Internet or a private network, for example. Be done.
  • the turf management system 11c having such a configuration can share processing on the user side and the provider side, and can reduce network traffic. Moreover, the turf management system 11c can cope with the increase in the number of users, for example, by reducing the processing load on the provider side.
  • the turf management system 11 can adopt the arrangement example as described with reference to FIGS. 2 to 4 and, of course, other arrangement examples may be adopted.
  • the turf management system 11 arranges the cultivation method database 24 and the cultivation method improvement mechanism 28 on the provider side to make the turf management system 11 a common resource for users, thereby providing more efficient service. Can be provided.
  • the sensing information database 27 is initialized. For example, as an initial setting, each sensor group such as a facility (user) using the turf management system 11 or a camera used in the facility is allocated to the sensing information database 27 and the positional relationship between the respective IDs and the arrangement. Mapping information is stored in the sensing information database 27.
  • step S12 the initial setting of the cultivation method database 24 makes the user usable state.
  • a basic rule regarding cultivation of turf a learned neural network model used by the turf surface analysis mechanism 25 and the growth information analysis mechanism 26 is stored in the cultivation method database 24.
  • step S12 the processes of steps S13 to S18 can be sequentially executed in parallel at the timing when each of the processes becomes necessary.
  • step S13 The turf surface analysis process of step S13 will be described later with reference to the flowcharts of FIGS. 18, 20, 21, 23, and 24. Further, the growth information analysis process of step S14 will be described later with reference to the flowchart of FIG. Similarly, the environment sensing process of step S15 will be described later with reference to the flowcharts of FIGS. 15 and 16, and the growth information collection process of step S16 will be described later with reference to the flowchart of FIG.
  • the cultivation method improvement process of step S17 will be described with reference to the configuration example of the cultivation method improvement mechanism 28 described later, and the work content determination process of step S18 will be a configuration example of the work content determination mechanism 29 described later. Refer to the description.
  • the turf management system 11 performs the initial setting of steps S11 and S12, the turf can be managed by appropriately performing the processing of steps S13 to S18 as necessary.
  • the turf management system 11 may maintain high quality so that the turf surface is always green throughout the year, and may be managed to be uniformly grown so that the turf surface is uniform. it can.
  • the turf surface imaging mechanism 21 is configured to include a camera capable of capturing an image according to at least a wavelength band of visible light.
  • a camera provided in the turf surface imaging mechanism 21 is disposed so as to look over the turf surface, and can obtain the state of the entire field in which the turf grows as image information.
  • the turf surface imaging mechanism 21 is preferably equipped with a camera capable of capturing a moving image as well as capable of capturing a still image.
  • the turf surface imaging mechanism 21 acquires an image having a narrow bandwidth of about 10 nm around an arbitrary wavelength in each of visible light and near infrared wavelength regions, for example, a camera capable of acquiring the above-described NDVI. It is desirable to have a camera that can measure the vegetation index of the turf.
  • the turf surface imaging mechanism 21 can acquire a camera capable of measuring the temperature of the turf surface by photographing the far infrared region, for example, an image of a far infrared wavelength band to measure the surface temperature of the field It is desirable to have a camera.
  • the turf surface imaging mechanism 21 may include at least one camera, and for example, may include two or more cameras so that an image of the turf surface in a wide area can be simultaneously acquired. It may be configured. For example, as shown in FIG. 6, the grass surface G is divided into two shooting areas using two cameras 41-1 and 41-2, and the camera G is far from the camera 41-1 or 41-2. It is desirable to take a picture of the entire turf G so that the resolution of the turf does not decrease.
  • the turf surface imaging mechanism 21 captures a plurality of images using panning for changing the direction of the camera, a zoom mechanism for changing the angle of view of the camera, etc., and combines the images by post-processing. You may acquire the image which looks over the whole turf surface.
  • the turf surface imaging mechanism 21 can acquire information from a camera as RAW data.
  • the turf surface imaging mechanism 21 may acquire data compressed by, for example, JPEG (Joint Photographic Experts Group) or H.264 as long as the green color of turf can be accurately represented.
  • the turf surface imaging mechanism 21 use a camera whose position is fixed so that the position at which the image is captured can be easily identified.
  • the turf surface imaging mechanism 21 may use a camera mounted on a small unmanned aerial vehicle (so-called drone), in which case a post-processing mapping process is performed to align the image with the actual turf position by post-processing. To be done.
  • the turf surface imaging mechanism 21 presupposes that an image is acquired in the period of 24 hours and 365 days, for example, by changing the imaging
  • the growth information collecting mechanism 22 may, for example, input growth information based on an input by a user using the turf management system 11 in order to collect growth information not acquired using the turf surface imaging mechanism 21 or the environment sensing mechanism 23. collect.
  • the growth information collecting mechanism 22 may be growth information which is difficult to obtain by the turf surface imaging mechanism 21 or the environment sensing mechanism 23 or an image which is expensive to obtain by the turf surface imaging mechanism 21 or the environment sensing mechanism 23 Growth information can be obtained.
  • the growth information collecting mechanism 22 determines the hardness of turf leaves, the amount of mowing of turf leaves, the length of turf roots, the thickness of turf roots, the density of turf roots, and the like based on input by the user. In addition to soil hardness including grass roots, occurrence of weeds and diseases, etc., various growth information obtained by measuring the condition of the turf surface is collected. In addition, the growth information collection mechanism 22 is based on input by the user, such as the fertilizer components and amount distributed to the turf surface, the position of the sheet installed to cure the turf, and the period of use of the future turf. Work information related to the growing state can be collected.
  • an installation type terminal such as a personal computer 43 to which a camera 42 is connected, or a mobile type such as a tablet type computer 45 having a built-in camera 44.
  • a terminal etc. can be used.
  • the growth information collecting mechanism 22 can acquire, as growth information, an image obtained by closely photographing a state such as turf leaves and roots by the camera 42 or the camera 44.
  • a user of the turf management system 11 can input growth information at a management site, an office, or the like using the growth information collection mechanism 22 such as the personal computer 43 or the tablet computer 45.
  • FIG. 1 An example of the growth information input screen displayed on the display apparatus with which the growth information collection mechanism 22 is equipped is shown by FIG.
  • the growth information collecting mechanism 22 can input at least the measurement date, measurement point, and measurement content using the growth information input screen, and in the example shown in FIG. The amount of scraped material can be input. Furthermore, the growth information collection mechanism 22 directly inputs measured values and the like by the user, and numerical values obtained as a result of image analysis performed by the growth information analysis mechanism 26 on an image obtained by photographing an object (FIG. In the example, root length, root density, etc.) can be displayed on the growth information input screen. Also, the growth information collection mechanism 22 uses the growth information input screen to input subjective evaluation values (subjective evaluation shown in FIG. 7) by an experienced person who manages the turf as a comprehensive evaluation of the grass roots. be able to. Note that this subjective evaluation value can be used later as teacher data for automatically obtaining an evaluation value (automatic evaluation shown in FIG. 7) from the photographed image.
  • subjective evaluation value can be used later as teacher data for automatically obtaining an evaluation value (automatic evaluation shown in FIG. 7) from the photographed image.
  • step S16 of FIG. 5 the growth information collecting process is performed.
  • step S21 the growth information collecting mechanism 22 displays the growth information input screen as shown in FIG. 7 on the display device, and acquires the growth information input by the user using input means such as a keyboard and a touch panel. Do. For example, the growth information collecting mechanism 22 acquires a measurement position, an image, and various accompanying data as described above as growth information. Then, the growth information collecting mechanism 22 stores the growth information in the sensing information database 27, and then the growth information collecting process is ended.
  • the environment sensing mechanism 23 uses the sensor installed on the ground surface or the ground where the lawn is grown, and the underground temperature, the soil moisture content, the soil acidity (pH), the soil electrical conductivity (EC: Sensing of electric conductivity etc., acquisition of sensor information is performed at regular intervals.
  • the environment sensing mechanism 23 is configured by a plurality of sensors 51 (in the example of FIG. 9, nine sensors 51-1 to 51-9) and a wired sensor aggregation device 52. be able to.
  • Each sensor 51 is connected to the wired sensor aggregation device 52 by a cable illustrated by a broken line.
  • the sensor information output from the sensor 51 is transmitted to the wired sensor aggregation device 52 by wire, and transmitted from the wired sensor aggregation device 52 to a sensor information display device (not shown).
  • the temperature in the soil, the amount of water, the electrical conductivity, and the like have various influences on the growth. Therefore, depending on the stadium, a plurality of sensors 51 capable of sensing temperature, moisture and the like are embedded in the ground at the time of construction of the facility.
  • the sensor 51 is embedded in the soil for cultivating turf and collects various sensor information as described above.
  • the ground temperature which needs to be actually acquired in order to cultivate turf is, for example, in the ground about 5 cm from the turf surface, while the sensor 51 is about 30 cm from the turf surface for the convenience of installation. May be placed in the ground. Therefore, based on the sensor information acquired by the sensor 51, it is necessary to perform processing to predict the ground temperature in the ground about 5 cm from the grass surface.
  • the environment sensing mechanism 23 transmits sensor information by wire from the sensor 51 as shown in FIG. 9, for example, transmits sensor information using RF (Radio Frequency) band radio. It is also good.
  • RF Radio Frequency
  • the environment sensing mechanism 23 adopts a configuration in which the antenna 53 is connected to the sensor 51, and sensor information is sent to a wireless sensor aggregation device (not shown) using electromagnetic waves in the RF band output from the antenna 53. Can be configured to transmit the The environment sensing mechanism 23 having such a configuration can easily perform installation work and removal work of the sensor 51.
  • the environment sensing mechanism 23 may be configured to transmit sensor information optically modulated using a light emitter such as a light emitting diode (LED), for example.
  • a light emitter such as a light emitting diode (LED), for example.
  • the environment sensing mechanism 23 adopts a configuration in which the light emitting device 54 appearing on the ground surface is connected to the sensor 51 as shown in the figure, and optically modulated sensor information transmitted from the light emitting device 54
  • the camera can be configured to receive light. Then, by performing image analysis on the moving image captured by the camera, it is possible to demodulate the light received by the camera to acquire sensor information and to specify the position of each sensor 51.
  • the environment sensing mechanism 23 having such a configuration is, for example, easy to insert into and remove from the soil, and can easily measure the temperature of the turf surface.
  • the environment sensing mechanism 23 may be configured to be able to measure the wind speed and the wind direction in the vicinity of the sod leaf.
  • the environment sensing mechanism 23 can use a blow-off 55 as shown in FIG. 13 or a smoke generating device 56 as shown in FIG. Then, the environment sensing mechanism 23 can be configured to acquire the wind speed and the wind direction in the vicinity of the sod as sensor information based on an image analysis of an image obtained by photographing the smoke of the windsock 55 or the smoke generating device 56. At this time, the environment sensing mechanism 23 can specify the position of the blow-off 55 or the smoke generating device 56 by image analysis.
  • a first processing example of the environment sensing process by the environment sensing mechanism 23 will be described with reference to the flowchart of FIG.
  • the environment sensing process is performed in step S15 of FIG. 5 described above. Further, this process is applied in a configuration in which the sensor 51 is connected by wire (see FIG. 10) or a configuration in which the sensor 51 is connected by wireless (see FIG. 11).
  • step S31 the environment sensing mechanism 23 determines whether there is an inquiry from the sensing information database 27.
  • step S31 When it is determined in step S31 that there is no inquiry from the sensing information database 27, the process proceeds to step S32, and the environment sensing mechanism 23 stands by for a predetermined time.
  • step S31 when it is determined in step S31 that there is an inquiry from the sensing information database 27, or after the process of step S32, the process proceeds to step S33.
  • step S33 the environment sensing mechanism 23 requests the sensor 51 to transmit sensor information. Then, the environment sensing mechanism 23 supplies sensor information acquired from the sensors 51 to the sensing information database 27 together with IDs (Identification) for identifying the respective sensors 51 in response to the request. After the process of step S33, the process returns to step S31, and the same process is repeated thereafter.
  • a second process example of the environment sensing process by the environment sensing mechanism 23 will be described with reference to the flowchart of FIG.
  • the environment sensing process is performed in step S15 of FIG. 5 described above. Further, this process is applied in a configuration (see FIG. 12) in which sensor information optically modulated from the sensor 51 is transmitted.
  • step S41 after the environment sensing mechanism 23 stands by for a fixed time, the process proceeds to step S42.
  • step S42 the environment sensing mechanism 23 acquires sensor information transmitted from the sensor 51. Then, the environment sensing mechanism 23 supplies sensor information acquired from the sensor 51 to the sensing information database 27 together with an ID for identifying each sensor 51. After the process of step S42, the process returns to step S41, and the same process is repeated thereafter.
  • the turf surface analysis mechanism 25 extracts necessary information by performing various types of image analysis in the visible light region using the image (still image or moving image) supplied from the turf surface imaging mechanism 21. Analyze the state.
  • the turf surface analysis mechanism 25 calculates the percentage of turf present per unit area as a turf leaf coverage rate from the visible light image, and per unit time from the luminance image of sunlight reaching the turf surface. The amount of solar radiation can be calculated. Furthermore, the turf surface analysis mechanism 25 detects a person as a detection target from the moving image of the held competition, analyzes the damage of the turf due to treading from the time when the person stays on the turf, and the competition is not held It is possible to detect as a detection target the harmful animals that invaded the turf surface during the period, and analyze the occurrence of diseases and weeds that they bring.
  • the turf surface analysis mechanism 25 can perform the process which acquires the optically modulated sensor information emitted from the sensor 51 installed in the turf surface, as shown in FIG. Furthermore, the turf surface analysis mechanism 25 can analyze the wind direction and the wind speed in the vicinity of the turf surface by performing shape recognition of the small blow-off 55 of FIG. 13 and the smoke of the smoke device 56 of FIG.
  • the turf surface analysis mechanism 25 can use, for example, a method performed by a procedural process as described below or a method using a learned neural network model as a method for analyzing them.
  • the turf surface analysis mechanism 25 analyzes the turf surface, the turf coverage, the amount of solar radiation, the treading turf, the animal pest turf, and optical observation of sensor information.
  • NDVI • Grass leaf coverage
  • NDVI as one of the indicators for determining the health status of plants, NDVI as described above is used. For example, in order to accurately measure NDVI, it is necessary to irradiate the grass with light containing a constant wavelength component and to perform measurement using at least two narrow band optical band pass filters. The cost is high.
  • a general visible light camera is used to detect a state in which the leaf color fades from green as the turf weakens, and acquires it as an index for grasping the health state of the turf instead of NDVI.
  • the pixels included in a certain color range centered on green are extracted from the image, and the ratio of grass to sand, the healthy grass and the dead grass (the color deviates from green) is separated, and the unit The percentage of healthy turf growing within the area is calculated as turf leaf coverage. That is, the turf surface analysis mechanism 25 calculates the ratio of "the number of pixels that fall within the specified color range" to "the total number of pixels that exist within the specified range” as "the turf leaf coverage rate" among the pixels that exist in the specified range. can do.
  • the turf leaf coverage can be calculated by dividing an image of the entire turf surface into a plurality of divided areas and calculating each divided area.
  • the turf leaf coverage is calculated for each of the 60 divided areas where the vertical direction is divided into six (A to F) and the horizontal direction is divided into ten (1 to 10).
  • the division area which divides the image in which the whole turf surface was photographed has a size that can be easily recognized as a range of turf management work to be performed in consideration of the resolution of the imaging element of the camera provided in the turf surface imaging mechanism 21. It is decided to become Also, for example, when the entire turf surface is divided into a plurality of areas and photographed, the divided areas can be divided according to the photographed area.
  • each such divided area the fact that healthy turf is green is used to extract only pixels that fall within a specific area indicated by a general color space. Then, the ratio of the number of pixels entering the extracted specific area to the total number of pixels included in the divided area is calculated as the grass leaf coverage.
  • the turf leaf coverage indicates that healthy turf grows as the area has a higher value.
  • grass surface analysis processing is performed in step S13 of FIG. 5 described above.
  • step S51 when the camera 41 (see FIG. 6) of the turf surface imaging mechanism 21 captures a still image, the turf surface analysis mechanism 25 acquires the still image.
  • step S52 the grass surface analysis mechanism 25 divides the still image acquired in step S51 into a plurality of divided areas (for example, 60 divided areas as shown in FIG. 17). At this time, the turf surface analysis mechanism 25 performs division so that at least one pixel is included in each division area.
  • step S53 the grass surface analysis mechanism 25 color separates each pixel included in the divided area divided in step S52.
  • step S54 the grass surface analysis mechanism 25 determines whether each pixel subjected to the color separation in step S53 is present in the color range designated in advance (the range of green which is healthy grass as described above). Do.
  • step S55 the grass surface analysis mechanism 25 calculates the coverage from the pixels included in the divided area divided in step S54, as described with reference to FIG.
  • step S56 the grass surface analysis mechanism 25 stores the coverage ratio calculated in step S55 and the position information of the divided area in the sensing information database 27, and the grass surface analysis process is ended.
  • -Solar radiation amount PPFD exists as a measure of the amount of light that plants use for photosynthesis. For example, in order to measure PPFD accurately, it is necessary to mount an optical band pass filter, to correct the sensitivity of a light receiving element, and the like, and the cost for realization becomes high. In addition, it is necessary to consider the influence of shadows where sunlight is shielded by the structure with the passage of time, and it becomes difficult to measure PPFD widely on the turf surface.
  • the relative difference between the sun and the amount of solar radiation is quantified from the brightness image of the turf surface taken with the passage of time by the camera 41.
  • the PPFD measuring device 57 and the camera 41 can be used to set the grass surface by installing one PPFD measuring device 57 at a location that does not cause sunlight inhibition with respect to the grass surface. Based on the photographed luminance information, it is possible to obtain an approximate PPFD value for each time and each position.
  • a sunlight blocking area is generated on the grass surface by an obstacle such as a building.
  • the camera 41 installed in a building etc. acquires the image which the camera 41 installed in the building etc. image
  • the turf surface analysis mechanism 25 represents the luminance value for each imaging time on the map divided into a plurality of divided areas. Furthermore, the turf surface analysis mechanism 25 performs integration on the created map, for example, in a period from sunrise to sunset.
  • the integrated light quantity of one day can be represented for each divided area.
  • the lower the numerical value is, the smaller the amount of solar radiation is, because there is a time during which the sunlight is blocked by a building or the like.
  • the insufficient amount of the light amount can be easily obtained for each divided area.
  • the grass surface analysis mechanism 25 allows the maximum value in the map created at that time to be close to the PPFD value. It can be judged. Therefore, the turf surface analysis mechanism 25 can roughly convert values other than the maximum value in the map to PPFD values from the relationship between the maximum value in the map and the PPFD value.
  • a process of storing the amount of solar radiation will be described as a second process example of the turf surface analysis process by the turf surface analysis mechanism 25 with reference to the flowchart of FIG.
  • grass surface analysis processing is performed in step S13 of FIG. 5 described above.
  • step S61 when the camera 41 of the turf surface imaging mechanism 21 captures a still image, the turf surface analysis mechanism 25 acquires the still image.
  • step S62 the grass surface analysis mechanism 25 divides the still image acquired in step S61 into a plurality of divided areas (for example, 60 divided areas as shown in FIG. 19). At this time, the turf surface analysis mechanism 25 performs division so that at least one pixel is included in each division area.
  • step S63 the grass surface analysis mechanism 25 extracts only the luminance value of each pixel included in the divided area divided in step S62.
  • step S64 the grass surface analysis mechanism 25 stores the luminance value extracted in step S64 and the position information of the divided area in the sensing information database 27.
  • step S65 the grass surface analysis mechanism 25 determines whether or not a luminance value for one day has been acquired.
  • step S65 If it is determined in step S65 that luminance values for one day have not been acquired, the process proceeds to step S66.
  • step S66 after the turf surface analysis mechanism 25 waits for a fixed time, the process returns to step S61, and the same process is repeated thereafter.
  • step S65 if it is determined in step S65 that the luminance value for one day has been acquired, the turf surface analysis process is ended.
  • a process of calculating the amount of solar radiation will be described as a third process example of the turf surface analysis process by the turf surface analysis mechanism 25 with reference to the flowchart of FIG.
  • grass surface analysis processing is performed in step S13 of FIG. 5 described above.
  • step S71 the grass surface analysis mechanism 25 designates a period and a position, and takes out the luminance value from the sensing information database 27.
  • step S72 the grass surface analysis mechanism 25 adds, for each position, the luminance value for the period extracted in step S71, for example, acquires a map as shown on the lower side of FIG. 19, and analyzes the grass surface Processing is terminated.
  • the grass surface analysis mechanism 25 performs image recognition processing on a moving image when a game is being performed, thereby detecting a player of the game as a detection target, as shown in the upper side of FIG. It is determined which divided area for the entire field corresponds to the position of each player.
  • the turf surface analysis mechanism 25 determines, in each divided area, a ratio of "accumulated time of each player staying in the divided area" to "total time of moving image" It can be calculated as
  • FIG. 22 On the lower side of FIG. 22, there is shown an example in which the treading grass damage rate obtained by the grass surface analysis mechanism 25 for each divided area is shown on a map. For example, it can be analyzed that the higher the numerical value is, the longer the period in which the player is staying, and the higher stress is generated on the grass surface.
  • the turf leaf coverage is low, and in the divided area where the treading turf injury percentage is low, that is, although the turf is dead It is also possible to analyze that the turf has been damaged due to a disease or the like in a divided area in which the period in which the player is staying is short.
  • grass surface analysis processing is performed in step S13 of FIG. 5 described above.
  • step S81 when the camera 41 (see FIG. 6) of the turf surface imaging mechanism 21 captures a moving image, the turf surface analysis mechanism 25 acquires the moving image.
  • step S82 the grass surface analysis mechanism 25 divides the moving image acquired in step S81 into continuous still images. At this time, the turf surface analysis mechanism 25 performs division into still images, for example, in order from the top of the moving image by a predetermined time.
  • step S83 the grass surface analysis mechanism 25 detects the player captured in the still image as a detection target by performing the image recognition process on the still image acquired in step S82.
  • step S84 the grass surface analysis mechanism 25 stores the position and the number of people who detected the player in step S83 in the sensing information database 27.
  • step S85 the turf surface analysis mechanism 25 determines, for example, whether or not the image recognition process has been performed on all still images obtained from the moving image acquired in step S81.
  • step S85 If it is determined in step S85 that the image recognition process has not been performed on all still images, the process returns to step S82, and the same process is repeated for the next predetermined time. On the other hand, if it is determined in step S85 that the image recognition process has been performed on all the still images, the grass surface analysis process is ended.
  • grass surface analysis processing is performed in step S13 of FIG. 5 described above.
  • step S 91 the turf surface analysis mechanism 25 designates a period and a position, and extracts the number of players from the sensing information database 27.
  • step S92 the turf surface analysis mechanism 25 determines the number of players present for each of the divided areas in which the player is present within the period, and the number of players present in the specific divided area for each specific divided area. Calculate the treading stress rate. Thereby, for example, a map as shown on the lower side of FIG. 22 is acquired, and the turf surface analysis process is ended.
  • the turf surface analysis mechanism 25 analyzes the influence of the invasion of the animal using the same method as that for calculating the treading turf injury rate as described above.
  • the deterioration of the state of the turf is prevented by removing feces in advance or spraying a bactericidal insecticide, a herbicide or the like to the divided area where a high value is calculated.
  • the camera 41 (see FIG. 6) of the turf surface imaging mechanism 21 captures a moving image of the turf even when a game is not being played. Then, the turf surface analysis mechanism 25 detects an animal as a detection target by performing image recognition processing on a moving image when a game is not being performed, and the position of the animal corresponds to which divided region for the entire field. Determine if it is applicable.
  • the grass surface analysis mechanism 25 sets the ratio of "the integrated time of the period when the animal stays in the divided area" to "total time of moving image" It can be calculated as
  • a windsock 55 as shown in FIG. 13 or a smoke generating device 56 as shown in FIG. 14 is arranged.
  • the wind speed and the wind direction can be analyzed by continuously shooting the blowoff 55 with the camera 41 of the turf surface imaging mechanism 21. Specifically, by arranging the red blow-off 55 on the grass surface, it is easy to recognize the image of the blow-off 55 since the grass is green. Then, the turf surface analysis mechanism 25 performs image analysis processing on the image captured by the camera 41 to analyze the inclination and direction of the blow-off 55, obtain the inclination of the blow-off 55 as the wind speed, and determine the direction of the blow-off 55 It can be determined as the wind direction.
  • blow-off 55 exists at a position where the blow-off 55 is a blind spot when viewed from the camera 41 at a specific position, observing the grass surface with a plurality of cameras 41 compensates for the respective blind spots. It is preferred to shoot 55 tilt and orientation.
  • the treading turf injury rate and the beast harm turf injury rate analyzed by the turf surface analysis mechanism 25 can be determined not only by the above-described procedural processing but also by learning using a neural network. Specifically, the moving image acquired by the camera 41 of the turf surface imaging mechanism 21 is input to the neural network model, and the treading turf injury rate or the animal damage turf injury percentage is calculated for each location of the turf surface as its output. be able to.
  • the turf surface analysis mechanism 25 uses a learned neural network model in which learning of a neural network is performed in the cultivation method improvement mechanism 28. Thereby, the turf surface analysis mechanism 25 can hold down the processing load low and calculate the treading turf injury rate or the beast harm turf injury rate.
  • the cultivation method improvement mechanism 28 uses the growth information collection mechanism 22 as tutor data in learning of the neural network, the state of the turf input, the turf leaf coverage as described above with reference to FIG. Can be used.
  • the turf surface analysis mechanism 25 first decomposes the moving image captured by the camera 41 into a still image for each time when analyzing the treading turf injury rate and the animal damage turf injury rate using a neural network model. Furthermore, the turf surface analysis mechanism 25 performs reduction to dimensions on a scale that can be input to the neural network model and normalization of pixel values.
  • the grass surface analysis mechanism 25 sets the still image obtained from the moving image taken by the camera 41 as W pixels in the horizontal direction and H pixels in the vertical direction. Reduce to ⁇ H pixels. Then, the grass surface analysis mechanism 25 inputs W ⁇ H normalized pixel values to the input layer of the neural network model.
  • the turf surface analysis mechanism 25 outputs the treading turf damage rate and the beast harm turf damage rate from the output layer of the neural network model for each divided region obtained by dividing the turf surface by an arbitrary number of regions. For example, as shown in the example of FIG. 27, the turf surface analysis mechanism 25 applies tread pressure to each of the divided areas of X ⁇ Y number of areas divided into X in the horizontal direction and Y in the vertical direction. Output the rate of turf injury and the rate of brutal turf injury.
  • FIG. 28 shows an outline of the turf surface analysis mechanism 25 analyzing the treading turf injury rate and the beast harm turf injury rate using a neural network model.
  • a moving image acquired by the camera 41 of the turf surface imaging mechanism 21 is stored in the storage device 32, and the turf surface analysis mechanism 25 acquires a still image from the moving image read out from the storage device 32, as shown in FIG. Thus, it is reduced to W ⁇ H pixels. Furthermore, the grass surface analysis mechanism 25 normalizes the pixel values of the still image, and inputs W ⁇ H pixel values to the input layer of the neural network model.
  • the number of intermediate layers of the neural network model can be arbitrary. For example, according to recent research, it is often the case that a dozen or so layers are used as a convolutional neural network model for recognizing an image.
  • the turf surface analysis mechanism 25 divides the turf surface into the number of regions obtained by dividing the turf surface into arbitrary division regions, for example, X ⁇ Y division regions as shown in FIG. Output the rate of turf injury and the rate of brutal turf injury.
  • the treading turf injury rate when calculating the treading turf injury rate, a moving image during a competition as learning data, immediately after the competition played on the turf as teacher data is completed, or after several days have passed The turf coverage in each region of is used.
  • the growth information collection mechanism after the moving image of the turf where the competition is not carried out as learning data, the day after the turf was photographed as teacher data, or several days have passed.
  • the number of weed occurrence and disease occurrence number in each area input by the user using 22 is used.
  • the number of weed occurrence, the number of disease occurrence and the like are stored in the lawn growth information table of the sensing information database 27.
  • the growth information analysis mechanism 26 From the image captured by the camera 42 or 44 (see FIG. 6) of the growth information collecting mechanism 22, the growth information analysis mechanism 26 estimates the length and thickness of the grass roots, the density of the grass roots, current diseases and future occurrence predictions. Image analysis. In addition, the growth information analysis mechanism 26 can perform analysis using a method performed by procedural processing and a method using a learned neural network model.
  • the growth information analysis mechanism 26 quantitatively grasps the state of the root from the image acquired by the growth information collection mechanism 22.
  • the growth information analysis mechanism 26 is, for example, the length of the grass roots and the length of the grass roots from the still image taken by the camera 42 or 44 of the growth information collection mechanism 22 after digging and raising the turf.
  • the density is quantified by image analysis.
  • processing is performed to analyze the length and density of grass roots using a still image as input information, and the measured value of grass root length is 42 mm and the density of grass roots is measured as output information
  • the analysis result that the value is 4 / cm 2 is obtained.
  • step S14 of FIG. 5 the growth information analysis process is performed.
  • step S101 the growth information analysis mechanism 26 specifies the positions of the turf leaves and the turf roots by image analysis from the still image taken by the camera 42 or 44 of the growth information collection mechanism 22, And the grassroot part are separated.
  • step S102 the growth information analysis mechanism 26 measures the length of turf and the density of turf from the turf part separated in step S101.
  • step S103 the growth information analysis mechanism 26 measures the length of the grass roots and the density of the grass roots from the grass roots separated in step S101.
  • step S104 the growth information analysis mechanism 26 digs up the turf leaf length and turf leaf density measured in step S102 and the turf root length and turf root density measured in step S103.
  • the position information indicating the selected place is stored in the sensing information database 27, and the growth information analysis process is terminated.
  • the growth information analysis mechanism 26 uses a learned neural network model in which learning of a neural network is performed in the cultivation method improvement mechanism 28. Thereby, the growth information analysis mechanism 26 can obtain an evaluation value of grass roots without any processing load.
  • FIG. 31 shows an outline of the growth information analysis mechanism 26 analyzing the grass root comprehensive evaluation value using a neural network model.
  • the number of pixels (for example, the number of pixels) of the image of the grass roots taken by the camera 42 or 44 (see FIG. 6) of the growth information collection mechanism 22 can be input.
  • the reduction and normalization of W ⁇ H shown in FIG. 26 are performed.
  • the growth information analysis mechanism 26 outputs the probability that each output layer is the evaluation value as 10 stages in the example shown in FIG. .
  • a subjective evaluation value input by an experienced person in turf management by the growth information collecting mechanism 22 is used as teacher data, and an image of a photographed grass root is used as learning data.
  • sensing information database 27 for example, image information acquired by the turf surface imaging mechanism 21, position and numerical information analyzed by the turf surface analysis mechanism 25, position, image, numerical value acquired by the growth information collection mechanism 22
  • the text information, the position and numerical information analyzed by the growth information analysis mechanism 26, the position and numerical information obtained from the environment sensing mechanism 23, numerical information from the cultivation method improvement mechanism 28, and the like are stored.
  • the sensing information database 27 accumulates the numerical information of the weather announced by the Japan Meteorological Agency and the like along with the position and time when the information is generated.
  • the sensing information database 27 includes, as the result information of the work content, information of the work content of the management work determined by the work content determination mechanism 29, the sensing information database 27 referenced when determining the work content, and cultivation.
  • Information stored in the method database 24 and information acquired by the turf surface imaging mechanism 21 after the execution of the work content, the growth information collection mechanism 22 and the environment sensing mechanism 23 (that is, the determined work has been performed) May be stored in association with information indicating the effect of
  • a facility information table, a weather information table, a turf image analysis information table, an environment sensing information table, and a lawn growth information table are stored in the sensing information database 27.
  • the facility information table information that is common to the entire turf management system 11 is stored. As illustrated, in the facility information table, the facility name, the type of facility, and the area where the facility is located are associated with each other and stored.
  • the weather information table the turf image analysis information table, the environment sensing information table, and the lawn growth information table, different information is stored for each facility.
  • the date and time when the weather information was generated the air temperature, the humidity, the wind speed, and the wind direction are associated with each other and stored.
  • the turf image analysis information table the date and time when the analysis was performed, the position of the divided area, the turf leaf coverage, the solar radiation amount, the treading turf injury rate, and the beast harm turf injury rate are stored in association with each other. Ru.
  • the date and time sensor information was acquired the position of the sensor, the soil temperature, the soil moisture, the soil pH, the soil EC, and the grass surface temperature are stored in association with one another.
  • the lawn growth information table the date and time when the growth information was acquired, the position at which the growth information was acquired, the hardness of the grass leaf, the amount of shavings, soil hardness, grass root length, grass root thickness, grass root density, grass grass.
  • the automatic evaluation value of roots, the subjective evaluation value of grass roots, the number of weed occurrences, and the number of disease occurrences are stored in association with one another.
  • the cultivation method improvement mechanism 28 uses the information stored in the sensing information database 27 to provide better turf cultivation methods or predict the future according to the environment, purpose, etc. for each region. be able to.
  • the cultivation method database 24 stores information on the cultivation of vegetation. For example, depending on the type of turf, season, area to be cultivated, use purpose of turf such as soccer or rooftop greening, light amount or wavelength suitable for cultivation, existing temperature management related to cultivation techniques such as temperature control or fertilizer, etc. New rules and learned models of new neural network models are accumulated in the cultivation method database 24 as a learning model and a new model improved by the cultivation method improvement mechanism 28. Thus, the cultivation method database 24 can provide information necessary for the cultivation of turf.
  • the cultivation method database 24 stores two types of information: a rule-based method in which a condition and its value are defined, and a neural network method in which modeling is completed by obtaining a learning process.
  • the cultivation method database 24 stores various types of information for the rule-based method.
  • the cultivation method database 24 has a wavelength for irradiating the LED light, a target soil moisture amount (target moisture) to be maintained, a soil temperature (target Earth temperature etc. are recorded. Furthermore, these pieces of information are provided depending on the type of cultivation purpose, such as whether the turf is normally cultivated, forced cultivation for early repair of the afflicted part, or whether a seasonal transition is to be performed.
  • bentgrass is selected as the turf seed
  • Tokyo is selected as the cultivation area
  • a cultivation type table is displayed in the case where soccer goal front is selected as the use application.
  • the cultivation method database 24 stores initial rules used as initial values of the information by the rule-based method.
  • FIG. 34 shows an example of a rule for determining an operation to be performed when the grass leaf coverage rate is lowered by image analysis of the turf surface analysis mechanism 25.
  • the cause of the deterioration of the turf is the solar radiation Whether it is due to lack, treading stress such as competition, or disease is judged.
  • the rule is referred to with reference to the second table from the top of FIG. It is selected to make the soil water content 27% as the content of.
  • the next condition when the amount of solar radiation obtained from the image analysis by the grass surface analysis mechanism 25 at the same point is, for example, 7001 or more, referring to the third table from the top of FIG. It is chosen to refer to the condition of Hereinafter, the treading grass damage rate (the fourth table from the top of FIG. 34) and the beast harming grass damage rate (the fifth table from the top of FIG. 34) are determined sequentially and the contents to be performed as work Is determined.
  • the rules stored in the cultivation method database 24 are updated as the cultivation method improvement mechanism 28 generates a new rule by continuously updating the contents of the sensing information database 27.
  • the cultivation method database 24 stores information (learning data and teacher data) for the neural network method.
  • a finished model, a learned model for analyzing the evaluation value of grass roots used in the growth information analysis mechanism 26, and the like are stored in the cultivation method database 24.
  • a neural network model newly developed or learned in the cultivation method improvement mechanism 28 can be stored in the cultivation method database 24.
  • the cultivation method improvement mechanism 28 discovers new rules concerning cultivation and management of turf, and neural using a statistical analysis method such as multivariate analysis from images, numerical values or text information accumulated in the sensing information database 27.
  • a statistical analysis method such as multivariate analysis from images, numerical values or text information accumulated in the sensing information database 27.
  • the network model By performing learning by the network model, we obtain various analysis methods about the state of turf. For example, when using a statistical analysis method, perform multivariate analysis reflecting the thoughts of the service provider and the user, etc., with respect to the contents of the sensing information database 27, and correct the values to be appropriate. Improvement of cultivation methods.
  • the cultivation method can be improved by further learning new data added to the sensing information database 27 as teaching data. Then, the cultivation method improvement mechanism 28 stores the new rules and the neural network model for which the learning is completed in the cultivation method database 24.
  • the cultivation method improvement mechanism 28 is a sensing information database 27 that is sequentially collected on a rule regarding the cultivation method of turf, a method for predicting the treading turf injury rate or the animal harm turf injury rate, etc. for predicting the turf condition. Using the content, update existing rules and learn neural network models.
  • cultivation method improvement mechanism 28 updates the existing rules regarding the cultivation method, as described below.
  • the initial rule described with reference to FIG. 34 described above corresponds to the values of turf coverage, solar radiation, treading turf, and pest turf depending on the area and use of the facility. It shows what should be done. However, it is not always correct to apply this rule at every facility.
  • sensing information database 27 when information from various parts of the country is accumulated in the sensing information database 27, it is possible to perform statistical analysis including regional differences on the relationship between turf coverage and soil moisture content.
  • the soil moisture content is set to 22% in order to make the turf coverage over 91%.
  • the initial rule It is desirable to change from 22% to 30%.
  • the neural network model learned by the cultivation method improvement mechanism 28 is used to analyze the treading turf injury rate and the animal injury turf injury rate by the turf surface analysis mechanism 25, and the turf root by the growth information analysis mechanism 26. Used to analyze the evaluation value.
  • the cultivation method improvement mechanism 28 can use data accumulated in the sensing information database 27 as learning data and teacher data for learning of the neural network model.
  • NDVI as an index for expressing the condition of the turf.
  • the cultivation method improvement mechanism 28 uses NDVI as teacher data, and the solar radiation amount, turf leaf coverage rate, treading turf injury rate, animal harm turf injury rate, turf root evaluation value, turf surface temperature, soil moisture, soil temperature etc. By performing learning using L as learning data, an equivalent index can be obtained without measuring NDVI.
  • the index for expressing the state of the turf surface is not particularly limited to NDVI, and other enhanced vegetation index (EVI), known as other vegetation indexes, PRI (Photochemical Reflectance Index), etc. are also used as teacher data. You may And, by performing learning similarly, it is possible to obtain an equivalent index without measuring.
  • NDVI NDVI
  • PRI Photochemical Reflectance Index
  • the timing at which the cultivation method improvement mechanism 28 is executed is not particularly limited, and may be executed each time information is added to the sensing information database 27.
  • it is a timing when the user inputs the teacher data to the sensing information database 27 via a terminal device such as a tablet, or a time specified by the user, and it is arbitrarily set in advance, for example, every month. Timing may be used.
  • the work content determination mechanism 29 refers to the information stored in the sensing information database 27 and the cultivation method database 24 and determines the work content of the management work to be performed next in order to maintain high turf quality. Indicate along with the position of the surface. For example, as the work content determined by the work content determination mechanism 29, irradiation of artificial light, setting of the underground heater or cooler, water spraying, insecticide spraying, to a part or the whole of the area of the turf surface At least one of disinfectant application, fertilizer application, curing sheet arrangement, lawn cutting, weed removal, and pest removal is used.
  • the work content determination mechanism 29 can determine the specific work content necessary in the process of cultivating turf by referring to the database, and as a method of starting the work, each work by date and every event There is work. For example, the work content determination mechanism 29 starts a work item started as a scheduled work, at a designated time, or at a regular interval such as a day, a week, a month, or a year (for example, a designated time every day or a designated time every weekend). Decide. In addition, the work content determination mechanism 29 starts as a result of analysis of the turf surface analysis mechanism 25 or the growth information analysis mechanism 26 or a change in sensor information (for example, air temperature, humidity, soil temperature, soil moisture, etc.) as work for each event. Determine the work items to be
  • the work content determination mechanism 29 calculates the integrated solar radiation amount of the day from the sensing information database 27, acquires the solar radiation amount lacking from the cultivation method database 24, and supplements it with the LED during the night Determine the location and time to light. Furthermore, the work content determination mechanism 29 acquires the selection and the ratio of the wavelength of the LED to be irradiated from the cultivation method database 24 when it is desired to change the growth of the turf, such as near the center circle or before the goal. Decide.
  • the work content determination mechanism 29 spreads the fertilizer in a region where only the predicted injury rate is bad from the predicted turf injury rate and the turf leaf coverage obtained after various events, and further when the lawn leaf coverage is a certain value or more Furthermore, if the illumination of the LED light and the turf leaf coverage rate are below a certain value, the position for the resurfacing of the turf is determined.
  • the work content determination mechanism 29 can determine work by date.
  • step S111 the work content determination mechanism 29 stores the execution content in the work list by date as shown in FIG. 37, and the work storage process by date is ended.
  • the work list for each due date stores, for each execution time, for example, for each start time, the execution contents of the work performed at that time.
  • step S121 After waiting for a fixed time in step S121, the work content determination mechanism 29 determines in step S122 whether or not the content to be executed at the current time is in the work list by date (FIG. 37).
  • step S122 If it is determined in step S122 that the content to be executed at the current time is in the work list for each due date, the work content determination mechanism 29 executes the corresponding item in the work list for each due date in step S123.
  • step S122 determines whether the content to be executed at the current time is in the work list for each due date, or after the processing of step S123. It will be.
  • the work content determination mechanism 29 sequentially determines the amount of water to be sprayed from the current soil temperature, air temperature, and soil moisture amount in order to suppress stress on the turf due to a rapid change in soil temperature. Furthermore, the work content determination mechanism 29 predicts a rapid drop in soil moisture accompanying an increase in the amount of transpiration of the turf from the rising change rate of the air temperature and the soil temperature stored in the sensing information database 27, and specifies the sprinkling position and waste Determine the amount of water required to be sprayed. Further, the work content determination mechanism 29 detects the presence of an animal such as a bird on the turf under curing based on the analysis result by the turf surface analysis mechanism 25 and induces repellence by performing watering.
  • the work content determination mechanism 29 can determine the work for each event.
  • step S131 after the work content determination mechanism 29 stores the execution content in the work list for each event as shown in FIG. 40, the work storage process for each event is ended.
  • the work list for each event stores, for each monitoring event, the contents of execution of the work to be performed when the event occurs.
  • step S141 after waiting until occurrence of any event, the work content determination mechanism 29 determines in step S142 whether or not there is an event corresponding to the per-event work list (FIG. 40).
  • step S142 If it is determined in step S142 that there is an event corresponding to the work list for each event, the work content determination mechanism 29 executes the corresponding item in the work list for each event in step S143.
  • step S142 determines whether there is no corresponding event in the work list for each event, or after the process of step S143. If it is determined in step S142 that there is no corresponding event in the work list for each event, or after the process of step S143, the process returns to step S141, and the same process is repeated.
  • the work mechanism 30 presents a work instruction to a user who manages the facility through a presentation unit of a terminal device such as a tablet computer or a personal computer according to the work content and position determined by the work content determination mechanism 29. Do.
  • the work mechanism 30 outputs information for various actual work by a work device such as a light supplement device or a robot device, for example.
  • a personal computer 43 and a tablet computer 45 are shown as an example of a presentation unit used as the working mechanism 30, and a user using the turf management system 11 using such a terminal Specific work content can be instructed. In addition, it is not limited to the terminal as illustrated here.
  • a movable illumination device 101 is shown as an example of a working device used as the working mechanism 30.
  • the movable illumination device 101 can emit LED light to the grass surface from a plurality of LEDs 103 (three LEDs 103-1 to 103-3 in the example of FIG. 43) fixed to the frame 102.
  • the movable illumination device 101 is configured to be movable by, for example, moving mechanisms 104-1 to 104-4 made of tires or the like.
  • the mobile lighting device 101 is moved to a designated position by the user who confirmed the work content by the personal computer 43 or the tablet computer 45 shown in FIG. LED light can be emitted.
  • the mobile lighting device 101 has a mechanism to move autonomously, the mobile lighting device 101 follows the work content determined by the work content determination mechanism 29 without intervention of the user. It is possible to move to the designated position by itself and turn on the designated time to illuminate the turf surface with the LED light.
  • a sheet-type lighting device 111 is shown as an example of a working device used as the working mechanism 30.
  • the sheet-type lighting device 111 can emit LED light to various places and turf surfaces of various areas by attaching a plurality of LEDs 113 to one side of the flexible sheet material 112. Further, by covering the turf surface with the sheet material 112, the sheet-type lighting device 111 can simultaneously perform the heat retention necessary for the turf.
  • FIG. 45 shows a lighting device 121 of a laser scanner type as an example of a working device used as the working mechanism 30.
  • the illumination device 121 is configured by combining the multicolor laser light source 122 and the scanner 123, and can irradiate the laser light output from the multicolor laser light source 122 to any position on the turf by the scanner 123.
  • the lighting device 121 having such a configuration does not require time and effort to move.
  • the lighting device 121 can change the growth of the turf and the color of the leaves by sequentially changing the power and the wavelength of the laser light, and for example, it is possible to express the team logo with the turf.
  • the lighting device 121 can suppress the growth of turf, sterilize, weed, and the like by using an ultraviolet laser.
  • FIG. 46 shows a small unmanned aerial vehicle (so-called drone) 131 having a self-contained navigation function as an example of a working device used as the working mechanism 30.
  • the small unmanned aerial vehicle 131 can fly by the rotary wings 133-1 and 133-2 attached to the airframe main body 132, and emits LED light from the illumination units 134-1 to 134-6.
  • the fertilizer or medicine can be sprayed from the spray port 135.
  • Such a small unmanned aerial vehicle 131 can execute the work content determined by the work content determination mechanism 29 without intervention of the user.
  • the working device used as the working mechanism 30 is not limited to those shown in FIGS. 43 to 46, and various working devices can be used.
  • the cultivation method improvement mechanism 28 uses the result information of the work content as teacher data, and uses the information stored in the sensing information database 27 and the cultivation method database 24 referred to at the time of work content determination as learning data Then, by performing learning using a neural network model, it is possible to update the learning model relating to the cultivation method.
  • the learning timing may be executed when designated by the user. For example, any timing set in advance one week after the work content determination mechanism 29 determines the work content Sequential learning may be performed.
  • the turf surface is divided into a plurality of photographing areas for the turf leaf coverage rate, the treading turf damage rate, and the prediction result value of the animal harm turf injury rate that the turf surface analysis mechanism 25 finds, and corresponding to each photographing area Can.
  • the setting of these photographing areas when the resolution of the image sensor provided in the camera 41 of the turf surface imaging mechanism 21 is sufficiently high with respect to the whole photographing area, the work or evaluation of the turf should be performed like the division method described below It is possible to freely set according to the area and the like.
  • the turf surface can be divided into a plurality of imaging regions by a first division method in which the imaging regions are simply divided so as to be even for general work. Further, the turf surface can be divided into a plurality of photographing areas by a second division method in which the photographing area is divided for each work range corresponding to the work device such as the irradiation area by the illumination device 101 of FIG. Furthermore, as described above with reference to FIG. 9, the turf surface may be divided into a plurality of imaging regions by the third division method in which the imaging region is divided for each sensing range of the sensor 51 installed under the ground. it can.
  • the turf surface can be divided into a plurality of photographing regions by the fourth division method in which the photographing region is divided for each specific area.
  • the entire turf surface half of the area (e.g., the entire home side and the entire away side) bordering the half line is divided into area 1 and area 2 as the imaging area, and so on before each goal
  • the imaging area is divided into area 3 and area 4 as a specific area.
  • the turf surface can be divided into a plurality of imaging regions according to the application of the pitch turf surface of soccer.
  • the imaging area may be divided according to the imaging direction with respect to the grass surface.
  • the turf management system 11 can accumulate high-level know-how for realizing high turf quality in the cultivation method database 24 as reusable knowledge.
  • the turf management system 11 digitizes the sun radiation state of the turf surface using not a special camera that acquires a specific narrow bandwidth image but a camera 41 that performs photographing with general visible light. be able to. Similarly, the turf management system 11 can use the general camera 41 to perform the current situation and prediction regarding turf growth.
  • the turf management system 11 enables immediate restoration of the turf surface damaged by competition, the occurrence of a disease, a weed, etc. by determining the suitable work content according to the state of the turf surface, It can contribute to the improvement of facility operation rate and maintenance of aesthetics. Furthermore, the turf management system 11 can reduce labor costs when managing turf.
  • the turf management system 11 gives instructions to, for example, the movable illumination device 101 of FIG. 43, the sheet illumination device 111 of FIG. 44, the illumination device 121 of laser scanner type of FIG.
  • the light output, the irradiation time, and the wavelength can be changed.
  • the turf management system 11 can create different turf growth states.
  • the turf management system 11 separates the turf so that the turf with a strong root tension is nurtured in front of the goal and the other part nurtures a turf with good ball rolling against the pitch turf surface of soccer. Can be grown.
  • the turf management system 11 includes the cultivation method database 24, the turf surface analysis mechanism 25, the growth information analysis mechanism 26, the sensing information database 27, the cultivation method improvement mechanism 28, and the work content
  • the determination mechanism 29 can be constructed in a distributed manner using a plurality of information processing apparatuses connected on the network. Thereby, reduction of the required expense of the user side using the turf management system 11 can be aimed at.
  • the series of processes (information processing method) described above can be executed by hardware or software.
  • various functions may be executed by installing a computer in which programs constituting the software are incorporated in dedicated hardware or various programs.
  • the program is installed from a program recording medium in which the program is recorded in a general-purpose personal computer or the like.
  • FIG. 51 is a block diagram showing an example of a hardware configuration of a computer that executes the series of processes described above according to a program.
  • a central processing unit (CPU) 201 a read only memory (ROM) 202, and a random access memory (RAM) 203 are mutually connected by a bus 204.
  • CPU central processing unit
  • ROM read only memory
  • RAM random access memory
  • the input / output interface 205 is connected to the bus 204.
  • the input / output interface 205 includes an input unit 206 including a keyboard, a mouse and a microphone, an output unit 207 including a display and a speaker, a storage unit 208 including a hard disk and a non-volatile memory, and a communication unit 209 including a network interface.
  • a drive 210 for driving removable media 211 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory is connected.
  • the CPU 201 loads the program stored in the storage unit 208 into the RAM 203 via the input / output interface 205 and the bus 204 and executes the program. Processing is performed.
  • the program executed by the computer (CPU 201) is, for example, a magnetic disk (including a flexible disk), an optical disk (CD-ROM (Compact Disc-Read Only Memory), DVD (Digital Versatile Disc), etc.), a magneto-optical disk, or a semiconductor It is recorded on a removable medium 211 which is a package medium including a memory or the like, or provided via a wired or wireless transmission medium such as a local area network, the Internet, or digital satellite broadcasting.
  • the program can be installed in the storage unit 208 via the input / output interface 205 by mounting the removable media 211 in the drive 210.
  • the program can be received by the communication unit 209 via a wired or wireless transmission medium and installed in the storage unit 208.
  • the program can be installed in advance in the ROM 202 or the storage unit 208.
  • An analysis unit that analyzes an image obtained by photographing at least one vegetation to be managed at least as input information;
  • An information processing apparatus comprising: a determination unit configured to determine a work content for the vegetation according to an analysis result output from the analysis unit.
  • the analysis unit divides the entire surface of the vegetation to be managed into a plurality of divided areas, and outputs the analysis result for each divided area.
  • the information processing according to (1) or (2). apparatus The information processing according to (1) or (2). apparatus.
  • the information processing apparatus outputs, as the analysis result, a vegetation index related to a turf that is the vegetation.
  • the vegetation index is a turf leaf coverage that calculates the proportion of turf present per unit area from the image for each divided area obtained by dividing a turf surface into a plurality.
  • the said vegetation index is the amount of solar radiation which integrates the luminance value of the sunlight which reaches the said turf surface from the said image for every division area which divided the turf surface into plurality.
  • the above-mentioned vegetation index calculates the ratio of the integrated value of the time when the detection target stays in each divided area to the total time of the moving image obtained by photographing the turf for each divided area obtained by dividing the turf surface into a plurality of areas
  • the information processing apparatus according to any one of (4) to (6), which is a damage rate.
  • It further comprises a growth information collection unit that collects predetermined growth information, The information processing apparatus according to any one of (1) to (5), wherein the analysis unit analyzes based on the growth information collected by the growth information collection unit.
  • the information processing apparatus according to any one of (3) to (8), wherein the divided area is divided based on a range of work on the vegetation.
  • the sensor information is stored from an environment sensing device having a plurality of sensors for the vegetation to be managed, and acquiring sensor information obtained by sensing an environment (2)
  • An information processing apparatus according to any one of (10) to (10).
  • It further comprises a cultivation method database storing information on cultivation of the vegetation, including at least a learning model, The information processing apparatus according to any one of (1) to (11), wherein the determination unit determines the work content for the vegetation based on the cultivation method database.
  • the information processing apparatus determines an execution time of the work content according to a predetermined date set by a user or a predetermined event.
  • the information stored in the information database storing the input information and the information of the analysis result includes at least result information of work content.
  • the determination unit presents the determined work content to a presentation unit that presents the work content.
  • An image acquisition apparatus for acquiring an image in which a vegetation to be managed is captured;
  • An analysis unit that analyzes the image acquired by the image acquisition apparatus at least as input information;
  • An information processing apparatus comprising: a determination unit configured to determine work content for the vegetation according to an analysis result output from the analysis unit;
  • a work management system comprising: a work device that performs processing for performing work on the vegetation according to the work content determined by the determination unit.
  • turf management system 21 turf surface imaging mechanism, 22 growth information collection mechanism, 23 environment sensing mechanism, 24 cultivation method database, 25 turf surface analysis mechanism, 26 growth information analysis mechanism, 27 sensing information database, 28 cultivation method improvement mechanism, 29 work content determination mechanism, 30 work mechanism, 31 network, 32 storage device, 41 camera, 42 camera, 43 personal computer, 44 camera, 45 tablet computer, 51 sensor, 52 wired sensor aggregation device, 53 antenna, 54 light emitting device , 55 windsocks, 56 smokers, 57 PPFD measuring equipment

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Forests & Forestry (AREA)
  • Ecology (AREA)
  • Botany (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本開示は、品質が高い状態を維持し、かつ、一様に生育されるように植生を管理することができるようにする情報処理装置、情報処理方法、および植生管理システムに関する。 植生管理システムにおいては、画像取得装置が、管理を行う対象となる植生が撮影された画像を取得し、解析部が、その画像を少なくとも入力情報として解析を行って、所定の解析結果を出力する。そして、決定部が、解析結果に従って、植生に対する作業内容を決定し、作業装置が、その作業内容に応じて前記植生に対する作業を実行するための処理を行う。本技術は、例えば、天然芝を管理する管理システムに適用できる。

Description

情報処理装置、情報処理方法、および植生管理システム
　本開示は、情報処理装置、情報処理方法、および植生管理システムに関し、特に、品質が高い状態を維持し、かつ、一様に生育されるように植生を管理することができるようにした情報処理装置、情報処理方法、および植生管理システムに関する。
　一般的に、サッカーや、ゴルフ、ラグビーなどの各種のスポーツ競技を行うスポーツスタジアムの他、公園、屋上や壁面緑化環境などのように、天然芝を必要する施設が多く存在する。スポーツ競技において天然芝を使用する利点として、例えば、試合中の選手の足腰への肉体的な負担を軽減することができる点がある。さらに、天然芝は、人工芝と比較して、景観に優れることから施設の価値を高めることができる。その一方で、天然芝によって施設の価値を高めるためには、芝面が年間を通して常緑するように維持すること、かつ、芝面が均一に生育するように管理することが求められる。
　そこで、特許文献１に開示されているように、特定位置の天然芝に対して発光素子の光を照射して天然芝の成長促進および修復を図るために、所定の波長の赤色光および青色光の光源を持つ天然芝育成照明装置が提案されている。
　また、特許文献２に開示されているように、天然芝の維持管理に使用するために、収納時の収納スペースを小さくすることができるとともに、移動作業を容易に行うことができる可動式天然芝育成用照明装置が提案されている。
　さらに、特許文献３には、屋内施設でも利用可能な天然芝構造体の日常的に必要となる栽培管理を容易にするために、天然芝構造体に必要なメンテナンス作業情報を抽出することができる天然芝構造体の管理システムが開示されている。
　このように、従来、天候や施設などによる影の影響で不足した太陽光を補ったり、芝の損傷が発生した場所へ光の照射を行ったりすることで、迅速な芝の修復を目指す試みが行われている。
特開２０１２－２２８２３１号公報 特開２０１６－５２２９９号公報 特開２００５－２５３４１５号公報
　ところで、上述したような特許文献で開示されている技術では、光の照射を行うべき位置や時間の決定を、装置やシステムなどを利用する利用者により行うような構成となっていた。そのため、芝面が年間を通して常緑するように品質が高い状態を維持し、かつ、芝面が均一となるように一様に生育されるように管理するのは困難であった。
　本開示は、このような状況に鑑みてなされたものであり、品質が高い状態を維持し、かつ、一様に生育されるように植生を管理することができるようにするものである。
　本開示の一側面の情報処理装置は、管理を行う対象となる植生が撮影された画像を少なくとも入力情報として解析を行う解析部と、前記解析部から出力される解析結果に従って、前記植生に対する作業内容を決定する決定部とを備える。
　本開示の一側面の情報処理方法は、管理を行う対象となる植生が撮影された画像を少なくとも入力情報として解析を行い、その解析によって出力される解析結果に従って、前記植生に対する作業内容を決定することとを含む。
　本開示の一側面の植生管理システムは、管理を行う対象となる植生が撮影された画像を取得する画像取得装置と、前記画像取得装置により取得された画像を少なくとも入力情報として解析を行う解析部と、前記解析部から出力される解析結果に従って、前記植生に対する作業内容を決定する決定部とを有する情報処理装置と、前記決定部により決定された前記作業内容に応じて前記植生に対する作業を実行するための処理を行う作業装置とを備える。
　本開示の一側面においては、管理を行う対象となる植生が撮影された画像を少なくとも入力情報として解析が行われて、その解析によって出力される解析結果に従って、植生に対する作業内容が決定される。
　本開示の一側面によれば、品質が高い状態を維持し、かつ、一様に生育されるように植生を管理することができる。
　なお、ここに記載された効果は必ずしも限定されるものではなく、本開示中に記載されたいずれかの効果であってもよい。
本技術を適用した芝管理システムの一実施の形態の構成例を示すブロック図である。 芝管理システムを構成する構成要素の第１の配置例を示すブロック図である。 芝管理システムを構成する構成要素の第２の配置例を示すブロック図である。 芝管理システムを構成する構成要素の第３の配置例を示すブロック図である。 芝管理処理を説明するフローチャートである。 芝面に対する２台のカメラの配置、および、生育情報収集機構として用いられる端末の例を示す図である。 生育情報入力画面の一例を示す図である。 生育情報収集処理を説明するフローチャートである。 環境センシング機構の構成例を示す図である。 環境センシング機構を構成するセンサについて説明する図である。 環境センシング機構の第１の変形例について説明する図である。 環境センシング機構の第２の変形例について説明する図である。 環境センシング機構の第３の変形例について説明する図である。 環境センシング機構の第４の変形例について説明する図である。 環境センシング処理の第１の処理例を説明するフローチャートである。 環境センシング処理の第２の処理例を説明するフローチャートである。 芝葉カバー率の算出方法について説明する図である。 芝面解析処理の第１の処理例（芝葉カバー率）を説明するフローチャートである。 日射量の算出方法について説明する図である。 芝面解析処理の第２の処理例（日射量格納）を説明するフローチャートである。 芝面解析処理の第３の処理例（日射量算出）を説明するフローチャートである。 踏圧芝傷み率の算出方法について説明する図である。 芝面解析処理の第４の処理例（踏圧芝傷み解析）を説明するフローチャートである。 芝面解析処理の第５の処理例（踏圧芝傷み算出）を説明するフローチャートである。 画像解析により風速および風向を求める処理について説明する図である。 ニューラルネットワークモデルへ入力される画素について説明する図である。 ニューラルネットワークモデルから出力される領域について説明する図である。 ニューラルネットワークモデルを用いた芝面解析について説明する図である。 画像解析による生育情報の解析について説明する図である。 生育情報解析処理を説明するフローチャートである。 ニューラルネットワークモデルを用いた生育情報解析について説明する図である。 センシング情報データベースに格納されるテーブルの例を示す図である。 栽培方法データベースに格納される各種情報の例を示す図である。 栽培方法データベースに格納される初期ルールの例を示す図である。 ニューラルネットワークモデルの学習データと教師データの例を示す図である。 期日毎作業格納処理を説明するフローチャートである。 期日毎作業リストの一例を示す図である。 期日毎作業実行処理を説明するフローチャートである。 イベント毎作業格納処理を説明するフローチャートである。 イベント毎作業リストの一例を示す図である。 イベント毎実行業実行処理を説明するフローチャートである。 作業機構として使用される端末の例を示す図である。 移動型の照明装置について説明する図である。 シート型の照明装置について説明する図である。 レーザスキャナ型の照明装置について説明する図である。 小型の無人航空機について説明する図である。 特定のエリアごとに撮影領域を分割する分割方法について説明する図である。 特定のエリアごとに撮影領域を分割する分割方法について説明する図である。 芝面に対して鉛直方向から撮影する際に撮影領域を分割する一例について説明する図である。 芝面に対して傾斜方向から撮影する際に撮影領域を分割する一例について説明する図である。 本技術を適用したコンピュータの一実施の形態の構成例を示すブロック図である。
　＜芝管理システムについて＞
　まず、本技術を適用した具体的な実施の形態について説明する前に、芝管理システムが必要とされている背景について説明する。
　例えば、天然芝は、他の植物と同様に、太陽光や、気温、水分など自然条件により生育への影響を受け、日々変化する気象条件に対応しながら芝の管理作業を行う必要がある。このため、芝面が高い品質となるように常に維持するためには、長年の経験に基づく高度な栽培知識が必須となっている。
　また、芝は、屋外においては太陽光を利用した光合成により成長する。しかしながら、芝を利用するスタジアムなどの施設においては、観客席や照明などの構造物が遮光体となり、芝面に対して一様に太陽光が到達しない状況が発生する。この結果、芝の生育にムラが生じるため、人工的な太陽光照射装置や施肥などにより不足分を補うが、その補うための範囲や量は経験に基づいて行われている。
　また、太陽光中に含まれる光のうち、光合成に利用される光量を定義するものとして、PPFD（photosynthetic photon flux density）がある。PPFDは、植物のクロロフィルが吸収可能な400nmから700nmまでの波長領域に含まれる光量子束密度を表現している。例えば、PPFDの測定には、光学バントパスフィルタを装備する必要があったり、受光部の感度特性を補正する必要があったりするため、比較的に高価な専用センサが必要となる。また、センサを設置した狭い２次元範囲を代表する測定となるため、広い芝面の各場所においてPPFDを測定するためには、多数のセンサを設置する必要がある。
　さらに、光合成の結果、植物の生育状態を定量的に判断するための指標として、NDVI（Normalized Difference Vegetation Index：植生指数）がある。NDVIは、植物の活性度について、葉から反射される光の光学的スペクトラム解析によって得られた情報を指数として算出したものである。
　例えば、NDVIを測定する装置が既に存在しており、肉眼では判別が困難な芝葉の状態を数値化するものとして広く利用されている。従来、NDVIを測定する装置は、ハンディ型の機材として提供され、任意の場所へ運搬した後、芝面へ装置を設置してボタンを押すだけで、その地点のNDVIを位置座標とともに記録することができる。しかしながら、この装置を用いて広いスタジアムの芝面を測定するには、移動と計測という動作を繰り返す必要があり、効率良くデータを収集することが難しい。
　そこで、広い領域のNDVIを計測するための技術として、リモートセンシングが存在する。リモートセンシングでは、航空機や人工衛星を利用して、植物が栽培されている圃場が高い高度から俯瞰的に撮影される。この技術では、観測面とカメラ間の距離が長い場合、途中に存在する粉塵、水蒸気や雲の影響を受けるため、正確な測定ができない場合も発生する。
　また、リモートセンシングは、広い領域を一度に撮影ができるという利点はあるが、撮影画像の解像度が数メートル四方と荒くなる。このため、例えば、サッカースタジアム内のピッチ面やゴルフ場のグリーン内程度の面積などに生育する芝の状態を詳細に把握するのには適していない。さらに、衛星の周回軌道や運用コストなどを考慮すると、一日あたりに撮影が可能な回数は非常に限られたものとなり、例えば、スタジアムでの競技前後における芝のNDVIの変化を比較することは難しい。
　一方で、芝の生育状態の解析や判断などを行うために、上述したPPFDおよびNDVIの測定以外の手法として、施設の建設時に、地中内へ地温や水分量を計測するセンサを予め敷設していることも多い。しかしながら、センサの敷設時とは異なる場所の測定を行うことや、技術進歩に伴い登場する最新のセンサへ入れ替えることなどはコスト的に困難な場合が多かった。そのため、芝面や土壌中の状態をリアルタイムで観測可能な安価であって、かつ、敷設および撤去が容易なセンサが求められている。
　また、施設の稼働率を上げるために、各種イベントの開催により損傷した芝を迅速に修復させることが、施設管理において重要となっている。
　以上のような背景があり、芝面が年間を通して常緑するように品質が高い状態を維持し、かつ、芝面が均一となるように一様に生育されるように管理することができる芝管理システムが必要とされている。
　以下、本技術を適用した具体的な実施の形態について、図面を参照しながら詳細に説明する。
　＜芝管理システムの構成例＞
　図１は、本技術を適用した芝管理システムの一実施の形態の構成例を示すブロック図である。なお、以下では、本技術を芝管理システムに適用した構成について説明するが、本技術は、芝管理システムに限定されることはない。即ち、本技術は、例えば、公園、屋上や壁面緑化環境などのように、品質が高い状態を維持し、かつ、一様に生育されるように管理することが必要とされる植生の管理システムに対して適用することができる。
　図１において、芝管理システム１１は、芝面イメージング機構２１、生育情報収集機構２２、環境センシング機構２３、栽培方法データベース２４、芝面解析機構２５、生育情報解析機構２６、センシング情報データベース２７、栽培方法改善機構２８、作業内容決定機構２９、および作業機構３０を備えて構成される。
　また、芝管理システム１１を構成する各構成要素のうち、芝面イメージング機構２１、生育情報収集機構２２、環境センシング機構２３、および作業機構３０は、各種のセンサや作業装置などのハードウェアにより構成される。一方、栽培方法データベース２４、芝面解析機構２５、生育情報解析機構２６、センシング情報データベース２７、栽培方法改善機構２８、および作業内容決定機構２９は、情報処理装置が実行するソフトウェアにより構成される。
　例えば、芝管理システム１１では、ハードウェアにより構成される構成要素が、芝管理システム１１を利用する利用者側に配置され、ソフトウェアにより構成される構成要素が、芝管理システム１１を運用するサービス提供者側に配置される。なお、芝管理システム１１を構成する各構成要素の配置は、図１に示すような配置例に限定されることなく、図２乃至図４を参照して後述するように、様々な配置例を採用することができる。
　芝面イメージング機構２１は、管理を行う対象となる芝面が撮影された画像を取得するカメラ（例えば、図６のカメラ４１）を有して構成され、取得した画像を芝面解析機構２５およびセンシング情報データベース２７に供給する。
　生育情報収集機構２２は、芝管理システム１１を利用する利用者が生育情報を入力するのに利用される端末（例えば、図６のパーソナルコンピュータ４３やタブレット型コンピュータ４５）により構成される。例えば、生育情報収集機構２２は、利用者により入力された生育情報として、後述するような測定日時や、測定位置、測定内容（数値またはテキスト）、画像などを、センシング情報データベース２７に供給する。
　環境センシング機構２３は、芝面の生育情報を収集するための各種のセンサ（例えば、図９のセンサ５１）を有して構成される。例えば、環境センシング機構２３は、芝面の環境をセンサによりセンシングして得られるセンサ情報と、そのセンサ情報を得たセンサの位置とを対応付けて、センシング情報データベース２７に供給する。
　栽培方法データベース２４は、例えば、外部の記憶装置から、既知の学習モデルを読み出して格納することができる。以下の説明では、学習モデルとして、ルールやニューラルネットワークモデルを一例として用いるが、学習モデルは、特にこれらに限定されることはない。また、栽培方法データベース２４は、栽培方法改善機構２８により改善された、新しい学習モデル（新しいルールまたは新しい学習済みニューラルネットワークモデルなど）を格納することができる。
　芝面解析機構２５は、芝面イメージング機構２１から供給される画像を少なくとも入力情報として、例えば、その画像に写されている芝面に対する解析を行って、後述するような芝葉カバー率や、踏圧芝傷み率、獣害芝傷み率などの植生指標を解析結果として出力する。そして、芝面解析機構２５は、例えば、芝面を複数の領域に分割した分割領域ごとの解析結果（数値）と、それぞれの解析結果を得た分割領域の位置とを対応付けて、センシング情報データベース２７に供給する。また、芝面解析機構２５は、芝面イメージング機構２１から供給される画像を少なくとも入力情報とし、栽培方法データベース２４から読み出した学習済みニューラルネットワークモデルに入力して得られる解析結果を出力してもよい。
　生育情報解析機構２６は、生育情報収集機構２２から供給される画像を少なくとも入力情報として、例えば、その画像に写されている芝根に対する解析を行って、後述するような芝根の長さおよび密度を解析結果として出力する。そして、芝面解析機構２５は、例えば、芝根の解析結果（数値）と、その芝根が生えていた場所の位置とを対応付けて、センシング情報データベース２７に供給する。また、生育情報解析機構２６は、芝面イメージング機構２１から供給される画像を少なくとも入力情報とし、栽培方法データベース２４から読み出した学習済みニューラルネットワークモデルに入力して得られる解析結果を出力してもよい。
　センシング情報データベース２７は、芝面イメージング機構２１から供給される画像や、生育情報収集機構２２から供給される生育情報、芝面解析機構２５および生育情報解析機構２６から供給される解析結果、環境センシング機構２３から供給されるセンサ情報などを格納する。
　栽培方法改善機構２８は、センシング情報データベース２７に格納されている各種の情報（位置や、画像、数値、テキストなど）から、芝の栽培および管理に関する新しいルールの発見や、ニューラルネットワークモデルによる学習を実施する。そして、栽培方法改善機構２８は、新しいルールや学習により解析された数値をセンシング情報データベース２７に格納し、新しいルールまたは新しい学習済みニューラルネットワークモデルを栽培方法データベース２４に格納する。
　作業内容決定機構２９は、センシング情報データベース２７および栽培方法データベース２４に格納されている各種の情報に従って、芝面に対して行うべき作業内容を決定し、その作業内容に関する情報を作業機構３０に対して出力して、作業を実行させる。
　作業機構３０は、後述する図４２乃至図４６を参照して説明するような様々な装置からなり、作業内容決定機構２９により決定された作業内容を実行するための処理を行う。
　以上のように芝管理システム１１は構成されており、例えば、芝面が年間を通して常緑するように品質が高い状態を維持し、かつ、芝面が均一となるように一様に生育されるように管理することができる。
　＜芝管理システムを構成する構成要素の配置例＞
　図２乃至図４を参照して、芝管理システム１１を構成する構成要素の他の配置例について説明する。
　図２に示す芝管理システム１１ａは、芝面イメージング機構２１、生育情報収集機構２２、環境センシング機構２３、栽培方法データベース２４、芝面解析機構２５、生育情報解析機構２６、センシング情報データベース２７、栽培方法改善機構２８、作業内容決定機構２９、および作業機構３０の全ての構成要素が、利用者側に配置されて構成される。
　そして、芝管理システム１１ａは、ハードウェアにより構成される構成要素と、ソフトウェアにより構成される構成要素とが、例えば、閉鎖的な環境内のみで使用されるイントラネットなどのネットワーク３１を介して接続されて構成される。また、芝管理システム１１ａでは、既知の初期ルールを記憶する記憶装置３２が、栽培方法データベース２４に接続される。
　このように、芝管理システム１１ａを構成する全ての構成要素が、利用者側に配置される配置例を採用することができる。
　図３に示す芝管理システム１１ｂは、芝面イメージング機構２１、生育情報収集機構２２、環境センシング機構２３、および作業機構３０が、利用者側に配置されて構成される。一方、栽培方法データベース２４、芝面解析機構２５、生育情報解析機構２６、センシング情報データベース２７、栽培方法改善機構２８、および作業内容決定機構２９は、提供者側に配置される。
　そして、芝管理システム１１ｂは、利用者側に配置されている構成要素と、提供者側に配置されている構成要素とが、例えば、インターネットまたはプライベートネットワークからなるネットワーク３１を介して接続されて構成される。また、芝管理システム１１ｂでは、既知の初期ルールを記憶する記憶装置３２のうち、様々なユーザの全てで共通するルールを記憶する記憶装置３２－１が提供者側に配置され、個々のユーザ特有のルールを記憶する記憶装置３２－２が利用者側に配置される。
　このように、芝管理システム１１ｂは、ソフトウェアにより構成される構成要素が利用者側に配置されない配置例を採用することができる。例えば、芝管理システム１１ｂでは、ソフトウェアにより構成される構成要素を、ネットワーク上に接続されている複数の情報処理装置を利用して分散的に（いわゆるクラウドコンピューティングにより）構築することができる。
　図４に示す芝管理システム１１ｃは、芝面イメージング機構２１、生育情報収集機構２２、環境センシング機構２３、芝面解析機構２５、生育情報解析機構２６、および作業機構３０が、利用者側に配置されて構成される。また、栽培方法データベース２４、センシング情報データベース２７、栽培方法改善機構２８、および作業内容決定機構２９は、提供者側に配置される。
　そして、芝管理システム１１ｃは、利用者側に配置されている構成要素と、提供者側に配置されている構成要素とが、例えば、インターネットまたはプライベートネットワークからなるネットワーク３１を介して接続されて構成される。
　このような構成の芝管理システム１１ｃは、利用者側および提供者側で処理を分担することができるとともに、ネットワークトラヒックを低減させることができる。また、芝管理システム１１ｃは、提供者側の処理負荷を低減することによって、例えば、利用者数の増加に対応することができる。
　以上のように、芝管理システム１１は、図２乃至図４を参照して説明したような配置例を採用することができ、もちろん他の配置例を採用してもよい。例えば、芝管理システム１１は、栽培方法データベース２４および栽培方法改善機構２８を提供者側に配置して、芝管理システム１１を利用する利用者の共通な資源とすることで、より効率の良いサービスを提供することができる。
　＜芝管理システムにおける芝管理処理＞
　図５に示すフローチャートを参照して、芝管理システム１１において実行される芝管理処理について説明する。
　例えば、芝管理システム１１による芝の管理が開始されると処理が行われ、ステップＳ１１において、センシング情報データベース２７の初期設定を行う。例えば、初期設定として、センシング情報データベース２７へ、芝管理システム１１を利用する施設（利用者）や、その施設で使用されるカメラなどのセンサ群について、それぞれのＩＤと、配置される位置関係のマッピング情報が、センシング情報データベース２７に格納される。
　ステップＳ１２において、栽培方法データベース２４の初期設定を行うことで、ユーザが利用可能な状態とする。例えば、初期設定として、芝の栽培に関する基本的ルール、芝面解析機構２５および生育情報解析機構２６で使用される学習済みニューラルネットワークモデルが、栽培方法データベース２４に格納される。
　そして、ステップＳ１２の処理後、ステップＳ１３乃至Ｓ１８の処理が、それぞれ必要となったタイミングで、逐次並列に実行することができる。
　なお、ステップＳ１３の芝面解析処理については、図１８、図２０、図２１、図２３、および図２４のフローチャートを参照して後述する。また、ステップＳ１４の生育情報解析処理については、図３０のフローチャートを参照して後述する。同様に、ステップＳ１５の環境センシング処理については、図１５および図１６のフローチャートを参照して後述し、ステップＳ１６の生育情報収集処理については、図８のフローチャートを参照して後述する。また、ステップＳ１７の栽培方法改善処理については、後述する栽培方法改善機構２８の構成例を参照して説明し、ステップＳ１８の作業内容決定処理については、後述する作業内容決定機構２９の構成例を参照して説明する。
　以上のように、芝管理システム１１は、ステップＳ１１およびＳ１２の初期設定を行った後、ステップＳ１３乃至Ｓ１８の処理を必要に応じて適宜行って、芝を管理することができる。これにより、芝管理システム１１は、例えば、芝面が年間を通して常緑するように品質が高い状態を維持し、かつ、芝面が均一となるように一様に生育されるように管理することができる。
　＜芝面イメージング機構の構成例＞
　芝面イメージング機構２１は、少なくとも可視光の波長域帯による画像の撮影が可能なカメラを備えて構成される。例えば、芝面イメージング機構２１が備えるカメラは、芝面を俯瞰するように配置され、芝が生育するフィールド全体の状態を画像情報として取得することができる。
　なお、芝面イメージング機構２１は、静止画像の撮影が可能な他、動画像の撮影が可能なカメラを備えることが望ましい。また、芝面イメージング機構２１は、上述したようなNDVIを取得可能なカメラ、例えば、可視光および近赤外それぞれの波長域における任意の波長を中心として１０ｎｍ程度の狭帯域幅の画像を取得することで、芝の植生指数を計測することができるカメラを備えることが望ましい。さらに、芝面イメージング機構２１は、遠赤外線領域の撮影により芝面の温度を計測可能なカメラ、例えば、フィールドの表面温度を計測するために遠赤外の波長帯域の画像を取得することができるカメラを備えることが望ましい。
　また、芝面イメージング機構２１は、少なくとも１台のカメラを備えていればよく、例えば、広い領域の芝面の画像を同時に取得することができるように、２台以上の複数台のカメラを備えて構成してもよい。例えば、図６に示すように、２台のカメラ４１－１および４１－２を用いて、芝面Ｇを２つの撮影領域に分割し、カメラ４１－１および４１－２それぞれから見て遠方の芝面の解像度が低下しないように、芝面Ｇの全体の撮影を行うことが望ましい。
　さらに、芝面イメージング機構２１は、カメラの向きを変更するパンニングや、カメラの画角を変更するズーム機構などを利用して、複数枚の画像を撮影し、後処理によって画像を繋ぎ合わせることにより、芝面の全体を俯瞰するような画像を取得してもよい。また、芝面イメージング機構２１は、カメラからの情報をRAWデータで取得可能であることが望ましい。その他、芝面イメージング機構２１は、芝の緑色を正確に表現することができれば、例えば、JPEG（Joint Photographic Experts Group）やH.264などにより圧縮されたデータを取得してもよい。
　また、芝面イメージング機構２１は、画像が撮影された位置を容易に特定することができるように、位置が固定されたカメラを使用することが望ましい。その他、芝面イメージング機構２１は、小型の無人航空機（いわゆるドローン）に搭載されたカメラを使用してもよく、この場合、後処理によって画像と実際の芝の位置とを合わせるようなマッピング処理が行われる。
　なお、芝面イメージング機構２１は、例えば、２４時間かつ３６５日の期間で画像を取得することを前提とするが、必要な情報を得るための処理内容に応じて撮影間隔を変化させることによって、情報量と精度とのバランスを調整することができる。
　＜生育情報収集機構の構成例＞
　生育情報収集機構２２は、例えば、芝面イメージング機構２１または環境センシング機構２３を利用して取得されない生育情報を収集するために、芝管理システム１１を利用する利用者による入力に基づいた生育情報を収集する。例えば、生育情報収集機構２２は、芝面イメージング機構２１または環境センシング機構２３では取得困難な生育情報や、芝面イメージング機構２１または環境センシング機構２３で取得するには高コストとなるような画像以外の生育情報を取得することができる。
　具体的には、生育情報収集機構２２は、利用者による入力に基づいて、芝葉の硬度や、芝葉の刈りかす量、芝根の長さ、芝根の太さ、芝根の密度、芝根を含む土壌硬度、雑草または病害の発生などの他、芝面の状態を計測した様々な生育情報を収集する。さらに、生育情報収集機構２２は、利用者による入力に基づいて、芝面へ配布した肥料成分および量、芝を養生するために設置したシートの位置や使用期間などのように、将来の芝の生育状態に関わる作業情報を収集することができる。
　また、生育情報収集機構２２として、図６に示すように、カメラ４２が接続されたパーソナルコンピュータ４３のような設置型の端末や、カメラ４４が内蔵されたタブレット型コンピュータ４５のような移動型の端末などを利用することができる。そして、生育情報収集機構２２は、カメラ４２またはカメラ４４によって芝葉や根などの状態を近接して撮影した画像を、生育情報として取得することができる。例えば、芝管理システム１１の利用者は、パーソナルコンピュータ４３やタブレット型コンピュータ４５などの生育情報収集機構２２を用いて、管理現場や事務所などにおいて生育情報を入力することができる。
　図７には、生育情報収集機構２２が備える表示装置に表示される生育情報入力画面の一例が示されている。
　図７に示すように、生育情報収集機構２２は、生育情報入力画面を利用して少なくとも、測定日時、測定地点、および測定内容を入力することができ、図７に示す例では、測定内容として刈りカス量が入力可能とされている。さらに、生育情報収集機構２２は、利用者により測定値などを直接的に入力する他、対象物を撮影した画像を生育情報解析機構２６において画像解析を行った結果として得られる数値（図７の例では、根長さや根密度など）を生育情報入力画面に表示することができる。また、生育情報収集機構２２は、生育情報入力画面を利用して、芝根についての総合評価として、芝を管理する経験者が主観的な評価値（図７に示す主観評価）の入力を行うことができる。なお、この主観的な評価値は、後に撮影画像から自動的に評価値（図７に示す自動評価）を求めるための教師データとして用いることができる。
　図８のフローチャートを参照して、生育情報収集機構２２による生育情報収集処理について説明する。例えば、上述した図５のステップＳ１６において、生育情報収集処理は行われる。
　ステップＳ２１において、生育情報収集機構２２は、図７に示したような生育情報入力画面を表示装置に表示し、キーボードやタッチパネルなどの入力手段を利用して利用者により入力される生育情報を取得する。例えば、生育情報収集機構２２は、測定位置、画像、および、上述したような各種付随データを、生育情報として取得する。そして、生育情報収集機構２２は、それらの生育情報をセンシング情報データベース２７へ格納し、その後、生育情報収集処理は終了される。
　＜環境センシング機構の構成例＞
　環境センシング機構２３は、芝生が栽培されている地表面または地面内に設置されるセンサを利用して、地中温度や、土壌水分量、土壌酸性度（pH）、土壌電気伝導度（EC：Electric Conductivity）などをセンシングし、センサ情報の取得を定期間隔にて行う。
　例えば、図９に示すように、環境センシング機構２３は、複数個のセンサ５１（図９の例では、９個のセンサ５１－１乃至５１－９）、および、有線センサ集約装置５２により構成することができる。それぞれのセンサ５１は、破線で図示するケーブルにより有線センサ集約装置５２に接続されている。そして、センサ５１から出力されるセンサ情報は、有線センサ集約装置５２へ有線で送信され、有線センサ集約装置５２からセンサ情報表示装置（図示せず）へ送信される。
　例えば、芝の栽培には、太陽光の存在が必須であるのに加えて、土壌内の温度や、水分量、電気伝導度などが生育に様々な影響を及ぼす。そのため、スタジアムによっては、施設の建設時において、温度や水分などをセンシング可能な複数個のセンサ５１を、地中内に埋設している。
　例えば、図１０に示すように、センサ５１は、芝を栽培する土壌内に埋設され、上述したような各種のセンサ情報の収集を行う。なお、芝の栽培するにあたって実際に取得することが必要となる地温は、例えば、芝面から５ｃｍ程度の地中であるのに対し、設備配置の都合上、センサ５１は芝面から３０ｃｍ程度の地中に配置されることがある。そのため、センサ５１により取得されたセンサ情報に基づいて、芝面から５ｃｍ程度の地中における地温を予測するような処理を行う必要がある。
　また、環境センシング機構２３は、図９に示したように、センサ５１から有線でセンサ情報を送信する他、例えば、RF（Radio Frequency）帯無線を使用してセンサ情報を送信するような構成としてもよい。
　図１１を参照して、環境センシング機構２３の第１の変形例について説明する。環境センシング機構２３は、図示するように、センサ５１にアンテナ５３を接続した構成を採用し、アンテナ５３から出力されるRF帯の電磁波を利用して無線センサ集約装置（図示せず）へセンサ情報を送信するような構成とすることができる。このような構成の環境センシング機構２３は、センサ５１の敷設工事および撤去工事を容易に行うことができる。
　さらに、環境センシング機構２３は、例えば、LED（Light Emitting Diode）などの発光体を用いて光学変調したセンサ情報を送信するような構成としてもよい。
　図１２を参照して、環境センシング機構２３の第２の変形例について説明する。環境センシング機構２３は、図示するように、地表面に表れる発光装置５４をセンサ５１に接続した構成を採用し、発光装置５４から発信される光学変調されたセンサ情報を、芝面イメージング機構２１のカメラで受光するような構成とすることができる。そして、カメラで撮影された動画に対して画像解析を行うことで、カメラが受光した光を復調してセンサ情報を取得するとともに、それぞれのセンサ５１の位置を特定することができる。このような構成の環境センシング機構２３は、例えば、土壌への抜き差しが容易であって、かつ、手軽に芝表面の温度を計測することができる。
　ところで、芝を含む多くの植物は、葉から水分を排出する蒸散とよばれる行動を行うが、これには葉の周囲を流れる風が重要な役割を果たす。このため、芝葉付近の風速および風向を計測することで、別途設置が行われる送風機などの配置や、送風機の出力設定に役立てることができる。
　そこで、環境センシング機構２３は、芝葉付近の風速および風向を計測することができるような構成としてもよい。
　図１３および図１４を参照して、環境センシング機構２３の第３および第４の変形例について説明する。例えば、環境センシング機構２３は、図１３に示すような吹き流し５５、または、図１４に示すような発煙装置５６を利用することができる。そして、環境センシング機構２３は、吹き流し５５または発煙装置５６の煙を撮影した画像に対する画像解析に基づいて芝葉付近の風速および風向をセンサ情報として取得するような構成とすることができる。このとき、環境センシング機構２３は、画像解析により吹き流し５５または発煙装置５６の位置を特定することができる。
　図１５のフローチャートを参照して、環境センシング機構２３による環境センシング処理の第１の処理例について説明する。例えば、上述した図５のステップＳ１５において環境センシング処理が行われる。また、この処理は、センサ５１が、有線で接続される構成（図１０参照）、または、無線で接続される構成（図１１参照）において適用される。
　ステップＳ３１において、環境センシング機構２３は、センシング情報データベース２７から問い合わせがあるか否かを判定する。
　ステップＳ３１において、センシング情報データベース２７から問い合わせがないと判定された場合、処理はステップＳ３２に進み、環境センシング機構２３は、一定時間待機する。
　一方、ステップＳ３１において、センシング情報データベース２７から問い合わせがあると判定された場合、または、ステップＳ３２の処理後、処理はステップＳ３３に進む。ステップＳ３３において、環境センシング機構２３は、センサ５１に対してセンサ情報の送信を要求する。そして、環境センシング機構２３は、要求に応じてセンサ５１から取得したセンサ情報を、それぞれのセンサ５１を識別するためのＩＤ（Identification）とともに、センシング情報データベース２７に供給する。ステップＳ３３の処理後、処理はステップＳ３１に戻り、以下、同様の処理が繰り返される。
　図１６のフローチャートを参照して、環境センシング機構２３による環境センシング処理の第２の処理例について説明する。例えば、上述した図５のステップＳ１５において環境センシング処理が行われる。また、この処理は、センサ５１から光学変調されたセンサ情報を発信するような構成（図１２参照）において適用される。
　ステップＳ４１において、環境センシング機構２３は、一定時間待機した後、処理はステップＳ４２に進む。
　ステップＳ４２において、環境センシング機構２３は、センサ５１から発信されてくるセンサ情報を取得する。そして、環境センシング機構２３は、センサ５１から取得したセンサ情報を、それぞれのセンサ５１を識別するためのＩＤとともに、センシング情報データベース２７に供給する。ステップＳ４２の処理後、処理はステップＳ４１に戻り、以下、同様の処理が繰り返される。
　＜芝面解析機構の構成例＞
　芝面解析機構２５は、芝面イメージング機構２１から供給される画像（静止画像または動画像）を用いて、可視光領域における各種の画像解析を行うことにより、必要な情報を抽出し、芝の状態を解析する。
　具体的には、芝面解析機構２５は、可視光画像から芝葉カバー率として単位面積当たりに存在する芝の割合の算出、および、芝面に到達する太陽光の輝度画像から単位時間あたりの日射量の算出を行うことができる。さらに、芝面解析機構２５は、開催された競技の動画像から人を検出対象として検出し、人が芝面へ滞留した時間から踏圧による芝の傷みの解析、および、競技が開催されていない期間に芝面へ侵入した害獣を検出対象として検知し、それらが持ち込む病害や雑草の発生の解析を行うことができる。
　なお、芝面解析機構２５は、図１２に示したように、芝面に設置されたセンサ５１から発せられる光学変調されたセンサ情報を取得する処理を行うことができる。さらに、芝面解析機構２５は、図１３の小型の吹き流し５５や、図１４の発煙装置５６の煙などの形状認識を行うことにより、芝表面付近の風向や風速を解析することができる。
　また、芝面解析機構２５は、例えば、これらを解析するための手法として、以下で説明するような手続き型処理により行われる手法、または、学習済みニューラルネットワークモデルを用いる手法を用いることができる。
　まず、芝面解析機構２５が芝面を解析する手続き型処理として、芝葉カバー率、日射量、踏圧芝傷み率、獣害芝傷み率、および、センサ情報の光学的観測について説明する。
・芝葉カバー率
　植物の健康状態を把握する指標の１つとして、上述したようなNDVIが用いられている。例えば、NDVIを正確に計測するためには、芝に対して一定な波長成分を含む光を照射すること、そして最低限２つの狭帯域光学バンドパスフィルタを用いた測定が必要であり、実現のためのコストが高いものとなる。
　そこで、一般的な可視光カメラを用いて、芝が衰弱するのに伴って葉色が緑色から退色した状態を検出し、NDVIに替わる芝の健康状態を把握する指標として取得する。具体的には、緑を中心としたある色範囲に含まれるピクセルを画像から抽出し、芝と砂地の比率や、健常な芝と枯れた芝（色が緑から外れる）とを分別して、単位面積内に生育する健常な芝の割合を芝葉カバー率として算出する。即ち、芝面解析機構２５は、指定範囲に存在する画素のうち、「指定範囲に存在する総画素数」に対する「指定した色範囲に収まる画素数」の割合を「芝葉カバー率」として算出することができる。
　ここで、図１７を参照して、芝葉カバー率の算出方法について説明する。
　例えば、芝葉カバー率は、芝面の全体が撮影された画像を複数の分割領域に分割し、それぞれの分割領域ごとに算出することができる。図１７に示す例では、縦方向を６分割（Ａ～Ｆ）し、かつ、横方向を１０分割（１～１０）した６０分割領域ごとに、芝葉カバー率が算出される。なお、芝面の全体が撮影された画像を分割する分割領域は、芝面イメージング機構２１が備えるカメラの撮像素子の分解能を考慮して、後に行う芝の管理作業の範囲として認識しやすい大きさとなるように決定される。また、分割領域は、例えば、芝面の全体を複数の領域に分けて撮影する場合、その撮影領域に従って分割することができる。
　このような各分割領域において、健常な芝は緑色であることを利用して、一般的な色空間で示される特定領域に入るピクセルのみを抽出する。そして、分割領域に含まれる全てのピクセル数に対する、抽出された特定領域に入るピクセル数の割合を、芝葉カバー率として算出する。
　図１７に示す例では、分割領域（Ｆの５）に含まれる全てのピクセル数が２５であり、健常な芝である緑色の範囲内にあるピクセルとして９ピクセルが抽出されている。従って、領域（Ｆの５）の芝葉カバー率は、0.36（＝9/25）と算出することができる。このような分割領域ごとの芝葉カバー率の算出を、全ての分割領域に対して行うことで、図１７の下側に示すように、６０分割領域の芝葉カバー率を二次元的なマップ上に表現することができる。なお、芝葉カバー率は、値が高い領域ほど、健常な芝が生育していることを表している。
　図１８のフローチャートを参照して、芝面解析機構２５による芝面解析処理の第１の処理例として、芝葉カバー率を算出する処理について説明する。例えば、上述した図５のステップＳ１３において芝面解析処理が行われる。
　ステップＳ５１において、芝面解析機構２５は、芝面イメージング機構２１のカメラ４１（図６参照）が静止画像を撮影すると、その静止画像を取得する。
　ステップＳ５２において、芝面解析機構２５は、ステップＳ５１で取得した静止画像を、複数の分割領域（例えば、図１７に示したような６０分割領域）に分割する。このとき、芝面解析機構２５は、各分割領域に、少なくとも１つの画素が含まれるように分割を行う。
　ステップＳ５３において、芝面解析機構２５は、ステップＳ５２で分割された分割領域に含まれる各画素を色分解する。
　ステップＳ５４において、芝面解析機構２５は、ステップＳ５３で色分解した各画素が、事前に指定されている色範囲（上述したような、健常な芝である緑色の範囲）に存在するかを判別する。
　ステップＳ５５において、芝面解析機構２５は、ステップＳ５４で分割された分割領域に含まれる画素から、図１７を参照して説明したように、カバー率を算出する。
　ステップＳ５６において、芝面解析機構２５は、ステップＳ５５で算出したカバー率と、分割領域の位置情報とを、センシング情報データベース２７へ格納し、芝面解析処理は終了される。
・日射量
　植物が光合成に使用する光量を表すものとしてPPFDが存在する。例えば、PPFDを正確に計測するためには、光学バンドパスフィルタの装着や受光素子の感度補正などを行う必要があり、実現のためのコストが高いものとなる。また時間経過とともに太陽光が構造物により遮蔽される影の影響を考慮する必要があり、芝面について広くPPFDを測定することは困難となる。
　そこで、カメラ４１により時間経過とともに撮影した芝面の輝度画像から、日なたと日陰の日射量の相対的な違いについて定量化を行う。さらに、図１９の上側に示すように、芝面に対して日照阻害とならないような箇所に、１個のPPFD計測機器５７を設置することで、PPFD計測機器５７と、カメラ４１で芝面を撮影した輝度情報とに基づいて、時間毎および位置毎の概算的なPPFD値を求めることができる。また、図１９の上側に示すように、建物などの障害物によって、芝面において日照阻害エリアが発生する。
　芝面解析機構２５は、例えば、建物などに設置されたカメラ４１が、１５分間隔などの定期間隔で撮影した画像を取得し、それらの画像から輝度値を取り出す。そして、芝面解析機構２５は、複数の分割領域に分割されたマップ上に、撮影時間ごとの輝度値を表す。さらに、芝面解析機構２５は、作成されたマップについて、例えば、日の出から日の入りまでの期間で積算を行う。
　これにより、図１９の下側に示すように、一日の積算光量を分割領域ごとに表すことができる。図１９に示す例では、建物などにより太陽光が遮られる時間が存在していることより、数値が低いほど日射光量が少ないことを示している。このように、太陽位置や雲が変化することによる影響によって光量が動的に変化する環境であっても、分割領域ごとに、光量の不足量を容易に求めることができる。
　また、芝面解析機構２５は、カメラ４１で撮影した同時刻に、PPFD計測機器５７により計測されたPPFD値を用いることで、その時刻に作成されたマップ内の最大値が、PPFD値に近いと判断することができる。従って、芝面解析機構２５は、このマップ内の最大値とPPFD値との関係から、マップ内の最大値以外の値についても概算的にPPFD値へ変換することができる。
　図２０のフローチャートを参照して、芝面解析機構２５による芝面解析処理の第２の処理例として、日射量を格納する処理について説明する。例えば、上述した図５のステップＳ１３において芝面解析処理が行われる。
　ステップＳ６１において、芝面解析機構２５は、芝面イメージング機構２１のカメラ４１が静止画像を撮影すると、その静止画像を取得する。
　ステップＳ６２において、芝面解析機構２５は、ステップＳ６１で取得した静止画像を、複数の分割領域（例えば、図１９に示したような６０分割領域）に分割する。このとき、芝面解析機構２５は、各分割領域に、少なくとも１つの画素が含まれるように分割を行う。
　ステップＳ６３において、芝面解析機構２５は、ステップＳ６２で分割された分割領域に含まれる各画素の輝度値のみを抽出する。
　ステップＳ６４において、芝面解析機構２５は、ステップＳ６４で抽出した輝度値と、分割領域の位置情報とを、センシング情報データベース２７へ格納する。
　ステップＳ６５において、芝面解析機構２５は、１日分の輝度値を取得したか否かを判定する。
　ステップＳ６５において、１日分の輝度値を取得していないと判定された場合、処理はステップＳ６６に進む。ステップＳ６６において、芝面解析機構２５は、一定時間待機した後、処理はステップＳ６１に戻り、以下、同様の処理が繰り返される。
　一方、ステップＳ６５において、１日分の輝度値を取得したと判定された場合、芝面解析処理は終了される。
　図２１のフローチャートを参照して、芝面解析機構２５による芝面解析処理の第３の処理例として、日射量を算出する処理について説明する。例えば、上述した図５のステップＳ１３において芝面解析処理が行われる。
　ステップＳ７１において、芝面解析機構２５は、期間と位置を指定し、センシング情報データベース２７から輝度値を取り出す。
　ステップＳ７２において、芝面解析機構２５は、ステップＳ７１で取り出した期間分の輝度値を位置ごとに加算することで、例えば、図１９の下側に示したようなマップを取得し、芝面解析処理は終了される。
　・踏圧芝傷み率
　芝葉の色変化を発見して芝の傷みを認めるよりも前において、人間（プレイヤなど）が芝を踏みつけたことによる踏圧ストレスから、将来的に発生すると想定される芝の傷みの予測を行う。これにより、傷みの発生が予測される箇所へ事前に施肥などを行うことで、芝の状態の悪化を予防することができる。
　図２２を参照して、芝面解析機構２５により踏圧芝傷み率を算出する手法について説明する。
　例えば、芝面解析機構２５は、試合が行われているときの動画像に対して画像認識処理を施すことによって、その競技のプレイヤを検出対象として検知し、図２２の上側に示すように、それぞれのプレイヤの位置が、フィールド全体に対するどの分割領域に該当するかを判別する。
　そして、芝面解析機構２５は、各分割領域において、「動画像の総時間」に対する「各プレイヤが分割領域に滞留した期間の積算時間」の割合を、それぞれの分割領域における「踏圧芝傷み率」として算出することができる。
　図２２の下側には、芝面解析機構２５が分割領域ごとに求めた踏圧芝傷み率をマップに表した例が示されている。例えば、数値が高いほどプレイヤが滞留した期間が長く、芝面へ高いストレスが発生していると解析することができる。
　さらに、この踏圧芝傷み率と、上述した芝葉カバー率とを用いて、芝葉カバー率が低く、かつ、踏圧芝傷み率が低い分割領域について、つまり、芝が枯れているにもかかわらずプレイヤが滞留している期間が短い分割領域について、芝が病害などによりダメージを得ていると解析することも可能となる。
　図２３のフローチャートを参照して、芝面解析機構２５による芝面解析処理の第４の処理例として、踏圧芝傷み率を解析する処理について説明する。例えば、上述した図５のステップＳ１３において芝面解析処理が行われる。
　ステップＳ８１において、芝面解析機構２５は、芝面イメージング機構２１のカメラ４１（図６参照）が動画像を撮影すると、その動画像を取得する。
　ステップＳ８２において、芝面解析機構２５は、ステップＳ８１で取得した動画像を、連続する静止画像へ分割する。このとき、芝面解析機構２５は、例えば、動画像の先頭から順に所定時間ずつ、静止画像への分割を行う。
　ステップＳ８３において、芝面解析機構２５は、ステップＳ８２で取得した静止画像に対する画像認識処理を施すことによって、静止画像に写されているプレイヤを検出対象として検出する。
　ステップＳ８４において、芝面解析機構２５は、ステップＳ８３でプレイヤを検出した位置と人数とを、センシング情報データベース２７へ格納する。
　ステップＳ８５において、芝面解析機構２５は、例えば、ステップＳ８１で取得した動画像から得られる全ての静止画像に対して画像認識処理を施したか否かを判定する。
　ステップＳ８５において、全ての静止画像に対して画像認識処理が施されていないと判定された場合、処理はステップＳ８２に戻り、以下、次の所定時間を対象として、同様の処理が繰り返される。一方、ステップＳ８５において、全ての静止画像に対して画像認識処理が施されたと判定された場合、芝面解析処理は終了される。
　図２４のフローチャートを参照して、芝面解析機構２５による芝面解析処理の第５の処理例として、踏圧芝傷み率を算出する処理について説明する。例えば、上述した図５のステップＳ１３において芝面解析処理が行われる。
　ステップＳ９１において、芝面解析機構２５は、期間と位置を指定し、センシング情報データベース２７からプレイヤの人数を取り出す。
　ステップＳ９２において、芝面解析機構２５は、期間内にプレイヤが存在した全ての分割領域について、それぞれ存在したプレイヤの人数と、特定の分割領域に存在したプレイヤの人数から、特定の分割領域ごとに踏圧芝傷み率を算出する。これにより、例えば、図２２の下側に示したようなマップを取得し、芝面解析処理は終了される。
　・獣害芝傷み率
　芝面への動物の侵入した結果、特に鳥類が侵入した結果、それらが持ち込む雑菌や芝以外の植物種などが繁殖してしまい、芝の生育に大きな悪影響を及ぼす。また、細菌や種子などを肉眼で確認することは困難であるため、多くの場合、細菌や種子などによる影響を事後にしか認識することができない。そこで、芝面解析機構２５は、上述したように踏圧芝傷み率を算出するのと同様の手法を用いて、動物が侵入することによる影響を解析する。これにより、例えば、高い値が算出された分割領域に対して、事前に糞を除去したり、殺菌殺虫剤や除草剤などの散布を行ったりすることで、芝の状態の悪化を予防することができる。
　例えば、芝面イメージング機構２１のカメラ４１（図６参照）により、試合が行われていないときにも芝面の動画像を撮影する。そして、芝面解析機構２５は、試合が行われていないときの動画像に対して画像認識処理を施すことによって動物を検出対象として検知し、その動物の位置が、フィールド全体に対するどの分割領域に該当するかを判別する。
　そして、芝面解析機構２５は、各分割領域において、「動画像の総時間」に対する「動物が分割領域に滞留した期間の積算時間」の割合を、それぞれの領域における「獣害芝傷み率」として算出することができる。
　・センサ情報の光学的観測
　芝面に配置される無線センサとして、図１２のようにセンシングされた情報を光にて伝達することが有効な場合が存在する。
　例えば、RF無線を使用する場合には、国によって異なる利用可能な周波数や出力の規制などに対応する必要があるが、光を利用する場合には、そのような規制が存在しない。そのため、地温や水分量などセンシングして得られるアナログ量を、例えば、図１２の発光装置５４による点滅周波数として変調した変調光により送信することができる。そして、この変調光を、カメラ４１で観測して復調することにより、芝面に複数設置されたセンサ５１によりセンシングされたセンサ情報を収集することが可能となる。
　さらに、芝面の風の流れを把握するために、図１３に示したような吹き流し５５を配置したり、図１４に示したような発煙装置５６を配置したりする。
　例えば、図２５に示すように、芝面イメージング機構２１のカメラ４１で吹き流し５５を連続撮影することによって、風速や風向を解析することができる。具体的には、赤色の吹き流し５５を芝面に配置することで、芝が緑であることから吹き流し５５を画像認識することが容易となる。そして、カメラ４１により撮影された画像に対して芝面解析機構２５が画像解析処理を施すことにより、吹き流し５５の傾きおよび向きを解析し、吹き流し５５の傾きを風速として求め、吹き流し５５の向きを風向として求めることができる。
　なお、特定の位置のカメラ４１から見て吹き流し５５が死角となる位置に存在することが想定されるため、複数台のカメラ４１により芝面を観測することで、それぞれの死角を補って、吹き流し５５の傾きおよび向きを撮影することが好適である。
　次に、芝面解析機構２５が芝面を解析するニューラルネットワークモデルを用いた処理について説明する。
　例えば、芝面解析機構２５が解析する踏圧芝傷み率および獣害芝傷み率は、上述したような手続き型の処理だけではなく、ニューラルネットを用いた学習により求めることができる。具体的には、芝面イメージング機構２１のカメラ４１により取得された動画像をニューラルネットワークモデルへ入力し、その出力として芝面の場所ごとに、踏圧芝傷み率または獣害芝傷み率を算出することができる。
　例えば、芝面解析機構２５は、栽培方法改善機構２８においてニューラルネットの学習が実施された学習済みのニューラルネットワークモデルを使用する。これにより、芝面解析機構２５は、処理負荷を低く押さえて踏圧芝傷み率または獣害芝傷み率を算出ことが可能となる。また、栽培方法改善機構２８は、ニューラルネットの学習における教師データとして、生育情報収集機構２２を利用して入力された芝の状態や、図１７を参照して上述したような芝葉カバー率などを用いることができる。
　また、芝面解析機構２５は、ニューラルネットワークモデルを用いて踏圧芝傷み率および獣害芝傷み率を解析する際、まず、カメラ４１で撮影された動画像を時間ごとの静止画像へ分解する。さらに、芝面解析機構２５は、ニューラルネットワークモデルへ入力可能な規模の次元への削減および画素値の正規化を行う。
　例えば、図２６の例に示すように、芝面解析機構２５は、カメラ４１で撮影された動画像から得られる静止画像を、横方向にＷ画素とし、かつ、縦方向にＨ画素としたＷ×Ｈ個の画素に削減する。そして、芝面解析機構２５は、ニューラルネットワークモデルの入力層へ、Ｗ×Ｈ個の正規化された画素値を入力する。
　これにより、芝面解析機構２５は、ニューラルネットワークモデルの出力層から、芝面を任意の領域数で分割した各分割領域について、踏圧芝傷み率および獣害芝傷み率を出力する。例えば、図２７の例に示すように、芝面解析機構２５は、芝面を横方向にＸ分割し、かつ、縦方向にＹ分割したＸ×Ｙ個の領域数の各分割領域について、踏圧芝傷み率および獣害芝傷み率を出力する。
　図２８には、芝面解析機構２５が、ニューラルネットワークモデルを用いて踏圧芝傷み率および獣害芝傷み率を解析する概要が示されている。
　例えば、芝面イメージング機構２１のカメラ４１により取得された動画像は記憶装置３２に記憶され、芝面解析機構２５は、記憶装置３２から読み出した動画像から静止画像を取得し、図２６に示したように、Ｗ×Ｈ個の画素に削減する。さらに、芝面解析機構２５は、その静止画像の画素値を正規化して、ニューラルネットワークモデルの入力層へＷ×Ｈ個の画素値を入力する。
　ここで、ニューラルネットワークモデルの中間層の数については任意とすることができ、例えば、近年の研究によれば画像を認識するための畳み込みニューラルネットワークモデルとして十数層となる場合が多い。
　そして、芝面解析機構２５は、芝面を任意の分割領域に分割した領域数、例えば、図２７に示したようなＸ×Ｙ個の分割領域に芝面を分割し、各分割領域における踏圧芝傷み率および獣害芝傷み率を出力する。
　例えば、ニューラルネットワークモデルの学習過程において、踏圧芝傷み率を算出する場合には学習データとして競技中の動画像、教師データとして芝面で行われた競技が終了した直後、または数日経過した後の各領域における芝葉カバー率が用いられる。また、獣害芝傷み率を算出する場合には、学習データとして競技が実施されていない芝面の動画像、教師データとして芝面を撮影した翌日、または数日経過した後に、生育情報収集機構２２を利用して利用者により入力された各領域における雑草発生数や病害発生数などが用いられる。なお、図３２を参照して後述するように、センシング情報データベース２７の芝生育情報テーブルに、雑草発生数や病害発生数などが格納されている。
　＜生育情報解析機構の構成例＞
　生育情報解析機構２６は、生育情報収集機構２２のカメラ４２または４４（図６参照）により撮影された画像から、芝根の長さや太さ、芝根の密度、現在の病害や将来の発生予測を画像解析により行う。また、生育情報解析機構２６は、手続き型処理により行われる手法と、学習済みニューラルネットワークモデルを用いる手法とを用いて解析を行うことができる。
　例えば、芝は地下部で成長する根の状態が将来の葉の成長に大きな影響を及ぼす。そのため、生育情報解析機構２６が、生育情報収集機構２２により取得された画像から、根の状態を定量的に把握することが重要となる。
　図２９に示すように、生育情報解析機構２６は、例えば、芝を掘り起こした後の根の部分が生育情報収集機構２２のカメラ４２または４４により撮影された静止画像から、芝根の長さおよび密度を画像解析により数値化する。図２９に示す例では、静止画像を入力情報として、芝根の長さおよび密度を解析する処理が行われ、出力情報として、芝根の長さの測定値が４２ｍｍ、芝根の密度の測定値が４本／ｃｍ２という解析結果が得られている。
　図３０のフローチャートを参照して、生育情報解析機構２６による生育情報解析処理について説明する。例えば、上述した図５のステップＳ１４において、生育情報解析処理は行われる。
　ステップＳ１０１において、生育情報解析機構２６は、生育情報収集機構２２のカメラ４２または４４により撮影された静止画像から画像解析により、芝葉部分と芝根部分との位置を特定して、芝葉部分と芝根部分とを分離する。
　ステップＳ１０２において、生育情報解析機構２６は、ステップＳ１０１で分離した芝葉部分から、芝葉の長さおよび芝葉の密度を計測する。
　ステップＳ１０３において、生育情報解析機構２６は、ステップＳ１０１で分離した芝根部分から、芝根の長さおよび芝根の密度を計測する。
　ステップＳ１０４において、生育情報解析機構２６は、ステップＳ１０２で計測した芝葉の長さおよび芝葉の密度、並びに、ステップＳ１０３で計測した芝根の長さおよび芝根の密度を、その芝が掘り起こされた場所を示す位置情報とともに、センシング情報データベース２７へ格納し、生育情報解析処理は終了される。
　ここで、図７に示した生育情報入力画面に表示されているような芝根の評価値については、過去に撮影された芝根の画像からニューラルネットワークモデルを用いることで、経験者でなくとも自動的に芝根の評価値（自動評価）を求めることができる。
　例えば、生育情報解析機構２６は、栽培方法改善機構２８においてニューラルネットの学習が実施された学習済みのニューラルネットワークモデルを使用する。これにより、生育情報解析機構２６は、処理負荷なく芝根の評価値を得ることが可能となる。
　図３１には、生育情報解析機構２６が、ニューラルネットワークモデルを用いて芝根の総合評価値を解析する概要が示されている。
　例えば、生育情報解析機構２６は、生育情報収集機構２２のカメラ４２または４４（図６参照）により撮影された芝根の画像について、ニューラルネットワークモデルへ入力可能な規模の次元へ画素数（例えば、図２６に示したＷ×Ｈ個）の削減と正規化を行う。そして、生育情報解析機構２６は、いくつかの中間層を経た後、芝根の評価段階として、図３１に示す例では、１０段階として、各出力層がそれぞれの評価値である確率を出力する。
　例えば、ニューラルネットの学習過程においては、生育情報収集機構２２で芝管理の経験者が入力を行った主観的な評価値が教師データとして用いられ、撮影された芝根の画像が学習データとして用いられる。
　＜センシング情報データベースの構成例＞
　センシング情報データベース２７には、例えば、芝面イメージング機構２１で取得された画像情報や、芝面解析機構２５で解析された位置および数値情報、生育情報収集機構２２で取得された位置、画像、数値、およびテキスト情報、生育情報解析機構２６で解析された位置および数値情報、環境センシング機構２３から得られた位置および数値情報、栽培方法改善機構２８からの数値情報などが格納される。この他、センシング情報データベース２７は、気象庁などから発表される気象の数値情報について、その情報が発生した位置と時刻とともに蓄積を行う。
　また、センシング情報データベース２７は、作業内容の結果情報として、作業内容決定機構２９で決定される管理作業の作業内容の情報と、その作業内容の決定の際に参照されたセンシング情報データベース２７および栽培方法データベース２４に格納されている情報と、作業内容を実行した後の芝面イメージング機構２１、生育情報収集機構２２や環境センシング機構２３で取得される情報（即ち、決定された作業を実施したことによる効果を示す情報）とを関連付けて蓄積を行ってもよい。
　具体的には、図３２に示すように、センシング情報データベース２７には、施設情報テーブル、気象情報テーブル、芝画像解析情報テーブル、環境センシング情報テーブル、および芝生育情報テーブルが格納される。
　例えば、施設情報テーブルは、芝管理システム１１の全体で共通となる情報が格納される。図示するように、施設情報テーブルには、施設名、施設の種別、および施設のある地域が、それぞれ対応付けられて格納される。
　また、気象情報テーブル、芝画像解析情報テーブル、環境センシング情報テーブル、および芝生育情報テーブルは、施設ごとに異なる情報が格納される。
　図示するように、気象情報テーブルには、気象情報が発生した日時、気温、湿度、風速、および風向が、それぞれ対応付けられて格納される。また、芝画像解析情報テーブルには、解析が行われた日時、分割領域の位置、芝葉カバー率、日射量、踏圧芝傷み率、および獣害芝傷み率が、それぞれ対応付けられて格納される。
　同様に、環境センシング情報テーブルには、センサ情報が取得された日時、センサの位置、土壌温度、土壌水分、土壌pH、土壌EC、および芝表面温度が、それぞれ対応付けられて格納される。また、芝生育情報テーブルには、生育情報が取得された日時、生育情報が取得された位置、芝葉硬度、削りかす量、土壌硬度、芝根長さ、芝根太さ、芝根密度、芝根の自動評価値、芝根の主観評価値、雑草発生数、および病害発生数が、それぞれ対応付けられて格納される。
　そして、センシング情報データベース２７に格納されている情報を、栽培方法改善機構２８が利用することで、地域ごとの環境や目的などに応じて、より良い芝の栽培手法の提供または将来の予測を行うことができる。
　＜栽培方法データベースの構成例＞
　栽培方法データベース２４は、植生の栽培に関する情報が格納されている。例としては、芝の種類、季節、栽培する地域、サッカーや屋上緑化など芝の利用目的に応じて、栽培に適した光量や波長、適した温度管理や肥料等の栽培手法に関連した既存の学習モデルと、栽培方法改善機構２８により改善された新しいモデルとして、新しいルールや新しいニューラルネットワークモデルの学習済みモデルが、栽培方法データベース２４に蓄積される。これにより、栽培方法データベース２４は、芝の栽培に関して必要となる情報を提供することができる。
　さらに、栽培方法データベース２４には、条件とその値が定義されたルールベース手法、学習過程を得てモデリングが完了したニューラルネット手法の２種類の情報が格納される。
　例えば、図３３に示すように、栽培方法データベース２４には、ルールベース手法のための各種の情報が格納される。
　即ち、栽培方法データベース２４には、芝種、栽培地域、芝の利用用途などに応じて、LED光を照射する場合の波長、保つべき目標とする土壌水分量（目標水分）や土壌温度（目標地温）などが記録される。さらに、これらの情報は、芝を通常栽培とするのか、痛んだ部分を早期修復するための促成栽培なのか、季節のトランジションを行うか等の栽培目的種別に応じて提供される。
　図３３に示す例では、芝種としてベントグラスが選択され、その栽培地域として東京が選択され、利用用途としてサッカーゴール前が選択された場合における栽培種別テーブルが表示されている。
　また、図３４に示すように、栽培方法データベース２４には、ルールベース手法によるこれら情報の初期値として用いられる初期ルールが格納される。図３４には、芝面解析機構２５の画像解析により、芝葉カバー率が低下した場合に行うべき作業を決定するためのルールの例が示されており、芝の劣化が発生した原因が日射不足によるものか、競技等の踏圧ストレスによるものか、病害によるものかが判断される。
　まず、地域および用途に従ってルールが選択され、ある芝領域における芝葉カバー率が、例えば、８１％～９０％の範囲である場合、図３４の上から２段目のテーブルを参照して、ルールの内容として土壌水分量を２７％にすることが選択される。そして、次の条件として、同じ地点における芝面解析機構２５による画像解析から得られた日射量が、例えば、7001以上である場合、図３４の上から３段目のテーブルを参照して、次の条件を参照することが選択される。以下、順次、踏圧芝傷み率（図３４の上から４段目のテーブル）、および、獣害芝傷み率（図３４の上から５段目のテーブル）が判断されて、作業として行うべき内容が決定される。
　そして、栽培方法データベース２４に格納されるルールは、センシング情報データベース２７の内容が逐次更新され続けることにより、栽培方法改善機構２８が新しいルールを生成するのに伴って更新される。
　また、図３５に示すように、栽培方法データベース２４には、ニューラルネットワーク手法のための情報（学習データおよび教師データ）が格納される。
　図３５に示す例では、芝面解析機構２５で用いられる踏圧芝傷み率が解析対象である場合の学習済みモデルや、芝面解析機構２５で用いられる獣害芝傷み率を解析するための学習済みモデル、生育情報解析機構２６で用いられる芝根の評価値を解析するための学習済みモデルなどが栽培方法データベース２４に格納されている。さらには、栽培方法改善機構２８において新たに開発され、または、学習されたニューラルネットワークモデルを、栽培方法データベース２４に格納することができる。
　＜栽培方法改善機構の構成例＞
　栽培方法改善機構２８は、センシング情報データベース２７に蓄積されている画像、数値、またはテキスト情報から、多変量解析などの統計解析手法を用いて、芝の栽培と管理に関する新しいルールの発見や、ニューラルネットワークモデルによる学習を実施することで、芝の状態に関する様々な解析手法を獲得する。例えば、統計解析手法を用いる場合には、センシング情報データベース２７の内容に関して、サービス提供者や利用者などの思考を反映させた多変量解析を行い、適正と思われる値となるように修正することで、栽培方法の改善が図られる。また、ニューラルネットワークモデルによる学習を実施する場合には、センシング情報データベース２７に追加された新たなデータについて、それを教師データとしてさらに学習を行うことで、栽培方法の改善が図られる。そして、栽培方法改善機構２８は、新しいルールや学習が完了したニューラルネットワークモデルを、栽培方法データベース２４へ蓄積する。
　例えば、栽培方法改善機構２８は、芝の栽培方法に関するルールや、芝の状態を予測するめの踏圧芝傷み率または獣害芝傷み率を予測する手法などについて、逐次収集されるセンシング情報データベース２７の内容を用い、既存ルールの更新やニューラルネットワークモデルの学習を行う。
　また、栽培方法改善機構２８は、以下で説明するような場合に、栽培方法に関する既存ルールの更新を行う。
　例えば、上述の図３４を参照して説明した初期ルールは、施設が存在する地域および用途に応じて、芝葉カバー率、日射量、踏圧芝傷み率、害獣芝傷み率の値に対して行うべき内容を示している。しかしながら、すべての施設で、このルールを適用することが正しいとは限らない。
　例えば、東日本と西日本では年間平均気温が異なるため、芝の栽培においてもその違いを考慮しなくてはならない。また、気温が高い環境では、芝は葉から蒸散を行うことで温度を下げようとするが、そのためには根に十分な水分が供給される必要がある。一方、根に水分が多すぎると根腐れが発生してしまう。
　また、センシング情報データベース２７へ全国各地からの情報が集積される状態になると、芝葉カバー率と土壌水分量の関係について、地域差を含めた統計解析を行うことが可能である。
　例えば、図３４に示した芝葉カバー率の初期ルールでは、芝葉カバー率を９１％以上にするには土壌水分量を２２％としている。これに対し、例えば、特定地域に存在する施設において芝葉カバー率が９１％以上となっているすべての地点の水分量を収集したところ、その平均値が３０％であった場合、初期ルールを２２％から３０％へ変更することが望ましい。
　なお、ここで説明に用いた芝葉カバー率と土壌水分の関係は、一例であって、他の複数の項目を考慮して初期ルールやその改善を行うことが可能なことは自明である。
　このように、栽培方法改善機構２８により学習済みのニューラルネットワークモデルは、芝面解析機構２５により踏圧芝傷み率および獣害芝傷み率を解析するのに用いられ、生育情報解析機構２６により芝根評価値を解析するのに用いられる。また、栽培方法改善機構２８は、これらニューラルネットワークモデルの学習のために、センシング情報データベース２７に蓄積されたデータを学習データおよび教師データとして用いることができる。
　さらに、芝面の状態を表現するための指数としてNDVIがある。栽培方法改善機構２８は、NDVIを教師データとして使用し、日射量や、芝葉カバー率、踏圧芝傷み率、獣害芝傷み率、芝根評価値、芝表面温度、土壌水分、土壌温度などを学習データとして使用して学習を行うことで、NDVIを測定することなく同等の指数を取得することができる。
　なお、芝面の状態を表現するための指数は、特にNDVIには限定されず、その他の植生指数として知られているEVI（Enhanced Vegetation Index）やPRI（Photochemical Reflectance Index）等も教師データとして使用してもよい。そして、同様に学習を行うことにより、測定することなく同等の指数を取得することができる。
　ここで、栽培方法改善機構２８を実行するタイミングとしては、特に限定はされず、センシング情報データベース２７に情報が追加されるたびに実行するようにしてもよい。また、ユーザがタブレットなどの端末装置を介して教師データをセンシング情報データベース２７に入力したタイミングであったり、ユーザが指定した時期であったり、例えば一カ月ごと等のように事前に任意で設定されたタイミングであったりしてもよい。
　＜作業内容決定機構の構成例＞
　作業内容決定機構２９は、センシング情報データベース２７および栽培方法データベース２４に格納されている情報を参照し、芝の品質を高く維持するために、次に行うべき管理作業の作業内容を決定し、芝面の位置とともに指示する。例えば、作業内容決定機構２９が決定する作業内容としては、芝面の領域の一部、もしくは全体に対して、人工光の照射、地中内ヒーターまたはクーラーの設定、水散布、殺虫剤散布、殺菌剤散布、肥料散布、養生シート配置、芝刈り、雑草除去、害獣除去の中から、少なくとも１つが用いられる。
　また、作業内容決定機構２９は、芝を栽培する過程で必要な具体的な作業内容について、データベースを参照することにより決定することができ、作業を開始する手法としては、期日毎作業およびイベント毎作業がある。例えば、作業内容決定機構２９は、期日毎作業として、指定時刻や日、週、月、年等の定期間隔（例えば、毎日の指定時刻や毎週末の指定時刻など）にて開始される作業項目を決定する。また、作業内容決定機構２９は、イベント毎作業として、芝面解析機構２５または生育情報解析機構２６の解析結果、または、センサ情報（例えば、気温や湿度、地温、土壌水分など）の変化により開始される作業項目を決定する。
　まず、期日毎作業について説明する。
　作業内容決定機構２９は、一日の終りに、その日の積算日射量をセンシング情報データベース２７から算出し、栽培方法データベース２４から不足している日射量を取得して、夜間の間にLEDで補光すべき位置と時間を決定する。さらに、作業内容決定機構２９は、センターサークル付近やゴール前などのように、芝の生育に変化をつけたい場合、照射を行うLEDの波長の選択やその割合を、栽培方法データベース２４から取得して決定する。
　また、作業内容決定機構２９は、各種イベント終了後に得た予測芝傷み率と芝葉カバー率から、予測傷み率のみが悪い領域には肥料の散布、さらに芝葉カバー率がある値以上の場合はさらにLED光の照射、芝葉カバー率がある値以下の場合は、芝の張替えのための位置を決定する。
　以上のように、作業内容決定機構２９は、期日毎作業を決定することができる。
　図３６のフローチャートを参照して、作業内容決定機構２９による期日毎作業格納処理について説明する。ステップＳ１１１において、作業内容決定機構２９は、図３７に示すような期日毎作業リストへ実行内容を格納した後、期日毎作業格納処理は終了される。
　期日毎作業リストは、図３７に示すように、実行時期、例えば開始時刻ごとに、その時刻で行われる作業の実行内容が格納される。
　図３８のフローチャートを参照して、作業内容決定機構２９による期日毎作業実行処理について説明する。
　ステップＳ１２１において一定時間待機した後、作業内容決定機構２９は、ステップＳ１２２において、現在時刻で実行すべき内容が期日毎作業リスト（図３７）にあるか否かを判定する。
　ステップＳ１２２において、現在時刻で実行すべき内容が期日毎作業リストにあると判定された場合、ステップＳ１２３において、作業内容決定機構２９は、期日毎作業リスト中の該当項目を実行する。
　一方、ステップＳ１２２において、現在時刻で実行すべき内容が期日毎作業リストにないと判定された場合、または、ステップＳ１２３の処理後、処理はステップＳ１２１に戻り、以下、同様の処理が繰り返して行われる。
　次に、イベント毎作業について説明する。
　作業内容決定機構２９は、地温の急激な変化による芝へのストレスを抑制するため、現在の地温、気温、土壌水分量から散水する水量を逐次決定する。さらに、作業内容決定機構２９は、センシング情報データベース２７に格納された気温や土壌温度の上昇変化率から、芝の蒸散量増加に伴う土壌水分の急激な低下を予測し、散水位置の特定と無駄とならない水量による散水を決定する。また、作業内容決定機構２９は、芝面解析機構２５による解析結果から養生中の芝上に鳥等の動物の存在を検知し、散水を行うことにより忌避を誘導する。
　以上のように、作業内容決定機構２９は、イベント毎作業を決定することができる。
　図３９のフローチャートを参照して、作業内容決定機構２９によるイベント毎作業格納処理について説明する。ステップＳ１３１において、作業内容決定機構２９は、図４０に示すようなイベント毎作業リストへ実行内容を格納した後、イベント毎作業格納処理は終了される。
　イベント毎作業リストは、図４０に示すように、監視イベントごとに、そのイベントが発生したときに行われる作業の実行内容が格納される。
　図４１のフローチャートを参照して、作業内容決定機構２９によるイベント毎作業実行処理について説明する。
　ステップＳ１４１において、なんらかのイベント発生まで待機した後、作業内容決定機構２９は、ステップＳ１４２において、イベント毎作業リスト（図４０）に該当するイベントがあるか否かを判定する。
　ステップＳ１４２において、イベント毎作業リストに該当するイベントがあると判定された場合、ステップＳ１４３において、作業内容決定機構２９は、イベント毎作業リスト中の該当項目を実行する。
　一方、ステップＳ１４２において、イベント毎作業リストに該当するイベントがないと判定された場合、または、ステップＳ１４３の処理後、処理はステップＳ１４１に戻り、以下、同様の処理が繰り返して行われる。
　＜作業機構の構成例＞
　作業機構３０は、作業内容決定機構２９により決定された作業内容および位置に応じて、施設を管理する利用者へタブレット型コンピュータやパーソナルコンピュータなどの端末装置の提示部を介して作業指示の提示を行う。また、作業機構３０は、例えば、補光機器やロボット機器などの作業装置による各種の実作業のための情報出力を行う。
　図４２には、作業機構３０として使用される提示部の一例として、パーソナルコンピュータ４３およびタブレット型コンピュータ４５が示されており、このような端末を利用して、芝管理システム１１を利用する利用者に対して、具体的な作業内容を指示することができる。なお、ここで図示されるような端末に限定されることはない。
　図４３には、作業機構３０として使用される作業装置の一例として、移動型の照明装置１０１が示されている。移動型の照明装置１０１は、フレーム１０２に固定された複数個のLED１０３（図４３の例では、３個のLED１０３－１乃至１０３－３）から芝面に対してLED光を照射することができる。また、移動型の照明装置１０１は、例えば、タイヤなどからなる移動機構１０４－１乃至１０４－４により移動可能となるように構成されている。
　例えば、移動型の照明装置１０１は、図４２に示したパーソナルコンピュータ４３やタブレット型コンピュータ４５などによる作業内容を確認した利用者によって指定位置へ移動され、指定時間の点灯を行って、芝面にLED光を照射することができる。なお、移動型の照明装置１０１が自律的に移動する機構を備えている場合、利用者を介在することなく、移動型の照明装置１０１は、作業内容決定機構２９により決定された作業内容に従って、自ら指定位置へ移動し、指定時間の点灯を行って、芝面にLED光を照射することができる。
　図４４には、作業機構３０として使用される作業装置の一例として、シート型の照明装置１１１が示されている。シート型の照明装置１１１は、柔軟なシート素材１１２の片面に複数個のLED１１３を取り付けることで、様々な場所や様々な面積の芝面に対してLED光を照射することができる。また、シート型の照明装置１１１は、シート素材１１２で芝面を覆うことによって、芝に必要となる保温を同時に行うことができる。
　図４５は、作業機構３０として使用される作業装置の一例として、レーザスキャナ型の照明装置１２１が示されている。照明装置１２１は、多色レーザ光源１２２およびスキャナ１２３が組み合わされて構成され、多色レーザ光源１２２から出力されるレーザ光を、スキャナ１２３によって芝面の任意の位置に照射することができる。このような構成の照明装置１２１は、図４３に示した移動型の照明装置１０１とは異なって、移動させるような手間を必要としない。
　また、照明装置１２１は、レーザ光のパワーや波長を逐次変化させることで芝の成長や葉の色を変化させ、例えば、チームロゴを芝葉で表現するようなことも可能となる。また、照明装置１２１は、紫外線レーザを使用することで、芝の成長抑制や、殺菌、除草などを行うことができる。
　図４６は、作業機構３０として使用される作業装置の一例として、自立航行機能を備えた小型の無人航空機（いわゆるドローン）１３１が示されている。図示するように、小型の無人航空機１３１は、機体本体１３２に取り付けられた回転翼１３３－１および１３３－２により飛行することができ、照明部１３４－１乃至１３４－６からLED光を照射し、散布口１３５から肥料や薬剤などを散布することができる。このような小型の無人航空機１３１は、利用者を介在することなく、作業内容決定機構２９により決定された作業内容を実行することができる。
　なお、作業機構３０として使用される作業装置としては、図４３乃至図４６に示したようなものに限定されることなく、様々な作業装置を用いることができる。
　ここで、栽培方法改善機構２８は、作業内容の結果情報を教師データとして使用し、作業内容決定の時に参照されたセンシング情報データベース２７および栽培方法データベース２４に格納されている情報を学習データとして使用して、ニューラルネットワークモデルによる学習を行うことで、栽培方法に関する学習モデルの更新を行うこともできる。なお、学習のタイミングとしては、ユーザが指定した時に実行されてもよいし、例えば、作業内容決定機構２９が作業内容を決定してから１週間後のように、事前に設定された任意のタイミングで逐次学習が実行されていてもよい。
　＜撮影領域の分割方法＞
　図４７乃至図５０を参照して、芝面イメージング機構２１のカメラ４１で芝面を撮影する際に、芝面を複数の撮影領域に分割する分割方法の例について説明する。
　例えば、芝面解析機構２５が求める芝葉カバー率、踏圧芝傷み率、獣害芝傷み率の予測結果値について、芝面を複数の撮影領域に分割し、それぞれの撮影領域ごとに対応させることができる。これらの撮影領域の設定について、芝面イメージング機構２１のカメラ４１が備えるイメージセンサの解像度が撮影全体領域に対して十分高い場合、以下で説明する分割方法のように、芝の作業や評価すべき領域などに応じて自由に設定することが可能である。
　例えば、一般的な作業のために、単純に均等となるように撮影領域を分割する第１の分割方法によって、芝面を複数の撮影領域に分割することができる。また、図４３の照明装置１０１による照射面積などの作業装置に対応した作業の範囲ごとに撮影領域を分割する第２の分割方法によって、芝面を複数の撮影領域に分割することができる。さらに、図９を参照して上述したように、地面下に設置されたセンサ５１のセンシング範囲ごとに撮影領域を分割する第３の分割方法によって、芝面を複数の撮影領域に分割することができる。
　また、図４７に示すようなサッカーのピッチ芝面において、それぞれ特定のエリアごとに撮影領域を分割する第４の分割方法によって、芝面を複数の撮影領域に分割することができる。例えば、芝面全体のうち、それぞれハーフラインを境に半分の領域（例えば、ホーム側全体およびアウェイ側全体）が、エリア１およびエリア２として撮影領域が分割されており、それぞれのゴール前というような特定の領域が、エリア３およびエリア４として撮影領域が分割されている。
　また、図４８に示すようなサッカーのピッチ芝面において、芝葉からの蒸散を促すように、例えば、タッチラインの外側から送風機の風が到達するような細長くなるような撮影領域に分割することができる。即ち、図４８に示す例では、サッカーのピッチ芝面の両側のタッチラインから中央に向かって細く長い領域に、それぞれ両サイドに並ぶように５つに分割され、エリア１乃至エリア１０として撮影領域が分割されている。
　図４７および図４８に示すように、サッカーのピッチ芝面という用途に応じて、芝面を複数の撮影領域に分割することができる。
　また、図４９および図５０に示すように、芝面に対する撮影方向に従って、撮影領域を分割してもよい。
　例えば、図４９の上側に示すように、芝面Ｇに対して鉛直方向からカメラ４１で撮影するとき、カメラ４１から芝面Ｇへの距離がほぼ一定な環境となる。従って、図４９の下側に示すように、芝面Ｇに対して均等に撮影領域を分割すると、１画素あたりの芝面の範囲は等しくなる。
　一方、図５０の上側に示すように、芝面Ｇに対して傾斜方向からカメラ４１で撮影するとき、カメラ４１から芝面Ｇへの距離が大きく異なるような環境となる。従って、図４９の下側に示すように、カメラ４１から遠い芝面と近い芝面とで、それぞれの１画素あたりの芝面の範囲が大きく異なり、カメラ４１から遠い芝面では１画素あたりの範囲が大きく、カメラ４１から近い芝面では１画素あたりの範囲が小さくなる。そこで、芝面Ｇに対して傾斜方向からカメラ４１で撮影する場合には、上述した図６に示したように、２台以上のカメラ４１を用いて、それぞれ反対側から撮影することで、１画素あたりの芝面の範囲が大きく異なるようなことを回避することが好ましい。
　以上のように、芝管理システム１１を利用することで、その利用者は、芝の栽培に深いノウハウがなくとも、一定品質の芝を生産することができる。そして、芝管理システム１１は、高い芝品質を実現するための高度なノウハウを再利用可能な知識として、栽培方法データベース２４に蓄積することができる。
　また、芝管理システム１１は、特定の狭帯域幅の画像を取得するような特殊なカメラではなく、一般的な可視光による撮影を行うカメラ４１を用いて、芝面の日射状態を数値化することができる。同様に、芝管理システム１１は、一般的なカメラ４１を用いて、芝の生育に関する現状や予測を行うことができる。
　そして、芝管理システム１１は、例えば、芝面の状態に応じた適切な作業内容を決定することで、競技や、病害、雑草などの発生などにより傷んだ芝面の早急な復旧を可能とし、施設稼働率の向上や美観維持に貢献することができる。さらに、芝管理システム１１は、芝を管理する際の人件費の抑制を図ることができる。
　また、芝管理システム１１は、例えば、図４３の移動型の照明装置１０１や、図４４のシート型の照明装置１１１、図４５のレーザスキャナ型の照明装置１２１などに対する指示を行って、芝面に照射する光の出力、照射時間、および波長を変化させることができる。これにより、芝管理システム１１は、異なる芝の生育状態を作り出すことができる。例えば、芝管理システム１１は、サッカーのピッチ芝面に対し、ゴール前は根の張りが強い芝を育成し、他の部分はボールの転がりが良い芝を育成するように、それぞれを分別して芝を栽培することができる。
　さらに、芝管理システム１１は、図３を参照して説明したように、栽培方法データベース２４、芝面解析機構２５、生育情報解析機構２６、センシング情報データベース２７、栽培方法改善機構２８、および作業内容決定機構２９を、ネットワーク上に接続されている複数の情報処理装置を利用して分散的に構築することができる。これにより、芝管理システム１１を利用する利用者側の必要経費の削減を図ることができる。
　なお、本技術は、本実施の形態で説明したように芝の管理を行う芝管理システム１１に適用するのが好適であるが、これに限定されず、例えば、一般的な樹木や圃場、園芸、田畑、牧草地などのように様々な植生の管理に適用することができる。
　＜コンピュータの構成例＞
　なお、上述のフローチャートを参照して説明した各処理は、必ずしもフローチャートとして記載された順序に沿って時系列に処理する必要はなく、並列的あるいは個別に実行される処理（例えば、並列処理あるいはオブジェクトによる処理）も含むものである。また、プログラムは、１のCPUにより処理されるものであっても良いし、複数のCPUによって分散処理されるものであっても良い。
　また、上述した一連の処理（情報処理方法）は、ハードウェアにより実行することもできるし、ソフトウェアにより実行することもできる。一連の処理をソフトウェアにより実行する場合には、そのソフトウェアを構成するプログラムが、専用のハードウェアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、プログラムが記録されたプログラム記録媒体からインストールされる。
　図５１は、上述した一連の処理をプログラムにより実行するコンピュータのハードウェアの構成例を示すブロック図である。
　コンピュータにおいて、CPU（Central Processing Unit）２０１，ROM（Read Only Memory）２０２，RAM（Random Access Memory）２０３は、バス２０４により相互に接続されている。
　バス２０４には、さらに、入出力インタフェース２０５が接続されている。入出力インタフェース２０５には、キーボード、マウス、マイクロホンなどよりなる入力部２０６、ディスプレイ、スピーカなどよりなる出力部２０７、ハードディスクや不揮発性のメモリなどよりなる記憶部２０８、ネットワークインタフェースなどよりなる通信部２０９、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどのリムーバブルメディア２１１を駆動するドライブ２１０が接続されている。
　以上のように構成されるコンピュータでは、CPU２０１が、例えば、記憶部２０８に記憶されているプログラムを、入出力インタフェース２０５及びバス２０４を介して、RAM２０３にロードして実行することにより、上述した一連の処理が行われる。
　コンピュータ（CPU２０１）が実行するプログラムは、例えば、磁気ディスク（フレキシブルディスクを含む）、光ディスク（CD-ROM(Compact Disc-Read Only Memory),DVD(Digital Versatile Disc)等）、光磁気ディスク、もしくは半導体メモリなどよりなるパッケージメディアであるリムーバブルメディア２１１に記録して、あるいは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供される。
　そして、プログラムは、リムーバブルメディア２１１をドライブ２１０に装着することにより、入出力インタフェース２０５を介して、記憶部２０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部２０９で受信し、記憶部２０８にインストールすることができる。その他、プログラムは、ROM２０２や記憶部２０８に、あらかじめインストールしておくことができる。
　＜構成の組み合わせ例＞
　なお、本技術は以下のような構成も取ることができる。
（１）
　管理を行う対象となる植生が撮影された画像を少なくとも入力情報として解析を行う解析部と、
　前記解析部から出力される解析結果に従って、前記植生に対する作業内容を決定する決定部と
　を備える情報処理装置。
（２）
　前記入力情報と前記解析結果の情報とを格納する情報データベースをさらに備え、
　前記決定部は前記情報データベースに格納される情報に基づいて前記作業内容を決定する
　上記（１）に記載の情報処理装置。
（３）
　前記解析部は、管理を行う対象となる前記植生の全面を複数の分割領域に分割して、それぞれの分割領域ごとに前記解析結果を出力する
　上記（１）または（２）に記載の情報処理装置。
（４）
　前記解析部は、前記解析結果として、前記植生である芝に関する植生指標を出力する
　上記（１）から（３）までのいずれかに記載の情報処理装置。
（５）
　前記植生指標は、芝面を複数に分割した分割領域ごとに、単位面積当たりに存在する芝の割合を前記画像から算出する芝葉カバー率である
　上記（４）に記載の情報処理装置。
（６）
　前記植生指標は、芝面を複数に分割した分割領域ごとに、前記芝面に到達する太陽光の輝度値を前記画像から積算する日射量である
　上記（４）または（５）に記載の情報処理装置。
（７）
　前記植生指標は、芝面を複数に分割した分割領域ごとに、その芝面を撮影した動画像の総時間に対する、それぞれの分割領域に検出対象が滞留した時間の積算値の割合を算出する芝傷み率である
　上記（４）から（６）までのいずれかに記載の情報処理装置。
（８）
　所定の生育情報を収集する生育情報収集部をさらに備え、
　前記解析部は、前記生育情報収集部により収集される前記生育情報に基づいて解析を行う
　上記（１）から（５）までのいずれかに記載の情報処理装置。
（９）
　前記分割領域は、前記画像が撮影される撮影領域に従って分割される
　上記（３）から（８）までのいずれかに記載の情報処理装置。
（１０）
　前記分割領域は、前記植生に対する作業の範囲に基づいて分割される
　上記（３）から（８）までのいずれかに記載の情報処理装置。
（１１）
　前記情報データベースには、管理を行う対象となる前記植生について、複数のセンサを有し、環境をセンシングして得られるセンサ情報を取得する環境センシング装置から前記センサ情報が格納される
　上記（２）から（１０）までのいずれかに記載の情報処理装置。
（１２）
　少なくとも学習モデルを含む、前記植生の栽培に関する情報が格納された栽培方法データベースをさらに備え、
　前記決定部は、前記栽培方法データベースに基づいて、前記植生に対する作業内容を決定する
　上記（１）から（１１）までのいずれかに記載の情報処理装置。
（１３）
　前記決定部は、ユーザにより設定される所定の期日または所定のイベントに応じて前記作業内容の実行時期を決定する
　上記（１２）に記載の情報処理装置。
（１４）
　前記栽培方法データベースに格納される情報から、前記学習モデルを更新する栽培方法改善部をさらに備え、
　前記栽培方法データベースに、前記更新される学習モデルが格納される
　上記（１２）に記載の情報処理装置。
（１５）
　前記入力情報と前記解析結果の情報とを格納する情報データベースに格納される情報に、少なくとも作業内容の結果情報が含まれる
　上記（１４）に記載の情報処理装置。
（１６）
　前記決定部は、前記作業内容を提示する提示部に対して、決定した前記作業内容を提示する
　上記（１）から（１２）までのいずれかに記載の情報処理装置。
（１７）
　前記決定部は、前記植生に対する作業を実行するための処理を行う作業装置に対し前記作業内容に関する情報を出力する
　上記（１）から（１２）までのいずれかに記載の情報処理装置。
（１８）
　情報処理装置が、
　管理を行う対象となる植生が撮影された画像を少なくとも入力情報として解析を行い、
　その解析によって出力される解析結果に従って、前記植生に対する作業内容を決定することと
　を含む情報処理方法。
（１９）
　　管理を行う対象となる植生が撮影された画像を取得する画像取得装置と、
　　前記画像取得装置により取得された画像を少なくとも入力情報として解析を行う解析部と、
　　前記解析部から出力される解析結果に従って、前記植生に対する作業内容を決定する決定部と
　を有する情報処理装置と、
　前記決定部により決定された前記作業内容に応じて前記植生に対する作業を実行するための処理を行う作業装置と
　を備える植生管理システム。
　なお、本実施の形態は、上述した実施の形態に限定されるものではなく、本開示の要旨を逸脱しない範囲において種々の変更が可能である。また、本明細書に記載された効果はあくまで例示であって限定されるものではなく、他の効果があってもよい。
　１１　芝管理システム，　２１　芝面イメージング機構，　２２　生育情報収集機構，　２３　環境センシング機構，　２４　栽培方法データベース，　２５　芝面解析機構，　２６　生育情報解析機構，　２７　センシング情報データベース，　２８　栽培方法改善機構，　２９　作業内容決定機構，　３０　作業機構，　３１　ネットワーク，　３２　記憶装置，　４１　カメラ，　４２　カメラ，　４３　パーソナルコンピュータ，　４４　カメラ，　４５　タブレット型コンピュータ，　５１　センサ，　５２　有線センサ集約装置，　５３　アンテナ，　５４　発光装置，　５５　吹き流し，　５６　発煙装置，　５７　PPFD計測機器

Claims (19)

  1. 　管理を行う対象となる植生が撮影された画像を少なくとも入力情報として解析を行う解析部と、
    　前記解析部から出力される解析結果に従って、前記植生に対する作業内容を決定する決定部と
    　を備える情報処理装置。
  2. 　前記入力情報と前記解析結果の情報とを格納する情報データベースをさらに備え、
    　前記決定部は前記情報データベースに格納される情報に基づいて前記作業内容を決定する
    　請求項１に記載の情報処理装置。
  3. 　前記解析部は、管理を行う対象となる前記植生の全面を複数の分割領域に分割して、それぞれの分割領域ごとに前記解析結果を出力する
    　請求項１に記載の情報処理装置。
  4. 　前記解析部は、前記解析結果として、前記植生である芝に関する植生指標を出力する
    　請求項１に記載の情報処理装置。
  5. 　前記植生指標は、芝面を複数に分割した分割領域ごとに、単位面積当たりに存在する芝の割合を前記画像から算出する芝葉カバー率である
    　請求項４に記載の情報処理装置。
  6. 　前記植生指標は、芝面を複数に分割した分割領域ごとに、前記芝面に到達する太陽光の輝度値を前記画像から積算する日射量である
    　請求項４に記載の情報処理装置。
  7. 　前記植生指標は、芝面を複数に分割した分割領域ごとに、その芝面を撮影した動画像の総時間に対する、それぞれの分割領域に検出対象が滞留した時間の積算値の割合を算出する芝傷み率である
    　請求項４に記載の情報処理装置。
  8. 　所定の生育情報を収集する生育情報収集部をさらに備え、
    　前記解析部は、前記生育情報収集部により収集される前記生育情報に基づいて解析を行う
    　請求項１に記載の情報処理装置。
  9. 　前記分割領域は、前記画像が撮影される撮影領域に従って分割される
    　請求項３に記載の情報処理装置。
  10. 　前記分割領域は、前記植生に対する作業の範囲に基づいて分割される
    　請求項３に記載の情報処理装置。
  11. 　前記情報データベースには、管理を行う対象となる前記植生について、複数のセンサを有し、環境をセンシングして得られるセンサ情報を取得する環境センシング装置から前記センサ情報が格納される
    　請求項２に記載の情報処理装置。
  12. 　少なくとも学習モデルを含む、前記植生の栽培に関する情報が格納された栽培方法データベースをさらに備え、
    　前記決定部は、前記栽培方法データベースに基づいて、前記植生に対する作業内容を決定する
    　請求項１に記載の情報処理装置。
  13. 　前記決定部は、ユーザにより設定される所定の期日または所定のイベントに応じて前記作業内容の実行時期を決定する
    　請求項１２に記載の情報処理装置。
  14. 　前記栽培方法データベースに格納される情報から、前記学習モデルを更新する栽培方法改善部をさらに備え、
    　前記栽培方法データベースに、前記更新される学習モデルが格納される
    　請求項１２に記載の情報処理装置。
  15. 　前記入力情報と前記解析結果の情報とを格納する情報データベースに格納される情報に、少なくとも作業内容の結果情報が含まれる
    　請求項１４に記載の情報処理装置。
  16. 　前記決定部は、前記作業内容を提示する提示部に対して、決定した前記作業内容を提示する
    　請求項１に記載の情報処理装置。
  17. 　前記決定部は、前記植生に対する作業を実行するための処理を行う作業装置に対し前記作業内容に関する情報を出力する
    　請求項１に記載の情報処理装置。
  18. 　情報処理装置が、
    　管理を行う対象となる植生が撮影された画像を少なくとも入力情報として解析を行い、
    　その解析によって出力される解析結果に従って、前記植生に対する作業内容を決定することと
    　を含む情報処理方法。
  19. 　　管理を行う対象となる植生が撮影された画像を取得する画像取得装置と、
    　　前記画像取得装置により取得された画像を少なくとも入力情報として解析を行う解析部と、
    　　前記解析部から出力される解析結果に従って、前記植生に対する作業内容を決定する決定部と
    　を有する情報処理装置と、
    　前記決定部により決定された前記作業内容に応じて前記植生に対する作業を実行するための処理を行う作業装置と
    　を備える植生管理システム。
PCT/JP2018/042425 2017-12-01 2018-11-16 情報処理装置、情報処理方法、および植生管理システム WO2019107179A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US16/766,963 US11432470B2 (en) 2017-12-01 2018-11-16 Information processing apparatus, information processing method, and vegetation management system
CN201880076118.9A CN111372444B (zh) 2017-12-01 2018-11-16 信息处理装置、信息处理方法以及植被管理系统
EP18884295.9A EP3707990B1 (en) 2017-12-01 2018-11-16 Information processing device, information processing method, and vegetation management system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017231793 2017-12-01
JP2017-231793 2017-12-01

Publications (1)

Publication Number Publication Date
WO2019107179A1 true WO2019107179A1 (ja) 2019-06-06

Family

ID=66665563

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/042425 WO2019107179A1 (ja) 2017-12-01 2018-11-16 情報処理装置、情報処理方法、および植生管理システム

Country Status (4)

Country Link
US (1) US11432470B2 (ja)
EP (1) EP3707990B1 (ja)
CN (1) CN111372444B (ja)
WO (1) WO2019107179A1 (ja)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021065891A1 (ja) * 2019-10-04 2021-04-08 オムロン株式会社 果菜類植物及び果樹栽培管理装置、学習装置、果菜類植物及び果樹栽培管理方法、学習モデル生成方法、果菜類植物及び果樹栽培管理プログラム及び学習モデル生成プログラム
JP2021068263A (ja) * 2019-10-25 2021-04-30 学校法人慶應義塾 着陸支援システム
WO2021100430A1 (ja) * 2019-11-18 2021-05-27 ソニー株式会社 情報処理装置、情報処理方法、プログラム
US11538226B2 (en) 2020-03-12 2022-12-27 Honda Motor Co., Ltd. Information processing device, information providing system, and information processing method
WO2023119529A1 (ja) * 2021-12-22 2023-06-29 日本電信電話株式会社 生育予測装置、生育予測方法、及び生育予測プログラム

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11632895B2 (en) * 2019-05-02 2023-04-25 Deere & Company Residue monitoring and residue-based control
SE2150218A1 (en) * 2021-03-01 2022-09-02 Husqvarna Ab Vegetation management system and method for managing vegetation within an area
WO2022241504A1 (en) * 2021-05-17 2022-11-24 Agtecnic Pty Ltd Controlling spray heads
EP4105892A1 (en) * 2021-06-17 2022-12-21 Rakuten Group, Inc. Turf health condition determination system at golf course, turf health condition determination method at golf course and program
DE102021122711A1 (de) 2021-09-02 2023-03-02 Meinolf Haarhaus Verfahren und System zur Pflege von Rasenflächen
CN113841565B (zh) * 2021-09-23 2023-07-11 中煤地质集团有限公司 一种高原高寒地区覆土种草施工方法
CN116326460B (zh) * 2023-05-24 2023-08-04 中国农业科学院农业环境与可持续发展研究所 一种多通道数据采集方法及农作物精准灌溉施肥控制系统
CN116957207B (zh) * 2023-09-19 2023-11-28 成都信息工程大学 一种实时数据采集的草地生态健康监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005253415A (ja) 2004-03-15 2005-09-22 Rikkyo Gakuin 天然芝構造体の管理システム、天然芝構造体及びコンピュータプログラム
JP2012228231A (ja) 2011-04-27 2012-11-22 Sekishindenki Co Ltd 競技場用天然芝育成兼用照明装置及び天然芝育成照明装置付き競技場ディスプレイ装置
JP2016052299A (ja) 2014-09-01 2016-04-14 昭和電工株式会社 天然芝育成用照明装置
WO2017033761A1 (ja) * 2015-08-25 2017-03-02 ソニー株式会社 圃場管理システム、圃場管理方法、および農作業機システム
WO2017104841A1 (ja) * 2015-12-16 2017-06-22 プランティオ株式会社 情報処理装置、情報処理方法、及びプログラム
WO2017130236A1 (ja) * 2016-01-29 2017-08-03 パナソニックＩｐマネジメント株式会社 芝生育成装置、芝生育成システム、および芝生管理システム

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2285393T3 (es) * 2004-01-16 2007-11-16 Mondo S.P.A. Procedimiento e instrumento para caracterizar una superficie de pisado, por ejemplo una superficie de cesped sintetico.
JP3885058B2 (ja) * 2004-02-17 2007-02-21 株式会社日立製作所 植物成育解析システム及び解析方法
JP4623199B2 (ja) * 2008-10-27 2011-02-02 ソニー株式会社 画像処理装置、画像処理方法およびプログラム
JP5369282B2 (ja) * 2008-11-14 2013-12-18 株式会社パスコ 植生生育状況解析方法、プログラムおよび植生生育状況解析装置
CN102084794B (zh) 2010-10-22 2013-03-06 华南农业大学 多传感器信息融合的作物病虫害早期检测方法及装置
CN102708354B (zh) * 2011-12-31 2017-11-07 中国科学院遥感与数字地球研究所 一种高尔夫球场的识别方法
JP6056178B2 (ja) 2012-04-11 2017-01-11 ソニー株式会社 情報処理装置、表示制御方法及びプログラム
CN104412290B (zh) * 2012-07-04 2020-07-24 索尼公司 农事支持装置和方法、程序、记录介质以及农事支持系统
ES2664411T3 (es) * 2013-03-15 2018-04-19 Suncor Energy Inc. Composiciones herbicidas
JP6136926B2 (ja) * 2013-06-13 2017-05-31 ソニー株式会社 情報処理装置、記憶媒体および情報処理方法
KR101578809B1 (ko) * 2013-11-28 2015-12-18 전남대학교산학협력단 변량 시비시스템 및 이를 이용한 시비방법
US9489576B2 (en) * 2014-03-26 2016-11-08 F12 Solutions, LLC. Crop stand analysis
CN103970996A (zh) * 2014-05-04 2014-08-06 江苏优图空间信息科技有限公司 一种建立通用型植被指数模型的方法
CN106954385B (zh) 2015-01-09 2020-07-28 麦克赛尔控股株式会社 植物信息取得系统、植物信息取得装置和植物信息取得方法
PL3316673T3 (pl) * 2015-07-02 2021-06-14 Ecorobotix Sa Zrobotyzowany pojazd i sposób stosowania robota do automatycznego traktowania organizmów roślinnych
US9945828B1 (en) * 2015-10-23 2018-04-17 Sentek Systems Llc Airborne multispectral imaging system with integrated navigation sensors and automatic image stitching
WO2017216005A1 (en) * 2016-06-14 2017-12-21 Syngenta Participations Ag Use of 6-anilino purine derivatives to improve heat stress tolerance of rice seedlings
US10901420B2 (en) * 2016-11-04 2021-01-26 Intel Corporation Unmanned aerial vehicle-based systems and methods for agricultural landscape modeling
US10755443B1 (en) * 2017-05-22 2020-08-25 Alarm.Com Incorporated Watering vegetation based on video analytics

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005253415A (ja) 2004-03-15 2005-09-22 Rikkyo Gakuin 天然芝構造体の管理システム、天然芝構造体及びコンピュータプログラム
JP2012228231A (ja) 2011-04-27 2012-11-22 Sekishindenki Co Ltd 競技場用天然芝育成兼用照明装置及び天然芝育成照明装置付き競技場ディスプレイ装置
JP2016052299A (ja) 2014-09-01 2016-04-14 昭和電工株式会社 天然芝育成用照明装置
WO2017033761A1 (ja) * 2015-08-25 2017-03-02 ソニー株式会社 圃場管理システム、圃場管理方法、および農作業機システム
WO2017104841A1 (ja) * 2015-12-16 2017-06-22 プランティオ株式会社 情報処理装置、情報処理方法、及びプログラム
WO2017130236A1 (ja) * 2016-01-29 2017-08-03 パナソニックＩｐマネジメント株式会社 芝生育成装置、芝生育成システム、および芝生管理システム
WO2017131172A1 (ja) * 2016-01-29 2017-08-03 パナソニックＩｐマネジメント株式会社 芝生育成装置、芝生育成システム、および芝生管理システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3707990A4

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021065891A1 (ja) * 2019-10-04 2021-04-08 オムロン株式会社 果菜類植物及び果樹栽培管理装置、学習装置、果菜類植物及び果樹栽培管理方法、学習モデル生成方法、果菜類植物及び果樹栽培管理プログラム及び学習モデル生成プログラム
JP2021058124A (ja) * 2019-10-04 2021-04-15 オムロン株式会社 果菜類植物及び果樹栽培管理装置、学習装置、果菜類植物及び果樹栽培管理方法、学習モデル生成方法、果菜類植物及び果樹栽培管理プログラム及び学習モデル生成プログラム
JP7140086B2 (ja) 2019-10-04 2022-09-21 オムロン株式会社 果菜類植物及び果樹栽培管理装置、学習装置、果菜類植物及び果樹栽培管理方法、学習モデル生成方法、果菜類植物及び果樹栽培管理プログラム及び学習モデル生成プログラム
JP2021068263A (ja) * 2019-10-25 2021-04-30 学校法人慶應義塾 着陸支援システム
JP7323424B2 (ja) 2019-10-25 2023-08-08 慶應義塾 着陸支援システム
WO2021100430A1 (ja) * 2019-11-18 2021-05-27 ソニー株式会社 情報処理装置、情報処理方法、プログラム
US11538226B2 (en) 2020-03-12 2022-12-27 Honda Motor Co., Ltd. Information processing device, information providing system, and information processing method
JP7337011B2 (ja) 2020-03-12 2023-09-01 本田技研工業株式会社 情報処理装置、情報提供システムおよび情報処理方法
WO2023119529A1 (ja) * 2021-12-22 2023-06-29 日本電信電話株式会社 生育予測装置、生育予測方法、及び生育予測プログラム

Also Published As

Publication number Publication date
CN111372444A (zh) 2020-07-03
EP3707990A1 (en) 2020-09-16
EP3707990B1 (en) 2021-07-14
EP3707990A4 (en) 2020-09-16
US11432470B2 (en) 2022-09-06
US20210029890A1 (en) 2021-02-04
CN111372444B (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
WO2019107179A1 (ja) 情報処理装置、情報処理方法、および植生管理システム
US11647701B2 (en) Plant treatment based on morphological and physiological measurements
CA2937571A1 (en) Systems and methods for crop health monitoring, assessment and prediction
CN107426958A (zh) 农业监控系统和方法
CA3178928A1 (en) Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents
US20220272907A1 (en) Automated plant monitoring systems and methods
US11666004B2 (en) System and method for testing plant genotype and phenotype expressions under varying growing and environmental conditions
US20220107297A1 (en) Platform for real-time identification and resolution of spatial production anomalies in agriculture
US20220104437A1 (en) Reduction of time of day variations in plant-related data measurements
Avtar et al. Applications of UAVs in plantation health and area management in Malaysia
Percival et al. Potential for commercial unmanned aerial vehicle use in wild blueberry production
Bahe Nursery production method performance evaluation assessed with the normalized difference vegetation index derived from an unmanned aircraft system mounted single-imager sensor
Flores et al. Documenting permaculture farm landscapes in the Philippines using a drone with a smartphone
Čermáková et al. Usage of unmanned aerial vehicles for detection of plant anomalies
Galdies et al. High resolution agriculture land cover using aerial digital photography and GIS: a case study for small island states
den Besten et al. Water Productivity assessment using Flying Sensors and Crop Modelling. Pilot study for Maize in Mozambique
Kulwant et al. Application of Remote Sensing, GIS, and AI Techniques in the Agricultural Sector

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18884295

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018884295

Country of ref document: EP

Effective date: 20200610

NENP Non-entry into the national phase

Ref country code: JP