WO2020170939A1 - 人工光型植物工場コホートフェノタイピングシステム - Google Patents

人工光型植物工場コホートフェノタイピングシステム Download PDF

Info

Publication number
WO2020170939A1
WO2020170939A1 PCT/JP2020/005589 JP2020005589W WO2020170939A1 WO 2020170939 A1 WO2020170939 A1 WO 2020170939A1 JP 2020005589 W JP2020005589 W JP 2020005589W WO 2020170939 A1 WO2020170939 A1 WO 2020170939A1
Authority
WO
WIPO (PCT)
Prior art keywords
seed
information
germination
cohort
temperature
Prior art date
Application number
PCT/JP2020/005589
Other languages
English (en)
French (fr)
Inventor
弓弥子 雨谷
アレキサンダー フェルドマン
ユウ 張
友美 野▲崎▼
豊樹 古在
絵理 林
布村　伊
陸央 長谷川
Original Assignee
国立大学法人千葉大学
特定非営利活動法人 植物工場研究会
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 国立大学法人千葉大学, 特定非営利活動法人 植物工場研究会 filed Critical 国立大学法人千葉大学
Priority to JP2021501915A priority Critical patent/JPWO2020170939A1/ja
Priority to US17/430,717 priority patent/US11895939B2/en
Publication of WO2020170939A1 publication Critical patent/WO2020170939A1/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
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
    • A01C1/02—Germinating apparatus; Determining germination capacity of seeds or the like
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Definitions

  • the present invention relates to a seed cohort phenotyping system in an artificial light type plant factory that produces a plant without pesticides in a clean year by integrating a seed phenotyping method into the artificial light type plant factory.
  • Conventional artificial light type plant factories use clean plants (typically vegetables, also referred to as vegetables below) that do not use pesticides by controlling the light/heat air environment with a cultivation module installed in a closed space. It makes it possible to produce the required amount systematically regardless of the season. That is, through a series of steps from seeding, germination, raising seedlings, transplantation, cultivation, trimming adjustment of harvested plants, packaging, and shipping, it is now possible to supply consumers with several thousand to tens of thousands of vegetables per day. You can do it.
  • phenotype plant characteristics
  • phenotypic evaluation phenotyping
  • plant bodies samples
  • phenotypes are measured and evaluated. Measurement and evaluation of phenotype due to this destruction requires time and labor.
  • Non-Patent Document 1 A non-destructive automatic plant characteristic evaluation technique using an image sensor such as a plurality of single-lens reflex cameras targeting an "individual plant population” is also being developed (Non-Patent Document 1).
  • Patent Document 1 the oxygen concentration, the carbon dioxide concentration, and the temperature in the cultivation room are measured, and the productivity is improved by controlling watering (Patent Document 1), plant height, weight, etc.
  • Patent Document 2 A device that measures and controls artificial light (LED) (Patent Document 2) and the like have also been proposed.
  • a plant growth analysis system has also been proposed that acquires and analyzes state changes such as shape and color in the growth process of plants by image analysis (Patent Document 3).
  • the three major factors that influence the variation in the germination elapsed time, the germination rate, and the uniformity of growth after germination are (1) the genetic characteristics and quality of seeds, (2) the cultivation environment, and (3) artificial sowing and breeding. Fluctuations in typical operations. These factors have a single or multiple influence on each other to increase the growth difference in the harvest stage. However, the systematic arrangement of knowledge on the effects of such factors on plant growth has not yet been completed, and immediate action is desired.
  • An object of the present invention is to solve the above-mentioned problems in the conventional technique, and to provide a system for automatically tracking and evaluating plant characteristics in an artificial light type plant factory.
  • the artificial light type plant factory seed cohort phenotyping system is characterized by having the following configuration.
  • the reference numerals of the main components in the drawings of the corresponding embodiments are attached.
  • the system according to the present invention includes a calculation/control unit 1, a data set input unit 2, a data storage 3, a machine learning unit 4, an image processing unit 5, a statistical data analysis unit 6, and an association/causal relationship derivation calculation.
  • the integrated control unit 30 includes the unit 7 and the verification unit 8.
  • the integrated control unit 30 germinates based on the image information 2a, the environmental factor information 2b, the gene characteristic information 2, and the artificial operation information 2d input from the data set input unit 2 and stored in the data storage 3. Two-dimensional distribution of plant characteristics is calculated by continuously and non-destructively measuring plant characteristic information in the growth process of the growing season (period from sowing to immediately before primary seedling raising).
  • the physiological performance response of the seeds sown in the environmentally controlled closed space was continuously measured, and the two-dimensional distribution of environmental factor information and the temperature, temperature and satiation of the nutrient solution (saturated water vapor amount and absolute Humidity difference), nutrient solution ratio, pH, electric conductivity are continuously measured.
  • the calculation of the two-dimensional distribution is performed by using the RGB image information acquisition means 24 and the IR image information acquisition means 25, seed morphology, size, color, seed temperature, germination timing (germination elapsed time), medium surface temperature. , The radicle elongation rate is captured as image information.
  • the physiological performance reaction is the water absorption rate when the seed swells with water and the growth point in the dormant state starts to grow, and the water content of the nutrient solution (seed water content) with respect to the seed size. ), including oxygen concentration required for germination.
  • the environmental factor information is temperature, satiety, nutrient solution ratio (refers to a volume-based nutrient solution ratio obtained by dividing water injection volume V2 (cm 3 ) by seed mat volume V1 (cm 3 )), nutrient solution temperature , Including pH and electrical conductivity.
  • the gene characteristic information includes genomic information obtained by various genetic engineering experiments from genomic DNA and RNA extracted from grown plants and homology information with known genomic information databases.
  • the artificial operation information includes the seeder, the time required for sowing, the position in the germination part of the sowing box (a germination device that controls and maintains the temperature and humidity/dark conditions from seeding to primary seedling raising), and measurement error Including.
  • the present invention reduces labor and work time required for automation of production in large-scale plant factories, and automation of seed selection/cultivation work in the seedling production company, which is about one tenth of the conventional one. It can be:
  • the data accumulated in the data storage 3 we have deepened our knowledge about the morphology, size, color, seed temperature, germination time, radicle elongation rate, and effect on plant growth from the data accumulated, and in reality, it is usually about 80%. It is possible to improve the germination rate of 99.9% or more.
  • A. Non-destructive and continuous measurement of plant characteristics during the growth process during germination, and measurement of two-dimensional distribution of plant characteristics;
  • C.I. In addition to continuously measuring the physiological performance response of a plant population cultivated in an environmentally controlled closed space, C.I. )
  • the plant characteristic data obtained by two-dimensional distribution of environmental factor information and continuous measurement of temperature, pH, electric conductivity of the nutrient solution, etc. can be collected by an inexpensive small electronic device.
  • non-destructive and continuous automatic phenotyping of the whole plant by tracing and automatically evaluating the growth process in the germination period. It is possible to produce uniform seedlings.
  • Explanatory drawing of the image analysis of the germination state of the seed sown in the seed pot in the seed mat in the germination part Explanatory drawing of the measurement of the surface temperature of the seed mat of a germination part, and the mode of data-izing.
  • Explanatory drawing of the measurement of the surface temperature of the seed mat of a germination part, and the mode of data-izing Explanatory drawing of the measurement of the surface temperature of the seed mat of a germination part, and the mode of data-izing.
  • the flowchart which shows an example of the flow of a process in the artificial light type plant factory seed cohort phenotyping system concerning this invention.
  • FIG. 1 is a functional block diagram for explaining an embodiment of an artificial light type plant factory seed cohort phenotyping system according to the present invention.
  • Reference numeral 1 is a calculation/control unit, which is configured by a so-called cloud computer.
  • the operation/control unit 1 includes a data set input unit 2, a data storage 3, a machine learning unit 4, an image processing unit 5, a statistical data analysis unit 6, a correlation/causal relationship derivation calculation unit 7 via a data bus 11.
  • the verification unit 8 is connected.
  • a visualization unit 9 including a display device such as an image monitor, or a peripheral device including a communication control device, a keyboard, an input/output unit such as a printer, and the like are connected as the other 10.
  • the data set input section 2 has input sections for environmental factor information 2b, gene characteristic information 2c, and artificial operation information 2d, and initial values corresponding to them are input. Each input initial value is stored in the data storage 3.
  • the two-dimensional distribution of plant characteristics is expressed as a result of the distribution of the environmental factor information 2b, the gene characteristic information 2c, the artificial operation information 2d, and the measurement error information 2e, the gene characteristic information 2c.
  • the distributions of the artificial operation information 2d and the measurement error information 2e are obtained by calculating the degree of contribution to the distribution of the plant characteristics.
  • the distribution of the characteristic information 2c, the artificial operation information 2d, and the measurement error information 2e is stored in the data storage 3 as a data set of the degree of contribution to the two-dimensional distribution of plant characteristics.
  • the association/causal relationship derivation calculation unit 7 calculates the degree of contribution to the distribution of 2e using the machine learning unit (deep learning unit) 4.
  • FIG. 2 is a schematic diagram for explaining the outline of the germination part to which the seed cohort phenotyping system according to the present invention is applied, and is also called a seed phenotyping unit.
  • reference numeral 20 is a housing of the germination portion, and in this embodiment, a seed mat 21 of a foamed urethane floor (medium, hereinafter simply referred to as urethane) is set inside.
  • the seed mat 21 has a plurality of seed pots (recesses) 23 shaped at a predetermined density, and seeds 23 a are sown in each pot 23.
  • the seed mat 21 is evenly dipped in a seed box (styrofoam material) 22 filled with a nutrient solution.
  • incidental mechanisms such as nutrient solution temperature control, oxygen concentration measurement, and seed water content measurement are not shown.
  • two image pickup devices are installed above the seed mat 21 and arranged so as to photograph the seeds 23 a sown on the seed mat 21.
  • One of the cameras is an RGB camera 24, and the other camera is an IR (infrared) camera 25.
  • the RGB camera 24 acquires two-dimensional color image data, and outputs the color light data and light intensity data of the two-dimensional plane of the seed mat 21 to the integrated control unit 30 which is mainly composed of the arithmetic/control unit 1. ..
  • IR camera 25 is a spectral camera in the infrared region and is used as a thermal image camera. Calibration is performed in advance using a thermocouple to recognize the emissivity considering the color and material of the seed mat (medium) and obtain the surface temperature of the seed and the seed mat (medium).
  • the RGB camera 24 and the IR camera 25 are used because they are simple versions, but the use of other cameras having similar functions is not excluded.
  • CMOS sensor that can electrically change the sensitivity in the near infrared region within the same pixel has also been developed, so it is possible to use a camera that uses this image sensor instead of the above two cameras. Is.
  • the integrated control unit 30 controls elements necessary for a plant factory such as a control unit of an artificial light illumination module (LED panel) 27 provided in the housing 20 and an air conditioning control unit in the housing 20 of the germination unit. Means are provided.
  • LED panel artificial light illumination module
  • FIG. 3 is a plan view for explaining a configuration example of the seed mat shown in FIG. 2, where FIG. 3A is an overall plan view of the seed mat 21, and FIG. 3B is a partial view 3 of FIG. It is an enlarged view of the seed pot 23 part of *3.
  • the seed mat 21 is a medium for germinating the seeds 23a and grows seeds by changing various conditions such as the type, the nutrient solution ratio, the temperature in the housing and the temperature of the nutrient solution.
  • the growing process is time-sequentially photographed at predetermined intervals by using the RGB camera 24 and the IR camera 25, and stored in the data storage 3 of FIG. 1 as image information 2a.
  • the image information 2a is transferred to the overall control unit 30 equipped with the measurement/evaluation means configured by the calculation/control unit 1, processed by the image processing unit 5, and the result is also stored in the data storage 3. ..
  • FIG. 4 is an explanatory view of an image analysis of the germination state of the seeds sown in the seed pot in the seed mat in the germination part.
  • FIG. 4A shows the seed mat 21 in a state in which the germination state of the seeds 23a is visually confirmed.
  • the pots whose germination has been confirmed are circled with a circle for easy understanding.
  • the confirmation/evaluation of seed germination is performed by the association/causal relationship derivation calculation unit 7 using the machine learning unit 4 under the control of the calculation/control unit 1 based on the image captured by the RGB camera 24.
  • a captured image of the seed mat 21 captured by the RGB camera 24 is recorded in the data storage 3 as image information 2a.
  • the image information 2a is analyzed into the germinated seed pot 23 and the ungerminated seed pot 23, and the germinated seed pot is “TRUE”, as shown in FIG.
  • the pot is recorded in the database as "FALSE".
  • FIG. 10 is an example of a data acquisition image of a germination state of seeds sown on a seed mat, which is captured by an RGB camera.
  • the germination state of the seeds 23a sown on the seed mat 21 is photographed by the RGB camera 24, and the photographed RGB images are processed as, for example, the data acquisition image shown in FIG. It is recorded as a time series image.
  • images are recorded in time series from the time of seeding to 48 hours later.
  • FIG. 10A shows an example in which the seed type is uncoated seed
  • FIG. 10B is an example in the case of coated seed.
  • the growth process is analyzed for each individual from the time-series image to obtain germination data.
  • the analyzed information is recorded in the database, and each image is automatically tagged with “ungerminated (F)”, “germinated (T)”, and “germinated (T)”.
  • the automatically attached tag is, for example, as shown in FIG. 4C, a seed pot 23 that is analyzed as “ungerminated” on a screen of a display unit (display or the like) simulating the seed mat 21. "F” is displayed at the position of, and “T” is displayed at the position analyzed as “germinated” and “germinated” for visualization processing. In this way, a two-dimensional distribution of plant characteristics is calculated, and the calculated information is subjected to data evaluation such as consistency evaluation with accurate germination determination information by visual evaluation shown in FIG. It is recorded in the storage 3.
  • FIG. 5 and FIG. 6 are explanatory views showing how the surface temperature of the seed mat (medium) in the germination part is measured and converted into data
  • FIG. 5(a) shows the seeds as seen from above (camera side) in the germination part with the RGB camera 24.
  • the surface of the mat 21 and FIG. 5B show the distribution of the surface temperature of the seed mat 21 similarly taken by the IR camera 25.
  • the dark portion of FIG. 5B is indicated by the shade of red in the color image. The shade of red indicates that the surface temperature is high.
  • the infrared image (thermography) thus obtained by the IR camera 25 is recorded in the data storage 3 as image information 2a, analyzed by the image processing unit 5, and all data processed, and the information is also stored in the data storage 3. Is stored.
  • thermal image analysis software can be used to analyze the image information 2a obtained by the IR camera 25 for example.
  • FLIR Tools manufactured by FLIR Systems Japan Co., Ltd. was used.
  • the analysis result is stored in the data storage 3 and recorded in the database.
  • FIG. 6A shows a part of the analysis data obtained by analyzing the image information 2a obtained by the IR camera 25 with the thermal image analysis software and exporting the analysis data into the CSV file format.
  • FIG. 6A shows a part of the analysis data obtained by analyzing the image information 2a obtained by the IR camera 25 with the thermal image analysis software and exporting the analysis data into the CSV file format.
  • 6B is a diagram in which the analysis data information of the image information 2a stored in the data storage 3 is output to a worksheet of spreadsheet software and visualized as temperature data.
  • temperature data of the positions of the seeds 23a of the seed mat 21 having 300 seed pots 23 are displayed on the worksheet.
  • the magnitude of the numerical value is indicated by the shade of the cell, and the visualization processing is performed so that the temperature distribution can be visually confirmed.
  • the surface of the seed mat 21 in FIG. 5A is analyzed from the image information 2a captured by the RGB camera 24 into an analog infrared image (thermography) captured by the IR camera 25 in FIG. 5B.
  • the two-dimensional distribution of plant characteristics is obtained from the temperature distribution as shown in FIG. 6(b) according to the magnitude of the value.
  • the numerical value of the temperature distribution is large, that is, the temperature is high. It becomes possible to correlate the recorded position with the germination state of each individual seed, and to derive a causal relationship, which can be evaluated as one factor such as favorable conditions for germination rate and reduction in variation.
  • Figure 7 shows the frequency distribution of germination time.
  • a there is a large variation in the elapsed time, which causes variations in the yield and quality of the harvest.
  • the elapsed time from sowing to germination can be shortened and the variation can be minimized as shown in (i)
  • a two-dimensional distribution of plant characteristics was obtained by converting environmental factors such as the surface temperature of the seed mat (medium) into data.
  • environmental factors such as the surface temperature of the seed mat (medium) into data.
  • the seed mat, seed type, nutrient solution ratio, germination part By changing the temperature, etc., continuously measuring and tracking under various conditions, the characteristic data of the plant population is collected, and the characteristic data of the plant populations are collected, and the causal relationship is derived.
  • Fig. 8 shows the relationship between seed water content and germination rate (a), relationship between seed size and germination rate (a), relationship between nutrient solution rate and elapsed time from sowing to germination (HAS: Hours After Sowing) (c), The relationship (d) between the seed temperature and the variation in germination elapsed time (HAS) is shown.
  • Germination requires water, temperature, and oxygen, but a stable and high germination rate cannot be obtained even if these values are small or large.
  • insufficient water content or oxygen deficiency due to excessive water content leads to a lower germination rate.
  • small seeds, atrophied seeds, and the like tend not to germinate.
  • (C) shows that when the water content of the medium is too low, it depends on the force of the liquid surface to rise from the bottom of the medium due to the capillary phenomenon, and the time until the water content reaches the germination around the seeds is the germination elapsed time. If the nutrient solution is too high, the seeds will be submerged in the nutrient solution and become deficient in oxygen. This depends entirely on the density and material of the medium.
  • (D) shows that when exposed to a constant low temperature environment during the germination period, germination ability may be induced depending on the type of plant and the timing of germination may be easily aligned.
  • seeds include coated seeds and unprocessed seeds.
  • uncoated seeds are used in the selection/breeding process of seed companies, producers often use coated seeds because of their ease of sowing.
  • Coated seeds are granulated coated seeds that are coated with an inorganic powder on the surface of the seeds so that the shape and size are uniform for easy seeding, and the surface of the seeds is a resin containing a pesticide such as a fungicide or insecticide.
  • FIG. 9 is a flow chart showing an example of the flow of processing in the artificial light type plant factory seed cohort phenotyping system according to the present invention.
  • environmental factor information 2b, gene characteristic information 2c, artificial operation information 2d, measurement error information 2e, etc. are input from the data set input unit 2 and stored in the data storage 3 (step 1, hereinafter). It is illustrated as "S1".).
  • the RGB image information acquisition means (RGB camera 24) and the IR image information acquisition means (IR camera 25) are activated, and the morphology, size, and color of the seeds, the morphology, size, and color of the seedlings during the growth process during germination.
  • Seed temperature, germination timing (germination elapsed time), medium surface temperature, radicle elongation rate, image data, etc. are continuously collected, acquired as image information 2a, and stored in the data storage 3 (step 2). ).
  • the image information 2a stored in the data storage 3 is processed by the image processing unit 5 (step 3) based on the control instruction of the calculation/control unit 1 and analyzed by the statistical data analysis unit 6, The analysis information is stored in the data storage 3 (step 4).
  • the seeds in the growth process of the germination period swell containing water, the water absorption rate when the growing point in the dormant state starts to grow, and the nutrient solution for the seed size.
  • Water content (seed water content) and oxygen concentration required for germination are continuously measured from various sensors 26, and each measurement information is stored in the data storage 3.
  • the various information continuously stored in the data storage 3 in this way is analyzed as plant characteristic information based on the control instruction of the calculation/control unit 1.
  • the contribution degree to the two-dimensional distribution of plant characteristics is associated/causal relationship derivation calculation unit 7 using machine learning unit (deep learning unit) 4. Calculate (step 5).
  • each information is verified by the verification unit 8 (step 6). If the association/causal relationship derivation calculation is not completed, the association/causal relationship derivation calculation unit 7 calculates again.
  • the result is visualized by the visualization unit 9 (step 7). If the verification is not completed, the verification process is performed again. In this way, based on various information stored in the data storage 3, the two-dimensional distribution of various plant characteristics in the target plant is derived, and the plant characteristics of the plant population in the growth process during germination are tracked. , The association of each information and the causal relationship are derived and evaluated automatically.
  • the seed cohort phenotyping system according to the present invention described in the above embodiment uses only a small camera and a sensor, and therefore has a simple structure and is non-destructive. It can be done at low cost.
  • the enormous amount of generated data can be transferred online to a cloud computer and can be acquired without the need for special equipment.
  • the artificial light type plant factory it is possible to control all environmental factors that affect the growth of plants, and the deep learning method is also used for the set values by using big data of the environment and plant characteristics that are accumulated daily. From the above, the optimum value for germination rate of 99.9% or more, germination with uniform timing, and uniform growth after germination is derived.
  • the seed cohort phenotyping system described above makes it possible to evaluate the behavior of seeds under a uniform environment, especially in the germination stage, which requires a lot of labor and time for the seeds collected for the purpose of selection/breeding.
  • the labor required for typing is about one-tenth or less of that required in the past, and the required time is about one-tenth or less, which makes it possible to perform with a high efficiency of several hundred times or more.
  • a germination rate close to 100% is important in order to improve the efficiency of input energy and the efficiency of cultivation area. It is considered to be even more important in the automation required in the future (production).
  • This device enables a uniform germination with a germination rate of 99.9% or more, and avoids a decrease in production efficiency due to non-germination and variation in growth during seed selection/cultivation work in large plant factories and seedling companies. It also helps to promote the automation required in large plant factories.
  • the seed cohort phenotyping system according to the present invention is not limited to a large-scale commercial plant factory, but a small-medium-sized commercial plant factory, a small-ultra-small plant factory for education, self-study, hobby, etc. (plant module ), and can be used for high quality and uniform seedling production for general fields.

Abstract

人工光型の植物工場で、発芽期（播種から一次育苗直前まで）の成長過程における"植物個体群"の植物特性を追跡して自動で評価する。具体的には、画像情報２ａ、環境要因情報２ｂ、遺伝子特性情報２ｃ、人為的操作情報２ｄに基づいて、発芽期の成長過程における植物特性情報を非破壊で連続的に計測して植物特性の２次元分布を計算する。また、環境制御された閉鎖空間に栽培されている植物個体群の生理性能的反応を連続的に計測すると共に、環境要因情報の２次元分布及び気温、飽差、養液率、養液の温度、ｐＨ、電気伝導度などを連続的に計測する。

Description

人工光型植物工場コホートフェノタイピングシステム
　本発明は、人工光型植物工場に種子フェノタイピング手法を統合することで、無農薬でクリーンな植物を通年計画で生産する人工光型植物工場における種子コホートフェノタイピングシステムに関する。
　従来の人工光型植物工場は、閉鎖した空間内に設備した栽培モジュールで光・温熱空気環境を制御することで農薬を使用しないクリーンな植物（典型的には野菜、以下野菜とも表記する）を季節に関係なく、かつ計画的に必要量を生産することを可能としたものである。すなわち、播種から発芽、育苗、移植、栽培し、収穫した植物のトリミング調整、包装、出荷という一連の工程を通し、現在では日量数千乃至数万株もの野菜を消費者に供給することができるようになっている。
　一般に、植物体の生産過程では、育成・栽培中の表現型（植物特性）を測定し、評価することがよく行われる。この評価を表現型評価（フェノタイピング）と称する。従来のフェノタイピングは、定期的に植物体（サンプル）を採取し、これを破壊して、その表現型を測定し、評価しているのがほとんどである。この破壊による表現型の測定・評価は時間と労力を必要とする。
　その対策として、近年は圃場や水田、森林などの屋外にある植物については、特定の“植物個体群”を対象としたドローンや大型のガントリークレーンを用い、屋内で栽培する植物に対しては、“単独植物個体群”を対象とした複数の一眼レフカメラなどのイメージセンサを用いて非破壊の植物特性自動評価技術も開発されつつある（非特許文献１）。
　なお、もやしの水耕栽培システムにおいて、栽培室内の酸素濃度、二酸化炭素濃度、温度を測定し、散水を制御することで生産性を向上するもの（特許文献１）、植物の背丈、ウエイトなどを測定して人工光（ＬＥＤ）をコントロールするもの（特許文献２）なども提案されている。
　そして、植物の成長過程における形状、色、などの状態変化を画像解析により取得し、解析する植物生育解析システムも提案されている（特許文献３）。
特許第６１４４２９０号公報 米国特許公開公報２０１４／０３７６２３９　Ａ１ 特開２００５－２２９８１８号公報
北隆館２０１８年３月２０日発行「アグリバイオ」２０１８年３月号，ｐｐ．２１８－２６１
　植物は、生育環境に応答してその形態（特性：植物特性）を時間と共に変化させる。人工光型の植物工場で、その生産工程と並行して“植物個体群”の植物特性の成長過程を追跡して自動で評価するシステムは過去に例がない。
　発芽経過時刻のばらつき、発芽率及び発芽後の生育の均一性に影響する３大要因は、（１）種子の遺伝的な特性及び品質、（２）栽培環境、（３）播種及び育種における人為的な操作の変動、である。これらの要因が単一で、又は複合的に影響し合って収穫段階における生育差を大きくしている。しかし、このような要素の植物成長への影響に関する知見の体系的な整理は未だ完了しておらず、早急な対応が望まれている。
　従来のフェノタイピング手法を用いると、装置の大型化、高価なカメラ等を複数必要とすることに加えて、人工光型の植物工場では、大型の装置を設置することができず、露地栽培（屋外）では必要としない照明手段や空調システムを設置する必要があるため、高コストとなってしまう。
　本発明の目的は、上記従来技術における諸課題を解決することにあり、人工光型の植物工場での植物特性を追跡して自動で評価するシステムを提供することにある。
　上記目的を達成するために、本発明は、人工光型植物工場での“植物個体群”の播種から一次育苗直前まで（＝発芽期）に絞り成長過程を追跡して特性データを収集する要因対照研究（ｆａｃｔｏｒ－ｃｏｎｔｒｏｌ　ｓｔｕｄｙ）、所謂種子コホート研究を可能とするものである。
　本発明に係る人工光型植物工場種子コホートフェノタイピングシステムは、下記の構成としたことを特徴とする。なお、本発明に係るシステムの構成を明確にするため、対応する実施例の図面における主要構成の符号を付してある。
（１）本発明に係るシステムは、演算・制御部１、データセット入力部２、データ・ストレージ３、機械学習部４、画像処理部５、統計的データ解析部６、関連付け／因果関係導出計算部７、及び検証部８を備える統括制御部３０を有する。
　前記統括制御部３０は、前記データセット入力部２から入力して前記データ・ストレージ３に格納された画像情報２ａ、環境要因情報２ｂ、遺伝子特性情報２、人為的操作情報２ｄに基づいて、発芽期（播種から一次育苗直前の期間）の成長過程における植物特性情報を非破壊で連続的に計測して植物特性の２次元分布を計算し、
　環境制御された閉鎖空間に播種された種子の発芽期の生理性能的反応を連続的に計測すると共に、環境要因情報の２次元分布及び養液の温度、気温、飽差（飽和水蒸気量と絶対湿度の差）、養液率、ｐＨ、電気伝導度を連続的に計測する。
（２）前記２次元分布の計算は、ＲＧＢ画像情報取得手段２４とＩＲ画像情報取得手段２５を用い、種子の形態、サイズ、色、種子温度、発芽のタイミング（発芽経過時刻）、培地表面温度、幼根の伸長速度を画像情報として取り込んで行う。
（３）前記生理性能的反応は、種子が水を含んで膨潤し、休眠状態にあった成長点が発育を開始する際の吸水速度、ならびに種子のサイズに対する養液の含水量（種子含水率）、発芽に必要な酸素濃度を含む。
（４）前記環境要因情報は、気温、飽差、養液率（注水容積Ｖ２（ｃｍ３）を種子マットの容積Ｖ１（ｃｍ３）で除した体積基準養液率を指す）、養液温度、ｐＨ・電気伝導度を含む。
（５）前記遺伝子特性情報は、成長した植物体から抽出したゲノムＤＮＡおよびＲＮＡから各種遺伝子工学実験により得たゲノム情報および既知のゲノム情報データベースとの相同性情報を含む。
（６）前記人為的操作情報は、播種者、播種の所要時間、播種箱の発芽部（播種から一次育苗前の温湿度・暗黒条件を制御・維持する発芽装置）内の位置、計測誤差を含む。
　なお、本発明は上記の構成及び後述する実施例の構成に限定されるものではなく、本発明の技術思想の範囲内で種々の変形が可能である。
　本発明により、今後必要とされる大型植物工場での生産の自動化、およびその種苗生産会社における種子選抜・育成作業の自動化などのための労力および作業時間を低減し、ほぼ従来の１０分の一以下とすることができる。
　また、データ・ストレージ３に蓄積されたデータから種子の形態、サイズ、色、種子温度、発芽経過時刻、幼根の伸長速度、及び植物成長への影響に関する知見を深め、現実では通常８０％程度の発芽率を９９．９％以上に向上することが可能である。
　前記したＡ．）発芽期の成長過程における植物特性を非破壊で連続的に計測し、植物特性の２次元分布の計測と、Ｂ．）環境制御された閉鎖空間に栽培されている植物個体群の生理性能的反応を連続的に計測すると共に、Ｃ．）環境要因情報の２次元分布及び養液の温度、ｐＨ、電気伝導度などの連続的な計測で得られた植物特性データは、廉価な小型電子機器で収集できる。
　また、本発明によれば、人工光型の植物工場で、発芽期の成長過程を追跡して自動で評価することで、植物個体を非破壊で、かつ連続的に全体を自動フェノタイピングすることが可能となり、均一な苗を生産することができる。
本発明に係る人工光型植物工場種子コホートフェノタイピングシステムの１実施例を説明する機能ブロック図。 本発明に係る人工光型植物工場種子コホートフェノタイピングシステムを適用する発芽部の概要を説明する模式図。 図２に示された種子マット（培地）の構成例を説明する平面図。 発芽部内の種子マットにおける種子ポットに播種された種子の発芽状態を画像解析する様子の説明図。 発芽部の種子マットの表面温度の測定とデータ化の様子の説明図。 発芽部の種子マットの表面温度の測定とデータ化の様子の説明図。 現状の発芽経過時刻のばらつきと本システムによって減少するばらつきの程度の目標を示す正規分布。 本システムによって取得したデータから導き出される結果の参考例。 本発明にかかる人工光型植物工場種子コホートフェノタイピングシステムにおける処理の流れの一例を示すフロー図。 種子マットに播種された種子の発芽状態を示すＲＧＢデータ取得イメージの一例。
　以下、本発明を実施例の図面を参照して詳細に説明する。
　図１は本発明に係る人工光型植物工場種子コホートフェノタイピングシステムの１実施例を説明する機能ブロック図で、符号１は演算・制御部で、所謂クラウドコンピュータで構成される。演算・制御部１には、データバス１１を介してデータセット入力部２、データ・ストレージ３、機械学習部４、画像処理部５、統計的データ解析部６、関連付け／因果関係導出計算部７、検証部８が接続されている。また、画像モニターなどの表示デバイスからなる可視化部９、あるいは通信制御装置やキーボード、プリンターなどの入出力手段などを含む周辺機器がその他１０として接続される。
　データセット入力部２は、環境要因情報２ｂ、遺伝子特性情報２ｃ、人為的操作情報２ｄの各入力部を有し、それらに対応する初期値が入力される。入力された各初期値はデータ・ストレージ３に格納される。
　植物特性の２次元分布は、前記環境要因情報２ｂ、前記遺伝子特性情報２ｃ、前記人為的操作情報２ｄ及び計測誤差情報２ｅの分布の結果として表現されると仮定して、前記遺伝子特性情報２ｃ、前記人為的操作情報２ｄ及び前記計測誤差情報２ｅの分布を前記植物特性の分布に及ぼす寄与度の計算で得る。
　時系列で並べられた植物特性の２次元分布は、環境要因情報２ｂ、遺伝子特性情報２ｃ、人為的操作情報２ｄ及び計測誤差情報２ｅの分布の結果として表現されると仮定して計算された遺伝子特性情報２ｃ、人為的操作情報２ｄ及び計測誤差情報２ｅの分布が植物特性の２次元分布に及ぼす寄与度のデータセットとしてデータ・ストレージ３に格納される。
　植物特性の２次元分布、環境要因情報２ｂ、遺伝子特性情報２ｃ、人為的操作情報２ｄ及び計測誤差情報２ｅの関連付け、及び環境要因情報２ｂ、遺伝子特性情報２ｃ、人為的操作情報２ｄ及び計測誤差情報２ｅの分布に対する寄与度を関連付け／因果関係導出計算部７が機械学習部（ディープラーニング部）４を用いて計算する。
　上記の植物特性の２次元分布、環境要因情報２ｂ、遺伝子特性情報２ｃ、人為的操作情報２ｄ及び計測誤差情報２ｅの関連付け、及び環境要因情報２ｂ、遺伝子特性情報２ｃ、人為的操作情報２ｄ及び計測誤差情報２ｅの分布に対する寄与度の計算には、物質・エネルギー収支、植物成長、多変量解析、行動（ｂｅｈａｖｉｏｒ又はｓｕｒｒｏｇａｔｅ）に関するモデルも利用する。
　図２は本発明に係る種子コホートフェノタイピングシステムを適用する発芽部の概要を説明する模式図で、種子フェノタイピングユニットとも称する。図中、符号２０は発芽部の筐体であり、本実施例では内部に発泡ウレタン床（培地、以下、単にウレタン）の種子マット２１がセットされている。種子マット２１には所定の密度で整形された複数の種子ポット（凹部）２３を有し、それぞれのポット２３に種子２３ａが播種されている。そして、種子マット２１ は養液を満たした播種箱（発泡スチロール材）２２に均一に浸漬している。なお、養液温度制御や酸素濃度測定、種子含水率測定などの付帯機構は図示を省略してある。
　発芽部の筐体２０の内部で、種子マット２１の上方に２台の撮像装置（カメラ）が設置されて種子マット２１に播種されている種子２３ａを撮影するように配置されている。カメラの一方はＲＧＢカメラ２４、他方のカメラはＩＲ（赤外線）カメラ２５である。
　ＲＧＢカメラ２４は２次元のカラー画像データを取得するもので、種子マット２１の２次元平面の色光データと光強度データを前記演算・制御部１を中核として構成される統括制御部３０に出力する。
　ＩＲカメラ２５は赤外線領域の分光カメラであり、熱画像カメラとして利用する。あらかじめ熱電対を利用した校正をし、種子マット（培地）の色や材質を考慮した放射率を認識し、種子および種子マット（培地）の表面温度を得る。本実施例では簡易版ということもあって、ＲＧＢカメラ２４とＩＲカメラ２５を使用するが、同様の機能を有する他のカメラの使用を排除するものではない。
　なお、同一画素内で近赤外線領域の感度を電気的に変えることができるＣＭＯＳセンサーも開発されているので、上記の２台のカメラに代えてこのイメージセンサを用いたカメラを採用することも可能である。
　図２の発芽部の筐体２０の内部には、筐体内部の温度や種子含水率などを検出する各種のセンサー２６が設置されている。ＲＧＢカメラ２４、ＩＲカメラ２５及び各種のセンサー２６の出力データは図１の画像情報２ａとして演算・制御部１で構成された計測評価手段を装備した統括制御部３０に転送される。
　なお、統括制御部３０には、筐体２０内に設けられた人工光照明モジュール（ＬＥＤパネル）２７の制御部、発芽部の筺体２０内の空調制御部などの植物工場として必要な要素の制御手段が設けられている。
　図３は図２に示された種子マットの構成例を説明する平面図で、同図（ａ）は種子マット２１の全体平面を、同図（ｂ）は同図（ａ）の一部３×３の種子ポット２３部分の拡大図である。
　この種子マット２１は、種子２３ａを発芽させる培地であり、その種類、養液率、筐体内や養液の温度などの諸条件を変えて種子を育成する。その育成過程をＲＧＢカメラ２４、ＩＲカメラ２５を用いて、所定のインターバルで時系列に撮影し、画像情報２ａとして図１のデータ・ストレージ３に格納する。そして、その画像情報２ａは、演算・制御部１で構成された計測評価手段を装備した統括制御部３０に転送され、画像処理部５で処理され、その結果もデータ・ストレージ３に格納される。
　図４は発芽部内の種子マットにおける種子ポットに播種された種子の発芽状態を画像解析する様子の説明図で、同図（ａ）は種子２３ａの発芽状態を目視で確認した状態の種子マット２１で、解り易いように発芽が確認されたポットを○で囲んで図示してある。
　種子の発芽の確認と評価は、ＲＧＢカメラ２４の撮影画像に基づいて、演算・制御部１の制御により、関連付け／因果関係導出計算部７が機械学習部４を用いて実行する。
　ＲＧＢカメラ２４で撮影された種子マット２１の撮影画像は、画像情報２ａとしてデータ・ストレージ３に記録される。そして、その画像情報２ａは、発芽している種子ポット２３と、未発芽の種子ポット２３とに解析され、図４（ｂ）に示すように、発芽した種子ポットは「ＴＲＵＥ」、未発芽のポットは「ＦＡＬＳＥ」としてデータベースに記録される。
　図１０は、ＲＧＢカメラで撮影された種子マットに播種された種子の発芽状態のデータ取得イメージの一例である。
　種子マット２１に播種された種子２３ａの発芽状態はＲＧＢカメラ２４で撮影され、撮影されたＲＧＢ画像は、例えば図１０に示すデータ取得イメージのように処理され、連続的に撮影された全種子の時系列画像として記録される。図１０では、播種時から４８時間後まで時系列に画像が記録されている。図１０（ａ）は種子タイプが非コート種子、（ｂ）はコート種子の場合の例である。そして前記時系列画像から個体ごとに生長過程を分析し発芽データを取得する。そして、分析された情報はデータベースに記録されるとともに、各画像に「未発芽（Ｆ）」「発芽（Ｔ）」「発芽済（Ｔ）」のタグが自動的に付される。
　前記自動的に付されたタグは、例えば、図４（ｃ）に示すように、種子マット２１を模した表示手段（ディスプレー等）の画面上に、「未発芽」と分析された種子ポット２３の位置には‘Ｆ’と表示され、「発芽」「発芽済」と分析された位置には‘Ｔ’が表示され可視化処理される。
　このようにして、植物特性の２次元分布が算出され、算出された情報は、図４（ａ）に示す目視評価による正確な発芽判断情報との整合性評価がなされるなどして、データ・ストレージ３に記録される。
　図５及び図６は発芽部内の種子マット（培地）の表面温度の測定とデータ化の様子の説明図で、図５（ａ）は発芽部内を上方（カメラ側）からＲＧＢカメラ２４でみた種子マット２１の表面、図５（ｂ）は同じようにＩＲカメラ２５で撮影した種子マット２１の表面温度の分布を示す。図５（ｂ）の濃度の濃い部分は、カラー画像では赤色の濃淡で示される。赤色の濃淡部分は、表面温度が高いことを示す。
　こうしてＩＲカメラ２５で得られた赤外線画像（サーモグラフィー）は、画像情報２ａとしてデータ・ストレージ３に記録されるとともに、画像処理部５で解析され、すべてデータ処理され、その情報もデータ・ストレージ３に格納される。
　ＩＲカメラ２５で得られた画像情報２ａの解析には、例えば市販の熱画像解析ソフトを利用することができる。本実施例においては、フリアーシステムズジャパン株式会社製のＦＬＩＲ　Ｔｏｏｌｓを利用した。
　解析結果は、データ・ストレージ３に格納され、データベースに記録される。
　図６（ａ）は、ＩＲカメラ２５で得られた画像情報２ａを熱画像解析ソフトで解析した解析データを、ＣＳＶファイル形式にエクスポートしたものの一部である。
　図６（ｂ）は、データ・ストレージ３に格納された画像情報２ａの解析データの情報を、表計算ソフトのワークシートに出力し、温度データとして可視化したものである。ここでは、ワークシート上に、３００の種子ポット２３を備えた種子マット２１の種子２３ａの位置の温度データが表示されている。そして、数値の大きさをセルの濃淡で示し、目視により温度分布を確認できるように可視化処理が行われている。
　このように、図５（ａ）の種子マット２１の表面をＲＧＢカメラ２４で撮像した画像情報２ａから、図５（ｂ）のＩＲカメラ２５で撮像されたアナログの赤外線画像（サーモグラフィー）に解析され、図６（ａ）に示したような温度データとして数値化され、数値の大きさにより図６（ｂ）に示すような温度分布により、植物特性の２次元分布を得る。
　そして、その他の要因情報から得た植物特性や環境要因の２次元分布や、生理性能的反応情報、遺伝子特性情報等との関係で、例えば、温度分布で数値が大きい、すなわち高温度であると記録された位置と、種子の各個体の発芽の状態との関連付け、因果関係を導き出すことが可能となり、発芽率の好条件やばらつきの減少などの一要因と評価することができる。
　図７は発芽経過時刻の頻度分布である。現状（あ）では経過時刻のばらつきが大きく、これが収穫量や収穫物の品質のばらつきの原因となる。一方、（い）に示すように播種から発芽までの経過時刻を短くし、ばらつきを最小限にすることができれば、発芽期そのものの期間を短くし、ランニングコストの削減になるだけでなく、品質、収量の安定性と可販率の向上が可能となる。
　上記では、種子マット（培地）の表面温度という環境要因をデータ化して植物特性の２次元分布を得たが、このようにして、種子マットをはじめ、種子の種類、養液率、発芽部内の温度などを変更し、様々な条件下で連続的に計測し追跡して植物個体群の特性データを収集し、それらから関連付け、因果関係の導出を図る。
　図８は種子含水率と発芽率の関係（ア）、種子サイズと発芽率の関係（イ）、養液率と播種から発芽までの経過時刻（ＨＡＳ：Ｈｏｕｒｓ　Ａｆｔｅｒ　Ｓｏｗｉｎｇ）の関係（ウ）、種子温度と発芽経過時刻のばらつき（ＨＡＳ）の関係（エ）を示す。発芽には水分、温度、酸素が必要であるが、それらの値が小さくても大きくても安定した高い発芽率は得られない。（ア）に示すように、水分不足もしくは、水分過多による酸素欠乏はいずれも発芽率の低下を招く。また、（イ）に示すように、小さい種子や萎縮した種子などは発芽しにくい傾向がある。（ウ）は、培地の含水率が低すぎると毛細管現象による培地の底部から液面が持ち上がる力に依存し、種子周辺が発芽に達する含水率となるまでの時間がすなわち発芽経過時刻となり、逆に養液率が高すぎると種子は養液中に浸水し酸素欠乏となる。これは培地の密度や素材などにより全く異なる。（エ）は発芽期に一定の低温環境下へさらした場合、植物の種類によっては発芽能力が誘導され、発芽のタイミングが揃いやすくなることがあることを示す。
　以上の結果は種子のタイプによっても異なる。
　例えば、種子にはコート加工した種子と未加工の種子がある。種苗会社などの選抜・育種の過程では非コート種子を使用するが、生産者は播種の容易さからコート種子を使用することが多い。コート種子は、播種しやすいように形状、大きさが均一になるように種子の表面を無機粉体で被覆した造粒コート種子や、殺菌剤や殺虫剤などの農薬を含む樹脂で種子の表面を被覆したフィルムコート種子などがある。天然素材の粘土鉱物を主体とした粉体を用い種子を被覆し均一な球状にしたコート種子がレタスの栽培においてよく使用される。
　以上からも、発芽率を高め、発芽経過時刻のばらつきを減らすためには、さまざまなパターンの栽培データから総合的な解析が必要であることが窺える。
　図９は、本発明にかかる人工光型植物工場種子コホートフェノタイピングシステムにおける処理の流れの一例を示すフロー図である。
　まず、初期値設定として、データセット入力部２から環境要因情報２ｂ、遺伝子特性情報２ｃ、人為的操作情報２ｄ、計測誤差情報２ｅ等を入力してデータ・ストレージ３に格納する（ステップ１、以下「Ｓ１」のように図示する。）。
　次に、ＲＧＢ画像情報取得手段（ＲＧＢカメラ２４）とＩＲ画像情報取得手段（ＩＲカメラ２５）を起動し、発芽期での成長過程における種子の形態、サイズ、色及び幼苗の形態、サイズ、色、種子温度、発芽のタイミング（発芽経過時刻）、培地表面温度、幼根の伸長速度、画像データなどを連続的に収集し、画像情報２ａとして取得し、データ・ストレージ３に格納する（ステップ２）。
　その後、データ・ストレージ３に格納された画像情報２ａを、演算・制御部１の制御指示に基づいて、画像処理部５で処理（ステップ３）するとともに、統計的データ解析部６で解析し、解析情報をデータ・ストレージ３に格納する（ステップ４）。
　その他、図示しないが、生理性能的反応として、発芽期の成長過程における種子が水を含み膨潤し、休眠状態にあった成長点が発育を開始する際の吸水速度、ならびに種子のサイズに対する養液の含水量（種子含水率）、発芽に必要な酸素濃度について、各種センサー２６から連続的に計測し、各計測情報をデータ・ストレージ３に格納する。
　また、同様に環境要因情報として、発芽期の成長過程における気温、飽差、養液率、養液温度、ｐＨ・電気伝導度等を連続的に計測し、各計測情報をデータ・ストレージ３に格納する。
　こうしてデータ・ストレージ３に格納された連続的に収集された各種情報は、演算・制御部１の制御指示に基づいて植物特性情報として解析される。
　各情報の解析後、各情報を関連付け、あるいは因果関係を導出するため、植物特性の２次元分布に対する寄与度を関連付け／因果関係導出計算部７で機械学習部（ディープラーニング部）４を用いて計算する（ステップ５）。
　そして、関連付け／因果関係の導出計算が完了すると、各情報を検証部８で検証する（ステップ６）。なお、関連付け／因果関係の導出計算が完了しない場合は、再度関連付け／因果関係導出計算部７で計算する。
　各情報の検証が完了すると、その結果を可視化部９で可視化処理する（ステップ７）。検証が完了しない場合には、再度検証処理を行う。こうして、データ・ストレージ３に格納された各種の情報に基づいて、対象となる植物における様々な植物特性の２次元分布を導きだし、発芽期の成長過程における植物個体群の植物特性を追跡して、各情報の関連付け、因果関係を導き出し自動で評価する。
　上記の実施例で説明した本発明に係る種子コホートフェノタイピングシステムは、小型のカメラとセンサーを用いるだけであるので、構成が簡単であり、非破壊であることから、出荷工程に差し障りが無く実施でき、かつ低コストである。
　そして、発生した膨大なデータは、クラウドコンピュータにオンラインで転送し、これを取得可能であり、特別な装置等を必要としない。
　また、人工光型植物工場においては、植物の生育に影響する全ての環境要因の制御が可能であり、その設定値についても日々蓄積される環境及び植物特性のビッグデータを利用し、ディープラーニング手法などから９９．９％以上の発芽率と、タイミングの揃った発芽、発芽後の均一な生育のための最適値を導き出す。
　上記種子コホートフェノタイピングシステムは、特に選抜・育種の目的で採取した種子において多大な労力と時間を要している発芽期に、均一な環境下で種子の挙動を評価することが可能となり、フェノタイピングに係る労力が従来と比較しおおよそ１０分の１以下、必要とする時間も略１０分の１以下となり、数百倍以上の高効率で行うことを可能にする。
　さらに、人工光型植物工場では、投入エネルギーの利用効率を高め、栽培面積の利用効率を高めるためには、１００％に近い発芽率が重要であり、特に大型植物工場（５０００株／一日当たりの生産）における今後必要となる自動化においては更に重要と考えられる。本装置は、９９．９％以上の発芽率と均一な苗の生産を可能とし、大型植物工場および種苗会社における種子選抜・育成作業における不発芽や生育のばらつきによる生産効率の低下を回避できる。更に大型植物工場で求められている自動化の促進に役に立つ。
　すなわち大量生産を行う植物工場においては、限られた栽培スペースの有効活用、均一な苗生産に加えて作業効率の向上である。発芽率を高め、苗の均一性を確立することができれば、育苗以降の工程の効率化と生産性の改善に大きく寄与することができる。
　本発明に係る種子コホートフェノタイピングシステムは、大型の商業的植物工場に限らず、小型―中型の商業的植物工場、教育用、自習用、趣味用などの小型―超小型の植物工場（植物モジュール）、更に一般圃場向けた高品質、均一な苗生産にも利用することができる。
　　　１・・・演算・制御部
　　　２・・・データセット入力部
　　　２ａ・・・画像情報
　　　２ｂ・・・環境要因情報
　　　２ｃ・・・遺伝子特性情報
　　　２ｄ・・・人為的操作情報
　　　２ｅ・・・計算誤差情報
　　　３・・・データ・ストレージ
　　　４・・・機械学習部
　　　５・・・画像処理部
　　　６・・・統計的データ解析部
　　　７・・・関連付け／因果関係導出計算部
　　　８・・・検証部
　　　９・・・可視化部
　　　１０・・・その他
　　　２０・・・発芽部の筐体
　　　２１・・・種子マット
　　　２２・・・養液を満たした播種箱
　　　２３・・・種子ポット
　　　２３ａ・・・種子
　　　２４・・・ＲＧＢカメラ
　　　２５・・・ＩＲカメラ
　　　２６・・・センサー
　　　２７・・・人工光モジュール（ＬＥＤパネル）
　　　３０・・・統括制御部

 

Claims (7)

  1. 　演算・制御部、データセット入力部、データ・ストレージ、機械学習部、画像処理部、統計的データ解析部、関連付け／因果関係導出計算部、及び検証部を有する統括制御部で構成される人工光型植物工場種子コホートフェノタイピングシステムであって、
    　前記統括制御部は、前記データセット入力部から入力して前記データ・ストレージに格納された画像情報、環境要因情報、遺伝子特性情報、人為的操作情報に基づいて、発芽期の成長過程における植物特性情報を非破壊で連続的に計測して植物特性の２次元分布を計算し、環境制御された閉鎖空間に播種された種子の発芽期の生理性能的反応を連続的に計測すると共に、環境要因情報の２次元分布及び養液の温度、気温、飽差、養液率、ｐＨ、電気伝導度を連続的に計測することにより、植物工場での生産の自動化、及びその種苗生産における種子選抜・育成作業の自動化の労力及び作業時間を低減し、発芽率の向上と均一な苗の生産を可能とすることを特徴とする人工光型植物工場種子コホートフェノタイピングシステム。
  2. 　前記２次元分布の計算は、ＲＧＢ画像情報取得手段とＩＲ画像情報取得手段を用いて、種子の形態、サイズ、色、種子温度、発芽のタイミング、培地表面温度、幼根の伸長速度を画像情報として取り込むことを特徴とする請求項１に記載の人工光型植物工場種子コホートフェノタイピングシステム。
  3. 　前記生理性能的反応は、種子が水を含み膨潤し休眠状態にあった成長点が発育を開始する際の吸水速度、ならびに種子のサイズに対する養液の含水量、発芽に必要な酸素濃度を含むことを特徴とする請求項１に記載の人工光型植物工場種子コホートフェノタイピングシステム。
  4. 　前記環境要因情報は、気温、飽差、養液率、養液温度、ｐＨ・電気伝導度を含むことを特徴とする請求項１に記載の人工光型植物工場種子コホートフェノタイピングシステム。
  5. 　前記遺伝子特性情報は、成長した植物体から抽出したゲノムＤＮＡ及びＲＮＡから各種遺伝子工学実験により得たゲノム情報及び既知のゲノム情報データベースとの相同性情報を含むことを特徴とする請求項１に記載の人工光型植物工場種子コホートフェノタイピングシステム。
  6. 　前記人為的操作情報は、播種者、播種の所要時間、播種箱の発芽部内の位置、計測誤差を含むことを特徴とする請求項１に記載の人工光型植物工場種子コホートフェノタイピングシステム。
  7. 　前記発芽率は９９．９％以上であることを特徴とする請求項１に記載の人工光型植物工場種子コホートフェノタイピングシステム。
     
PCT/JP2020/005589 2019-02-19 2020-02-13 人工光型植物工場コホートフェノタイピングシステム WO2020170939A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021501915A JPWO2020170939A1 (ja) 2019-02-19 2020-02-13 人工光型植物工場コホートフェノタイピングシステム
US17/430,717 US11895939B2 (en) 2019-02-19 2020-02-13 Cohort phenotyping system for plant factory with artificial lighting

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019027079 2019-02-19
JP2019-027079 2019-02-19

Publications (1)

Publication Number Publication Date
WO2020170939A1 true WO2020170939A1 (ja) 2020-08-27

Family

ID=72144933

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/005589 WO2020170939A1 (ja) 2019-02-19 2020-02-13 人工光型植物工場コホートフェノタイピングシステム

Country Status (3)

Country Link
US (1) US11895939B2 (ja)
JP (1) JPWO2020170939A1 (ja)
WO (1) WO2020170939A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022270131A1 (ja) * 2021-06-24 2022-12-29 富士フイルム株式会社 植物の栽培方法及び植物栽培装置
WO2023188845A1 (ja) * 2022-03-28 2023-10-05 東洋製罐グループホールディングス株式会社 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11710308B1 (en) * 2019-10-10 2023-07-25 Aerofarms, Inc. Seed germination detection method and apparatus
US20230171303A1 (en) * 2021-12-01 2023-06-01 X Development Llc Dynamic allocation of platform-independent machine learning state machines between edge-based and cloud-based computing resources

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01262712A (ja) * 1988-04-14 1989-10-19 Matsushita Electric Ind Co Ltd 植物種子の発芽試験方法
JPH0272802A (ja) * 1988-09-06 1990-03-13 Res Dev Corp Of Japan 植物種子の判定方法
US20150037923A1 (en) * 2012-01-06 2015-02-05 1366 Technologies, Inc. Methods to selectively treat portions of a surface using a self-registering mask
JP2016208853A (ja) * 2015-04-30 2016-12-15 株式会社小糸製作所 実験装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6653527B1 (en) * 1997-09-03 2003-11-25 Yale University Production of healthier and stronger seedling crops under low-light environment
WO2000018940A1 (en) * 1998-09-28 2000-04-06 Yale University Plants and plants cells encoding the wild type cop1 gene and the coil domain thereof
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
EP2337441B1 (en) * 2008-09-16 2016-08-10 BASF Plant Science GmbH Method for improved plant breeding
KR20150000369A (ko) 2013-06-24 2015-01-02 한국전자통신연구원 식물공장에서의 조명 제어 장치 및 그 방법
JP6144290B2 (ja) 2015-01-15 2017-06-07 太子食品工業株式会社 恒暗型栽培システム、および従属栄養栽培作物栽培方法
CN109750046A (zh) * 2017-11-02 2019-05-14 未名生物农业集团有限公司 非生物胁迫耐性提高的植物和提高植物非生物胁迫耐性的多聚核苷酸及方法
US11761012B2 (en) * 2017-11-03 2023-09-19 University Of Florida Research Foundation, Incorporated Mitigation of maize heat stress with recombinant 6-phosphogluconate dehydrogenase

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01262712A (ja) * 1988-04-14 1989-10-19 Matsushita Electric Ind Co Ltd 植物種子の発芽試験方法
JPH0272802A (ja) * 1988-09-06 1990-03-13 Res Dev Corp Of Japan 植物種子の判定方法
US20150037923A1 (en) * 2012-01-06 2015-02-05 1366 Technologies, Inc. Methods to selectively treat portions of a surface using a self-registering mask
JP2016208853A (ja) * 2015-04-30 2016-12-15 株式会社小糸製作所 実験装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022270131A1 (ja) * 2021-06-24 2022-12-29 富士フイルム株式会社 植物の栽培方法及び植物栽培装置
WO2023188845A1 (ja) * 2022-03-28 2023-10-05 東洋製罐グループホールディングス株式会社 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
JP7405177B2 (ja) 2022-03-28 2023-12-26 東洋製罐グループホールディングス株式会社 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Also Published As

Publication number Publication date
US20220142038A1 (en) 2022-05-12
JPWO2020170939A1 (ja) 2021-12-16
US11895939B2 (en) 2024-02-13

Similar Documents

Publication Publication Date Title
WO2020170939A1 (ja) 人工光型植物工場コホートフェノタイピングシステム
Hussain et al. Performance of four crop model for simulations of wheat phenology, leaf growth, biomass and yield across planting dates
Constable et al. The yield potential of cotton (Gossypium hirsutum L.)
Jones et al. The DSSAT cropping system model
Nagel et al. GROWSCREEN-Rhizo is a novel phenotyping robot enabling simultaneous measurements of root and shoot growth for plants grown in soil-filled rhizotrons
Hodges et al. Simulation in crop management: GOSSYM/COMAX
Ehret et al. Neural network modeling of greenhouse tomato yield, growth and water use from automated crop monitoring data
US20220075344A1 (en) A method of finding a target environment suitable for growth of a plant variety
US20140258173A1 (en) Programmable plant system
Chen et al. An automated and continuous plant weight measurement system for plant factory
Doan et al. Relationships between tomato cluster growth indices and cumulative environmental factors during greenhouse cultivation
Seidel et al. The influence of climate variability, soil and sowing date on simulation-based crop coefficient curves and irrigation water demand
KR20210063218A (ko) 시설 운영 이력을 저장할 수 있는 스마트팜 운영 시스템
Yimwadsana et al. An IoT controlled system for plant growth
Sadek et al. Internet of Things based smart automated indoor hydroponics and aeroponics greenhouse in Egypt
Geetika et al. Canopy and reproductive development in mungbean (Vigna radiata)
White et al. Crop response to climate: ecophysiological models
CN113196320A (zh) 果菜类植物和果树栽培管理装置、学习装置、果菜类植物和果树栽培管理方法、学习模型生成方法、果菜类植物和果树栽培管理程序以及学习模型生成程序
Rouan et al. Cardinal temperatures variability within a tropical japonica rice diversity panel
García-Tejero et al. Infrared thermography to select commercial varieties of maize in relation to drought adaptation
Abul-Soud et al. Smart Hydroponic Greenhouse (Sensing, Monitoring and Control) Prototype Based on Arduino and IOT
KR20210056213A (ko) 농장 운영정보 제공 시스템
MORIYUKI et al. Profit models based on the growth dynamics of lettuce populations in a plant factory
Ritchie et al. Overview of crop models for assessment of crop production
JP7416394B2 (ja) 作付スケジュール算出装置、作付スケジュール算出プログラム、及び、作付スケジュール算出方法

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: 20759089

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021501915

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20759089

Country of ref document: EP

Kind code of ref document: A1