WO2021006030A1 - 情報処理装置 - Google Patents

情報処理装置 Download PDF

Info

Publication number
WO2021006030A1
WO2021006030A1 PCT/JP2020/024568 JP2020024568W WO2021006030A1 WO 2021006030 A1 WO2021006030 A1 WO 2021006030A1 JP 2020024568 W JP2020024568 W JP 2020024568W WO 2021006030 A1 WO2021006030 A1 WO 2021006030A1
Authority
WO
WIPO (PCT)
Prior art keywords
index value
image
cultivation area
tree vigor
information processing
Prior art date
Application number
PCT/JP2020/024568
Other languages
English (en)
French (fr)
Inventor
祥宇 曾
敦史 橋本
Original Assignee
オムロン株式会社
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 オムロン株式会社 filed Critical オムロン株式会社
Priority to CN202080045150.8A priority Critical patent/CN113994379A/zh
Priority to US17/621,391 priority patent/US20220358642A1/en
Priority to EP20836374.7A priority patent/EP3975113A4/en
Publication of WO2021006030A1 publication Critical patent/WO2021006030A1/ja

Links

Images

Classifications

    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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 invention relates to an information processing device that calculates an index value relating to a plant growth state by AI image analysis.
  • Index values related to the growth state of plants are calculated by AI (Artificial Intelligence) image analysis (see, for example, Patent Document 1).
  • the present invention has been made in view of the above situation, and is an information processing device that obtains an index value related to a plant growth state by a neural network, and information processing that completes the education of the neural network with a relatively small amount of images. To provide the equipment.
  • the information processing apparatus obtains a state index value, which is an index value of the growth state of a plant in the cultivation area, by analyzing a cultivation area image obtained by photographing the cultivation area of the plant by a neural network.
  • the input of the first to Nth image analysis units including the above and the cultivation area image for which the state index value should be calculated is received, and the input cultivation area image is used in the first to Nth image analysis units. It is provided with a selection unit to be analyzed by an image analysis unit trained in a plurality of cultivation area images classified into the same tree vigor index value category as the cultivation area image.
  • this information processing device is provided with a neural network (image analysis unit) for calculating a state that is an index value of the growth state of a plant in a cultivation area for each tree vigor index value category.
  • a neural network image analysis unit
  • a large number of images are required to educate one neural network so that the state index value can be calculated accurately regardless of the tree vigor of the plant, but a neural network should be provided for each tree vigor index value classification.
  • each neural network can be educated without using an image that is not suitable for the education of the neural network. Therefore, in the information processing apparatus having the above configuration, the training of the neural network of each image analysis unit is completed with a relatively small amount of images.
  • the information processing apparatus an image analysis unit of "the first i (i is each integer from 1 to N) input neural network included in the vertical direction pixel number H i, an image of the horizontal direction pixel number W i a neural network #i which was, the image analysis unit of the i (i is each integer from 1 to N) is the aspect ratio from the cultivation area image to be analyzed H i: a plurality of images of W i It is also possible to adopt the configuration of "inputting each of the extracted images to the neural network #i after adjusting the number of pixels". In addition, since general plants are becoming taller, the information processing apparatus is further informed that "the k + 1 tree vigor index value classification (k is each integer value from 1 to N-1)".
  • the neural network # i is a category in which the tree vigor is better than the k-th tree vigor index value category, and Hi + 1 / Wi + 1 > Hi / Wi is established for each integer value i from 1 to N-1.
  • the input image size of ⁇ # N is determined ”may be adopted.
  • the tree vigor index value may be a representative value of the height of the plant in the cultivation area (mode value, average value, etc. of the plant height).
  • the representative value may be a value given separately from the cultivation area image, or may be a value obtained by analyzing the cultivation area image.
  • the information processing device (hereinafter, also referred to as a second information processing device) is an information processing device that calculates a state index value which is an index value of the growth state of a plant.
  • a state index value which is an index value of the growth state of a plant.
  • Nth Nth
  • tree vigor index value classification from each of the plurality of cultivation area images obtained by photographing the cultivation area of the plant.
  • From the neural network educated by extracting and inputting an image of the size corresponding to the tree vigor index value classification to which the tree vigor of the plant belongs, and the cultivation area image to which the state index value should be calculated, in the cultivation area image. It is provided with a calculation means for calculating the state index value by extracting an image having a size corresponding to the tree vigor index value classification to which the tree vigor of the plant belongs and inputting it into the neural network.
  • an image of a size corresponding to the tree vigor index value classification to which the plant vigor belongs in the cultivation area image is extracted from each of the plurality of cultivation area images obtained by photographing the plant cultivation area and input to a neural network such as FCN. Then, the neural network can be educated without using images that are not suitable for education. Therefore, even in this second information processing apparatus, the training of the neural network of each image analysis unit is completed with a relatively small amount of images.
  • the k + 1 tree vigor index value classification (k is each integer value from 1 to N-1) is a classification in which the tree vigor is better than the kth tree vigor index value classification, and the first size according to to N-th segment is the vertical direction pixel number of a size corresponding to the i-th segment, the number of pixels in the horizontal direction, respectively, H i, when expressed as W i, each integer value from 1 to N-1 for i, as H i + 1 / W i + 1> H i / W i is satisfied, may be allowed to adopt a defined and are "configuration.
  • an information processing device that obtains an index value related to a plant growth state by a neural network, and that completes the education of the neural network with a relatively small amount of images.
  • FIG. 1 is an explanatory diagram of a configuration and a usage pattern of the information processing device according to the first embodiment of the present invention.
  • FIG. 2 is an explanatory diagram of a configuration of an image analysis unit included in the information processing apparatus according to the first embodiment.
  • FIG. 3 is a flow chart of an analysis destination selection process performed by the analysis control unit of the information processing apparatus according to the first embodiment.
  • FIG. 4 is an explanatory diagram of a configuration and a usage pattern of the information processing device according to the second embodiment of the present invention.
  • FIG. 5 is a flow chart of the tree vigor index value classification determination process performed by the analysis control unit of the information processing apparatus according to the second embodiment.
  • FIG. 1 shows a configuration and a usage pattern of the information processing device 10 according to the first embodiment of the present invention.
  • the information processing device 10 relates to a plant growth state in the plant cultivation area of each user based on a photographing result of the plant cultivation area transmitted from the user terminal 30 of each user via the Internet 50. It is a device that calculates an index value.
  • the information processing apparatus 10 includes a plurality of image analysis units 12, an analysis control unit 13, and a cultivation area management database 14.
  • the information processing device 10 is a relatively high-performance computer, for example, a computer equipped with one or a plurality of high-performance GPUs (Graphics Processing Units), a plurality of image analysis units 12, an analysis control unit 13, and an analysis control unit 13. It is a device programmed to function as a device provided with a cultivation area management database 14.
  • the description of the specific hardware configuration of the information processing device 10 will be omitted. Further, in the following, the plurality of image analysis units 12 included in the information processing device 10 will also be referred to as first to Nth image analysis units 12 (N is the total number of image analysis units 12 included in the information processing device 10). ..
  • the cultivation area management database 14 is a database for managing information on the cultivation area of each user. Information for authentication of each user (for example, user ID and password) is also set in the cultivation area management database 14.
  • Neural networks #i the vertical direction pixel number H i, and inputs the image number of pixels in the horizontal direction W i, is a neural network such as CNN (Convolutional Neural Network).
  • the input image size of the neural networks # 1 to # N is defined so that H j + 1 / W j + 1 > H j / W j holds for each integer value j from 1 to N-1.
  • Preprocessing section #i 1 ⁇ N
  • the aspect ratio H i image W i plurality extract , each image extracted, the vertical pixel number H i, after having converted the horizontal direction pixel number W i of the image, a unit for inputting to the neural network #i.
  • the post-processing unit #i stores the average value of the index value group output from the neural network #i for each image input by the pre-processing unit #i in the cultivation area management database 14 as a state index value for the processing target area. It is a unit to do.
  • the tree vigor index value is a value indicating the degree (strength) of the plant vigor in the cultivated area.
  • the tree vigor index value for example, a typical length of a plant in the cultivated area (mean value or mode value of plant height) is used.
  • the 1st to Nth tree vigor index value classifications are predetermined tree vigor indexes so that the tree vigor index value increases (the tree vigor becomes stronger) as the division number (i value in the i tree vigor index value category) increases. It is a value classification.
  • "educating the neural network #i" means "determining the weight value and the bias value of each node of the neural network #i so that the predetermined evaluation function is minimized".
  • Learning processing section #i like the pre-processing unit #i, the cultivation area image, the aspect ratio H i: W i images plurality extract of each image extracted, the number of vertical direction pixels H i, after having converted to an image of the horizontal direction pixel number W i, it is configured to input to the neural network #i.
  • the analysis control unit 13 uses the cultivation area image transmitted from the user terminal 30 by the process involving user authentication as the cultivation area image for the cultivation area (hereinafter referred to as the processing target area) for which the state index value should be calculated. It is a unit that accepts as (hereinafter referred to as the image to be processed).
  • the analysis control unit 13 executes the analysis destination selection process of the procedure shown in FIG.
  • the analysis control unit 13 that has received the input of the processing target image first obtains the tree vigor index value (the average value or the mode value of the plant height) by analyzing the processing target image (step S101). Next, the analysis control unit 13 determines which of the first to Nth tree vigor index value categories the obtained tree vigor index value is classified into (step S102). Then, the analysis control unit 13 supplies the image to be processed to the image analysis unit 12 according to the discrimination result (step S103). That is, when the tree vigor index value is classified into the k-th tree vigor index value category, the analysis control unit 13 supplies the processed target image to the k-th image analysis unit 12 to analyze the k-th image. Let unit 12 calculate the state index value for the image to be processed. Then, the analysis control unit 13 that has completed the process of step S103 ends this analysis destination selection process.
  • the analysis control unit 13 that has completed the process of step S103 ends this analysis destination selection process.
  • the information processing apparatus 10 is a neural network (image analysis unit) for calculating a state index value (index value of a plant growth state in the cultivation area) for the cultivation area. 12) is provided for each tree vigor index value category. Further, the information processing apparatus 10 has a configuration in which a neural network having an input image size longer in the vertical direction is used as the tree vigor of the region for which the state index value is calculated becomes stronger. A large number of images are required to educate one neural network so that the state index value can be calculated accurately regardless of the tree vigor of the plant, but it is input by the tree vigor index value category for each tree vigor index value category.
  • each neural network can be educated without using an image that is not suitable for the education of the neural network. Therefore, in the information processing apparatus 10 according to the present embodiment, the education of the neural network of each image analysis unit 12 is completed with a relatively small amount of images.
  • FIG. 4 shows a configuration and a usage pattern of the information processing device 20 according to the second embodiment of the present invention.
  • the information processing device 20 according to the present embodiment is also the same as the information processing device 10, based on the shooting result of the plant cultivation area transmitted from the user terminal 30 of each user via the Internet 50. It is a device that calculates an index value related to the growth state of a plant in the cultivation area of the plant.
  • the information processing device 20 includes an image analysis unit 22, an analysis control unit 23, and a cultivation area management database 24.
  • the cultivation area management database 24 is a database for managing information on the cultivation area of each user. Information for authentication of each user (for example, user ID and password) is also set in the cultivation area management database 24.
  • the image analysis unit 22 is a unit that calculates an index value (hereinafter, state index value) of the growth state of the plant in the cultivation area by analyzing the photographing result (hereinafter, cultivated area image) of the plant cultivation area. As shown in the figure, the image analysis unit 22 includes a pre-processing unit 22a, an FCN (Full Convolutional Network) 22b, a post-processing unit 22c, and a learning processing unit 22d.
  • FCN Full Convolutional Network
  • FCN22b is a neural network capable of inputting images of various sizes, all of which are composed of convolutional layers.
  • the FCN22b is realized by a plurality of GPUs.
  • Pre-processing unit 22a is partitioned from the analysis control unit 23 or the learning processing unit 22d number i (1 ⁇ i ⁇ N) aspect ratio than cultivation area image to be input with the H i: image W i plurality extract, each image extracted, the vertical pixel number H i, after having converted the horizontal direction pixel number W i of the image, a unit for inputting the FCN22b.
  • the tree vigor index value category to which the tree vigor index value for the cultivation area image belongs is any of the first to Nth tree vigor index value categories. It is a value indicating the existence (i value in the i-th tree vigor index value classification).
  • the tree vigor index value is a value indicating the degree (strength) of the plant vigor in the cultivated area.
  • the tree vigor index value for example, a typical length of a plant in the cultivated area (mean value or mode of plant height) is used.
  • the first to Nth tree vigor index value classifications are predetermined so that the tree vigor index value increases (the tree vigor becomes stronger) as the division number increases.
  • the post-processing unit 22c calculates the average value of the index value group output from the FCN 22b while the pre-processing unit 22a is processing the cultivation area image for a certain cultivation area input from the analysis control unit 23. It is a unit stored in the cultivation area management database 24 as a state index value for the cultivation area.
  • the learning processing unit 22d is a unit that educates FCN22b by using a large number of cultivation area images and a state index value to be obtained from each cultivation area image as educational data.
  • "educating FCN22b” means “determining the weight value and bias value of each node of FCN22b so that a predetermined evaluation function is minimized”. Further, the learning processing unit 22d will be described later.
  • the classification number of the tree vigor index value classification to which each cultivation area image belongs is discriminated, and the discrimination result is supplied to the preprocessing unit 22a together with each cultivation area image. It is configured to educate FCN22b.
  • the analysis control unit 23 uses the cultivation area image transmitted from the user terminal 30 by the process accompanied by the user authentication as the cultivation area image for the cultivation area (hereinafter referred to as the processing target area) for which the state index value should be calculated. It is a unit that accepts as (hereinafter referred to as the image to be processed).
  • the analysis control unit 23 executes the tree vigor index value classification determination process of the procedure shown in FIG.
  • the analysis control unit 23 that has received the input of the processing target image first obtains the tree vigor index value (the average value or the mode value of the plant height) by analyzing the processing target image (step S201). Next, the analysis control unit 23 determines which of the first to Nth tree vigor index value categories the obtained tree vigor index value is classified into (step S202). Then, the analysis control unit 23 supplies the discrimination result (tree vigor index value classification number) and the image to be processed to the image analysis unit 22 (preprocessing unit 22a) (step S203), so that the image analysis unit 22 is processed. Have them calculate the state index value for the image. Then, the analysis control unit 23 that has completed the process of step S203 ends the tree vigor index value classification determination process.
  • the analysis control unit 23 that has completed the process of step S203 ends the tree vigor index value classification determination process.
  • the information processing device 20 has the configuration described above. Then, from each of the plurality of cultivation area images obtained by photographing the cultivation area of the plant, an image of a size corresponding to the tree vigor index value classification to which the tree vigor of the plant belongs in the cultivation area image can be extracted and input to FCN22b for education. Since FCN22b can be educated without using unsuitable images, the information processing device 20 according to the present embodiment also completes the education of the neural network (FCN22b) of each image analysis unit with a relatively small amount of images. Will be done.
  • FCN22b neural network
  • the information processing devices 10 and 20 described above can be modified in various ways. For example, although more images than the information processing device 10 are required for the education of each neural network, the information processing device 10 according to the first embodiment is input to the neural network of each image analysis unit 12. It may be transformed into a device having the same image size.
  • the information processing device 20 may be transformed into a device that calculates a state index value by a neural network including one (one type) convolutional layer and a plurality of fully connected layers (Dense layer). Further, the information processing devices 10 and 20 were devices whose tree vigor index values were obtained by analyzing the cultivation area image, but the information processing device 10 was input with the cultivation area image and the tree vigor index value from the user terminal 30. It may be transformed into a device.
  • ⁇ Appendix First to N ( ⁇ 2) images that calculate the state index value, which is the index value of the growth state of the plant in the cultivation area, by analyzing the cultivation area image obtained by photographing the cultivation area of the plant by a neural network.
  • 1st to Nth image analysis including a neural network in which a predetermined tree vigor index value is classified into 1st to Nth tree vigor index value categories by a plurality of cultivation area images in the analysis unit (12).
  • Part (12) and The input of the cultivation area image for which the state index value should be calculated is received, and the input cultivation area image is classified into the same tree vigor index value classification as the cultivation area image in the 1st to Nth image analysis units.
  • An image analysis unit (12) educated in a plurality of cultivation area images to be analyzed, and a selection unit (13).
  • (10) an information processing device (10).
  • the information processing device (20) that calculates the state index value which is the index value of the plant growth state
  • the neural network (22b) which was educated by extracting and inputting an image of a size corresponding to the tree vigor index value classification to which the tree vigor of the plant belongs in the cultivation area image.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

植物の成育状態に関する指標値をニューラルネットワークにより求める情報処理装置であって、比較的に少量の画像でニューラルネットワークの教育が完了する情報処理装置を提供する。情報処理装置は、植物の栽培領域を撮影した栽培領域画像に対してニューラルネットワークによる解析を行うことで前記栽培領域における植物の成育状態の指標値である状態指標値を算出する第１～第Ｎ（≧２）画像解析部であって、それぞれ、所定の樹勢指標値が第１～第Ｎ樹勢指標値区分に分類される複数の栽培領域画像により教育されたニューラルネットワークを含む第１～第Ｎ画像解析部と、前記状態指標値を算出すべき栽培領域画像の入力を受け付けて、入力された栽培領域画像を、前記第１～第Ｎ画像解析部の中の、当該栽培領域画像と同じ樹勢指標値区分に分類される複数の栽培領域画像にて教育された画像解析部に解析させる選択部と、を備える。

Description

情報処理装置
　本発明は、植物の成育状態に関する指標値をＡＩ画像解析により算出する情報処理装置に関する。
　植物の成育状態に関する指標値を、ＡＩ(Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）画像解析によって算出することが行われている（例えば、特許文献１参照）。
特開２０１８－２９５６８号公報
　植物の成育状態に関する指標値をＡＩ画像解析で算出するためには、所定サイズの複数の画像を入力することで、ＣＮＮ(Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ)等のニューラルネットワークを教育する必要がある。ただし、植物の外観は、成長に伴い大きく変化するため、植物の成育状態に関する指標値を算出するためのニューラルネットワークの教育には、大量の画像が必要であった。
　本発明は、上記現状を鑑みてなされたものであり、植物の成育状態に関する指標値をニューラルネットワークにより求める情報処理装置であって、比較的に少量の画像でニューラルネットワークの教育が完了する情報処理装置を提供することにある。
　本発明の一観点に係る情報処理装置は、植物の栽培領域を撮影した栽培領域画像に対してニューラルネットワークによる解析を行うことで前記栽培領域における植物の成育状態の指標値である状態指標値を算出する第１～第Ｎ（≧２）画像解析部であって、それぞれ、所定の樹勢指標値が第１～第Ｎ樹勢指標値区分に分類される複数の栽培領域画像により教育されたニューラルネットワークを含む第１～第Ｎ画像解析部と、前記状態指標値を算出すべき栽培領域画像の入力を受け付けて、入力された栽培領域画像を、前記第１～第Ｎ画像解析部の中の、当該栽培領域画像と同じ樹勢指標値区分に分類される複数の栽培領域画像にて教育された画像解析部に解析させる選択部と、を備える。
　すなわち、この情報処理装置は、栽培領域における植物の成育状態の指標値である状態を算出するためのニューラルネットワーク（画像解析部）を樹勢指標値区分別に備えている。植物の樹勢によらず状態指標値を正確に算出できるように、１つのニューラルネットワークを教育するのには、大量の画像が必要とされるが、樹勢指標値区分別にニューラルネットワークが設けられていれば、各ニューラルネットワークを、そのニューラルネットワークの教育に適さない画像を用いずに教育することが出来る。従って、上記構成を有する情報処理装置では、比較的に少量の画像で各画像解析ユニットのニューラルネットワークの教育が完了することになる。
　情報処理装置に、『前記第ｉの画像解析部（ｉは、１からＮまでの各整数値）に含まれるニューラルネットワークが、縦方向画素数Ｈｉ、横方向画素数Ｗｉの画像を入力としたニューラルネットワーク＃ｉであり、前記第ｉの画像解析部（ｉは、１からＮまでの各整数値）は、解析すべき栽培領域画像から縦横比がＨｉ：Ｗｉの画像を複数個抽出して抽出した各画像を画素数を調整した上でニューラルネットワーク＃ｉに入力する』構成を採用しておいても良い。また、一般的な植物は丈が高くなっていくものであるので、情報処理装置に、さらに、『前記第ｋ＋１樹勢指標値区分（ｋは、１からＮ－１までの各整数値）が前記第ｋ樹勢指標値区分よりも樹勢が良好な区分であり、１からＮ－１までの各整数値ｉについて、Ｈｉ＋１／Ｗｉ＋１＞Ｈｉ／Ｗｉが成立するように、ニューラルネットワーク＃ｉ～＃Ｎの入力画像サイズが決定されている』構成を採用しておいても良い。
　また、樹勢指標値は、前記栽培領域内の植物の丈の代表値（植物の丈の最頻値、平均値等）であっても良い。当該代表値は、栽培領域画像とは別に与えられる値であっても、栽培領域画像を解析して求めた値であっても良い。
　本発明の他の一観点に係る情報処理装置（以下、第２情報処理装置とも表記する）は、植物の成育状態の指標値である状態指標値を算出する情報処理装置において、前記状態指標値を算出するためのニューラルネットワークであって、前記植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、第１～第Ｎ（≧２）樹勢指標値区分の中の、前記栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して入力することで教育されたニューラルネットワークと、前記状態指標値を算出すべき栽培領域画像から、当該栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して前記ニューラルネットワークに入力することで前記状態指標値を算出する算出手段と、を備える。
　すなわち、植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、栽培領域画像内の植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して、ＦＣＮ等のニューラルネットワークに入力すれば、教育に適さない画像を用いずにニューラルネットワークを教育することが出来る。従って、この第２情報処理装置でも、比較的に少量の画像で各画像解析ユニットのニューラルネットワークの教育が完了することになる。
　第２情報処理装置に、『前記第ｋ＋１樹勢指標値区分（ｋは、１からＮ－１までの各整数値）が前記第ｋ樹勢指標値区分よりも樹勢が良好な区分であり、第１～第Ｎ区分に応じたサイズが、第ｉ区分に応じたサイズの縦方向画素数、横方向画素数を、それぞれ、Ｈｉ、Ｗｉと表記すると、１からＮ－１までの各整数値ｉについて、Ｈｉ＋１／Ｗｉ＋１＞Ｈｉ／Ｗｉが成立するように、定められている』構成を採用しておいても良い。
　本発明によれば、植物の成育状態に関する指標値をニューラルネットワークにより求める情報処理装置であって、比較的に少量の画像でニューラルネットワークの教育が完了する情報処理装置を提供することが出来る。
図１は、本発明の第１実施形態に係る情報処理装置の構成及び使用形態の説明図である。 図２は、第１実施形態に係る情報処理装置が備える画像解析部の構成の説明図である。 図３は、第１実施形態に係る情報処理装置の解析制御部が行う解析先選択処理の流れ図である。 図４は、本発明の第２実施形態に係る情報処理装置の構成及び使用形態の説明図である。 図５は、第２実施形態に係る情報処理装置の解析制御部が行う樹勢指標値区分判別処理の流れ図である。
　以下、図面を参照して、本発明の実施の形態について説明する。
　《第１実施形態》
　図１に、本発明の第１実施形態に係る情報処理装置１０の構成及び使用形態を示す。
　本実施形態に係る情報処理装置１０は、各ユーザのユーザ端末３０からインターネット５０を介して送信されてくる植物の栽培領域の撮影結果に基づき、各ユーザの植物の栽培領域における植物の生育状態に関する指標値を算出する装置である。図示してあるように、情報処理装置１０は、複数の画像解析部１２と、解析制御部１３と、栽培領域管理データベース１４とを備えている。なお、情報処理装置１０は、比較的に高機能なコンピュータ、例えば、高性能な１つ又は複数のＧＰＵ(Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ)を備えたコンピュータを、複数の画像解析部１２、解析制御部１３及び栽培領域管理データベース１４を備えた装置として機能するようにプログラミングした装置となっている。そのため、情報処理装置１０の具体的なハードウェア構成の説明は省略する。また、以下では、情報処理装置１０が備える複数の画像解析部１２のことを、第１～第Ｎ画像解析部１２（Ｎは、情報処理装置１０が備える画像解析部１２の総数）とも表記する。
　栽培領域管理データベース１４は、各ユーザの栽培領域に関する情報を管理しておくためのデータベースである。この栽培領域管理データベース１４には、各ユーザの認証用情報（例えば、ユーザＩＤとパスワード）も設定されている。
　第ｉ（ｉ＝１～Ｎ）画像解析部１２は、植物の栽培領域の撮影結果（以下、栽培領域画像）に対してニューラルネットワーク＃ｉによる解析を行うことで当該栽培領域における植物の成育状態の指標値（以下、状態指標値）を算出するユニットである。
　より具体的には、第ｉ（ｉ＝１～Ｎ）画像解析部１２は、図２に模式的に示してあるように、前処理部＃ｉ、ニューラルネットワーク（“ＮＮ”）＃ｉ、後処理部＃ｉ及び学習処理部＃ｉを備えている。
　ニューラルネットワーク＃ｉは、縦方向画素数Ｈｉ、横方向画素数Ｗｉの画像を入力する、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）等のニューラルネットワークである。ニューラルネットワーク＃１～＃Ｎの入力画像サイズは、１からＮ－１までの各整数値ｊについて、Ｈｊ＋１／Ｗｊ＋１＞Ｈｊ／Ｗｊが成立するように定められている。なお、ニューラルネットワーク＃１～＃Ｎを、１つ以上のＧＰＵにより実現する場合には、ニューラルネットワーク＃１～＃Ｎの入力画像サイズ（総画素数）を、ＧＰＵの性能を十分に発揮させることが出来る特定のサイズとしておくことが好ましい。そのような入力画像サイズとしては、Ｎ＝３である場合における、Ｈ１＝２５６，Ｗ１＝２５６、Ｈ２＝１２８、Ｗ２＝５１２、Ｈ３＝６４、Ｗ３＝１０２８を例示できる。
　前処理部＃ｉ（ｉ＝１～Ｎ）は、処理対象として解析制御部１３（詳細は後述）から与えられた栽培領域画像から、縦横比がＨｉ：Ｗｉの画像を複数個抽出し、抽出した各画像を、縦方向画素数Ｈｉ、横方向画素数Ｗｉの画像に変換した上で、ニューラルネットワーク＃ｉに入力するユニットである。後処理部＃ｉは、前処理部＃ｉによる画像の入力毎にニューラルネットワーク＃ｉから出力される指標値群の平均値を、処理対象領域についての状態指標値として栽培領域管理データベース１４に記憶するユニットである。
　学習処理部＃ｉ（ｉ＝１～Ｎ）は、樹勢指標値が第ｉ樹勢指標値区分に分類される多数の栽培領域画像と各栽培領域画像から求められるべき状態指標値とを教育データとして用いて、ニューラルネットワーク＃ｉを教育するユニットである。
　ここで、樹勢指標値とは、栽培領域における植物の樹勢の程度（強弱）を示す値のことである。樹勢指標値としては、例えば、栽培領域における植物の代表的な丈（植物の丈の平均値や最頻値）が使用される。第１～第Ｎ樹勢指標値区分とは、区分番号（第ｉ樹勢指標値区分におけるｉ値）が大きくなるにつれ、樹勢指標値が大きくなる（樹勢が強くなる）ように予め定められた樹勢指標値区分のことである。また、“ニューラルネットワーク＃ｉを教育する”とは、“ニューラルネットワーク＃ｉの各ノードの重み値及びバイアス値を所定の評価関数が最小となるように決定する”ということである。学習処理部＃ｉは、前処理部＃ｉと同様に、栽培領域画像から、縦横比がＨｉ：Ｗｉの画像を複数個抽出し、抽出した各画像を、縦方向画素数Ｈｉ、横方向画素数Ｗｉの画像に変換した上で、ニューラルネットワーク＃ｉに入力するように構成されている。
　解析制御部１３は、ユーザ認証を伴う処理により、ユーザ端末３０から送信されてきた栽培領域画像を、状態指標値を算出すべき栽培領域（以下、処理対象領域と表記する）についての栽培領域画像（以下、処理対象画像と表記する）として受け付けるユニットである。
　この解析制御部１３は、処理対象画像の入力を受け付けた場合には、図３に示した手順の解析先選択処理を実行する。
　すなわち、処理対象画像の入力を受け付けた解析制御部１３は、まず、処理対象画像を解析することで、樹勢指標値（植物の丈の平均値や最頻値）を求める（ステップＳ１０１）。次いで、解析制御部１３は、求めた樹勢指標値が、第１～第Ｎ樹勢指標値区分の中からいずれに分類されるものであるかを判別する（ステップＳ１０２）。そして、解析制御部１３は、判別結果に応じた画像解析部１２に処理対象画像を供給する（ステップＳ１０３）。すなわち、解析制御部１３は、樹勢指標値が第ｋ樹勢指標値区分に分類されるものであった場合には、第ｋ画像解析部１２に処理対象画像を供給することで、第ｋ画像解析部１２に処理対象画像についての状態指標値を算出させる。そして、ステップＳ１０３の処理を終えた解析制御部１３は、この解析先選択処理を終了する。
　以上の説明から明らかなように、本実施形態に係る情報処理装置１０は、栽培領域についての状態指標値（栽培領域における植物の成育状態の指標値）を算出するためのニューラルネットワーク（画像解析部１２）を樹勢指標値区分別に備えている。さらに、情報処理装置１０は、状態指標値の算出対象領域の樹勢が強くなるほど、入力画像サイズが縦方向に長いニューラルネットワークが用いられる構成を有している。植物の樹勢によらず状態指標値を正確に算出できるように、１つのニューラルネットワークを教育するのには、大量の画像が必要とされるが、樹勢指標値区分別に、樹勢指標値区分によって入力画像サイズが上記のように変化するニューラルネットワークが設けられていれば、各ニューラルネットワークを、そのニューラルネットワークの教育に適さない画像を用いずに教育することが出来る。従って、本実施形態に係る情報処理装置１０では、比較的に少量の画像で各画像解析部１２のニューラルネットワークの教育が完了することになる。
　《第２実施形態》
　図４に、本発明の第２実施形態に係る情報処理装置２０の構成及び使用形態を示す。なお、本実施形態に係る情報処理装置２０も、情報処理装置１０と同様に、各ユーザのユーザ端末３０からインターネット５０を介して送信されてくる植物の栽培領域の撮影結果に基づき、各ユーザの植物の栽培領域における植物の生育状態に関する指標値を算出する装置である。
　図示してあるように、情報処理装置２０は、画像解析部２２と、解析制御部２３と、栽培領域管理データベース２４とを備える。
　栽培領域管理データベース２４は、各ユーザの栽培領域に関する情報を管理しておくためのデータベースである。この栽培領域管理データベース２４には、各ユーザの認証用情報（例えば、ユーザＩＤとパスワード）も設定されている。
　画像解析部２２は、植物の栽培領域の撮影結果（以下、栽培領域画像）を解析することで当該栽培領域における植物の成育状態の指標値（以下、状態指標値）を算出するユニットである。図示してあるように、画像解析部２２は、前処理部２２ａ、ＦＣＮ（Ｆｕｌｌｙ　Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｔｗｏｒｋ）２２ｂ、後処理部２２ｃ及び学習処理部２２ｄを備えている。
　ＦＣＮ２２ｂは、全てが畳み込み層（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　ｌａｙｅｒ）で構成された、各種サイズの画像を入力できるニューラルネットワークである。なお、本実施形態に係る情報処理装置２０は、このＦＣＮ２２ｂは、複数のＧＰＵにより実現したものとなっている。
　前処理部２２ａは、解析制御部２３又は学習処理部２２ｄから区分番号ｉ（１≦ｉ≦Ｎ）と共に入力される栽培領域画像より縦横比がＨｉ：Ｗｉの画像を複数個抽出し、抽出した各画像を、縦方向画素数Ｈｉ、横方向画素数Ｗｉの画像に変換した上で、ＦＣＮ２２ｂに入力するユニットである。
　この前処理部２２ａに、或る栽培領域画像と共に入力される区分番号ｉは、当該栽培領域画像についての樹勢指標値が属する樹勢指標値区分が、第１～第Ｎ樹勢指標値区分のいずれであるかを示す値（第ｉ樹勢指標値区分におけるｉ値）である。なお、樹勢指標値とは、栽培領域における植物の樹勢の程度（強弱）を示す値のことである。樹勢指標値としては、例えば、栽培領域における植物の代表的な丈（植物の丈の平均値や最頻値）が使用される。
　第１～第Ｎ樹勢指標値区分は、区分番号が大きくなるにつれ、樹勢指標値が大きくなる（樹勢が強くなる）ように予め定められている。また、第１～第Ｎ樹勢指標値区分の栽培領域画像から抽出する画像のサイズは、第ｉ（１≦ｉ≦Ｎ）樹勢指標値区分の栽培領域画像から抽出する画像の縦方向画素数、横方向画素数を、それぞれ、Ｈｉ、Ｗｉと表記すると、１からＮ－１までの各整数値ｊについて、Ｈｊ＋１／Ｗｊ＋１＞Ｈｊ／Ｗｊが成立するように定められている。また、Ｈｉ、Ｗｉ（ｉ＝１～Ｎ）は、ｉ値に依らず、“Ｈｉ×Ｗｉ”が一定値となるようにも定められている。
　後処理部２２ｃは、前処理部２２ａが、解析制御部２３から入力された或る栽培領域についての栽培領域画像を処理している間に、ＦＣＮ２２ｂから出力される指標値群の平均値を、当該栽培領域についての状態指標値として栽培領域管理データベース２４に記憶するユニットである。
　学習処理部２２ｄは、多数の栽培領域画像と各栽培領域画像から求められるべき状態指標値とを教育データとして用いて、ＦＣＮ２２ｂを教育するユニットである。ここで、“ＦＣＮ２２ｂを教育する”とは、ＦＣＮ２２ｂの各ノードの重み値及びバイアス値を所定の評価関数が最小となるように決定する”ということである。また、学習処理部２２ｄは、後述する樹勢指標値区分判別処理（図５）と同様の手順で、各栽培領域画像が属する樹勢指標値区分の区分番号を判別し、判別結果を各栽培領域画像と共に前処理部２２ａに供給することで、ＦＣＮ２２ｂを教育するように構成されている。
　解析制御部２３は、ユーザ認証を伴う処理により、ユーザ端末３０から送信されてきた栽培領域画像を、状態指標値を算出すべき栽培領域（以下、処理対象領域と表記する）についての栽培領域画像（以下、処理対象画像と表記する）として受け付けるユニットである。
　この解析制御部２３は、処理対象画像の入力を受け付けた場合には、図５に示した手順の樹勢指標値区分判別処理を実行する。
　すなわち、処理対象画像の入力を受け付けた解析制御部２３は、まず、処理対象画像を解析することで、樹勢指標値（植物の丈の平均値や最頻値）を求める（ステップＳ２０１）。次いで、解析制御部２３は、求めた樹勢指標値が、第１～第Ｎ樹勢指標値区分の中からいずれに分類されるものであるかを判別する（ステップＳ２０２）。そして、解析制御部２３は、判別結果（樹勢指標値区分番号）と処理対象画像とを画像解析部２２（前処理部２２ａ）に供給する（ステップＳ２０３）ことで、画像解析部２２に処理対象画像についての状態指標値を算出させる。そして、ステップＳ２０３の処理を終えた解析制御部２３は、この樹勢指標値区分判別処理を終了する。
　本実施形態に係る情報処理装置２０は、以上、説明した構成を有している。そして、植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、栽培領域画像内の植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出してＦＣＮ２２ｂに入力すれば、教育に適さない画像を用いずにＦＣＮ２２ｂを教育することが出来るのであるから、本実施形態に係る情報処理装置２０でも、比較的に少量の画像で各画像解析ユニットのニューラルネットワーク（ＦＣＮ２２ｂ）の教育が完了することになる。
　《変形例》
　上記した情報処理装置１０、２０は、各種の変形を行えるものである。例えば、各ニューラルネットワークの教育に情報処理装置１０よりも多くの画像が必要とされることにはなるが、第１実施形態に係る情報処理装置１０を、各画像解析部１２のニューラルネットワークの入力画像サイズが同一の装置に変形しても良い。
　情報処理装置２０を、１つ（１種類）の畳み込み層と複数の全結合層（Ｄｅｎｓｅ　ｌａｙｅｒ）を含むニューラルネットワークにより状態指標値を算出する装置に変形しても良い。また、情報処理装置１０、２０は、樹勢指標値が栽培領域画像を解析することで求められる装置であったが、情報処理装置１０を、栽培領域画像及び樹勢指標値がユーザ端末３０から入力される装置に変形しても良い。
　《付記》
　植物の栽培領域を撮影した栽培領域画像に対してニューラルネットワークによる解析を行うことで前記栽培領域における植物の成育状態の指標値である状態指標値を算出する第１～第Ｎ（≧２）画像解析部（１２）であって、それぞれ、所定の樹勢指標値が第１～第Ｎ樹勢指標値区分に分類される複数の栽培領域画像により教育されたニューラルネットワークを含む第１～第Ｎ画像解析部（１２）と、
　前記状態指標値を算出すべき栽培領域画像の入力を受け付けて、入力された栽培領域画像を、前記第１～第Ｎ画像解析部の中の、当該栽培領域画像と同じ樹勢指標値区分に分類される複数の栽培領域画像にて教育された画像解析部（１２）に解析させる選択部（１３）と、
　を備えることを特徴とする情報処理装置（１０）。
　植物の成育状態の指標値である状態指標値を算出する情報処理装置（２０）において、
　前記状態指標値を算出するためのニューラルネットワーク（２２ｂ）であって、前記植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、第１～第Ｎ（≧２）樹勢指標値区分の中の、前記栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して入力することで教育されたニューラルネットワーク（２２ｂ）と、
　前記状態指標値を算出すべき栽培領域画像から、当該栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して前記ニューラルネットワーク（２２ｂ）に入力することで前記状態指標値を算出する算出手段（２２ａ，２３）と、
　を備えることを特徴とする情報処理装置（２０）。
　１０、２０　情報処理装置
　１２、２２　画像解析部
　１３、２３　解析制御部
　１４、２４　栽培領域管理データベース
　３０　ユーザ端末
　５０　インターネット

Claims (7)

  1. 　植物の栽培領域を撮影した栽培領域画像に対してニューラルネットワークによる解析を行うことで前記栽培領域における植物の成育状態の指標値である状態指標値を算出する第１～第Ｎ（≧２）画像解析部であって、それぞれ、所定の樹勢指標値が第１～第Ｎ樹勢指標値区分に分類される複数の栽培領域画像により教育されたニューラルネットワークを含む第１～第Ｎ画像解析部と、
    　前記状態指標値を算出すべき栽培領域画像の入力を受け付けて、入力された栽培領域画像を、前記第１～第Ｎ画像解析部の中の、当該栽培領域画像と同じ樹勢指標値区分に分類される複数の栽培領域画像にて教育された画像解析部に解析させる選択部と、
    　を備えることを特徴とする情報処理装置。
  2. 　前記第ｉ画像解析部（ｉは、１からＮまでの各整数値）に含まれるニューラルネットワークが、縦方向画素数Ｈｉ、横方向画素数Ｗｉの画像を入力としたニューラルネットワーク＃ｉであり、
    　前記第ｉ画像解析部（ｉは、１からＮまでの各整数値）は、解析すべき栽培領域画像から縦横比がＨｉ：Ｗｉの画像を複数個抽出して抽出した各画像を画素数を調整した上でニューラルネットワーク＃ｉに入力する、
    　ことを特徴とする請求項１に記載の情報処理装置。
  3. 　前記第ｋ＋１樹勢指標値区分（ｋは、１からＮ－１までの各整数値）が前記第ｋ樹勢指標値区分よりも樹勢が良好な区分であり、
    　１からＮ－１までの各整数値ｉについて、Ｈｉ＋１／Ｗｉ＋１＞Ｈｉ／Ｗｉが成立するように、ニューラルネットワーク＃ｉ～＃Ｎの入力画像サイズが決定されている、
    　ことを特徴とする請求項２に記載の情報処理装置。
  4. 　前記樹勢指標値が、前記栽培領域内の植物の丈の代表値である、
    　ことを特徴とする請求項１から３のいずれか一項に記載の情報処理装置。
  5. 　前記樹勢指標値が、前記栽培領域画像を解析することで求められた前記栽培領域内の植物の丈の代表値である、
    　ことを特徴とする請求項１から３のいずれか一項に記載の情報処理装置。
  6. 　植物の成育状態の指標値である状態指標値を算出する情報処理装置において、
    　前記状態指標値を算出するためのニューラルネットワークであって、前記植物の栽培領域を撮影した複数の栽培領域画像のそれぞれから、第１～第Ｎ（≧２）樹勢指標値区分の中の、前記栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して入力することで教育されたニューラルネットワークと、
    　前記状態指標値を算出すべき栽培領域画像から、当該栽培領域画像内の前記植物の樹勢が属する樹勢指標値区分に応じたサイズの画像を抽出して前記ニューラルネットワークに入力することで前記状態指標値を算出する算出手段と、
    　を備えることを特徴とする情報処理装置。
  7. 　前記第ｋ＋１樹勢指標値区分（ｋは、１からＮ－１までの各整数値）が前記第ｋ樹勢指標値区分よりも樹勢が良好な区分であり、
    　第１～第Ｎ区分に応じたサイズが、第ｉ区分に応じたサイズの縦方向画素数、横方向画素数を、それぞれ、Ｈｉ、Ｗｉと表記すると、１からＮ－１までの各整数値ｉについて、Ｈｉ＋１／Ｗｉ＋１＞Ｈｉ／Ｗｉが成立するように、定められている。
    　ことを特徴とする請求項６に記載の情報処理装置。
PCT/JP2020/024568 2019-07-09 2020-06-23 情報処理装置 WO2021006030A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080045150.8A CN113994379A (zh) 2019-07-09 2020-06-23 信息处理装置
US17/621,391 US20220358642A1 (en) 2019-07-09 2020-06-23 Information processing device
EP20836374.7A EP3975113A4 (en) 2019-07-09 2020-06-23 INFORMATION PROCESSING DEVICE

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019127655A JP7243496B2 (ja) 2019-07-09 2019-07-09 情報処理装置
JP2019-127655 2019-07-09

Publications (1)

Publication Number Publication Date
WO2021006030A1 true WO2021006030A1 (ja) 2021-01-14

Family

ID=74114696

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/024568 WO2021006030A1 (ja) 2019-07-09 2020-06-23 情報処理装置

Country Status (5)

Country Link
US (1) US20220358642A1 (ja)
EP (1) EP3975113A4 (ja)
JP (1) JP7243496B2 (ja)
CN (1) CN113994379A (ja)
WO (1) WO2021006030A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2018028795A (ja) * 2016-08-18 2018-02-22 ヤフー株式会社 分類支援装置、分類支援方法、および分類支援プログラム
JP2018029568A (ja) 2016-08-26 2018-03-01 国立大学法人静岡大学 萎れ具合予測システム及び萎れ具合予測方法
JP2019071802A (ja) * 2017-10-13 2019-05-16 有限会社竹内園芸 苗データ生成システム、苗判別システム、苗データ生成プログラム、苗判別プログラム、苗データ生成装置、苗判別装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6638121B1 (ja) * 2018-08-30 2020-01-29 株式会社エヌ・ティ・ティ・データＣｃｓ 作物生育ステージ判定システムのサーバ装置、生育ステージ判定方法及びプログラム
WO2020049576A2 (en) * 2018-09-09 2020-03-12 Viewnetic Ltd. System and method for monitoring plants in plant growing areas
JP7162550B2 (ja) * 2019-02-15 2022-10-28 オムロン株式会社 モデル生成装置、予測装置、モデル生成方法、及びモデル生成プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2018028795A (ja) * 2016-08-18 2018-02-22 ヤフー株式会社 分類支援装置、分類支援方法、および分類支援プログラム
JP2018029568A (ja) 2016-08-26 2018-03-01 国立大学法人静岡大学 萎れ具合予測システム及び萎れ具合予測方法
JP2019071802A (ja) * 2017-10-13 2019-05-16 有限会社竹内園芸 苗データ生成システム、苗判別システム、苗データ生成プログラム、苗判別プログラム、苗データ生成装置、苗判別装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3975113A4

Also Published As

Publication number Publication date
JP7243496B2 (ja) 2023-03-22
EP3975113A4 (en) 2023-07-05
CN113994379A (zh) 2022-01-28
JP2021012634A (ja) 2021-02-04
EP3975113A1 (en) 2022-03-30
US20220358642A1 (en) 2022-11-10

Similar Documents

Publication Publication Date Title
CN107945204B (zh) 一种基于生成对抗网络的像素级人像抠图方法
CN106845401B (zh) 一种基于多空间卷积神经网络的害虫图像识别方法
CN105488528B (zh) 基于改进自适应遗传算法的神经网络图像分类方法
CN107239514A (zh) 一种基于卷积神经网络的植物识别方法及系统
US20200250427A1 (en) Shadow and cloud masking for agriculture applications using convolutional neural networks
CN107230113A (zh) 一种多模型融合的房产评估方法
CN111339818B (zh) 一种人脸多属性识别系统
CN110766063A (zh) 基于压缩激励和紧密连接卷积神经网络的图像分类方法
CN109711401A (zh) 一种基于Faster Rcnn的自然场景图像中的文本检测方法
CN112465120A (zh) 一种基于进化方法的快速注意力神经网络架构搜索方法
CN112115967B (zh) 一种基于数据保护的图像增量学习方法
CN112529146B (zh) 神经网络模型训练的方法和装置
CN109344738A (zh) 农作物病虫草害识别方法及装置
CN111368911B (zh) 一种图像分类方法、装置和计算机可读存储介质
CN111145145B (zh) 一种基于MobileNets的图像表面缺陷检测方法
Jiang et al. Application of back propagation neural network in the classification of high resolution remote sensing image: take remote sensing image of Beijing for instance
CN112767385A (zh) 基于显著性策略与特征融合无参考图像质量评价方法
CN111079930A (zh) 数据集质量参数的确定方法、装置及电子设备
CN114612450A (zh) 基于数据增广机器视觉的图像检测分割方法、系统、电子设备
CN113297936B (zh) 一种基于局部图卷积网络的排球群体行为识别方法
Zheng et al. Fruit tree disease recognition based on convolutional neural networks
WO2021006030A1 (ja) 情報処理装置
CN115761240B (zh) 一种混沌反向传播图神经网络的图像语义分割方法及装置
CN110211122A (zh) 一种检测图像处理方法及装置
CN115909027A (zh) 一种态势估计方法及装置

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: 20836374

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020836374

Country of ref document: EP

Effective date: 20211223