WO2023042284A1 - 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム - Google Patents
農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム Download PDFInfo
- Publication number
- WO2023042284A1 WO2023042284A1 PCT/JP2021/033832 JP2021033832W WO2023042284A1 WO 2023042284 A1 WO2023042284 A1 WO 2023042284A1 JP 2021033832 W JP2021033832 W JP 2021033832W WO 2023042284 A1 WO2023042284 A1 WO 2023042284A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- graph
- growing
- crops
- node
- cultivated
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 169
- 230000012010 growth Effects 0.000 title abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 90
- 238000003306 harvesting Methods 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims description 167
- 238000011156 evaluation Methods 0.000 claims description 54
- 230000008569 process Effects 0.000 claims description 26
- 238000009395 breeding Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 25
- 230000001488 breeding effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000012364 cultivation method Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000004720 fertilization Effects 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 3
- 239000000575 pesticide Substances 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000003205 fragrance Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000009329 organic farming Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Definitions
- the present invention relates to an agricultural crop cultivation support device and the like that generates information on the cultivation of agricultural crops.
- Patent Literature 1 A wide variety of work occurs in the cultivation of crops, and the content and timing of each work affects the cultivation results. Such work content and timing are generally determined based on experience and intuition. Further, a technique for acquiring plant growth management information using a sensor is also known, as in Patent Literature 1 below.
- One aspect of the present invention has been made in view of the above problems, and an example of its purpose is to provide a technique for supporting the cultivation of agricultural products.
- An agricultural crop cultivation support device includes a receiving means for accepting a request including any one of the size, taste, harvest time, and yield of agricultural crops to be cultivated; a method for growing a plurality of agricultural crops; Response information including a method of growing the crop to be grown, based on a trained model that has learned the relationship between the size, taste, harvest time, and yield of the crop and the result of cultivation, and the request. and output means for outputting the breeding method.
- a computer receives a request including any one of the size, taste, harvest time, and yield of agricultural crops to be cultivated, the method for cultivating a plurality of agricultural crops, and A method of growing the crops to be grown based on a trained model that has learned a relationship with the cultivation result including one of size, taste, harvest time, and yield of a plurality of crops, and the request. Generate response information and output the breeding method.
- a program includes a process of accepting a request including any one of the size, taste, harvest time, and yield of crops to be cultivated from a computer; a method of growing a plurality of crops; Based on the request and a trained model that has learned the relationship between the size, taste, harvest time, and harvest amount of the plurality of crops and the results of cultivation, a growing method for the crops to be cultivated is determined. and a process of outputting the training method.
- FIG. 1 is a block diagram showing the configuration of a crop growing support device according to a first exemplary embodiment of the present invention
- FIG. FIG. 3 is a flow chart showing the flow of the agricultural product cultivation support method according to the first exemplary embodiment of the present invention
- It is a figure explaining learning of the feature-value in graph-based relationship learning.
- FIG. 5 is a diagram showing an outline of a crop growing support method according to a second exemplary embodiment of the present invention
- FIG. 4 is a block diagram showing the configuration of a crop growing support device according to a second exemplary embodiment of the present invention
- FIG. 10 is a flow chart showing the flow of processing executed by the agricultural crop cultivation support device according to the second exemplary embodiment of the present invention; It is a figure which shows the example of response information.
- FIG. 10 is a diagram showing an overview of a crop cultivation support method according to a third exemplary embodiment of the present invention
- FIG. 11 is a block diagram showing the configuration of a crop growing support device according to a third exemplary embodiment of the present invention
- FIG. 11 is a flow chart showing the flow of processing executed by the agricultural crop cultivation support device according to the third exemplary embodiment of the present invention
- FIG. 11 is a diagram showing an outline of a crop growing support method according to a fourth exemplary embodiment of the present invention
- FIG. 11 is a block diagram showing the configuration of an agricultural product cultivation support device according to a fourth exemplary embodiment of the present invention
- FIG. 11 is a flow chart showing the flow of processing executed by the agricultural crop cultivation support device according to the fourth exemplary embodiment of the present invention
- FIG. 11 is a block diagram showing the configuration of a crop growing support device according to a third exemplary embodiment of the present invention
- FIG. 11 is a flow chart showing the flow of processing executed by the agricultural crop cultivation support device according to the fourth exemplary embodiment
- FIG. 11 is a diagram showing an overview of a crop growing support method according to a fifth exemplary embodiment of the present invention
- FIG. 11 is a block diagram showing the configuration of an agricultural product cultivation support device according to a fifth exemplary embodiment of the present invention
- FIG. 12 is a flow chart showing the flow of processing executed by the agricultural crop cultivation support device according to the fifth exemplary embodiment of the present invention
- FIG. 11 is a diagram illustrating an example of predicting a training result of a trained object based on feature amounts calculated from the trained graph and the trained graph
- FIG. 2 is a configuration diagram for realizing an agricultural crop cultivation support device by software
- FIG. 1 is a block diagram showing the configuration of an agricultural product cultivation support device 1.
- the agricultural product cultivation support device 1 includes a reception section (reception means) 11 , a generation section (generation means) 12 , and an output section (output means) 13 .
- the reception unit 11 receives requests including any of the size, taste, harvest time, and harvest amount of the crops to be grown.
- the generating unit 12 is based on a learned model that has learned the relationship between a growing method of a plurality of crops and a growing result including one of size, taste, harvest time, and harvest amount of the plurality of crops, and a request.
- response information including a growing method for the crop to be grown.
- the output unit 13 outputs the response information.
- the functions of the agricultural crop growing support device 1 described above can also be realized by a program.
- the program according to this exemplary embodiment includes processing for accepting a request including any one of the size, taste, harvest time, and yield of crops to be grown, a method of growing a plurality of crops, and Based on the request and a trained model that has learned the relationship between the size, taste, harvest time, and harvest amount of the plurality of crops and the results of cultivation, a growing method for the crops to be cultivated is determined. and a process of outputting the training method. According to this program, it is possible to obtain the effect of being able to support the cultivation of agricultural products.
- FIG. 2 is a flow diagram showing the flow of the agricultural product cultivation support method according to the first exemplary embodiment of the present invention.
- the computer accepts a request including any of the size, taste, harvest time, and harvest amount of the cultivated crop.
- Requests may be accepted via any input device.
- a request may be received via a mouse, keyboard, touch panel, or voice input device.
- a computer receives a request including any of the size, taste, harvest time, and harvest amount of agricultural crops to be cultivated (S11). Based on the learned model that has learned the relationship between the cultivation method of the crops and the cultivation result including one of the size, taste, harvest time, and yield of a plurality of crops, and the request received in S11, Response information including the growing method of the crop to be grown is generated (S12), and the response information generated in S12 is output. According to this crop cultivation support method, it is possible to obtain the effect of being able to support the cultivation of crops.
- the execution subject of each step in the above agricultural crop cultivation support method may be one computer (for example, the agricultural crop cultivation support device 1), or the execution subject of each step may be different computers. This also applies to the flows described in the second exemplary embodiment and thereafter.
- the graph here refers to data having a structure consisting of a plurality of nodes and links connecting the nodes.
- a type of link representing a relationship between nodes is also called a “relation”.
- a link may also be called an edge.
- Graphs are roughly classified into directed graphs in which each link has directionality and undirected graphs in which each link has no directionality. It is possible to use either directed graphs or undirected graphs, and it is also possible to use them in combination.
- the nodes may represent tangible or intangible elements of the crop being grown or grown.
- ⁇ Identification information of crops for example, crop names, IDs, varieties, etc.
- Graphs containing nodes representing various elements such as growth state, growth environment, type and content of work, harvest time and yield
- the growth state may include, but is not limited to, leaf state (color, size, shape), fruit state (color, size, shape), and the like.
- the growth state of a certain agricultural product may include the quality (fragrance, taste (sugar content and sourness)) of the relevant agricultural product, and the like.
- the growth environment may include temperature (room temperature in the case of greenhouse cultivation), humidity, solar radiation intensity, etc., but is not limited to these.
- the type and content of work include, for example, fertilization, watering, intercultivation, and fruit thinning, as well as the content of work such as the amount of fertilizer applied, the timing of fertilization, and the frequency of watering.
- the type and content of the work may include operations for adjusting the intensity of sunlight, operations for hours of sunlight, operations for room temperature, operations for humidity, and the like. Such work forms part of the breeding method.
- the graph may contain multiple nodes corresponding to one element.
- a node indicating the growing environment of a certain crop may be represented by two separate nodes (eg, "hot” and "humid”, etc.). The same is true for other elements.
- the relationship represented by the links is ⁇ Relationship between a certain element and growth condition ⁇ Relationship between a certain element and growth environment ⁇ Relationship between a certain element and the type and content of work, etc.
- a link connecting a node indicating a growth environment and a node indicating a growth state may represent a relationship that the growth environment is a factor in the growth state.
- the graph in each exemplary embodiment is - A graph including a crop ID node indicating a crop ID and a node indicating a growing state or a growing environment connected to the crop ID node, and ⁇ It may have a hierarchical structure, such as an operation ID node indicating an operation ID, a crop ID node connected to the operation ID node, and a node indicating various types of work connected to the operation ID node.
- ⁇ It may have a hierarchical structure, such as an operation ID node indicating an operation ID, a crop ID node connected to the operation ID node, and a node indicating various types of work connected to the operation ID node.
- this is not a limitation of each exemplary embodiment.
- the above-mentioned harvesting period and various work periods may or may not be represented by a single node.
- the harvest time may be hierarchically represented by a plurality of nodes indicating work and thinning, and links connecting these nodes and indicating temporal relationships between the nodes.
- the yield is hierarchically represented by using nodes and links indicating the first yield at the first timing and nodes and links indicating the second yield at the second timing. good too.
- the feature value of each node is calculated.
- the feature quantity may be in vector format, for example. Representing the feature amount of each node as a feature amount vector makes it possible to learn graphs in which nodes of various types coexist. For example, graph-based relationship learning can be performed on graphs including images and numerical values indicating various elements as described above.
- FIG. 3 is a diagram for explaining feature amount learning in graph-based relationship learning.
- the graph shown in FIG. 3 includes four nodes A to D.
- Node A is connected to nodes B and C, and node C is connected to node D.
- multiple convolutions are performed as described below to update the features of each node.
- the initial feature amount of node A is multiplied by the feature amounts of nodes B and C connected to node A by a predetermined weight and then added.
- the initial feature amount of node C is multiplied by the feature amount of node D by a predetermined weight and then added. Note that if the graph is valid, the weight is adjusted according to the direction of the link.
- the feature amount of each node is multiplied by the feature amount of the node linked to that node by a predetermined weight and then added.
- the feature amount of node C reflects the feature amount of node D by the first convolution. Therefore, not only the feature amount of node C but also the feature amount of node D are reflected in node A by the second convolution.
- node-to-node relation prediction By performing the learning described above, it becomes possible to predict relationships between nodes that are not explicitly shown in the original graph.
- a user may specify two nodes and request that the relation between those nodes be returned. For example, when a user inputs a request to inquire about the relationship between a node of “crop A” and a node of “crop B,” the inter-node relationship prediction determines whether the relationship, that is, the link connecting these nodes is “similar”. It is possible to predict whether or not Further, in inter-node relationship prediction, the probability (probability) of the prediction result can also be calculated. The same applies to node prediction, which will be described below.
- node prediction Also, by performing the learning described above, it becomes possible to predict a node that is connected to a certain node by a predetermined link.
- the user can specify one node and a link starting from that node, and request that the linked node be returned. For example, it is assumed that the user inputs a request for a node that is connected to the "work history" node by the "September” link, ie, the work to be done in September.
- the node prediction determines whether the node connected to the node of "work history" by the link of "September", that is, the work to be done in September is "work a3" or "work a4". , etc. can be predicted.
- FIG. 4 is a diagram showing an outline of a crop cultivation support method according to this exemplary embodiment.
- a grown graph and a grown graph are used to support the cultivation of agricultural products.
- the cultivated graph is a learned graph and a learned model of the relationships between nodes, including a plurality of nodes related to crops cultivated in the past and links indicating the relationships between the nodes.
- a grown graph can also be called a knowledge graph.
- a collection of nodes and links corresponding to one training may be called a grown graph, and a collection of nodes and links corresponding to multiple trainings may be collectively called a grown graph.
- the graph that includes the "crop A" node in FIG. 4 is the grown graph.
- the cultivated graph of crop A includes nodes and links indicating that the quality of the harvested product at the time of cultivation of crop A, which is a crop grown in the past, is "high sugar content” and "large size.” ing.
- the grown graph of crop A includes a node and a link indicating that the growing environment at the time of growing is “normal” and the variety of crop A is “a1”.
- the cultivated graph of crop A includes nodes and links indicating the work history of crop A for each month from August to October.
- the growth state and growth environment may be expressed as a difference from a preset reference state.
- the difference or ratio between the total number of leaves of crops in a certain growing season and the standard total number of leaves in that season may be noded as information indicating the growth state of crops in that season.
- the growth state may be classified into good, normal, bad, etc. from the difference or ratio calculated in this way, and the classification may be represented by a node.
- the difference or ratio between the amount of sunshine in a certain growing season and the standard amount of sunshine in that season may be noded as information indicating the growing environment in that season.
- the growth environment may be classified into dry, normal, wet, etc., and the classification may be represented by nodes.
- the method of growing cultivated crops is predicted by link prediction, and response information is generated and output based on the prediction result.
- FIG. 5 is a block diagram showing the configuration of the agricultural crop cultivation support device 2 according to this exemplary embodiment.
- the agricultural crop cultivation support device 2 includes a reception unit 201, a graph generation unit 202, a learning unit 203, a link prediction unit 204, an evaluation unit 205, a generation unit 206, a basis generation unit 207, and an output unit 208.
- the generating unit 206 generates response information including the growing method of the growing target based on the learned model that has learned the relationship between the growing methods and the growing results of a plurality of crops and the request received by the receiving unit 201 . More specifically, the generation unit 206 generates response information corresponding to the node predicted by the link prediction unit 204, that is, the training method candidate. Note that this node indicates the work to be applied to the training of the training target. As described above, the link prediction unit 204 performs link prediction using the trained graph. will generate the response information based on
- the output unit 208 outputs various information generated by the agricultural product cultivation support device 2 .
- the output unit 208 outputs response information generated by the generation unit 206 and ground information indicated by the ground generation unit 207 .
- the information may be output to any destination.
- the agricultural product cultivation support device 2 is provided with an output device as described above, the information may be output to that output device.
- the output may be output to an external output device of the agricultural product cultivation support device 2 .
- the evaluation unit 205 evaluates the degree of recommendation of the node predicted by the link prediction unit 204 based on other nodes included in the grown graph including the node predicted by the link prediction unit 204 . Evaluation by the evaluation unit 205 will be described below.
- the evaluation unit 205 may represent the evaluation result numerically.
- the evaluation unit 205 calculates the recommendation degree of the node predicted by the link prediction unit 204 .
- the evaluation unit 205 can calculate the recommendation level of each node according to the rule.
- the basis generation unit 207 may use the whole or part of the grown graph including the nodes predicted by the link prediction unit 204 as basis information. Further, for example, the grounds generation unit 207 searches for a grown graph that includes the node predicted by the link prediction unit 204 and that includes a predetermined number or more of nodes that are common to the training method of the training object, and detects a grown graph detected by this search. may be used as the basis information.
- the rationale generation unit 207 uses PCA (Principal Component Analysis) reliability based on OWA (Open-world assumption) to generate one or more You may mine the rules of Then, the basis generation unit 207 may generate basis information using one or a plurality of mined rules.
- PCA Principal Component Analysis
- OWA Open-world assumption
- Rule mining for example, the technique described in the following document can also be applied.
- the basis generation unit 207 With hc (head coverage) defined by A mining process may be performed using the PCA confidence defined by By using PCA reliability, it is possible to mine rules with higher accuracy than when using standard reliability. Therefore, by using the above configuration, the basis generation unit 207 can generate highly reliable basis information.
- FIG. 6 is a flow diagram showing the flow of processing executed by the agricultural product cultivation support device 2. As shown in FIG.
- the evaluation unit 205 evaluates the training method candidates determined in S203. Specifically, the evaluation unit 205 evaluates the degree of recommendation of the training method candidate based on the nodes included in the trained graph of the training method candidate. Note that when a plurality of candidates are determined in S203, the evaluation unit 205 evaluates each of the determined candidates.
- the generation unit 206 generates response information based on the candidates determined in S203 and the request received in S201.
- the trained graph is a learned model. Then, training method candidates are determined by link prediction using the trained graph. Therefore, in S205, it can be said that response information is generated based on the learned model and the request received in S201.
- the generation unit 206 may generate response information indicating candidates whose evaluation results in S204 are up to a predetermined rank among the candidates determined in S203. Further, for example, the generation unit 206 may generate response information indicating a complement that matches the request received in S201 among the candidates determined in S203. In addition, for example, the generation unit 206 may generate response information indicating the candidate determined in S203 and the evaluation result of S204.
- the basis generation unit 207 generates basis information indicating the validity of the response information generated in S205.
- the basis generation unit 207 may detect a past training example similar to the training method of the training target from the trained graph, and generate basis information including the detected training example.
- the output unit 208 outputs the response information generated at S206. At this time, the output unit 208 may also output the ground information generated in S206. Thus, the processing of FIG. 6 ends.
- response information as shown in FIG. 7 may be output.
- FIG. 7 is a diagram showing an example of response information.
- the response information shown in FIG. 7 includes a “candidate” for a growing method for a growing object, a “target variety” to which the growing method is applied, and a “growing environment” and “growth result” of the crop grown by the growing method. , “cultivation cost”, “harvest time”, and “recommendation”.
- “Target variety” to "harvest time” are identified from the candidate grown graph predicted by the link prediction unit 204.
- working hours and material costs are shown as “training costs.”
- the labor intensity of the “candidate” work may be included in the “training cost”.
- the basis generation unit 207 may generate basis information including such information.
- “Recommendation level” indicates the evaluation result of the evaluation unit 205 for the candidate.
- the evaluation unit 205 may calculate the recommendation level based on various information specified from the trained graph. In the example of FIG. 7, the recommendation levels of tasks a to c are 15, 5, and 0, respectively. For example, if the "target variety” and “growing environment” match the breeding target, the recommendation level is +5. If there is one requested breeding result, the recommendation level is +5. A rule such as a recommendation level of +5 if the following is the case, and a recommendation level of +5 if the harvest time matches the requested time may be determined in advance. Thereby, the evaluation unit 205 can calculate the recommendation degree of each candidate as shown in FIG. 7 according to the rule.
- FIG. 8 is a diagram showing an outline of a crop cultivation support method according to this exemplary embodiment.
- searching for a training method for a trained object that matches a request while updating a trained object graph including a plurality of nodes related to the trained object will be described.
- link prediction is performed using the cultivated graph and the cultivated graph.
- the growing target graph shown at the upper left end of FIG. 8 includes nodes and links indicating that “work y1” was performed in September with respect to the management state of cultivated crops up to this point.
- the probability of connecting the "high sugar content” node with the “quality” link to the "cultivated crops” node in the cultivation target graph shown on the upper left is 30%. This probability is not high enough.
- the nodes connected by the link "September” to the "work history” node connected to the "cultivated crops” node in the growth target graph are changed from “work y1" to "work y2". ” and perform link prediction again.
- the prediction result of the probability that the "high sugar content” node is connected to the "cultivated crops” node via the "quality” link is changed to 80%.
- operation y2 is recommended as the operation in September for imparting the quality of “high sugar content” to cultivated crops to be cultivated. can do.
- FIG. 9 is a block diagram showing the configuration of the agricultural crop cultivation support device 3 according to this exemplary embodiment.
- the crop growing support device 3 includes a reception unit 301, a graph generation unit 302, a link prediction unit 303, a graph update unit 304, a generation unit 305, a basis generation unit 306, and an output unit 307.
- the agricultural crop cultivation assistance device 3 may also include a learning unit, an input device, an output device, a communication device, etc., similar to the agricultural crop cultivation assistance device 2 of Exemplary Embodiment 2. .
- the reception unit 301 receives requests regarding training targets. For example, the receiving unit 301 receives a request including any of the size, taste, harvest time, and harvest amount of a growing object (more precisely, a harvest obtained by growing the growing object).
- the receiving unit 301 may further receive input of at least one of the content and timing of work to be performed on the trained object.
- the input may be received as part of the request, or may be received as an input different from the request.
- the content and timing of the work to be performed on the trained object may include the content and timing of the work performed on the trained object in the past, or the work to be performed on the trained object in the future. may include the content and timing of
- the link prediction unit 303 uses the trained graph generated by the graph generation unit 302 and the learned trained graph to predict the relationship between nodes that are not connected by links in the trained graph and the trained graph.
- a probability that a node indicating a predetermined training result is linked to the training target graph is calculated by the link prediction for the training target graph.
- a predetermined training result is identified based on the request, as an example. For example, when a quality of "high sugar content" is requested as a training result required for a training target, the link prediction unit 303 detects a node indicating that quality in the training target graph (for example, in the example of FIG. 8, " Calculate the probability of linking to the "cultivated crops" node).
- the generating unit 305 generates a learned model that has learned the relationship between a growing method for a plurality of crops and a growing result including one of the size, taste, harvest time, and yield of the plurality of crops, and the request.
- response information including a growing method of the crop to be grown is generated based on the above. More specifically, generation section 305 generates response information based on the probability calculated by link prediction section 303 . A specific example of generating response information will be described later with reference to FIG.
- a trained object graph containing nodes indicating at least one of the content and timing of work performed on a trained object indicates the state of the trained object after the work is performed. Therefore, it can be said that the probability that a node indicating a predetermined training result is linked to this training target graph indicates the possibility of obtaining a predetermined training result through the work. In other words, according to the above configuration, it is possible to predict whether or not the work that the trainee is about to perform will yield a predetermined training result before the work is performed.
- the graph generation unit 302 generates a training target graph based on the information input at S301. For example, in S301, when receiving an input of at least one of the content and timing of the work to be performed on the trained object, the graph generation unit 302 generates a node of at least one of the content and timing of the work to be done on the trained object. It suffices to generate a training target graph that includes .
- the graph updating unit 304 determines whether the probability calculated in S303 is greater than or equal to the threshold. If it is determined to be equal to or greater than the threshold (YES in S304), the process proceeds to S306, and if it is determined to be less than the threshold (NO in S304), the process proceeds to S305.
- the process returns to S303, and the probability is calculated again. That is, in the process of FIG. 10, the calculation of the probability in S303 and the updating of the training target graph in S305 are repeatedly performed until YES is determined in S304.
- the basis generation unit 306 generates basis information indicating the validity of the response information generated at S306. Specifically, the basis generation unit 306 generates basis information including past cases similar to the growing method of the crop to be grown.
- the output unit 307 outputs the response information generated at S306. At this time, the output unit 307 may also output the ground information generated in S307. Thus, the processing of FIG. 10 ends.
- the method of generating a graph to be grown according to this exemplary embodiment is not limited to the above example.
- the crop growing support device 3 according to this exemplary embodiment may have the same configuration as the link prediction unit 204 according to the second exemplary embodiment.
- the graph generating unit 302 according to the present exemplary embodiment is at least a part of the training method predicted by the link prediction unit 204, and is a node indicating the content and timing of future work to be performed on the training target. You may generate a training target graph that includes
- the reception unit 401 receives requests regarding training targets. For example, the receiving unit 401 receives a request including any of the size, taste, harvest time, and harvest amount of a growing object (more precisely, a harvest obtained by growing the growing object). The receiving unit 401 also receives an input of a desired training result for the training target. Here, the desired breeding result may constitute a part of the request, or may be received as an input different from the request. Moreover, the receiving unit 401 may further receive a work history related to the training object.
- FIG. 13 is a flow chart showing the flow of processing executed by the agricultural product growing support device 4. As shown in FIG.
- the graph generation unit 402 generates a training target graph based on the information input at S401.
- the training target graph generated by the graph generating unit 402 includes nodes indicating desired training results for the training target.
- the evaluation unit 504 evaluates the crop predicted by the link prediction unit 503 in S503. As an example, the evaluation unit 504 evaluates the crop predicted by the link prediction unit 503 in S503 depending on whether or not the crop matches the request.
- the generating unit 505 determines the growing method of the growing object based on the learned model that has learned the relationship between the growing methods and the growing results of a plurality of crops and the request received by the receiving unit 501 in S501. . More specifically, the generating unit 505 determines the growing method linked to the node of the crop predicted by the link predicting unit 503 in S503 as the growing method of the growing object. Here, the generating unit 505 selects a growing method for linking to a node of the crop predicted by the link prediction unit 503 in S503 and having a recommendation level equal to or higher than a predetermined threshold value evaluated by the evaluation unit 504 in S504. You may decide as a training method of object.
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Botany (AREA)
- Biodiversity & Conservation Biology (AREA)
- Economics (AREA)
- Forests & Forestry (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明の第1の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態の基本となる形態である。
本例示的実施形態に係る農作物育成支援装置1の構成について、図1を参照して説明する。図1は、農作物育成支援装置1の構成を示すブロック図である。図示のように、農作物育成支援装置1は、受付部(受付手段)11と、生成部(生成手段)12と、出力部(出力手段)13とを備えている。
上述の農作物育成支援装置1の機能は、プログラムによって実現することもできる。本例示的実施形態に係るプログラムは、コンピュータに対して、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける処理と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する処理と、前記育成方法を出力する処理と、を実行させる。このプログラムによれば、農作物の育成を支援することができるという効果が得られる。
本例示的実施形態に係る農作物育成支援方法について図2を参照して説明する。図2は、本発明の第1の例示的実施形態に係る農作物育成支援方法の流れを示すフロー図である。
以下では、例示的実施形態1及び後述の例示的実施形態(以下各例示的実施形態と呼ぶ)において、農作物の育成の支援に利用することが可能な情報の一例であるグラフについて説明する。また、そのグラフの学習と、グラフを用いた予測についてもあわせて説明する。
ここでいうグラフとは、複数のノードと、ノード間を結ぶリンクとからなる構造を有するデータのことを指す。ノード間の関係を表すリンクの種類を「関係(リレーション)」とも呼ぶ。また、リンクのことをエッジと呼ぶこともある。グラフには、大別して各リンクが方向性を有する有向グラフ、及び各リンクが方向性を有しない無向グラフが存在する。有向グラフと無向グラフの何れを利用することも可能であり、それらを組み合わせて利用することも可能である。
・農作物の識別情報(例えば農作物名やID、品種等)
・生育状態
・生育環境
・作業の種類や内容
・収穫時期や収穫量
といった各種の要素を表すノードを含むグラフを利用することができる。ここで、生育状態には、葉の状態(色、大きさ、形)、及び実の状態(色、大きさ、形)等が含まれ得るがこれらに限定されない。また、ある農作物の育成状態には、当該農作物の品質(香り、味(糖度や酸味))等も含まれ得る。また、生育環境には、気温(ハウス栽培の場合には室温)、湿度、日射強度等が含まれ得るがこれらに限定されない。
・ある要素と生育状態との関係
・ある要素と生育環境との関係
・ある要素と作業の種類や内容との関係
等を表すことになる。例えば、生育環境を示すノードと、生育状態を示すノードとを繋ぐリンクは、その生育環境がその生育状態の要因となっているという関係を表すものであってもよい。
・農作物IDを示す農作物IDノードと、当該農作物IDノードに繋がる生育状態又は生育環境を示すノードとを含むグラフ、及び、
・作業IDを示す作業IDノードと、当該作業IDノードに繋がる農作物IDノードと、当該作業IDノードに繋がる各種の作業内容を示すノード
のように、階層的な構造を有するものであってもよいが、これは各例示的実施形態を限定するものではない。
上述のようなグラフについては、機械学習手法を適用して、グラフベース関係性学習を行うことができる。このような学習により、グラフを用いた分類処理や予測処理を行うことが可能になる。なお、各例示的実施形態においては、農作物の育成支援の一環としてこのような学習を行ってもよいし、このような学習が既になされた学習済みのグラフを用いてもよい。
上述した学習を行うことにより、元のグラフでは明示されていないノード間の関係を予測することが可能になる。ノード間関係予測を行う場合、ユーザは、2つのノードを指定して、それらのノードの間の関係を返すようにリクエストすればよい。例えば、ユーザから「作物A」のノードと、「作物B」のノードとの関係を問うリクエストが入力された場合、ノード間関係予測によりこれらのノードを繋ぐ関係すなわちリンクが「類似」であるか否かを予測することが可能である。また、ノード間関係予測では、予測結果の確率(確からしさ)についても算出することができる。以下説明するノード予測についても同様である。
また、上述した学習を行うことにより、あるノードと所定のリンクで接続されるノードを予測することも可能になる。ノード予測を行う場合、ユーザは、1つのノードとそのノードを始点とするリンクとを指定して、リンク先のノードを返すようにリクエストすればよい。例えば、ユーザから「作業履歴」のノードに「9月」のリンクで接続されるノード、つまり9月に行うべき作業を問うリクエストが入力されたとする。この場合、ノード予測により、「作業履歴」のノードに「9月」のリンクで接続されるノード、すなわち9月に行うべき作業が、「作業a3」であるか、「作業a4」であるか、等を予測することが可能である。
(概要)
図4は、本例示的実施形態に係る農作物育成支援方法の概要を示す図である。本例示的実施形態では、育成対象グラフと育成済グラフとを用いて農作物育成を支援する例を説明する。
本発明の第2の例示的実施形態に係る農作物育成支援装置2の構成を図5に基づいて説明する。図5は、本例示的実施形態に係る農作物育成支援装置2の構成を示すブロック図である。
リンク予測部204は、指定された条件に適合するノードを予測することもできる。条件の指定は予め行われていてもよいし、ユーザが行えるようにしてもよい。後者の場合、受付部201がリクエストとして条件の入力を受け付けてもよい。
・ユーザが設定した成長目標(最終段階の目標でも途中段階の目標でも可)を達成している。
・作物、生育環境、使用できる資材・機器等の前提条件が一致(完全一致または部分一致)している。
・育成履歴に示される作業後の生育環境が、気象予報と一致(例えば、9月が高温であると予報されている場合、9月が高温であった育成履歴を有する作物のグラフから作業を抽出)。
・作業のコスト(作業時間、労働強度、費用等)が低い。
・有機栽培であるか、または、農薬使用量が抑えられている。
・所定の時期に所定範囲の収量がある。
上述のように、評価部205は、リンク予測部204が予測したノードを含む育成済グラフに含まれている他のノードに基づいて、リンク予測部204が予測したノードの推奨度を評価する。評価部205による評価について以下説明する。
・ユーザが設定した成長目標を達成していることを示すノード及びリンクが含まれていれば加点/含まれていなければ減点。
・作物種、品種、生育環境、使用できる資材・機器等の前提条件の一致度が高いことを示すノード及びリンクが含まれているほど加点/そのようなノード及びリンクが少ないほど減点。
・生育環境が類似していることを示すノード及びリンクが含まれているほど加点/そのようなノード及びリンクが少ないほど減点(なお、育成中の作物については気象予報の結果を利用して生育環境の類似性を判定してもよい)。
・作業のコスト(作業時間、労働強度、費用等)が高いことを示すノード及びリンクが含まれていると減点/そのようなノード及びリンクが少ないほど加点。
・農薬使用量が多いことを示すノード及びリンクが含まれていると減点/そのようなノード及びリンクが含まれていると加点。
・ユーザの指定した時期に指定した範囲の収量があったことを示すノード及びリンクが含まれていれば加点/時期・収量にずれがあることを示すノード及びリンクが含まれていればば減点。
上述のように、根拠生成部207は、生成部206の生成する応答情報の妥当性を示す根拠情報を生成する。例えば、根拠生成部207は、育成対象の育成方法に類似する過去の事例を含む根拠情報を生成してもよい。これにより、ユーザは、根拠情報を踏まえて応答情報を参照することができ、応答情報の妥当性を的確に判断することが可能になる。
根拠生成部207は、育成対象グラフと育成済グラフとを解析することにより根拠情報を生成することもできる。以下では、育成対象グラフと育成済グラフとを解析することにより根拠情報を生成する方法を説明する。
一例として、根拠生成部207による処理の対象となるルールを、Head r(x, y)、及びBody { B1 , . . . , Bn }を用いて、
・Connected:ルール内の全ての値(変数、エンティティ)が異なるatom間で共有されていること
・Closed:ルール内の全ての変数は、2回以上出てくること
・Not reflexive:r(x, x)のような、再帰的(reflective)なatomを含むルールは、マイニングしない
という条件を課したうえでマイニング処理を行う。
農作物育成支援装置2が実行する処理(農作物育成支援方法)の流れを図6に基づいて説明する。図6は、農作物育成支援装置2が実行する処理の流れを示すフロー図である。
S207では、例えば図7に示すような応答情報を出力してもよい。図7は、応答情報の例を示す図である。図7に示す応答情報は、育成対象の育成方法の「候補」と、当該育成方法が適用された「対象品種」と、当該育成方法で育成された農作物の「生育環境」、「育成結果」、「育成コスト」、並びに「収穫時期」と、「推奨度」と、の計7つの項目を含む。
(概要)
図8は、本例示的実施形態に係る農作物育成支援方法の概要を示す図である。本例示的実施形態では、育成対象に関する複数のノードを含む育成対象グラフを更新しながら、リクエストに適合する育成対象の育成方法を探索する例を説明する。
本発明の第3の例示的実施形態に係る農作物育成支援装置3の構成を図9に基づいて説明する。図9は、本例示的実施形態に係る農作物育成支援装置3の構成を示すブロック図である。
農作物育成支援装置3が実行する処理(農作物育成支援方法)の流れを図10に基づいて説明する。図10は、農作物育成支援装置3が実行する処理の流れを示すフロー図である。
本例示的実施形態に係る育成対象グラフの生成の仕方は、上述の例に限られない。例えば、本例示的実施形態に係る農作物育成支援装置3は、例示的実施形態2に係るリンク予測部204と同様の構成を備えてもよい。この場合、本例示的実施形態に係るグラフ生成部302は、リンク予測部204が予測した育成方法の少なくとも一部であって、育成対象に対して将来行おうとしている作業内容及びタイミングを示すノードを含む育成対象グラフを生成してもよい。
(概要)
図11は、本例示的実施形態に係る農作物育成支援方法の概要を示す図である。本例示的実施形態では、所望の育成結果を示すノードを含む育成対象グラフを用いて、当該所望の育成結果を得るための育成方法を予測する例を説明する。
本発明の第4の例示的実施形態に係る農作物育成支援装置4の構成を図12に基づいて説明する。図12は、本例示的実施形態に係る農作物育成支援装置4の構成を示すブロック図である。
農作物育成支援装置4が実行する処理(農作物育成支援方法)の流れを図13に基づいて説明する。図13は、農作物育成支援装置4が実行する処理の流れを示すフロー図である。
(概要)
図14は、本例示的実施形態に係る農作物育成支援方法の概要を示す図である。本例示的実施形態では、育成対象に関する複数のノードを含む育成対象グラフと、過去に育成された複数の農作物のそれぞれについて生成された複数の育成済グラフとを用いて、育成対象の育成を支援する例を説明する。
本発明の第5の例示的実施形態に係る農作物育成支援装置5の構成を図15に基づいて説明する。図15は、本例示的実施形態に係る農作物育成支援装置5の構成を示すブロック図である。
・ユーザが設定した成長目標を達成していることを示すノード及びリンクが含まれていれば加点/含まれていなければ減点。
・作物種、品種、生育環境、使用できる資材・機器等の前提条件の一致度が高いことを示すノード及びリンクが含まれているほど加点/そのようなノード及びリンクが少ないほど減点。
・作業のコスト(作業時間、労働強度、費用等)が高いことを示すノード及びリンクが含まれていると減点/そのようなノード及びリンクが少ないほど加点。
・農薬使用量が多いことを示すノード及びリンクが含まれていると減点/そのようなノード及びリンクが含まれていると加点。
・ユーザの指定した時期に指定した範囲の収量があったことを示すノード及びリンクが含まれていれば加点/時期・収量にずれがあることを示すノード及びリンクが含まれていればば減点。
農作物育成支援装置5が実行する処理(農作物育成支援方法)の流れを図16に基づいて説明する。図16は、農作物育成支援装置4が実行する処理の流れを示すフロー図である。
農作物育成支援装置5による処理は上述の例に限られない。例えば、農作物育成支援装置5は、例示的実施形態3に係るグラフ生成部302、リンク予測部303、及びグラフ更新部304と同様の構成を備えてもよい。この構成の場合、例えば、S508において、出力部507が、応答情報を出力した後、当該応答情報を参照したユーザから育成対象に対して将来行おうとしている育成内容を受け付けてもよい。そして、受け付けた育成内容に基づきグラフ生成部302が育成対象グラフを生成し、生成された育成対象グラフを用いてリンク予測部303がリンク予測を行い、グラフ更新部304が育成対象グラフを更新するという工程を行うことによって、例示的実施形態3において説明したような応答情報を生成してもよい。
例示的実施形態4で説明したように、育成対象グラフと育成済グラフとを用いれば、リンク予測により、育成対象(より正確には育成対象の育成により得られる収穫物)の育成結果を予測することができる。また、育成対象の育成結果の予測は、リンク予測以外の方法で行うこともできる。これについて図17に基づいて説明する。図17は、育成対象グラフと育成済グラフとから算出した特徴量に基づいて育成対象の育成結果を予測する例を説明する図である。図17には、過去に育成した農作物A1~A3の育成済グラフと、栽培作物の育成対象グラフを示している。なお、これらのグラフに含まれるノード及びリンクは図示を省略している。
農作物育成支援装置1~5(以下、当該装置と呼ぶ)の一部又は全部の機能は、集積回路(ICチップ)等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。
本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。
育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける受付手段と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する生成手段と、前記育成方法を出力する出力手段と、を備える農作物育成支援装置。この構成によれば、農作物の育成を支援することができるという効果が得られる。
前記育成対象の農作物の育成方法に類似する過去の事例を含む根拠情報を生成する根拠生成手段を更に備え、前記出力手段は、前記根拠情報をさらに出力する付記1に記載の農作物育成支援装置。これにより、ユーザは、その根拠を踏まえて応答情報を参照することができる。
前記学習済みモデルは、過去に育成された農作物に関する複数のノードと、当該ノード間の関係性を示すリンクとを含み、ノード間の関係性について学習した育成済グラフである付記1または2に記載の農作物育成支援装置。この構成によれば、農作物の育成を支援することができるという効果が得られる。
前記育成対象に関する複数のノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測するリンク予測手段を備え、前記生成手段は、前記リンク予測手段が予測した前記ノードに応じた前記応答情報を生成する、付記3に記載の農作物育成支援装置。この構成によれば、育成対象に対する作業に関する有用な情報を提供することができる。
前記受付手段は、前記育成済グラフについての条件の入力を更に受け付け、前記リンク予測手段は、前記条件を満たす前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測する、付記4に記載の農作物育成支援装置。この構成によれば、ユーザの意図に沿ったノードを予測することができる。
前記リンク予測手段が予測した前記ノードを含む前記育成済グラフに含まれている他のノードに基づいて、前記リンク予測手段が予測した前記ノードの推奨度を評価する評価手段を備える、付記4に記載の農作物育成支援装置。この構成によれば、より好ましい育成結果が期待できる作業の決定に寄与することができる。
前記受付手段は、前記育成対象に対して行う作業の内容およびタイミングの少なくとも何れかの入力を更に受け付け、入力された前記作業の内容およびタイミングの少なくとも何れかを示すノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成対象グラフに所定の育成結果を示すノードがリンクする確率を算出するリンク予測手段と、を備え、前記生成手段は、前記リンク予測手段が算出した前記確率に基づいて前記応答情報を生成する、付記3に記載の農作物育成支援装置。この構成によれば、育成者が実行しようとしている作業により所定の育成結果が得られそうかを、その作業の実行前に予測することができる。
前記受付手段は、前記育成対象の農作物に対する所望の育成結果の入力を受け付け、入力された前記育成結果を示すノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測するリンク予測手段と、を備え、前記生成手段は、前記リンク予測手段が算出した前記ノードに基づいて前記応答情報を生成する、付記3に記載の農作物育成支援装置。この構成によれば、所望の育成結果を得るために必要な作業を判断する材料を提供することができる。
前記育成対象に関する複数のノードを含む育成対象グラフと、過去に育成された複数の農作物のそれぞれについて生成された複数の前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、過去に育成された複数の農作物のうち、前記育成対象と所定の関係性を有するものを特定するリンク予測手段を備え、前記生成手段は、前記リンク予測手段が特定した前記農作物に関する前記応答情報を生成する、付記3に記載の農作物育成支援装置。この構成によれば、農作物の育成に有用な情報を提供することができる。
コンピュータが、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付け、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成し、前記育成方法を出力する、農作物育成支援方法。この構成によれば、農作物の育成を支援することができるという効果が得られる。
コンピュータに対して、育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける処理と、複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する処理と、前記育成方法を出力する処理と、を実行させる農作物育成支援プログラム。この構成によれば、農作物の育成を支援することができるという効果が得られる。
上述した実施形態の一部又は全部は、更に、以下のように表現することもできる。
11 受付部
12 生成部
13 出力部
2 農作物育成支援装置
201 受付部
204 リンク予測部
205 評価部
206 生成部
207 根拠生成部
208 出力部
3 農作物育成支援装置
301 受付部
303 リンク予測部
304 グラフ更新部
305 生成部
306 根拠生成部
307 出力部
4 農作物育成支援装置
401 受付部
403 リンク予測部
405 生成部
406 根拠生成部
407 出力部
5 農作物育成支援装置
501 受付部
502 グラフ生成部
503 リンク予測部
504 評価部
505 生成部
506 根拠生成部
Claims (11)
- 育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける受付手段と、
複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する生成手段と、
前記育成方法を出力する出力手段と、
を備える農作物育成支援装置。 - 前記育成対象の農作物の育成方法に類似する過去の事例を含む根拠情報を生成する根拠生成手段を更に備え、
前記出力手段は、前記根拠情報をさらに出力する
請求項1に記載の農作物育成支援装置。 - 前記学習済みモデルは、過去に育成された農作物に関する複数のノードと、当該ノード間の関係性を示すリンクとを含み、ノード間の関係性について学習した育成済グラフである
請求項1または2に記載の農作物育成支援装置。 - 前記育成対象に関する複数のノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測するリンク予測手段を備え、
前記生成手段は、前記リンク予測手段が予測した前記ノードに応じた前記応答情報を生成する、請求項3に記載の農作物育成支援装置。 - 前記受付手段は、前記育成済グラフについての条件の入力を更に受け付け、
前記リンク予測手段は、前記条件を満たす前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測する、請求項4に記載の農作物育成支援装置。 - 前記リンク予測手段が予測した前記ノードを含む前記育成済グラフに含まれている他のノードに基づいて、前記リンク予測手段が予測した前記ノードの推奨度を評価する評価手段を備える、請求項4に記載の農作物育成支援装置。
- 前記受付手段は、前記育成対象に対して行う作業の内容およびタイミングの少なくとも何れかの入力を更に受け付け、
入力された前記作業の内容およびタイミングの少なくとも何れかを示すノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成対象グラフに所定の育成結果を示すノードがリンクする確率を算出するリンク予測手段と、を備え、
前記生成手段は、前記リンク予測手段が算出した前記確率に基づいて前記応答情報を生成する、請求項3に記載の農作物育成支援装置。 - 前記受付手段は、前記育成対象の農作物に対する所望の育成結果の入力を受け付け、
入力された前記育成結果を示すノードを含む育成対象グラフと、前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、前記育成済グラフに含まれる、過去に育成された農作物の育成中に行われた作業に関するノードの中から、前記育成対象グラフに含まれるノードにリンクするノードを予測するリンク予測手段と、を備え、
前記生成手段は、前記リンク予測手段が算出した前記ノードに基づいて前記応答情報を生成する、請求項3に記載の農作物育成支援装置。 - 前記育成対象に関する複数のノードを含む育成対象グラフと、過去に育成された複数の農作物のそれぞれについて生成された複数の前記育成済グラフとを用いて、前記育成対象グラフ及び前記育成済グラフにおいてリンクで繋がっていないノード間の関係性を予測するためのリンク予測により、過去に育成された複数の農作物のうち、前記育成対象と所定の関係性を有するものを特定するリンク予測手段を備え、
前記生成手段は、前記リンク予測手段が特定した前記農作物に関する前記応答情報を生成する、請求項3に記載の農作物育成支援装置。 - コンピュータが、
育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付け、
複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成し、
前記育成方法を出力する、
農作物育成支援方法。 - コンピュータに対して、
育成対象の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含むリクエストを受け付ける処理と、
複数の農作物の育成方法と、前記複数の農作物の大きさ、味、収穫時期、及び収穫量のいずれかを含む育成結果との関係を学習した学習済みモデルと、前記リクエストとに基づいて、前記育成対象の農作物の育成方法を含む応答情報を生成する処理と、
前記育成方法を出力する処理と、
を実行させる農作物育成支援プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023547986A JPWO2023042284A1 (ja) | 2021-09-15 | 2021-09-15 | |
PCT/JP2021/033832 WO2023042284A1 (ja) | 2021-09-15 | 2021-09-15 | 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/033832 WO2023042284A1 (ja) | 2021-09-15 | 2021-09-15 | 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023042284A1 true WO2023042284A1 (ja) | 2023-03-23 |
Family
ID=85601945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2021/033832 WO2023042284A1 (ja) | 2021-09-15 | 2021-09-15 | 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JPWO2023042284A1 (ja) |
WO (1) | WO2023042284A1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000083477A (ja) * | 1998-07-17 | 2000-03-28 | Satake Eng Co Ltd | 米の生産情報の提供方法 |
JP6261040B2 (ja) * | 2014-03-19 | 2018-01-17 | Necソリューションイノベータ株式会社 | 情報管理装置、情報管理方法およびプログラム |
JP2019170359A (ja) * | 2018-03-28 | 2019-10-10 | 国立大学法人名古屋大学 | 植物栽培結果予測システム |
US20210125290A1 (en) * | 2019-10-29 | 2021-04-29 | International Business Machines Corporation | Artificial intelligence logistics support for agribusiness production |
-
2021
- 2021-09-15 JP JP2023547986A patent/JPWO2023042284A1/ja active Pending
- 2021-09-15 WO PCT/JP2021/033832 patent/WO2023042284A1/ja active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000083477A (ja) * | 1998-07-17 | 2000-03-28 | Satake Eng Co Ltd | 米の生産情報の提供方法 |
JP6261040B2 (ja) * | 2014-03-19 | 2018-01-17 | Necソリューションイノベータ株式会社 | 情報管理装置、情報管理方法およびプログラム |
JP2019170359A (ja) * | 2018-03-28 | 2019-10-10 | 国立大学法人名古屋大学 | 植物栽培結果予測システム |
US20210125290A1 (en) * | 2019-10-29 | 2021-04-29 | International Business Machines Corporation | Artificial intelligence logistics support for agribusiness production |
Also Published As
Publication number | Publication date |
---|---|
JPWO2023042284A1 (ja) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Morales et al. | Using machine learning for crop yield prediction in the past or the future | |
EP3816880A1 (en) | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements | |
EP3876183A1 (en) | Cultivation and management device for fruit and vegetable plants and fruit trees, learning device, cultivation and management method for fruit and vegetable plants and fruit trees, learning model generation method, cultivation and management program for fruit and vegetable plants and fruit trees, and learning model generation program | |
JP5671877B2 (ja) | 農作業支援装置、農作業支援方法、及び農作業支援プログラム | |
KR20210109575A (ko) | 정보 처리 장치 및 정보 처리 시스템 | |
CN114662742A (zh) | 大田灌溉施肥制度动态决策方法及装置 | |
Confalonieri | CoSMo: A simple approach for reproducing plant community dynamics using a single instance of generic crop simulators | |
CN113220827B (zh) | 一种农业语料库的构建方法及装置 | |
Sundari et al. | Crop recommendation and yield prediction using machine learning algorithms | |
WO2023042284A1 (ja) | 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム | |
Tripathy et al. | Smart farming based on deep learning approaches | |
CN111090707B (zh) | 数据处理方法及装置、电子设备及存储介质 | |
Ruiz-Velazco et al. | Evaluating partial harvesting strategies for whiteleg shrimp Litopenaeus (Penaeus) vannamei semi-intensive commercial production: profitability, uncertainty, and economic risk | |
KR20200070736A (ko) | 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치 | |
Salam et al. | Climate recommender system for wheat cultivation in North Egyptian Sinai Peninsula | |
Tonni et al. | A machine learning based crop recommendation system and user-friendly android application for cultivation | |
Revathi et al. | Categorize the quality of cotton seeds based on the different germination of the cotton using machine knowledge approach | |
Nath et al. | Design of intelligent system in agriculture using data mining | |
Kralj et al. | Linear Machine Learning Algorithm for Early Annual Corn Yield Prediction | |
Narayanasamy et al. | INTELLIGENT AND EFFECTIVE CROP YIELD PREDICTION USING MACHINE LEARNING TECHNIQUES FOR CLOUD-BASED BIG DATA ANALYTICS | |
CN117541084B (zh) | 一种藜麦灌浆期产量预测方法及系统 | |
Ojeda et al. | Field and in-silico analysis of harvest index variability in maize silage | |
Pykhtin et al. | Model, algorithm and computer application for automated selection of varieties and hybrids of grain crops | |
US20240289825A1 (en) | Methods And Systems For Use In Defining Advancement Of Seed Products In Breeding | |
JP2023161401A (ja) | 形質予測方法、形質予測モデル生成方法、形質予測装置、形質予測モデル生成装置、及び形質予測システム |
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: 21957467 Country of ref document: EP Kind code of ref document: A1 |
|
WWE | Wipo information: entry into national phase |
Ref document number: 18682480 Country of ref document: US |
|
WWE | Wipo information: entry into national phase |
Ref document number: 2023547986 Country of ref document: JP |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21957467 Country of ref document: EP Kind code of ref document: A1 |