WO2023119869A1 - 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 - Google Patents

情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 Download PDF

Info

Publication number
WO2023119869A1
WO2023119869A1 PCT/JP2022/040347 JP2022040347W WO2023119869A1 WO 2023119869 A1 WO2023119869 A1 WO 2023119869A1 JP 2022040347 W JP2022040347 W JP 2022040347W WO 2023119869 A1 WO2023119869 A1 WO 2023119869A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
disease
crop
learning
types
Prior art date
Application number
PCT/JP2022/040347
Other languages
English (en)
French (fr)
Inventor
英彦 國正
卓 田辺
聡史 古川
浩 岡村
Original Assignee
東洋製罐グループホールディングス株式会社
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 東洋製罐グループホールディングス株式会社 filed Critical 東洋製罐グループホールディングス株式会社
Publication of WO2023119869A1 publication Critical patent/WO2023119869A1/ja

Links

Images

Classifications

    • 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 information processing device, an inference device, a machine learning device, an information processing method, an inference method, and a machine learning method.
  • Patent Literature 1 discloses an agricultural support system that analyzes an infrared image of farmland, diagnoses the growth rate of crops in the farmland, and issues a warning when the diagnosis result of the crops is an abnormal value. ing.
  • Pathogenesis indicators include, for example, disease-causing substances that can cause disease, and contamination indicators that can serve as indicators for evaluating the state of contamination of crops and cultivation environments.
  • the present invention provides an information processing device, an inference device, a machine learning device, an information processing method, an inference method, and a machine learning method that enable easy prediction of disease damage to crops. With the goal.
  • an information processing device includes: an information acquisition unit that acquires cultivation state information including the abundance of one or more types of pathogenic indicator in a crop to be predicted as a pathogenic contamination state; By inputting the cultivation state information acquired by the information acquisition unit into a learning model that learns the correlation between the cultivation state information of the crop to be learned and the disease information related to the disease of the crop by machine learning. , and a generation processing unit that generates the disease information in the crop to be predicted.
  • the cultivation state information including the abundance of one or more types of pathogenic indicator in the crop to be predicted as the pathogenic contamination state is input to the learning model and output. Based on the disease information, the disease in the prediction target crop is predicted, so the disease in the crop can be easily predicted.
  • FIG. 1 is an overall configuration diagram showing an example of an agricultural product cultivation management system 1.
  • FIG. It is a data block diagram which shows an example of the cultivation management database 41 and the test management database 42.
  • FIG. 3 is a data configuration diagram (continuation of FIG. 2) showing an example of a cultivation management database 41 and a test management database 42;
  • FIG. 3 is a hardware configuration diagram showing an example of a computer 900;
  • FIG. 1 is a block diagram showing an example of a machine learning device 5 according to a first embodiment;
  • FIG. It is a figure which shows an example of 12 A of 1st learning models, and 13 A of data for 1st learning.
  • It is a figure which shows an example of the 2nd learning model 12B and the 2nd data for learning 13B.
  • FIG. 5 is a flowchart showing an example of a machine learning method by the machine learning device 5; 1 is a block diagram showing an example of an information processing device 6 according to a first embodiment; FIG. 3 is a functional explanatory diagram showing an example of an information processing device 6 according to the first embodiment; FIG. 5 is a flowchart showing an example of an information processing method by the information processing device 6; It is a block diagram which shows an example of the machine-learning apparatus 5a based on 2nd Embodiment. It is a figure which shows an example of 4th learning model 12D and 4th learning data 13D which concern on 2nd Embodiment.
  • FIG. 5 is a functional explanatory diagram showing an example of an information processing device 6a according to a second embodiment
  • FIG. 11 is a block diagram showing an example of a machine learning device 5b according to a third embodiment
  • FIG. It is a figure which shows an example of the 5th learning model 12E for chemical spraying, and the 5th learning data 13E.
  • FIG. 11 is a block diagram showing an example of an information processing device 6b according to a third embodiment
  • FIG. FIG. 11 is a functional explanatory diagram showing an example of an information processing device 6b according to a third embodiment
  • FIG. 1 is an overall configuration diagram showing an example of an agricultural product cultivation management system 1.
  • the crop cultivation management system 1 functions as a system that manages prediction target crops grown in a cultivation environment 10 and predicts disease damage in the prediction target crops.
  • the cultivation environment 10 is an environment for cultivating various crops.
  • it may be an outdoor farmland or an indoor environment such as a vinyl house or a plant factory.
  • the cultivation environment 10 is not limited to one in which crops are cultivated in soil, and may be one in which crops are cultivated using water and liquid fertilizer, such as hydroponics.
  • Crops are mainly edible crops such as vegetables, fruits, grains, and mushrooms, but crops for feed, ornamental use, and textiles are also acceptable.
  • Agricultural crops are, for example, cultivated from the state of seeds and seedlings in the soil, supplied with water and fertilizer, and mechanical agricultural equipment such as tractors and combines and hand-held agricultural equipment such as hoes and plows are used for various agricultural work.
  • used for Agricultural crops may be managed in units of, for example, farmland, vinyl greenhouses, plant factories, etc. divided into sections of a predetermined size, or the entirety of farmlands, vinyl greenhouses, plant factories, etc. may be collectively managed. It may be managed for each ridge or for each stock.
  • Diseases include various diseases that lead to the deterioration of the growing conditions of agricultural crops, the yield of crops, and the quality of harvested crops. Diseases not only adversely affect agricultural products, but also include those that cause various food accidents (food poisoning, etc.) that adversely affect the human body. Occurs due to the presence of hazard-causing substances that can cause Furthermore, the presence of disease-causing substances and contamination indicators different from the above-mentioned hazard-causing substances may affect the possibility of occurrence of disease and the type of disease that occurs.
  • Disease-causing substances are substances that can cause disease.
  • the causative agent of the disease is specified according to the type of disease, and for example, the pathogen of wheat blast “Pyricularia oryzae Cavara", the pathogen of citrus mosaic disease “Citrus mosaic virus”, and the pathogen of sweet potato root rot. "Diaporthe destruens” and the like.
  • the disease-causing substance is not limited to the above examples as long as it can cause disease.
  • a hazard-causing substance is a substance that can cause food accidents.
  • Hazardous substances are mainly biological substances, and specific examples thereof include Salmonella, Vibrio parahaemolyticus, Staphylococcus aureus, Listeria, Campylobacter, Enterohemorrhagic Escherichia coli (O157, etc.), Bacillus cereus, Welsh Bacteria etc. are mentioned.
  • the hazard-causing substances are not limited to the above examples as long as they can cause food accidents.
  • a contamination index substance is a substance that can serve as an index for evaluating the contamination state of agricultural products and the cultivation environment 10 .
  • Contamination indicator substances can be evaluated by detecting the presence of specific factors in crops, cultivation environment 10, etc.
  • Specific factors include, for example, bacteria, viruses, allergens, viroids, molds, and the like.
  • bacteria include common viable bacteria, coliforms, E. coli, enterococci, heat-resistant spore-forming bacteria, clostridia, staphylococci, and Vibrio spp.
  • Specific examples of viruses include norovirus, sapovirus, and the like.
  • allergens include egg-derived protein, milk-derived protein, wheat-derived protein, shrimp-derived protein, crab-derived protein, and the like.
  • viroids include potato and basil viroids, tomato chlorotic atrophy viroids, and the like.
  • mold include black mold, blue mold, and aspergillus. Note that the contamination indicator substance is not limited to the above examples as long as it serves as an indicator of the contamination state of the crops or the cultivation environment 10 .
  • the agricultural crop to be predicted is based on cultivation state information that includes the abundance of pathogenic indicators including disease-causing substances and contamination indicators as the pathogenic contamination state in the crop to be predicted.
  • the disease information the occurrence of disease, the degree of disease-causing substances, the degree of harm-causing substances, and the like are predicted.
  • the crop cultivation management system 1 includes, as its main components, a worker terminal device 2, a pathogen indicator inspection device 3A, a hazard substance inspection device 3B, a cultivation management device 4A, a test A management device 4B, a machine learning device 5, and an information processing device 6 are provided.
  • Each of the devices 2 to 6 is configured by, for example, a general-purpose or dedicated computer (see FIG. 4 described later), and is connected to a wired or wireless network 7 so that various data can be mutually transmitted and received. .
  • the number of devices 2 to 6 and the connection configuration of the network 7 are not limited to the example shown in FIG. 1, and may be changed as appropriate.
  • the worker terminal device 2 is a terminal device used by workers (agricultural workers, inspection workers, farm managers, test workers, etc.) who work in the cultivation environment 10, and may be a stationary device or a portable device. type device.
  • the worker terminal device 2 accepts various input operations through a display screen of an application program, a web browser, or a reader/writer, and displays various information through the display screen.
  • the pathogen indicator testing device 3A is used in the cultivation environment 10, for example, the crops, the soil in which the crops are cultivated, the water supplied to the crops, the fertilizer supplied to the crops, the air in the cultivation environment 10, and the farm work.
  • Agricultural equipment is used as a sample, and is used to inspect pathogenic indicators (disease causative substances and contamination indicator substances) contained in at least one of the samples.
  • the pathogen indicator testing device 3A is also used to inspect pathogen indicators in a disease analysis test conducted in a test environment 11 that simulates the cultivation environment 10 .
  • the pathogen indicator testing device 3A is composed of, for example, a test kit, a measuring device, or the like, and is a device capable of inspecting the abundance (presence/absence, existence level, number of individuals, etc.) of one or more types of pathogen indicators. .
  • the pathogen indicator inspection device 3A When the pathogen indicator inspection device 3A is configured to be able to output the pathogen indicator inspection result as data, it transmits the cultivation state information including the pathogen indicator inspection result as the pathogen contamination state. If the pathogen indicator testing device 3A does not have the function of transmitting the cultivation state information as described above, the inspection operator performs an input operation of inputting the pathogen indicator inspection results to the worker terminal device 2. , the operator terminal device 2 transmits the cultivation state information based on the input operation.
  • the hazard-causing substance inspection device 3B is a device configured in the same manner as the pathogen indicator body inspection device 3A, and is used to inspect hazard-causing substances contained in agricultural products as samples in disease analysis tests.
  • the hazard-causing substance inspection device 3B is, for example, configured with a test kit, a measuring device, etc., and is a device capable of inspecting the presence of one or more types of hazard-causing substances.
  • the hazard-causing substance inspection device 3B When the hazard-causing substance inspection device 3B is configured to be able to output the inspection result of the hazard-causing substance as data, it transmits the disease information including the inspection result of the hazard-causing substance. If the hazard-causing substance inspection device 3B does not have the function of transmitting disease information as described above, the inspection operator performs an input operation to input the hazard-causing substance inspection results to the operator terminal device 2. By doing so, the operator terminal device 2 transmits the disease information based on the input operation.
  • the pathogen indicator testing device 3A and the hazardous substance testing device 3B may carry out any testing method among morphological testing, biochemical property testing, serological testing, and genetic testing. However, it may be implemented by combining a plurality of inspection methods.
  • the pathogen indicator testing device 3A and the hazard causing substance testing device 3B are those for which the types of the pathogen indicator and the hazard causing substance to be inspected are determined.
  • An index body inspection device 3A may be used.
  • the pathogen indicator testing device 3A uses a genetic testing kit capable of inspecting the abundance of one or more types of pathogenic indicators from a sample
  • the hazard-causing substance testing device 3B uses one or more from a sample. A case of using a genetic test kit capable of testing the abundance of a type of hazard-causing substance will be described.
  • the genetic test kit is for carrying out, for example, a PCR test method, a test method using a DNA microarray, a test method using a next-generation sequencer, etc.
  • genetic test kits using DNA microarrays and next-generation sequencers can simultaneously test the abundance of multiple types of pathogenic indicators and multiple types of hazard-causing substances from one sample.
  • the cultivation management device 4A includes a sensor group 40A that monitors the growth state of the crop to be predicted in the cultivation environment 10 and the environmental state of the cultivation environment 10, and a cultivation management database 41 that manages the cultivation state of the crop in the cultivation environment 10. Prepare. In the cultivation environment 10, a pathogen indicator testing device 3A is used. In addition, 4 A of cultivation management apparatuses may manage the cultivation environment 10 of multiple places.
  • the test management device 4B includes a sensor group 40B that monitors the growth state of the learning target crops in the test environment 11 and the environmental state of the test environment 11, and a test management database 42 that manages the cultivation state of the crops in the test environment 11.
  • the test environment 11 simulates the cultivation environment 10 for experimentally cultivating the crops to be learned, and is configured to be able to reproduce various assumed cultivation conditions in the cultivation environment 10 .
  • a disease analysis test is carried out for analyzing diseases of crops that occur under various test conditions, and the pathogen indicator testing device 3A and the harmful substance testing device 3B are used.
  • the disease analysis test is basically carried out in a test environment 11 provided in a place different from the cultivation environment 10, but may be carried out using the cultivation environment 10 as the test environment 11.
  • the test management device 4B may manage the test environments 11 at a plurality of locations.
  • the sensor groups 40A and 40B include, for example, crop sensors that detect crop transpiration rate, photosynthesis speed, presence or absence of damage, etc. as crop growth conditions, and temperature, humidity, and sunshine as environmental conditions of cultivation environment 10 or test environment 11.
  • Weather sensors that detect meteorological conditions such as amount, amount of carbon dioxide, wind direction, wind speed, amount of precipitation, amount of snow, soil temperature, humidity, moisture content, water flow, hydrogen ion index (pH), amount of organic matter, amount of nitrogen , the amount of phosphoric acid, the amount of potassium, the amount of calcium, the amount of magnesium, and the amount of sulfur.
  • the sensor groups 40A and 40B may appropriately determine the detection location (may be multiple locations) and the detection method according to the detection target.
  • an image sensor may be used.
  • the sensor groups 40A and 40B are not limited to the cultivation environment 10 and the test environment 11, but the surrounding environment separated by a predetermined distance from the cultivation environment 10 and the test environment 11 (multiple locations corresponding to different distances or different directions may be used).
  • the environmental conditions may be those detected by the sensor groups 40A and 40B installed in the surrounding environment.
  • the weather conditions may be acquired based on weather information provided from an external weather information providing device (not shown) instead of the weather sensor, and not only the weather information in the cultivation environment 10 and the test environment 11 but also the surrounding environment. Weather information in the environment may be obtained.
  • detection results of the sensor group 40A growth state and environmental state
  • pathogen indicator test results pathogen contamination state
  • work results such as fertilization and chemical spraying, and the like are stored. be registered.
  • the test management database 42 stores the detection results (growing state and environmental conditions) of the sensor group 40B, the inspection results (pathogenic contamination state) of the pathogen indicator by the pathogen indicator inspection device 3A, and the hazard causative substances by the hazard causative substance inspection device 3B.
  • the machine learning device 5 is a device that operates as the subject of the learning phase of machine learning. For example, the machine learning device 5 acquires the test results of the disease analysis test performed in the test environment 11 from the test management device 4B as the learning data 13, and based on the learning data 13, the information processing device 6 The learning model 12 used is generated by machine learning. The trained learning model 12 is provided to the information processing device 6 via the network 7, a recording medium, or the like.
  • the information processing device 6 is a device that operates as the subject of the inference phase of machine learning.
  • the information processing device 6 uses the learning model 12 generated by the machine learning device 5, based on the cultivation state information including the abundance of one or more types of pathogenic indicators in the crops to be predicted as the pathogenic contamination state. , to predict the disease in the target crop.
  • the disease information as the prediction result is provided to, for example, the worker terminal device 2 and presented to the inspection worker and the farm manager.
  • the disease information is provided to the cultivation management device 4A and accumulated in the cultivation management database 41.
  • FIGS. 2 and 3 are data configuration diagrams showing examples of the cultivation management database 41 and the test management database 42.
  • FIG. In each table the time when each piece of information was acquired is also registered, but in FIGS. 2 and 3, fields related to time are omitted. Also, FIGS. 2 and 3 show registration examples in which values normalized in the range of 0 to 1 are registered in the fields of each table.
  • the cultivation management database 41 is a database that manages the cultivation state of crops grown in the cultivation environment 10 by type of crop and by management unit.
  • the cultivation management database 41 has, for example, a crop table 410, a pathogen contamination table 411, a growth table 412, an environment table 413, and a farm work table 414, and is managed based on crop IDs that identify crops.
  • the test management database 42 is a database that manages the cultivation state of crops grown in the test environment 11 by type of crop and by management unit. Similar to the cultivation management database 41 , the test management database 42 has, for example, a crop table 420 , a pathogen contamination table 421 , a growth table 422 , an environment table 423 , and a farm work table 424 , and further has a disease table 425 .
  • farm workers and farm managers use the worker terminal device 2 to input crop types and divisions (management units).
  • Pathogen contamination tables 411 and 421 show the abundance of one or a plurality of types (four types in the example of FIG. registered separately. Types of samples include, for example, crops, soil, water, fertilizer, air, agricultural equipment, and the like.
  • the pathogen indicator is a disease causative substance or a contamination indicator that is the inspection target of the pathogen indicator testing device 3A, and the type and number of types of the pathogen indicator may be different for each sample type.
  • the abundance of one or more types of vector organisms that mediate the pathogen indicator may be registered, and may be registered as the detection results of the sensor groups 40A and 40B,
  • the observation result obtained when a farm worker observes the presence of vectors may be registered by inputting the result using the worker terminal device 2 .
  • the sensor groups 40A and 40B installed in the surrounding environment may be multiple locations according to different distances and different directions) separated from the cultivation environment 10 and the test environment 11 by a predetermined distance. A detection result or an observation result of a farm worker in the surrounding environment may be registered.
  • the growth tables 412 and 422 register the transpiration rate, the photosynthetic rate, the presence or absence of damage, etc. of crops as the growth state detected by the sensor groups 40A and 40B. It should be noted that the presence or absence of damage may be registered by inputting observation results obtained when a farm worker observes crops using the worker terminal device 2 .
  • Environmental tables 413 and 423 contain weather conditions (temperature, humidity, amount of sunshine, amount of carbon dioxide, wind direction, wind speed, amount of precipitation, amount of snow, etc.) and soil conditions as the environmental conditions detected by the sensor groups 40A and 40B. (Temperature, humidity, water content, water flow, hydrogen ion index (pH), amount of organic matter, amount of nitrogen, amount of phosphoric acid, amount of potassium, amount of calcium, amount of magnesium, amount of sulfur, etc.) are registered. Weather information provided by an external weather information providing device may be registered as the weather condition.
  • Agricultural work tables 414 and 424 are obtained by inputting the results of agricultural work such as plowing, sowing, fertilizing, spraying chemicals, and harvesting by a farm worker using the worker terminal device 2, and displaying work contents of the farm work. is registered.
  • the type and amount of sprayed chemicals are registered as the work result of chemical spraying, and when a plurality of types of chemicals are sprayed, the type and amount of each chemical are registered.
  • the disease table 425 contains, as inspection results of agricultural products by the hazard-causing substance inspection device 3B, the abundance of one or more types of hazard-causing substances (three types in the example of FIG. 3), one or more types of hazard-causing substances ( In the example of , three types) of presence are registered.
  • the disease damage table shows the determination result when the test worker visually or using a measuring instrument determines the degree of occurrence of one or more types of disease damage (three types in the example of FIG. 3) on the crops. The incidence of disease is registered by inputting using .
  • FIG. 4 is a hardware configuration diagram showing an example of the computer 900. As shown in FIG. Each device 2 to 6 of the crop cultivation management system 1 is composed of a general-purpose or dedicated computer 900 .
  • the computer 900 includes, as its main components, a bus 910, a processor 912, a memory 914, an input device 916, an output device 917, a display device 918, a storage device 920, a communication I/F (interface) It has a section 922 , an external equipment I/F section 924 , an I/O (input/output) device I/F section 926 and a media input/output section 928 . Note that the above components may be omitted as appropriate depending on the application for which the computer 900 is used.
  • the processor 912 is composed of one or more arithmetic processing units (CPU (Central Processing Unit), MPU (Micro-processing unit), DSP (digital signal processor), GPU (Graphics Processing Unit), etc.), and the entire computer 900 It operates as a control unit that supervises the
  • the memory 914 stores various data and programs 930, and is composed of, for example, a volatile memory (DRAM, SRAM, etc.) functioning as a main memory, a non-volatile memory (ROM), a flash memory, and the like.
  • the input device 916 is composed of, for example, a keyboard, mouse, numeric keypad, electronic pen, etc., and functions as an input unit.
  • the output device 917 is configured by, for example, a sound (voice) output device, a vibration device, or the like, and functions as an output unit.
  • a display device 918 is configured by, for example, a liquid crystal display, an organic EL display, electronic paper, a projector, or the like, and functions as an output unit.
  • the input device 916 and the display device 918 may be configured integrally like a touch panel display.
  • the storage device 920 is composed of, for example, an HDD, SSD (Solid State Drive), etc., and functions as a storage unit.
  • the storage device 920 stores various data necessary for executing the operating system and programs 930 .
  • the communication I/F unit 922 is connected to a network 940 (which may be the same as the network 7 in FIG. 1) such as the Internet or an intranet by wire or wirelessly, and exchanges data with other computers according to a predetermined communication standard. functions as a communication unit that transmits and receives.
  • the external device I/F unit 924 is connected to the external device 950 such as a camera, printer, scanner, reader/writer, etc. by wire or wirelessly, and serves as a communication unit that transmits and receives data to and from the external device 950 according to a predetermined communication standard. Function.
  • the I/O device I/F unit 926 is connected to I/O devices 960 such as various sensors and actuators, and exchanges with the I/O devices 960, for example, detection signals from sensors and control signals to actuators. functions as a communication unit that transmits and receives various signals and data.
  • the media input/output unit 928 is composed of, for example, a drive device such as a DVD drive and a CD drive, and reads and writes data from/to media (non-temporary storage media) 970 such as DVDs and CDs.
  • the processor 912 calls the program 930 stored in the storage device 920 to the memory 914 and executes it, and controls each part of the computer 900 via the bus 910 .
  • the program 930 may be stored in the memory 914 instead of the storage device 920 .
  • the program 930 may be recorded on the media 970 in an installable file format or executable file format and provided to the computer 900 via the media input/output unit 928 .
  • Program 930 may be provided to computer 900 by downloading via network 940 via communication I/F section 922 .
  • the computer 900 may implement various functions realized by the processor 912 executing the program 930 by hardware such as FPGA and ASIC, for example.
  • the computer 900 is, for example, a stationary computer or a portable computer, and is an arbitrary form of electronic equipment.
  • the computer 900 may be a client-type computer, a server-type computer, or a cloud-type computer.
  • the computer 900 may be applied to devices other than the devices 2-6.
  • FIG. 5 is a block diagram showing an example of the machine learning device 5 according to the first embodiment.
  • the machine learning device 5 includes a control unit 50 , a communication unit 51 , a learning data storage unit 52 and a trained model storage unit 53 .
  • the control unit 50 functions as a learning data acquisition unit 500 and a machine learning unit 501.
  • the communication unit 51 is connected to an external device via the network 7 and functions as a communication interface for transmitting and receiving various data.
  • the learning data acquisition unit 500 is connected to an external device (for example, the operator terminal device 2, the test management device 4B, etc.) via the communication unit 51 and the network 7, and acquires cultivation state information as input data and output data as disease information and learning data 13 is acquired.
  • the learning data 13 is data used as teacher data (training data), verification data, and test data in supervised learning.
  • Disease information is data used as correct labels in supervised learning.
  • the learning data storage unit 52 is a database that stores multiple sets of learning data 13 acquired by the learning data acquisition unit 500 .
  • the specific configuration of the database that constitutes the learning data storage unit 52 may be appropriately designed.
  • the machine learning unit 501 performs machine learning using multiple sets of learning data 13 stored in the learning data storage unit 52 . That is, the machine learning unit 501 inputs a plurality of sets of learning data 13 to the learning model 12, and causes the learning model 12 to learn the correlation between the cultivation state information and the disease information included in the learning data 13. Generate a trained model 12 .
  • the machine learning unit 501 may perform predetermined preprocessing on input data (cultivation state information) input to the learning model 12, or output data (disease information) output from the learning model 12. may be subjected to a predetermined post-processing.
  • the learned model storage unit 53 is a database that stores the learned learning model 12 (specifically, the adjusted weight parameter group) generated by the machine learning unit 501 .
  • the learned learning model 12 stored in the learned model storage unit 53 is provided to the actual system (for example, the information processing device 6) via the network 7, a recording medium, or the like.
  • the learning data storage unit 52 and the trained model storage unit 53 are shown as separate storage units in FIG. 5, they may be configured as a single storage unit.
  • the learning data 13 includes, as disease information, first to third learning data 13A to 13C each including the degree of occurrence of a disease, the degree of presence of a disease-causing substance, and the degree of presence of a hazard-causing substance. and the machine learning unit 501 generates the first to third learning models 12A to 12C from the first to third learning data 13A to 13C, respectively.
  • FIG. 6 is a diagram showing an example of the first learning model 12A and the first learning data 13A when the disease information is the degree of occurrence of disease.
  • the first learning data 13A used for machine learning of the first learning model 12A is composed of cultivation state information and disease information including the incidence of one or more types of diseases.
  • the cultivation state information that constitutes the first learning data 13A includes the pathogen contamination state, growth state, and environmental state of the learning target crop.
  • the pathogenic contamination state is the abundance of one or more types of pathogenic indicators contained in a sample, and the abundance of pathogenic indicators is represented, for example, by the presence or absence of pathogenic indicators, the level of existence, the number of individuals, etc.
  • the presence level is a step value or a continuous value, and in the case of a continuous value, it may be a value normalized to a predetermined range (eg, 0 to 1).
  • the sample may be, for example, the leaves, stems, roots, fruits, and other crops themselves ground with a mixer or the like, or the surface of the crops wiped with a cotton swab or the like.
  • the sample is not limited to crops, and may be soil in which crops are cultivated, water supplied to crops (agricultural water, sprinkler, rainwater, etc.), fertilizer supplied to crops (granular, liquid, mist, etc.). ), the air of the cultivation environment 10 (outdoor or indoor air), and agricultural equipment used for farm work (either mechanical or hand-held).
  • the pathogenic contamination state may be the abundance of a plurality of types of pathogenic indicators contained in at least one sample of crops, soil, water, fertilizer, air, and farm equipment.
  • FIG. 6 shows a case where the pathogenic contamination state is the abundance of four types of pathogenic indicators contained in the above six samples, respectively.
  • disease-causing substances are basically assigned, but in addition to disease-causing substances, contamination indicators may also be assigned.
  • Types of disease-causing substances include, for example, "Pyricularia oryzae Cavara” which is the pathogen of wheat blast, "Citrus mosaic virus” which is the pathogen of citrus mosaic disease, and "Diaporthe destruens” which is the pathogen of sweet potato root rot. assigned.
  • the types and number of types of pathogenic indicators may be different for each type of sample.
  • the pathogen contamination state may further include the abundance of one or more types of vector organisms that mediate the pathogen indicator.
  • Vectors include insects, nematodes, filamentous fungi, and the like, and the abundance of vectors is represented, for example, by the presence or absence of vectors, the level of presence, the number of individuals, and the like.
  • the growth state is the transpiration rate, photosynthesis rate, presence or absence of damage, etc. of crops.
  • Environmental conditions include meteorological conditions such as temperature, humidity, amount of sunshine, amount of carbon dioxide, wind direction, wind speed, amount of precipitation, amount of snow, soil temperature, humidity, moisture content, water flow, hydrogen ion exponent (pH), It includes at least one of soil conditions such as the amount of organic matter, the amount of nitrogen, the amount of phosphoric acid, the amount of potassium, the amount of calcium, the amount of magnesium, and the amount of sulfur.
  • the cultivation state information only needs to include at least the pathogen contamination state, either one of the growth state and the environmental state may be omitted, or the other state may be included.
  • the pathogen contamination state, growth state, and environmental state included in the cultivation state information may be point-in-time data indicating the state at a predetermined point in time, or at predetermined time intervals (every hour, every day, every week, It may be time-series data consisting of data at a plurality of points in time such as every month.
  • the definition of the cultivation state information may be changed as appropriate, and in that case, the data structure of the input data in the first learning model 12A and the first learning data 13A may be changed as appropriate.
  • the disease information that constitutes the first learning data 13A includes the incidence of one or more types of disease in the learning target crop.
  • the degree of occurrence of disease is represented, for example, by the presence or absence of occurrence of disease, the level of occurrence, and the like.
  • the occurrence level is a step value or a continuous value, and in the case of a continuous value, it may be a value normalized to a predetermined range (eg, 0 to 1).
  • Wheat blast disease, citrus mosaic disease, sweet potato root rot and the like are assigned to the types of diseases, for example.
  • the definition of the disease information may be changed as appropriate, in which case the data configuration of the output data in the first learning model 12A and the first learning data 13A may be changed as appropriate.
  • the learning data acquisition unit 500 refers to various types of information registered in the test management database 42 by performing the disease analysis test, and receives operator input operations from the operator terminal device 2. , to acquire the first learning data 13A.
  • the learning data acquisition unit 500 refers to the test management database 42, for example, in the pathogen contamination table 421, the growth table 422, the environment table 423, and the disease table 425, pathogens associated with a specific crop ID
  • the first learning data 13A is obtained by obtaining the contamination state, growth state, environmental state, and degree of occurrence of disease.
  • the first learning model 12A employs, for example, a neural network structure, and includes an input layer 120, an intermediate layer 121, and an output layer 122.
  • a synapse (not shown) connecting each neuron is provided between each layer, and a weight is associated with each synapse.
  • a set of weight parameters consisting of the weight of each synapse is adjusted by machine learning.
  • the input layer 120 has a number of neurons corresponding to the cultivation state information as input data, and each value of the cultivation state information is input to each neuron.
  • the output layer 122 has a number of neurons corresponding to disease information as output data, and outputs prediction results (inference results) of disease information for cultivation state information as output data.
  • disease information is output as numerical values normalized to a predetermined range (eg, 0 to 1).
  • the disease information is a numerical value normalized to a predetermined range (for example, 0 to 1) as a score (probability) for each class. output respectively.
  • the machine learning unit 501 inputs a plurality of sets of the first learning data 13A to the first learning model 12A, and calculates the correlation between the cultivation state information and the disease information included in the first learning data 13A as the first By having the learning model 12A learn, a trained first learning model 12A is generated.
  • FIG. 7 is a diagram showing an example of the second learning model 12B and the second learning data 13B when the disease information is the abundance of disease-causing substances.
  • the second learning data 13B used for machine learning of the second learning model 12B is composed of cultivation state information and disease information including the abundance of one or more types of disease causative substances.
  • the cultivation state information that constitutes the second learning data 13B includes the pathogen contamination state, growth state, and environmental state of the learning target crops, similar to the first learning data 13A.
  • the pathogen contamination state is the abundance of one or more types of contamination indicator substances contained in the sample, as shown in FIG.
  • the types of contamination indicator substances for example, general viable bacteria, fungi, etc. are assigned.
  • the types and the number of types of contamination indicator substances may be different for each type of sample. Others are the same as those of the first learning data 13A, so the description is omitted.
  • the disease information that constitutes the second learning data 13B includes the abundance of one or more types of disease-causing substances in the learning target crop.
  • the degree of abundance of a disease-causing substance is represented, for example, by the presence or absence of the disease-causing substance, its level of existence, the number of individuals, and the like.
  • the presence level is a step value or a continuous value, and in the case of a continuous value, it may be a value normalized to a predetermined range (eg, 0 to 1).
  • Types of disease-causing substances include, for example, "Pyricularia oryzae Cavara” which is the pathogen of wheat blast, "Citrus mosaic virus” which is the pathogen of citrus mosaic disease, and "Diaporthe destruens” which is the pathogen of sweet potato root rot. assigned.
  • the learning data acquisition unit 500 refers to various types of information registered in the test management database 42 by performing the disease analysis test, and receives operator input operations from the operator terminal device 2. , to obtain the second learning data 13B.
  • the learning data acquisition unit 500 refers to the test management database 42, for example, in the pathogen contamination table 421, the growth table 422, the environment table 423, and the disease table 425, pathogens associated with a specific crop ID
  • the second learning data 13B is obtained by obtaining the contamination state, growth state, environmental state, and the degree of disease causative agent abundance.
  • the machine learning unit 501 inputs a plurality of sets of the second learning data 13B to the second learning model 12B, and calculates the correlation between the cultivation state information and the disease information included in the second learning data 13B to the second learning model 12B.
  • a second learned model 12B is generated.
  • FIG. 8 is a diagram showing an example of the third learning model 12C and the third learning data 13C when the disease information is the degree of presence of hazardous substances.
  • the third learning data 13C used for machine learning of the third learning model 12C is composed of cultivation state information and disease information including the abundance of one or more types of hazard-causing substances.
  • the cultivation state information that constitutes the third learning data 13C includes the pathogen contamination state, growth state, and environmental state of the learning target crops, similar to the first learning data 13A.
  • the pathogen contamination state is the abundance of one or more types of contamination indicator substances contained in the sample.
  • the types of contamination indicator substances for example, general viable bacteria, fungi, etc. are assigned.
  • the types and the number of types of contamination indicator substances may be different for each type of sample. Others are the same as those of the first learning data 13A, so the description is omitted.
  • the disease information that constitutes the third learning data 13C includes the abundance of one or more types of hazard-causing substances in the learning target crops.
  • the degree of presence of a hazard-causing substance is represented, for example, by the presence or absence of the hazard-causing substance, its level of existence, the number of individuals, and the like.
  • the presence level is a step value or a continuous value, and in the case of a continuous value, it may be a value normalized to a predetermined range (eg, 0 to 1). For example, Listeria monocytogenes and the like are assigned as the types of hazardous substances.
  • the learning data acquisition unit 500 refers to various types of information registered in the test management database 42 by performing the disease analysis test, and receives operator input operations from the operator terminal device 2. , to acquire the third learning data 13C.
  • the learning data acquisition unit 500 refers to the test management database 42, for example, in the pathogen contamination table 421, the growth table 422, the environment table 423, and the disease table 425, pathogens associated with a specific crop ID
  • the third learning data 13C is obtained by obtaining the pollution state, growth state, environmental state, and the degree of presence of hazardous substances.
  • the machine learning unit 501 inputs a plurality of sets of the third learning data 13C to the third learning model 12C, and calculates the correlation between the cultivation state information and the disease information included in the third learning data 13C as the third learning data.
  • a learned third learning model 12C is generated by making the learning model 12C learn.
  • the data configurations of the learning model 12 and the learning data 13 are configured as shown in FIG. 6 to FIG.
  • the type of the index body inspection device 3A inspection object and inspection method
  • the type of the hazardous substance inspection device 3B inspection object and inspection method
  • the type of data included in the cultivation state information the type of data included in the disease information, etc.
  • a plurality of data configurations with different conditions may be employed, such as .
  • the learning data acquisition unit 500 acquires a plurality of types of learning data corresponding to a plurality of data structures with different conditions, and the machine learning unit 501 uses these learning data to Machine learning should be implemented.
  • FIGS. 6 to 8 six types of samples, namely crops, soil, water, fertilizer, air, and agricultural equipment, are shown. may adopt a data structure based on other samples excluding crops (for example, two types of soil and water), or if air and agricultural equipment are sterilized, air and agricultural equipment may be used. A data structure based on other excluded samples (for example, four types of crops, soil, water, and fertilizer, etc.) may be adopted.
  • FIG. 9 is a flow chart showing an example of a machine learning method by the machine learning device 5. As shown in FIG. In the following description, it is assumed that the learning model 12 is generated using a plurality of sets of learning data 13, but each of the first to third learning data 13A to 13C is used to generate the first to third learning models. 12A to 12C, respectively.
  • the learning data acquisition unit 500 acquires a desired number of learning data 13 as preparation for starting machine learning, and stores the acquired learning data 13 in the learning data storage unit. 52.
  • the number of learning data 13 prepared here may be set in consideration of the inference accuracy required for the finally obtained learning model 12 .
  • step S110 the machine learning unit 501 prepares the pre-learning learning model 12 to start machine learning.
  • the pre-learning learning model 12 prepared here is composed of the neural network model illustrated in FIG. 6, and the weight of each synapse is set to an initial value.
  • step S120 the machine learning unit 501 randomly acquires one set of learning data 13 from the multiple sets of learning data 13 stored in the learning data storage unit 52, for example.
  • step S130 the machine learning unit 501 converts the cultivation state information (input data) included in the set of learning data 13 into the input layer 120 of the prepared learning model 12 before learning (or during learning). to enter.
  • disease information output data
  • the output data is generated by the learning model 12 before (or during) learning. Therefore, in the state before learning (or during learning), the output data output as the inference result indicates information different from the disease information (correct label) included in the learning data 13 .
  • step S140 the machine learning unit 501 extracts the disease information (correct label) included in the set of learning data 13 acquired in step S120 and the disease information output as the inference result from the output layer in step S130.
  • Machine learning is performed by comparing information (output data) and performing processing (back propagation) for adjusting the weight of each synapse. Thereby, the machine learning unit 501 causes the learning model 12 to learn the correlation between the cultivation state information and the disease information.
  • step S150 the machine learning unit 501 determines whether or not a predetermined learning termination condition is satisfied, for example, the disease information (correct label) included in the learning data 13 and the disease information output as the inference result. It is determined based on the evaluation value of the error function based on the information (output data) and the remaining number of unlearned learning data 13 stored in the learning data storage unit 52 .
  • step S150 when the machine learning unit 501 determines that the learning end condition is not satisfied and continues the machine learning (No in step S150), the process returns to step S120, and the learning model 12 under learning is stepped. The steps from S120 to S140 are performed multiple times using the unlearned data 13 for learning.
  • step S150 when the machine learning unit 501 determines that the learning end condition is satisfied and machine learning ends (Yes in step S150), the process proceeds to step S160.
  • step S160 the machine learning unit 501 stores the learned model 12 (adjusted weight parameter group) generated by adjusting the weight associated with each synapse in the learned model storage unit 53. store and terminate the series of machine learning methods shown in FIG.
  • step S100 corresponds to a learning data storage step
  • steps S110 to S150 correspond to a machine learning step
  • step S160 corresponds to a learned model storage step.
  • the learning model 12 (the first to third learning models 12A-12C).
  • FIG. 10 is a block diagram showing an example of the information processing device 6 according to the first embodiment.
  • FIG. 11 is a functional explanatory diagram showing an example of the information processing device 6 according to the first embodiment.
  • the information processing device 6 includes a control unit 60 , a communication unit 61 and a trained model storage unit 62 .
  • the control unit 60 functions as an information acquisition unit 600 , a generation processing unit 601 and an output processing unit 602 .
  • the communication unit 61 is connected to an external device via the network 7 and functions as a communication interface for transmitting and receiving various data.
  • the information acquisition unit 600 is connected to an external device (for example, the operator terminal device 2, the cultivation management device 4A, etc.) via the communication unit 61 and the network 7, and the pathogen contamination state, growth state, and environment of the crop to be predicted.
  • Acquire cultivation state information including the state.
  • the information acquisition unit 600 obtains from the operator terminal device 2 or the pathogen indicator testing device 3A, as the inspection result when the pathogen indicator testing device 3A inspects the agricultural product to be predicted.
  • Cultivation state information is acquired by receiving the pathogen contamination state and receiving the growth state and the environmental state from the sensor group 40A of the cultivation management device 4A.
  • the information acquisition unit 600 refers to the cultivation management database 41 to obtain the cultivation state. Get information.
  • the information acquisition unit 600 may acquire the cultivation state information according to the data configuration of the input data in each of the first to third learning models 12A to 12C.
  • the degree of disease causative substance abundance is obtained for the first learning model 12A
  • the degree of abundance index substance abundance is obtained for the second and third learning models 12B and 12C.
  • the information acquisition unit 600 acquires the time-series data of the growth state and the environmental state, it acquires the current growth state and the environmental state from the sensor group 40A, and acquires the past growth state from the cultivation management database 41. and environmental conditions.
  • the generation processing unit 601 inputs the cultivation state information of the crop to be predicted obtained by the information obtaining unit 600 to the learning model 12 as input data, and based on the disease information output from the crop, Generate disease information in Specifically, the generation processing unit 601 inputs the cultivation state information to the first to third learning models 12A to 12C, respectively, to determine the degree of occurrence of disease, the degree of presence of disease-causing substances, and the cause of harm. Generating disease information each containing the abundance of the substance.
  • the generation processing unit 601 may perform predetermined preprocessing on input data (cultivation state information) input to the learning model 12, or output data (disease information) output from the learning model 12. may be subjected to a predetermined post-processing.
  • the learned model storage unit 62 is a database that stores the learned learning models 12 (specifically, the first to third learning models 12A to 12C) used by the generation processing unit 601.
  • the number of learning models 12 stored in the learned model storage unit 62 is not limited to the above example, and may be, for example, the method of machine learning, the type of agricultural products, the type of pathogen indicator testing device 3A (test object or test method), the type of the hazard-causing substance inspection device 3B (inspection target and inspection method), the type of data included in the cultivation state information, the type of data included in the disease information, etc., a plurality of learned models with different conditions. may be stored and selectively available.
  • the trained model storage unit 62 may be replaced by a storage unit of an external computer (for example, a server computer or a cloud computer). Just do it.
  • the output processing unit 602 performs output processing for outputting the disease information generated by the generation processing unit 601 .
  • the output processing unit 602 may transmit the disease information to the worker terminal device 2 so that a display screen based on the disease information may be displayed on the worker terminal device 2, or the disease information may be used for cultivation management.
  • the disease information may be registered in the cultivation management database 41 by transmitting it to the device 4A.
  • FIG. 12 is a flowchart showing an example of an information processing method by the information processing device 6. As shown in FIG. An operation example of the information processing device 6 when an inspection operator uses the pathogen indicator inspection device 3A to inspect a prediction target agricultural product for pathogen indicators will be described below.
  • the information acquisition unit 600 of the information processing device 6 acquires from the pathogen indicator testing device 3A the pathogen contamination state of the crop to be predicted, which is the inspection result of the pathogen indicator (disease causative agent or contamination indicator substance). receive. At that time, the information acquisition unit 600 also receives the crop ID that identifies the crop to be predicted. Then, based on the crop ID, the information acquisition unit 600 receives the detection result of the sensor group 40A that monitors the crop to be predicted, or refers to the cultivation management database 41 to determine the growth of the crop to be predicted. Get state and environment state. As a result, the information acquisition unit 600 acquires cultivation state information including the pathogen contamination state, growth state, and environmental state of the crop to be predicted.
  • step S210 the generation processing unit 601 inputs the cultivation state information acquired in step S200 to the first to third learning models 12A to 12C, respectively, thereby generating disease information for the cultivation state information. Generate output data and predict disease information in crops.
  • the generation processing unit 601 for example, by receiving an instruction operation by an inspection operator or a farm manager, stores the cultivation state information in any one of the first to third learning models 12A to 12C based on the instruction operation. can be entered.
  • step S220 the output processing unit 602, as an output process for outputting the disease information generated in step S210, outputs the disease information to worker terminal devices used by inspection workers and farm managers. 2. Then, the worker terminal device 2 displays a display screen based on the disease information, thereby presenting the disease information of the farm product to the inspector or the farm manager.
  • the transmission destination of the disease information may be the cultivation management device 4A.
  • step S200 corresponds to an information acquisition step
  • step S210 corresponds to a generation processing step
  • step S220 corresponds to an output processing step.
  • the cultivation state information of the agricultural products to be predicted is input to the learning model 12 (first to third learning models 12A to 12C).
  • the degree of occurrence of disease, the degree of presence of disease-causing substances, and the degree of presence of hazard-causing substances are predicted as the disease information in the prediction target crop.
  • the second embodiment differs from the first embodiment in that the disease information includes chemical application information indicating the amount of one or more types of chemical applied to crops to be predicted.
  • the machine learning device 5a and the information processing device 6a according to the second embodiment will be described below, focusing on differences from the first embodiment.
  • FIG. 13 is a block diagram showing an example of a machine learning device 5a according to the second embodiment.
  • FIG. 14 is a diagram showing an example of a fourth learning model 12D and fourth learning data 13D according to the second embodiment.
  • the fourth learning data 13D used for machine learning of the fourth learning model 12D is composed of cultivation state information and disease information including chemical application information indicating the application amount of one or more types of chemical.
  • the cultivation state information constituting the fourth learning data 13D is the pathogen contamination state and the growth It includes state and environmental state.
  • the pathogen contamination state is, as shown in FIG. 14, the abundance of one or more types of pathogen indicator contained in the sample.
  • the type of pathogenic indicator either a disease indicator or a contamination indicator is assigned, but any combination thereof may be assigned.
  • the types and the number of types of pathogen indicators may be different for each type of sample. Others are the same as those of the first embodiment, so description thereof will be omitted.
  • the disease information that constitutes the fourth learning data 13D includes the application amount of one or more types of chemicals on the learning target crops.
  • the drug application rate may be, for example, a step value or a continuous value, and in the case of a continuous value, the value may be normalized to a predetermined range (eg, 0 to 1).
  • insecticides, fungicides, herbicides, and the like are assigned as types of chemicals, and any combination thereof may be assigned.
  • the learning data acquisition unit 500 refers to various types of information registered in the test management database 42 by performing the disease analysis test, and receives operator input operations from the operator terminal device 2. , to acquire the fourth learning data 13D.
  • the learning data acquisition unit 500 refers to the test management database 42, for example, in the pathogen contamination table 421, the growth table 422, the environment table 423, and the farm work table 424, pathogens associated with a specific crop ID
  • the fourth learning data 13D is obtained by obtaining the contamination state, growth state, environmental state, and application amount of the chemical.
  • the machine learning unit 501 inputs a plurality of sets of the fourth learning data 13D to the fourth learning model 12D, and calculates the correlation between the cultivation state information and the disease information included in the fourth learning data 13D as the fourth learning data. By making the learning model 12D learn, a learned fourth learning model 12D is generated.
  • FIG. 15 is a block diagram showing an example of an information processing device 6a according to the second embodiment.
  • FIG. 16 is a functional explanatory diagram showing an example of an information processing device 6a according to the second embodiment.
  • the information acquisition unit 600 predicts based on the inspection results of pathogen indicators (disease causative substances and contamination indicators) by the pathogen indicator inspection device 3A, detection results of the sensor group 40A, and information registered in the cultivation management database 41. Cultivation state information including the pathogen contamination state, growth state and environmental state of the target crop is acquired.
  • pathogen indicators disease causative substances and contamination indicators
  • the generation processing unit 601 inputs the cultivation state information of the crops to be predicted acquired by the information acquisition unit 600 as input data to the fourth learning model 12D, thereby obtaining one or more types of crops for the crops. to generate disease information including application amounts of pesticides.
  • the information processing device 6a and the information processing method according to the present embodiment by inputting the cultivation state information of the prediction target crop to the fourth learning model 12D, the disease information of the prediction target crop , the spray amount of the chemical is predicted.
  • the learning model 12 is composed of a learning model for disease analysis and a learning model for chemical spraying.
  • the machine learning device 5b and the information processing device 6b according to the third embodiment will be described below, focusing on the parts that differ from the first embodiment.
  • FIG. 17 is a block diagram showing an example of a machine learning device 5b according to the third embodiment.
  • FIG. 18 is a diagram showing an example of a fifth learning model 12E and fifth learning data 13E for chemical spraying.
  • FIG. 19 is a diagram showing an example of a sixth learning model 12F and sixth learning data 13F for chemical spraying.
  • FIG. 20 is a diagram showing an example of the seventh learning model 12G and the seventh learning data 13G for chemical spraying.
  • the learning model 12-1 according to the first example is composed of a first learning model 12A for disease analysis (see FIG. 6) and a fifth learning model 12E for chemical spraying (see FIG. 18). .
  • Chemical application information that indicates the application amount of a plurality of types of chemicals. Since the first learning model 12A and the first learning data 13A for disease analysis are configured in the same manner as in the first embodiment (see FIG. 6), description thereof is omitted.
  • the learning model 12-2 is composed of a second learning model 12B for disease analysis (see FIG. 7) and a sixth learning model 12F for chemical spraying (see FIG. 19). .
  • the sixth learning data 13F used for machine learning of the sixth learning model 12F for chemical spraying, as shown in FIG. and drug application information indicating the application amount of one or more types of drugs. Since the second learning model 12B for disease analysis and the second learning data 13B are configured in the same manner as in the first embodiment (see FIG. 7), description thereof is omitted.
  • the learning model 12-3 according to the third example is composed of a third learning model 12C for disease analysis (see FIG. 8) and a seventh learning model 12G for chemical spraying (see FIG. 20). .
  • the learning data acquisition unit 500 refers to various types of information registered in the test management database 42 by performing the disease analysis test, and receives operator input operations from the operator terminal device 2. , first to third and fifth to seventh learning data 13A to 13C and 13E to 13G are obtained.
  • the machine learning unit 501 performs machine learning using the first to third and fifth to seventh learning data 13A to 13C and 13E to 13G, respectively, and learns the first to the first for disease analysis. 3 learning models 12A to 12C and trained fifth to seventh learning models 12E to 12G for chemical spraying, respectively.
  • the learning model for disease analysis has a correlation between the cultivation state information and disease occurrence information indicating at least one of the degree of occurrence of disease, the degree of presence of a disease-causing substance, and the degree of presence of a hazard-causing substance. It is not limited to the above example as long as it is learned.
  • FIG. 21 is a block diagram showing an example of an information processing device 6b according to the third embodiment.
  • FIG. 22 is a functional explanatory diagram showing an example of the information processing device 6b according to the third embodiment.
  • the information acquisition unit 600 obtains the pathogen contamination state, Cultivation state information including growth state and environmental state is acquired.
  • the generation processing unit 601 converts the cultivation state information of the prediction target crop acquired by the information acquisition unit 600 into the first learning model 12A for disease analysis. to generate disease occurrence information on the crop, and input the generated disease occurrence information to the fifth learning model 12E for chemical spraying to generate chemical spray information on the crop.
  • the generation processing unit 601 converts the cultivation state information of the prediction target crop acquired by the information acquisition unit 600 into the second learning model 12B for disease analysis. to generate disease occurrence information on the crop, and input the generated disease occurrence information to the sixth learning model 12F for chemical spraying to generate chemical spray information on the crop.
  • the generation processing unit 601 converts the cultivation state information of the prediction target crop acquired by the information acquisition unit 600 into the third learning model 12C for disease analysis. to generate disease occurrence information on the crop, and input the generated disease occurrence information to the seventh learning model 12G for chemical spraying to generate chemical spray information on the crop.
  • the information processing device 6b and the information processing method according to the present embodiment by inputting the cultivation state information of the prediction target crop to the learning models 12-1 to 12-3, the prediction target crop As the disease information in , the application amount of the chemical is predicted.
  • the information processing devices 6, 6a, and 6b were described as predicting the disease information at the point in time when the cultivation state information was acquired (current point in time). ) may be used to predict disease information. At that time, the information processing devices 6, 6a, and 6b may predict the disease information at the present point in time and the disease information at the future point in time, or predict the disease information at a plurality of future points in time (for example, every week or month). It is also possible to predict the change over time of the disease information by predicting the disease information for each period. In that case, the data structure of the learning model and the data for learning may be changed as appropriate.
  • the cultivation management device 4A, the test management device 4B, the machine learning devices 5, 5a, 5b, and the information processing devices 6, 6a, 6b have been described as separate devices.
  • the device may consist of a single device, or any two or three of the four devices may consist of a single device. At least one of the machine learning devices 5 , 5 a and 5 b and the information processing devices 6 , 6 a and 6 b may be incorporated in the worker terminal device 2 .
  • machine learning models include, for example, tree types such as decision trees and regression trees, ensemble learning such as bagging and boosting, recurrent neural networks, convolutional neural networks, and neural network types such as LSTM (including deep learning ), hierarchical clustering, non-hierarchical clustering, k-nearest neighbor method, k-means method and other clustering types, principal component analysis, factor analysis, logistic regression and other multivariate analyzes, and support vector machines.
  • the present invention is provided in the form of a program (machine learning program) that causes the computer 900 to function as each part of the machine learning device 5, and a program (machine learning program) that causes the computer 900 to execute each step of the machine learning method.
  • a program information processing program
  • the present invention provides a program (information processing program) for causing the computer 900 to function as each unit provided in the information processing apparatus 6, and a program for causing the computer 900 to execute each step provided in the information processing method according to the above embodiment. It can also be provided in the form of (information processing program).
  • the present invention is not only based on the aspect of the information processing device 6 (information processing method or information processing program) according to the above embodiment, but also the aspect of the inference device (inference method or inference program) used for inferring disease information.
  • the inference device may include a memory and a processor, and the processor of these may execute a series of processes.
  • the series of processes includes an information acquisition process (information acquisition process) for acquiring cultivation state information of the crop to be predicted, and, when the cultivation state information is acquired by the information acquisition process, inferring disease information regarding the disease of the crop.
  • Inference processing inference process
  • an inference device inference method or inference program
  • it can be applied to various devices more easily than when implementing an information processing device.
  • an inference device inference method or inference program
  • an inference method performed by a generation processing unit using a learned learning model generated by the machine learning device and machine learning method according to the above embodiment. can be applied to those skilled in the art.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Husbandry (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

農作物の病害を簡易に予測することを可能とする情報処理装置を提供する。情報処理装置６は、予測対象の農作物における、１又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得部６００と、情報取得部６００により取得された栽培状態情報を、学習対象の農作物における栽培状態情報と、当該農作物における病害に関する病害情報との相関関係を機械学習により学習させた学習モデル１２Ａ～１２Ｃに入力することで、予測対象の農作物における病害情報を生成する生成処理部６０１とを備える。

Description

情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
　本発明は、情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法に関する。
　農作物に病害が発生した場合、農作物の生育状態だけでなく、農作物の収穫量や収穫品質にも多大な影響があるため、近年、農作物の栽培管理には、ＩＣＴ（情報通信技術）やＩｏＴ（モノのインターネット化）等の技術が導入されている。例えば、特許文献１には、農地の赤外線画像を解析し、当該農地の農作物の生育度を診断し、農作物の診断結果が異常値であった場合には、警告を発する農業支援システムが開示されている。
特開２００５－１５１８５１号公報
　農作物の栽培では、農作物や農作物が栽培される栽培環境（土壌、水、肥料、空気等）に病原指標体が存在することにより、病害が発生することがあり得る。病原指標体は、例えば、病害の発生原因となり得る病害原因物質や、農作物や栽培環境の汚染状態を評価する指標となり得る汚染指標物質等が挙げられる。
　しかしながら、特許文献１に開示された農業支援システムでは、赤外線画像に対する画像解析により農作物の生育度を診断するため、上記のような病原指標体は、赤外線画像として撮像困難であり、画像解析だけではその存在に基づいて農作物を診断することができない。
　本発明は、上記の課題に鑑み、農作物の病害を簡易に予測することを可能とする情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法を提供することを目的とする。
　上記目的を達成するために、本発明の一態様に係る情報処理装置は、
　予測対象の農作物における、１又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得部と、
　前記情報取得部により取得された前記栽培状態情報を、学習対象の農作物における前記栽培状態情報と、当該農作物における病害に関する病害情報との相関関係を機械学習により学習させた学習モデルに入力することで、前記予測対象の農作物における前記病害情報を生成する生成処理部と、を備える。
　本発明の一態様に係る情報処理装置によれば、予測対象の農作物における、１又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を学習モデルに入力することで出力される病害情報に基づいて、予測対象の農作物における病害が予測されるので、農作物の病害を簡易に予測することができる。
　上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにされる。
農作物栽培管理システム１の一例を示す全体構成図である。 栽培管理データベース４１及び試験管理データベース４２の一例を示すデータ構成図である。 栽培管理データベース４１及び試験管理データベース４２の一例を示すデータ構成図（図２の続き）である。 コンピュータ９００の一例を示すハードウエア構成図である。 第１の実施形態に係る機械学習装置５の一例を示すブロック図である。 第１の学習モデル１２Ａ及び第１の学習用データ１３Ａの一例を示す図である。 第２の学習モデル１２Ｂ及び第２の学習用データ１３Ｂの一例を示す図である。 第３の学習モデル１２Ｃ及び第３の学習用データ１３Ｃの一例を示す図である。 機械学習装置５による機械学習方法の一例を示すフローチャートである。 第１の実施形態に係る情報処理装置６の一例を示すブロック図である。 第１の実施形態に係る情報処理装置６の一例を示す機能説明図である。 情報処理装置６による情報処理方法の一例を示すフローチャートである。 第２の実施形態に係る機械学習装置５ａの一例を示すブロック図である。 第２の実施形態に係る第４の学習モデル１２Ｄ及び第４の学習用データ１３Ｄの一例を示す図である。 第２の実施形態に係る情報処理装置６ａの一例を示すブロック図である。 第２の実施形態に係る情報処理装置６ａの一例を示す機能説明図である。 第３の実施形態に係る機械学習装置５ｂの一例を示すブロック図である。 薬剤散布用の第５の学習モデル１２Ｅ及び第５の学習用データ１３Ｅの一例を示す図である。 薬剤散布用の第６の学習モデル１２Ｆ及び第６の学習用データ１３Ｆの一例を示す図である。 薬剤散布用の第７の学習モデル１２Ｇ及び第７の学習用データ１３Ｇの一例を示す図である。 第３の実施形態に係る情報処理装置６ｂの一例を示すブロック図である。 第３の実施形態に係る情報処理装置６ｂの一例を示す機能説明図である。
　以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
（第１の実施形態）
　図１は、農作物栽培管理システム１の一例を示す全体構成図である。本実施形態に係る農作物栽培管理システム１は、栽培環境１０にて栽培される予測対象の農作物を管理し、予測対象の農作物における病害を予測するシステムとして機能する。
　栽培環境１０は、各種の農作物を栽培するための環境であり、例えば、屋外の農地でもよいし、ビニールハウス、植物工場等のような屋内のいずれでもよい。また、栽培環境１０は、農作物を土壌で栽培するものだけでなく、水耕栽培のように、水と液体肥料により農作物を栽培するものでもよい。
　農作物は、野菜、果物、穀物、キノコ類等の主に食用の農作物であるが、飼料用、観賞用、織物用の農作物でもよい。農作物は、例えば、土壌にて種子や苗の状態から栽培されて、水や肥料が供給されるとともに、トラクター、コンバイン等の機械式の農機具や鍬や鋤等の手持ち式の農機具が各種の農作業に使用される。農作物は、その管理単位として、例えば、農地、ビニールハウス、植物工場等を所定の面積毎に区切った区画毎に管理されてもよいし、農地、ビニールハウス、植物工場等の全体を一括で管理されてもよいし、畝毎や株毎に管理されてもよい。
　病害は、農作物の生育状態の悪化、収穫量や収穫品質の低下を招くような各種の病害を含み、例えば、農作物に病害を発生させる原因となり得る病害原因物質が存在することで発生する。また、病害は、農作物に悪影響を与えるだけでなく、人体に悪影響を与えるような各種の食品事故（食中毒等）を発生させるようなものも含み、例えば、農作物を食することで人体に危害を及ぼす原因となり得る危害原因物質が存在することで発生する。さらに、上記のような病害原因物質及び危害原因物質とは異なる汚染指標物質の存在は、病害が発生する可能性や発生する病害の種類に影響を及ぼすこともあり得る。
　病害原因物質は、病害の発生原因となり得る物質である。病害原因物質は、病害の種類に応じて特定され、例えば、コムギいもち病の病原体である「Ｐｙｒｉｃｕｌａｒｉａ　ｏｒｙｚａｅ　Ｃａｖａｒａ」、カンキツモザイク病の病原体である「Ｃｉｔｒｕｓ　ｍｏｓａｉｃ　ｖｉｒｕｓ」、サツマイモ基腐病の病原体である「Ｄｉａｐｏｒｔｈｅ　ｄｅｓｔｒｕｅｎｓ」等が挙げられる。なお、病害原因物質は、病害の発生原因となり得るものであれば、上記の例に限られない。
　危害原因物質は、食品事故の発生原因となり得る物質である。危害原因物質は、主に生物学的な物質であり、その具体例としては、サルモネラ菌、腸炎ビブリオ菌、黄色ブドウ球菌、リステリア菌、カンピロバクター菌、腸管出血性大腸菌（Ｏ１５７等）、セレウス菌、ウエルシュ菌等が挙げられる。なお、危害原因物質は、食品事故の発生原因となり得るものであれば、上記の例に限られない。
　汚染指標物質は、農作物や栽培環境１０の汚染状態を評価する指標となり得る物質である。汚染指標物質は、農作物や栽培環境１０等に特定の因子が存在する状況を検出することで評価可能であり、特定の因子には、例えば、細菌、ウィルス、アレルゲン、ウイロイド、カビ等が含まれる。細菌の具体例としては、一般生菌、大腸菌群、大腸菌（Ｅ．ｃｏｌｉ）、腸球菌、耐熱性芽胞菌、クロストリジア、ブドウ球菌、ビブリオ属菌等が挙げられる。ウィルスの具体例としては、ノロウイルス、サポウイルス等が挙げられる。アレルゲンの具体例としては、卵由来タンパク質、乳由来タンパク質、小麦由来タンパク質、エビ由来タンパク質、カニ由来タンパク質等が挙げられる。ウイロイドの具体例としては、ジャガイモやせいもウイロイド、トマト退緑萎縮ウイロイド等が挙げられる。カビの具体例としては、クロカビ、アオカビ、コウジカビ等が挙げられる。なお、汚染指標物質は、農作物や栽培環境１０の汚染状態を表す指標となるものであれば、上記の例に限られない。
　農作物栽培管理システム１における病害の予測では、予測対象の農作物における、病害原因物質及び汚染指標物質を含む病原指標体の存在度を病原汚染状態として含む栽培状態情報に基づいて、その予測対象の農作物における病害情報として、病害の発生、病害原因物質の存在度、危害原因物質の存在度等を予測する。
　農作物栽培管理システム１は、その主要な構成として、図１に示すように、作業者端末装置２と、病原指標体検査装置３Ａと、危害原因物質検査装置３Ｂと、栽培管理装置４Ａと、試験管理装置４Ｂと、機械学習装置５と、情報処理装置６とを備える。各装置２～６は、例えば、汎用又は専用のコンピュータ（後述の図４参照）で構成されるとともに、有線又は無線のネットワーク７に接続されて、各種のデータを相互に送受信可能に構成される。なお、各装置２～６の数やネットワーク７の接続構成は、図１の例に限られず、適宜変更してもよい。
　作業者端末装置２は、栽培環境１０にて作業する作業者（農作業者、検査作業者、農場管理者、試験作業者等）が使用する端末装置であり、据置型の装置でもよいし、携帯型の装置でもよい。作業者端末装置２は、例えば、アプリケーションプログラム、ウェブブラウザ等の表示画面やリーダライタを介して各種の入力操作を受け付けるとともに、表示画面を介して各種の情報を表示する。
　病原指標体検査装置３Ａは、栽培環境１０において、例えば、農作物、農作物が栽培される土壌、農作物に供給される水、農作物に供給される肥料、栽培環境１０の空気、及び、農作業に使用される農機具を試料として、それらの少なくとも１つの試料に含まれる病原指標体（病害原因物質や汚染指標物質）の検査に用いられる。また、病原指標体検査装置３Ａは、栽培環境１０を模擬した試験環境１１で実施される病害解析試験においても、病原指標体の検査に用いられる。
　病原指標体検査装置３Ａは、例えば、検査キットや測定器等で構成され、１又は複数種類の病原指標体の存在度（存在の有無、存在レベル、個体数等）を検査可能な装置である。病原指標体検査装置３Ａが、病原指標体の検査結果をデータとして出力可能に構成されている場合には、その病原指標体の検査結果を病原汚染状態として含む栽培状態情報を送信する。病原指標体検査装置３Ａが、上記のような栽培状態情報を送信する機能を備えない場合には、検査作業者が、作業者端末装置２に対して病原指標体の検査結果を入力する入力操作を行うことで、作業者端末装置２が、その入力操作に基づく栽培状態情報を送信する。
　危害原因物質検査装置３Ｂは、病原指標体検査装置３Ａと同様に構成された装置であり、病害解析試験において、農作物を試料として、その試料に含まれる危害原因物質の検査に用いられる。
　危害原因物質検査装置３Ｂは、例えば、検査キットや測定器等で構成され、１又は複数種類の危害原因物質の存在度を検査可能な装置である。危害原因物質検査装置３Ｂが、危害原因物質の検査結果をデータとして出力可能に構成されている場合には、その危害原因物質体の検査結果を含む病害情報を送信する。危害原因物質検査装置３Ｂが、上記のような病害情報を送信する機能を備えない場合には、検査作業者が、作業者端末装置２に対して危害原因物質の検査結果を入力する入力操作を行うことで、作業者端末装置２が、その入力操作に基づく病害情報を送信する。
　病原指標体検査装置３Ａ及び危害原因物質検査装置３Ｂは、形態学的検査、生化学的性状検査、血清学的検査、及び、遺伝学的検査のうち、いずれの検査手法を実施するものでもよいし、複数の検査手法を組み合わせて実施するものでもよい。また、病原指標体検査装置３Ａ及び危害原因物質検査装置３Ｂは、検査対象となる病原指標体及び危害原因物質の種類が決められたものであるが、検査対象や検査手法が異なる複数タイプの病原指標体検査装置３Ａが使用されてもよい。本実施形態では、病原指標体検査装置３Ａは、試料から１又は複数種類の病原指標体の存在度を検査可能な遺伝子検査キットを用いるとともに、危害原因物質検査装置３Ｂは、試料から１又は複数種類の危害原因物質体の存在度を検査可能な遺伝子検査キットを用いる場合について説明する。
　なお、遺伝子検査キットは、例えば、ＰＣＲ検査法、ＤＮＡマイクロアレイを用いた検査法、次世代シーケンサを用いた検査法等を実施するものである。特に、ＤＮＡマイクロアレイや次世代シーケンサを用いた遺伝子検査キットでは、１つの試料から複数種類の病原指標体の存在度や複数種類の危害原因物質体の存在度を同時に検査可能である。
　栽培管理装置４Ａは、栽培環境１０における予測対象の農作物の生育状態や栽培環境１０の環境状態を監視するセンサ群４０Ａと、栽培環境１０における農作物の栽培状態を管理するための栽培管理データベース４１とを備える。栽培環境１０では、病原指標体検査装置３Ａが用いられる。なお、栽培管理装置４Ａは、複数個所の栽培環境１０を管理するものでもよい。
　試験管理装置４Ｂは、試験環境１１における学習対象の農作物の生育状態や試験環境１１の環境状態を監視するセンサ群４０Ｂと、試験環境１１における農作物の栽培状態を管理するための試験管理データベース４２とを備える。試験環境１１は、学習対象の農作物を試験的に栽培するために栽培環境１０を模擬したものであり、栽培環境１０にて想定される様々な栽培状態を再現可能に構成される。試験環境１１では、様々な試験条件にて発生する農作物の病害を解析するための病害解析試験が実施され、病原指標体検査装置３Ａ及び危害原因物質検査装置３Ｂが用いられる。病害解析試験は、栽培環境１０とは別の場所に設けられた試験環境１１で実施されることを基本とするが、栽培環境１０を試験環境１１として利用して実施されてもよい。なお、試験管理装置４Ｂは、複数個所の試験環境１１を管理するものでもよい。
　センサ群４０Ａ、４０Ｂは、例えば、農作物の生育状態として、農作物の蒸散速度、光合成速度、損傷の有無等を検出する農作物センサ、栽培環境１０又は試験環境１１の環境状態として、温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等の気象条件を検出する気象センサ、土壌の温度、湿度、水分含量、水の流れ、水素イオン指数（ｐＨ）、有機物量、窒素量、リン酸量、カリウム量、カルシウム量、マグネシウム量、硫黄量等の土壌条件を検出する土壌センサで構成される。センサ群４０Ａ、４０Ｂは、検出対象に応じて検出場所（複数個所でもよい）や検出方式を適宜決定すればよく、例えば、画像センサ（カメラ）を使用してもよい。また、センサ群４０Ａ、４０Ｂは、栽培環境１０及び試験環境１１だけでなく、栽培環境１０及び試験環境１１から所定の距離だけ離れた周辺環境（異なる距離や異なる方角に応じた複数個所でもよい）に設置されていてもよく、その場合には、環境状態として、周辺環境に設置されたセンサ群４０Ａ、４０Ｂで検出されたものでもよい。気象条件は、気象センサに代えて、外部の気象情報提供装置（不図示）から提供された気象情報に基づいて取得されてもよく、栽培環境１０及び試験環境１１における気象情報だけでなく、周辺環境における気象情報が取得されてもよい。
　栽培管理データベース４１には、センサ群４０Ａの検出結果（生育状態や環境状態）、病原指標体検査装置３Ａによる病原指標体の検査結果（病原汚染状態）、施肥や薬剤散布等の作業結果等が登録される。試験管理データベース４２には、センサ群４０Ｂの検出結果（生育状態や環境状態）、病原指標体検査装置３Ａによる病原指標体の検査結果（病原汚染状態）、危害原因物質検査装置３Ｂによる危害原因物質体の検査結果（病害情報）、試験作業者が目視や測定器にて農作物における病害の発生度（発生の有無、発生レベル等）を判定したときの判定結果（病害情報）、施肥や薬剤散布等の作業結果等が登録される。なお、栽培管理データベース４１及び試験管理データベース４２の詳細は後述する。
　機械学習装置５は、機械学習の学習フェーズの主体として動作する装置である。機械学習装置５は、例えば、試験管理装置４Ｂから試験環境１１で実施された病害解析試験の試験結果を学習用データ１３として取得し、その学習用データ１３に基づいて、情報処理装置６にて用いられる学習モデル１２を機械学習により生成する。学習済みの学習モデル１２は、ネットワーク７や記録媒体等を介して情報処理装置６に提供される。
　情報処理装置６は、機械学習の推論フェーズの主体として動作する装置である。情報処理装置６は、機械学習装置５により生成された学習モデル１２を用いて、予測対象の農作物における、１又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報に基づいて、その予測対象の農作物における病害を予測する。その予測結果としての病害情報は、例えば、作業者端末装置２に提供されて、検査作業者や農場管理者に提示される。また、病害情報は、栽培管理装置４Ａに提供されて、栽培管理データベース４１に蓄積される。
　図２及び図３は、栽培管理データベース４１及び試験管理データベース４２の一例を示すデータ構成図である。なお、各テーブルには、各情報が取得されたときの時刻も合わせて登録されるが、図２及び図３では、時刻に関するフィールドを省略したものである。また、図２及び図３では、各テーブルのフィールドには、０～１の範囲に正規化された値が登録される場合の登録例が示されている。
　栽培管理データベース４１は、栽培環境１０にて栽培される農作物の栽培状態を、農作物の種類別や管理単位別に管理するデータベースである。栽培管理データベース４１は、例えば、農作物テーブル４１０、病原汚染テーブル４１１、生育テーブル４１２、環境テーブル４１３、及び、農作業テーブル４１４を有し、農作物を特定する農作物ＩＤに基づいて管理される。
　試験管理データベース４２は、試験環境１１にて栽培される農作物の栽培状態を、農作物の種類別や管理単位別に管理するデータベースである。試験管理データベース４２は、栽培管理データベース４１と同様に、例えば、農作物テーブル４２０、病原汚染テーブル４２１、生育テーブル４２２、環境テーブル４２３、及び、農作業テーブル４２４を有するとともに、病害テーブル４２５をさらに有する。
　農作物テーブル４１０、４２０は、例えば、農作業者や農場管理者が作業者端末装置２を用いて入力することで、農作物の種類や区画（管理単位）が登録される。
　病原汚染テーブル４１１、４２１は、病原指標体検査装置３Ａによる農作物の検査結果である病原汚染状態として、１又は複数種類（図２の例では４種類）の病原指標体の存在度が試料の種類別に登録される。試料の種類は、例えば、農作物、土壌、水、肥料、空気、農機具等が挙げられる。病原指標体は、病原指標体検査装置３Ａの検査対象である病害原因物質又は汚染指標物質であり、病原指標体の種類やその種類数は、試料の種類毎に異なるものでもよい。また、病原汚染テーブル４１１、４２１には、病原指標体を媒介する１又は複数種類の媒介生物の存在度が登録されてもよく、センサ群４０Ａ、４０Ｂの検出結果として登録されてもよいし、農作業者が媒介生物の存在度を観察したときの観察結果が作業者端末装置２を用いて入力されることで登録されてもよい。さらに、媒介生物の存在度としては、栽培環境１０及び試験環境１１から所定の距離だけ離れた周辺環境（異なる距離や異なる方角に応じた複数個所でもよい）に設置されたセンサ群４０Ａ、４０Ｂの検出結果や、周辺環境での農作業者の観察結果が登録されてもよい。
　生育テーブル４１２、４２２は、センサ群４０Ａ、４０Ｂの検出結果である生育状態として、農作物の蒸散速度、光合成速度、損傷の有無等が登録される。なお、損傷の有無は、農作業者が農作物を観察したときの観察結果が作業者端末装置２を用いて入力されることで登録されてもよい。
　環境テーブル４１３、４２３は、センサ群４０Ａ、４０Ｂの検出結果である環境状態として、気象条件（温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等）と、土壌条件（温度、湿度、水分含量、水の流れ、水素イオン指数（ｐＨ）、有機物量、窒素量、リン酸量、カリウム量、カルシウム量、マグネシウム量、硫黄量等）とが登録される。なお、気象条件は、外部の気象情報提供装置から提供された気象情報が登録されてもよい。
　農作業テーブル４１４、４２４は、農作業者により耕耘、播種、施肥、薬剤散布、収穫等の農作業が実施されたときの作業結果が作業者端末装置２を用いて入力されることで、農作業の作業内容が登録される。薬剤散布の作業結果としては、例えば、散布された薬剤の種類と散布量が登録され、複数種類の薬剤が散布された場合には、各薬剤の種類と散布量が登録される。
　病害テーブル４２５は、危害原因物質検査装置３Ｂによる農作物の検査結果として、１又は複数種類の病害原因物質（図３の例では３種類）の存在度、１又は複数種類の危害原因物質（図３の例では３種類）の存在度が登録される。また、病害テーブルは、試験作業者が目視や測定器にて農作物における１又は複数種類の病害（図３の例では３種類）の発生度を判定したときの判定結果が作業者端末装置２を用いて入力されることで、病害の発生度が登録される。
（各装置のハードウエア構成）
　図４は、コンピュータ９００の一例を示すハードウエア構成図である。農作物栽培管理システム１の各装置２～６は、汎用又は専用のコンピュータ９００により構成される。
　コンピュータ９００は、図４に示すように、その主要な構成要素として、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信Ｉ／Ｆ（インターフェース）部９２２、外部機器Ｉ／Ｆ部９２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部９２６、及び、メディア入出力部９２８を備える。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。
　プロセッサ９１２は、１つ又は複数の演算処理装置（ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ　ｕｎｉｔ）、ＤＳＰ（ｄｉｇｉｔａｌ　ｓｉｇｎａｌ　ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等）で構成され、コンピュータ９００全体を統括する制御部として動作する。メモリ９１４は、各種のデータ及びプログラム９３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ）、フラッシュメモリ等とで構成される。
　入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス９１７は、例えば、音（音声）出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等で構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶する。
　通信Ｉ／Ｆ部９２２は、インターネットやイントラネット等のネットワーク９４０（図１のネットワーク７と同じであってもよい）に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器Ｉ／Ｆ部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続され、所定の通信規格に従って外部機器９５０との間でデータの送受信を行う通信部として機能する。Ｉ／ＯデバイスＩ／Ｆ部９２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス９６０に接続され、Ｉ／Ｏデバイス９６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部９２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置で構成され、ＤＶＤ、ＣＤ等のメディア（非一時的な記憶媒体）９７０に対してデータの読み書きを行う。
　上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式でメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信Ｉ／Ｆ部９２２を介してネットワーク９４０経由でダウンロードすることによりコンピュータ９００に提供されてもよい。また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することで実現する各種の機能を、例えば、ＦＰＧＡ、ＡＳＩＣ等のハードウエアで実現するものでもよい。
　コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ９００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ９００は、各装置２～６以外の装置にも適用されてもよい。
（機械学習装置５）
　図５は、第１の実施形態に係る機械学習装置５の一例を示すブロック図である。機械学習装置５は、制御部５０、通信部５１、学習用データ記憶部５２、及び、学習済みモデル記憶部５３を備える。
　制御部５０は、学習用データ取得部５００及び機械学習部５０１として機能する。通信部５１は、ネットワーク７を介して外部装置と接続され、各種のデータを送受信する通信インターフェースとして機能する。
　学習用データ取得部５００は、通信部５１及びネットワーク７を介して外部装置（例えば、作業者端末装置２、試験管理装置４Ｂ等）と接続され、入力データとしての栽培状態情報と、出力データとしての病害情報とで構成される学習用データ１３を取得する。学習用データ１３は、教師あり学習における教師データ（トレーニングデータ）、検証データ及びテストデータとして用いられるデータである。また、病害情報は、教師あり学習における正解ラベルとして用いられるデータである。
　学習用データ記憶部５２は、学習用データ取得部５００で取得した学習用データ１３を複数組記憶するデータベースである。なお、学習用データ記憶部５２を構成するデータベースの具体的な構成は適宜設計すればよい。
　機械学習部５０１は、学習用データ記憶部５２に記憶された複数組の学習用データ１３を用いて機械学習を実施する。すなわち、機械学習部５０１は、学習モデル１２に学習用データ１３を複数組入力し、学習用データ１３に含まれる栽培状態情報と病害情報との相関関係を学習モデル１２に学習させることで、学習済みの学習モデル１２を生成する。なお、機械学習部５０１は、学習モデル１２に入力する入力データ（栽培状態情報）に対して所定の前処理を行うようにしてもよいし、学習モデル１２から出力される出力データ（病害情報）に対して所定の後処理を行うようにしてもよい。
　学習済みモデル記憶部５３は、機械学習部５０１により生成された学習済みの学習モデル１２（具体的には、調整済みの重みパラメータ群）を記憶するデータベースである。学習済みモデル記憶部５３に記憶された学習済みの学習モデル１２は、ネットワーク７や記録媒体等を介して実システム（例えば、情報処理装置６）に提供される。なお、図５では、学習用データ記憶部５２と、学習済みモデル記憶部５３とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。
　本実施形態では、学習用データ１３が、病害情報として、病害の発生度、病害原因物質の存在度、及び、危害原因物質の存在度をそれぞれ含む第１乃至第３の学習用データ１３Ａ～１３Ｃで構成される場合であって、機械学習部５０１が、第１乃至第３の学習用データ１３Ａ～１３Ｃから第１乃至第３の学習モデル１２Ａ～１２Ｃをそれぞれ生成する場合について説明する。
　図６は、病害情報が病害の発生度である場合の第１の学習モデル１２Ａ及び第１の学習用データ１３Ａの一例を示す図である。第１の学習モデル１２Ａの機械学習に用いられる第１の学習用データ１３Ａは、栽培状態情報と、１又は複数種類の病害の発生度を含む病害情報とで構成される。
　第１の学習用データ１３Ａを構成する栽培状態情報は、学習対象の農作物における、病原汚染状態と、生育状態と、環境状態とを含む。
　病原汚染状態は、試料に含まれる１又は複数種類の病原指標体の存在度であり、病原指標体の存在度は、例えば、病原指標体の有無、存在レベル、個体数等で表される。存在レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲（例えば、０～１）に正規化された値でもよい。
　試料は、例えば、葉、茎、根、実等の農作物自体をミキサー等で摩砕したものでもよいし、農作物の表面を綿棒等で拭き取ったものでもよい。また、試料は、農作物に限られず、農作物が栽培される土壌、農作物に供給される水（農業用水、スプリンクラー、雨水等）、農作物に供給される肥料（粒状、液状、霧状等いずれでもよい）、栽培環境１０の空気（屋外又は屋内の空気）、及び、農作業に使用される農機具（機械式、手持ち式のいずれでもよい）であってもよい。その場合、病原汚染状態は、農作物、土壌、水、肥料、空気、及び、農機具を試料として、それらの少なくとも１つの試料に含まれる複数種類の病原指標体の存在度としてもよい。図６の例では、病原汚染状態は、上記の６つの試料にそれぞれ含まれる４種類の病原指標体の存在度である場合が示されている。
　病原指標体の種類としては、図６に示すように、病害原因物質が割り当てられることを基本とするが、病害原因物質に加えて、汚染指標物質が割り当てられてもよい。病害原因物質の種類としては、例えば、コムギいもち病の病原体である「Ｐｙｒｉｃｕｌａｒｉａ　ｏｒｙｚａｅ　Ｃａｖａｒａ」、カンキツモザイク病の病原体である「Ｃｉｔｒｕｓ　ｍｏｓａｉｃ　ｖｉｒｕｓ」、サツマイモ基腐病の病原体である「Ｄｉａｐｏｒｔｈｅ　ｄｅｓｔｒｕｅｎｓ」等が割り当てられる。病原指標体の種類やその種類数は、試料の種類毎に異なるものでもよい。
　なお、病原汚染状態は、病原指標体を媒介する１又は複数種類の媒介生物の存在度をさらに含むものでもよい。媒介生物は、昆虫、線虫、糸状菌等であり、媒介生物の存在度は、例えば、媒介生物の有無、存在レベル、個体数等で表される。
　生育状態は、農作物の蒸散速度、光合成速度、損傷の有無等である。
　環境状態は、温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等の気象条件と、土壌の温度、湿度、水分含量、水の流れ、水素イオン指数（ｐＨ）、有機物量、窒素量、リン酸量、カリウム量、カルシウム量、マグネシウム量、硫黄量等の土壌条件とのうち少なくとも一方を含む。
　なお、栽培状態情報は、病原汚染状態を少なくとも含むものであればよく、生育状態及び環境状態のうちいずれか一方は省略されてもよいし、他の状態を含むものでもよい。また、栽培状態情報に含まれる病原汚染状態、生育状態、及び、環境状態は、所定の時点の状態を示す時点データでもよいし、所定の時間間隔（１時間毎、１日毎、１週間毎、１か月毎等）による複数の時点データからなる時系列データでもよい。栽培状態情報の定義は適宜変更してもよく、その場合には、第１の学習モデル１２Ａ及び第１の学習用データ１３Ａにおける入力データのデータ構成を適宜変更すればよい。
　第１の学習用データ１３Ａを構成する病害情報は、学習対象の農作物における、１又は複数種類の病害の発生度を含む。病害の発生度は、例えば、病害の発生の有無、発生レベル等で表される。発生レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲（例えば、０～１）に正規化された値でもよい。病害の種類としては、例えば、コムギいもち病、カンキツモザイク病、サツマイモ基腐病等が割り当てられる。病害情報の定義は、適宜変更してもよく、その場合には、第１の学習モデル１２Ａ及び第１の学習用データ１３Ａにおける出力データのデータ構成を適宜変更すればよい。
　学習用データ取得部５００は、病害解析試験が実施されることで試験管理データベース４２に登録された各種の情報を参照したり、作業者端末装置２から作業者の入力操作を受け付けたりすることにより、第１の学習用データ１３Ａを取得する。学習用データ取得部５００が、試験管理データベース４２を参照する際には、例えば、病原汚染テーブル４２１、生育テーブル４２２、環境テーブル４２３、及び、病害テーブル４２５において、特定の農作物ＩＤで関連付けられた病原汚染状態、生育状態、環境状態、及び、病害の発生度を取得することにより、第１の学習用データ１３Ａを取得する。
　第１の学習モデル１２Ａは、例えば、ニューラルネットワークの構造を採用したものであり、入力層１２０、中間層１２１、及び、出力層１２２を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス（不図示）が張られており、各シナプスには、重みがそれぞれ対応付けられている。各シナプスの重みからなる重みパラメータ群が、機械学習により調整される。
　入力層１２０は、入力データとしての栽培状態情報に対応する数のニューロンを有し、栽培状態情報の各値が各ニューロンにそれぞれ入力される。出力層１２２は、出力データとしての病害情報に対応する数のニューロンを有し、栽培状態情報に対する病害情報の予測結果（推論結果）が、出力データとして出力される。第１の学習モデル１２Ａが、回帰モデルで構成される場合には、病害情報は、所定の範囲（例えば、０～１）に正規化された数値でそれぞれ出力される。また、第１の学習モデル１２Ａが、分類モデルで構成される場合には、病害情報は、各クラスに対するスコア（確度）として、所定の範囲（例えば、０～１）に正規化された数値でそれぞれ出力される。
　機械学習部５０１は、第１の学習モデル１２Ａに第１の学習用データ１３Ａを複数組入力し、第１の学習用データ１３Ａに含まれる栽培状態情報と病害情報との相関関係を第１の学習モデル１２Ａに学習させることで、学習済みの第１の学習モデル１２Ａを生成する。
　図７は、病害情報が病害原因物質の存在度である場合の第２の学習モデル１２Ｂ及び第２の学習用データ１３Ｂの一例を示す図である。第２の学習モデル１２Ｂの機械学習に用いられる第２の学習用データ１３Ｂは、栽培状態情報と、１又は複数種類の病害原因物質の存在度を含む病害情報とで構成される。
　第２の学習用データ１３Ｂを構成する栽培状態情報は、第１の学習用データ１３Ａと同様に、学習対象の農作物における、病原汚染状態と、生育状態と、環境状態とを含む。病原汚染状態は、図７に示すように、試料に含まれる１又は複数種類の汚染指標物質の存在度である。汚染指標物質の種類としては、例えば、一般生菌、カビ等が割り当てられる。汚染指標物質の種類やその種類数は、試料の種類毎に異なるものでもよい。その他は第１の学習用データ１３Ａと同様であるため、説明を省略する。
　第２の学習用データ１３Ｂを構成する病害情報は、学習対象の農作物における、１又は複数種類の病害原因物質の存在度を含む。病害原因物質の存在度は、例えば、病害原因物質の有無、存在レベル、個体数等で表される。存在レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲（例えば、０～１）に正規化された値でもよい。病害原因物質の種類としては、例えば、コムギいもち病の病原体である「Ｐｙｒｉｃｕｌａｒｉａ　ｏｒｙｚａｅ　Ｃａｖａｒａ」、カンキツモザイク病の病原体である「Ｃｉｔｒｕｓ　ｍｏｓａｉｃ　ｖｉｒｕｓ」、サツマイモ基腐病の病原体である「Ｄｉａｐｏｒｔｈｅ　ｄｅｓｔｒｕｅｎｓ」等が割り当てられる。
　学習用データ取得部５００は、病害解析試験が実施されることで試験管理データベース４２に登録された各種の情報を参照したり、作業者端末装置２から作業者の入力操作を受け付けたりすることにより、第２の学習用データ１３Ｂを取得する。学習用データ取得部５００が、試験管理データベース４２を参照する際には、例えば、病原汚染テーブル４２１、生育テーブル４２２、環境テーブル４２３、及び、病害テーブル４２５において、特定の農作物ＩＤで関連付けられた病原汚染状態、生育状態、環境状態、及び、病害原因物質の存在度を取得することにより、第２の学習用データ１３Ｂを取得する。
　機械学習部５０１は、第２の学習モデル１２Ｂに第２の学習用データ１３Ｂを複数組入力し、第２の学習用データ１３Ｂに含まれる栽培状態情報と病害情報との相関関係を第２の学習モデル１２Ｂに学習させることで、学習済みの第２の学習モデル１２Ｂを生成する。
　図８は、病害情報が危害原因物質の存在度である場合の第３の学習モデル１２Ｃ及び第３の学習用データ１３Ｃの一例を示す図である。第３の学習モデル１２Ｃの機械学習に用いられる第３の学習用データ１３Ｃは、栽培状態情報と、１又は複数種類の危害原因物質の存在度を含む病害情報とで構成される。
　第３の学習用データ１３Ｃを構成する栽培状態情報は、第１の学習用データ１３Ａと同様に、学習対象の農作物における、病原汚染状態と、生育状態と、環境状態とを含む。病原汚染状態は、図８に示すように、試料に含まれる１又は複数種類の汚染指標物質の存在度である。汚染指標物質の種類としては、例えば、一般生菌、カビ等が割り当てられる。汚染指標物質の種類やその種類数は、試料の種類毎に異なるものでもよい。その他は第１の学習用データ１３Ａと同様であるため、説明を省略する。
　第３の学習用データ１３Ｃを構成する病害情報は、学習対象の農作物における、１又は複数種類の危害原因物質の存在度を含む。危害原因物質の存在度は、例えば、危害原因物質の有無、存在レベル、個体数等で表される。存在レベルは、段階値又は連続値であり、連続値の場合には、所定の範囲（例えば、０～１）に正規化された値でもよい。危害原因物質の種類としては、例えば、リステリア菌等が割り当てられる。
　学習用データ取得部５００は、病害解析試験が実施されることで試験管理データベース４２に登録された各種の情報を参照したり、作業者端末装置２から作業者の入力操作を受け付けたりすることにより、第３の学習用データ１３Ｃを取得する。学習用データ取得部５００が、試験管理データベース４２を参照する際には、例えば、病原汚染テーブル４２１、生育テーブル４２２、環境テーブル４２３、及び、病害テーブル４２５において、特定の農作物ＩＤで関連付けられた病原汚染状態、生育状態、環境状態、及び、危害原因物質の存在度を取得することにより、第３の学習用データ１３Ｃを取得する。
　機械学習部５０１は、第３の学習モデル１２Ｃに第３の学習用データ１３Ｃを複数組入力し、第３の学習用データ１３Ｃに含まれる栽培状態情報と病害情報との相関関係を第３の学習モデル１２Ｃに学習させることで、学習済みの第３の学習モデル１２Ｃを生成する。
　なお、本実施形態では、学習モデル１２及び学習用データ１３のデータ構成は、図６乃至図８で示すように構成される場合について説明したが、例えば、機械学習の手法、農作物の種類、病原指標体検査装置３Ａのタイプ（検査対象や検査手法）、危害原因物質検査装置３Ｂのタイプ（検査対象や検査手法）、栽培状態情報に含まれるデータの種類、病害情報に含まれるデータの種類等のように、条件が異なる複数のデータ構成を採用してもよい。その場合には、学習用データ取得部５００は、条件が異なる複数のデータ構成にそれぞれ対応する複数種類の学習用データを取得するとともに、機械学習部５０１は、それらの学習用データをそれぞれ用いて機械学習を実施するようにすればよい。
　例えば、図６乃至図８では、試料として、農作物、土壌、水、肥料、空気及び農機具の６種類が示されているが、播種が行われる前の栽培環境１０における病害情報を予測する場合には、農作物を除いた他の試料（例えば、土壌及び水の２種類等）に基づくデータ構成を採用してもよいし、空気や農機具の殺菌が行われている場合には、空気及び農機具を除いた他の試料（例えば、農作物、土壌、水及び肥料の４種類等）に基づくデータ構成を採用してもよい。
（機械学習方法）
　図９は、機械学習装置５による機械学習方法の一例を示すフローチャートである。以下では、複数組の学習用データ１３を用いて学習モデル１２を生成するものとして説明するが、第１乃至第３の学習用データ１３Ａ～１３Ｃの各々を用いて第１乃至第３の学習モデル１２Ａ～１２Ｃをそれぞれ作成する場合に適用される。
　まず、ステップＳ１００において、学習用データ取得部５００は、機械学習を開始するための事前準備として、所望の数の学習用データ１３を取得し、その取得した学習用データ１３を学習用データ記憶部５２に記憶する。ここで準備する学習用データ１３の数については、最終的に得られる学習モデル１２に求められる推論精度を考慮して設定すればよい。
　次に、ステップＳ１１０において、機械学習部５０１は、機械学習を開始すべく、学習前の学習モデル１２を準備する。ここで準備する学習前の学習モデル１２は、図６に例示したニューラルネットワークモデルで構成されており、各シナプスの重みが初期値に設定されている。
　次に、ステップＳ１２０において、機械学習部５０１は、学習用データ記憶部５２に記憶された複数組の学習用データ１３から、例えば、ランダムに１組の学習用データ１３を取得する。
　次に、ステップＳ１３０において、機械学習部５０１は、１組の学習用データ１３に含まれる栽培状態情報（入力データ）を、準備された学習前（又は学習中）の学習モデル１２の入力層１２０に入力する。その結果、学習モデル１２の出力層１２２から推論結果として病害情報（出力データ）が出力されるが、当該出力データは、学習前（又は学習中）の学習モデル１２によって生成されたものである。そのため、学習前（又は学習中）の状態では、推論結果として出力された出力データは、学習用データ１３に含まれる病害情報（正解ラベル）とは異なる情報を示す。
　次に、ステップＳ１４０において、機械学習部５０１は、ステップＳ１２０において取得された１組の学習用データ１３に含まれる病害情報（正解ラベル）と、ステップＳ１３０において出力層から推論結果として出力された病害情報（出力データ）とを比較し、各シナプスの重みを調整する処理（バックプロパゲーション）を実施することで、機械学習を実施する。これにより、機械学習部５０１は、栽培状態情報と病害情報との相関関係を学習モデル１２に学習させる。
　次に、ステップＳ１５０において、機械学習部５０１は、所定の学習終了条件が満たされたか否かを、例えば、学習用データ１３に含まれる病害情報（正解ラベル）と、推論結果として出力された病害情報（出力データ）とに基づく誤差関数の評価値や、学習用データ記憶部５２内に記憶された未学習の学習用データ１３の残数に基づいて判定する。
　ステップＳ１５０において、機械学習部５０１が、学習終了条件が満たされておらず、機械学習を継続すると判定した場合（ステップＳ１５０でＮｏ）、ステップＳ１２０に戻り、学習中の学習モデル１２に対してステップＳ１２０～Ｓ１４０の工程を未学習の学習用データ１３を用いて複数回実施する。一方、ステップＳ１５０において、機械学習部５０１が、学習終了条件が満たされて、機械学習を終了すると判定した場合（ステップＳ１５０でＹｅｓ）、ステップＳ１６０に進む。
　そして、ステップＳ１６０において、機械学習部５０１は、各シナプスに対応付けられた重みを調整することで生成された学習済みの学習モデル１２（調整済みの重みパラメータ群）を学習済みモデル記憶部５３に記憶し、図９に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１００が学習用データ記憶工程、ステップＳ１１０～Ｓ１５０が機械学習工程、ステップＳ１６０が学習済みモデル記憶工程に相当する。
　以上のように、本実施形態に係る情報処理装置６及び情報処理方法によれば、農作物における栽培状態情報から、当該農作物に対する病害情報を予測（推論）することが可能な学習モデル１２（第１乃至第３の学習モデル１２Ａ～１２Ｃ）を提供することができる。
（情報処理装置６）
　図１０は、第１の実施形態に係る情報処理装置６の一例を示すブロック図である。図１１は、第１の実施形態に係る情報処理装置６の一例を示す機能説明図である。情報処理装置６は、制御部６０、通信部６１、及び、学習済みモデル記憶部６２を備える。
　制御部６０は、情報取得部６００、生成処理部６０１及び出力処理部６０２として機能する。通信部６１は、ネットワーク７を介して外部装置と接続され、各種のデータを送受信する通信インターフェースとして機能する。
　情報取得部６００は、通信部６１及びネットワーク７を介して外部装置（例えば、作業者端末装置２、栽培管理装置４Ａ等）と接続され、予測対象の農作物における、病原汚染状態、生育状態及び環境状態を含む栽培状態情報を取得する。例えば、情報取得部６００は、予測対象の農作物に対して病原指標体検査装置３Ａによる病原指標体の検査が行われたときの検査結果として、作業者端末装置２又は病原指標体検査装置３Ａから病原汚染状態を受信し、栽培管理装置４Ａのセンサ群４０Ａから生育状態や環境状態を受信することで、栽培状態情報を取得する。また、栽培管理データベース４１に、予測対象の農作物における、病原汚染状態、生育状態及び環境状態が登録されている場合には、情報取得部６００は、栽培管理データベース４１を参照することで、栽培状態情報を取得する。
　その際、情報取得部６００は、第１乃至第３の学習モデル１２Ａ～１２Ｃの各々における入力データのデータ構成に合わせて栽培状態情報を取得すればよく、例えば、図１１に示すように、病原汚染状態として、第１の学習モデル１２Ａに対しては病害原因物質の存在度を取得し、第２及び第３の学習モデル１２Ｂ、１２Ｃに対しては汚染指標物質の存在度を取得する。なお、情報取得部６００が、生育状態及び環境状態の時系列データを取得する場合には、センサ群４０Ａから現在時点の生育状態及び環境状態を取得し、栽培管理データベース４１から過去時点の生育状態及び環境状態を取得するようにしてもよい。
　生成処理部６０１は、上記のように、情報取得部６００により取得された予測対象の農作物における栽培状態情報を入力データとして学習モデル１２に入力することで出力される病害情報に基づいて、当該農作物における病害情報を生成する。具体的には、生成処理部６０１は、栽培状態情報を第１乃至第３の学習モデル１２Ａ～１２Ｃのそれぞれに入力することで、病害の発生度、病害原因物質の存在度、及び、危害原因物質の存在度をそれぞれ含む病害情報を生成する。なお、生成処理部６０１は、学習モデル１２に入力する入力データ（栽培状態情報）に対して所定の前処理を行うようにしてもよいし、学習モデル１２から出力される出力データ（病害情報）に対して所定の後処理を行うようにしてもよい。
　学習済みモデル記憶部６２は、生成処理部６０１にて用いられる学習済みの学習モデル１２（具体的には、第１乃至第３の学習モデル１２Ａ～１２Ｃ）を記憶するデータベースである。なお、学習済みモデル記憶部６２に記憶される学習モデル１２の数は上記の例に限定されず、例えば、機械学習の手法、農作物の種類、病原指標体検査装置３Ａのタイプ（検査対象や検査手法）、危害原因物質検査装置３Ｂのタイプ（検査対象や検査手法）、栽培状態情報に含まれるデータの種類、病害情報に含まれるデータの種類等のように、条件が異なる複数の学習済みモデルが記憶され、選択的に利用可能としてもよい。また、学習済みモデル記憶部６２は、外部コンピュータ（例えば、サーバ型コンピュータやクラウド型コンピュータ）の記憶部で代用されてもよく、その場合には、生成処理部６０１は、当該外部コンピュータにアクセスすればよい。
　出力処理部６０２は、生成処理部６０１により生成された病害情報を出力するための出力処理を行う。例えば、出力処理部６０２は、その病害情報を作業者端末装置２に送信することで、その病害情報に基づく表示画面が作業者端末装置２に表示されてもよいし、その病害情報を栽培管理装置４Ａに送信することで、その病害情報が栽培管理データベース４１に登録されてもよい。
（情報処理方法）
　図１２は、情報処理装置６による情報処理方法の一例を示すフローチャートである。以下では、検査作業者が病原指標体検査装置３Ａを用いて予測対象の農作物に対して病原指標体の検査を行った場合の情報処理装置６の動作例について説明する。
　まず、ステップＳ２００において、情報処理装置６の情報取得部６００は、病原指標体検査装置３Ａから、病原指標体（病害原因物質や汚染指標物質）の検査結果である予測対象の農作物における病原汚染状態を受信する。その際、情報取得部６００は、その予測対象の農作物を特定する農作物ＩＤも合わせて受信する。そして、情報取得部６００は、農作物ＩＤに基づいて、予測対象の農作物を監視するセンサ群４０Ａの検出結果を受信したり、栽培管理データベース４１を参照したりすることで、予測対象の農作物における生育状態及び環境状態を取得する。その結果として、情報取得部６００は、予測対象の農作物における、病原汚染状態、生育状態及び環境状態を含む栽培状態情報を取得する。
　次に、ステップＳ２１０において、生成処理部６０１は、ステップＳ２００にて取得された栽培状態情報を第１乃至第３の学習モデル１２Ａ～１２Ｃにそれぞれ入力することで、当該栽培状態情報に対する病害情報を出力データとして生成し、農作物における病害情報を予測する。なお、生成処理部６０１は、例えば、検査作業者や農場管理者による指示操作を受け付けることで、その指示操作に基づいて、第１乃至第３の学習モデル１２Ａ～１２Ｃのいずれかに栽培状態情報を入力してもよい。
　次に、ステップＳ２２０において、出力処理部６０２は、ステップＳ２１０にて生成された病害情報を出力するための出力処理として、その病害情報を、検査作業者や農場管理者が使用する作業者端末装置２に送信する。そして、作業者端末装置２が、その病害情報に基づいて表示画面を表示することで、その農作物における病害情報が検査作業者や農場管理者に提示される。なお、病害情報の送信先は、作業者端末装置２に加えて又は代えて、栽培管理装置４Ａでもよい。上記の情報処理方法において、ステップＳ２００が情報取得工程、ステップＳ２１０が生成処理工程、ステップＳ２２０が出力処理工程に相当する。
　以上のように、本実施形態に係る情報処理装置６及び情報処理方法によれば、予測対象の農作物における栽培状態情報を学習モデル１２（第１乃至第３の学習モデル１２Ａ～１２Ｃ）に入力することで、予測対象の農作物における病害情報として、病害の発生度、病害原因物質の存在度、及び、危害原因物質の存在度が予測される。
（第２の実施形態）
　第２の実施形態は、病害情報が、予測対象の農作物に対する１又は複数種類の薬剤の散布量を示す薬剤散布情報を含む点で第１の実施形態と相違する。以下では、第２の実施形態に係る機械学習装置５ａ及び情報処理装置６ａについて、第１の実施形態と異なる部分を中心に説明する。
　図１３は、第２の実施形態に係る機械学習装置５ａの一例を示すブロック図である。図１４は、第２の実施形態に係る第４の学習モデル１２Ｄ及び第４の学習用データ１３Ｄの一例を示す図である。第４の学習モデル１２Ｄの機械学習に用いられる第４の学習用データ１３Ｄは、栽培状態情報と、１又は複数種類の薬剤の散布量を示す薬剤散布情報を含む病害情報とで構成される。
　第４の学習用データ１３Ｄを構成する栽培状態情報は、第１の実施形態（第１乃至第３の学習用データ１３Ａ～１３Ｃ）と同様に、学習対象の農作物における、病原汚染状態と、生育状態と、環境状態とを含む。病原汚染状態は、図１４に示すように、試料に含まれる１又は複数種類の病原指標体の存在度である。病原指標体の種類としては、病害指標物質及び汚染指標物質のいずれが割り当てられるが、それらの任意の組み合わせが割り当てられてもよい。また、病原指標体の種類やその種類数は、試料の種類毎に異なるものでもよい。その他は第１の実施形態と同様であるため、説明を省略する。
　第４の学習用データ１３Ｄを構成する病害情報は、学習対象の農作物における、１又は複数種類の薬剤の散布量を含む。薬剤の散布量は、例えば、段階値又は連続値であり、連続値の場合には、所定の範囲（例えば、０～１）に正規化された値でもよい。薬剤の種類としては、例えば、殺虫剤、殺菌剤、除草剤等が割り当てられるが、それらの任意の組み合わせが割り当てられてもよい。
　学習用データ取得部５００は、病害解析試験が実施されることで試験管理データベース４２に登録された各種の情報を参照したり、作業者端末装置２から作業者の入力操作を受け付けたりすることにより、第４の学習用データ１３Ｄを取得する。学習用データ取得部５００が、試験管理データベース４２を参照する際には、例えば、病原汚染テーブル４２１、生育テーブル４２２、環境テーブル４２３、及び、農作業テーブル４２４において、特定の農作物ＩＤで関連付けられた病原汚染状態、生育状態、環境状態、及び、薬剤の散布量を取得することにより、第４の学習用データ１３Ｄを取得する。
　機械学習部５０１は、第４の学習モデル１２Ｄに第４の学習用データ１３Ｄを複数組入力し、第４の学習用データ１３Ｄに含まれる栽培状態情報と病害情報との相関関係を第４の学習モデル１２Ｄに学習させることで、学習済みの第４の学習モデル１２Ｄを生成する。
　図１５は、第２の実施形態に係る情報処理装置６ａの一例を示すブロック図である。図１６は、第２の実施形態に係る情報処理装置６ａの一例を示す機能説明図である。
　情報取得部６００は、病原指標体検査装置３Ａによる病原指標体（病害原因物質や汚染指標物質）の検査結果、センサ群４０Ａの検出結果、栽培管理データベース４１に登録された情報に基づいて、予測対象の農作物における、病原汚染状態、生育状態及び環境状態を含む栽培状態情報を取得する。
　生成処理部６０１は、上記のように、情報取得部６００により取得された予測対象の農作物における栽培状態情報を入力データとして第４の学習モデル１２Ｄに入力することで、当該農作物に対する１又は複数種類の薬剤の散布量を含む病害情報を生成する。
　以上のように、本実施形態に係る情報処理装置６ａ及び情報処理方法によれば、予測対象の農作物における栽培状態情報を第４の学習モデル１２Ｄに入力することで、予測対象の農作物における病害情報として、薬剤の散布量が予測される。
（第３の実施形態）
　第３の実施形態は、学習モデル１２が、病害解析用の学習モデルと、薬剤散布用の学習モデルとで構成されるものである。以下では、第３の実施形態に係る機械学習装置５ｂ及び情報処理装置６ｂについて、第１の実施形態と異なる部分を中心に説明する。
　図１７は、第３の実施形態に係る機械学習装置５ｂの一例を示すブロック図である。図１８は、薬剤散布用の第５の学習モデル１２Ｅ及び第５の学習用データ１３Ｅの一例を示す図である。図１９は、薬剤散布用の第６の学習モデル１２Ｆ及び第６の学習用データ１３Ｆの一例を示す図である。図２０は、薬剤散布用の第７の学習モデル１２Ｇ及び第７の学習用データ１３Ｇの一例を示す図である。
　第１の例に係る学習モデル１２－１は、病害解析用の第１の学習モデル１２Ａ（図６参照）と、薬剤散布用の第５の学習モデル１２Ｅ（図１８参照）とで構成される。薬剤散布用の第５の学習モデル１２Ｅの機械学習に用いられる第５の学習用データ１３Ｅは、図１８に示すように、１又は複数種類の病害の発生度を示す病害発生情報と、１又は複数種類の薬剤の散布量を示す薬剤散布情報とで構成される。病害解析用の第１の学習モデル１２Ａ及び第１の学習用データ１３Ａは、第１の実施形態（図６参照）と同様に構成されるため、説明を省略する。
　第２の例に係る学習モデル１２－２は、病害解析用の第２の学習モデル１２Ｂ（図７参照）と、薬剤散布用の第６の学習モデル１２Ｆ（図１９参照）とで構成される。薬剤散布用の第６の学習モデル１２Ｆの機械学習に用いられる第６の学習用データ１３Ｆは、図１９に示すように、１又は複数種類の病害原因物質の存在度を示す病害発生情報と、１又は複数種類の薬剤の散布量を示す薬剤散布情報とで構成される。病害解析用の第２の学習モデル１２Ｂ及び第２の学習用データ１３Ｂは、第１の実施形態（図７参照）と同様に構成されるため、説明を省略する。
　第３の例に係る学習モデル１２－３は、病害解析用の第３の学習モデル１２Ｃ（図８参照）と、薬剤散布用の第７の学習モデル１２Ｇ（図２０参照）とで構成される。薬剤散布用の第７の学習モデル１２Ｇの機械学習に用いられる第７の学習用データ１３Ｇは、図２０に示すように、１又は複数種類の危害原因物質の存在度を示す病害発生情報と、１又は複数種類の薬剤の散布量を示す薬剤散布情報とで構成される。病害解析用の第３の学習モデル１２Ｃ及び第３の学習用データ１３Ｃは、第１の実施形態（図８参照）と同様に構成されるため、説明を省略する。
　学習用データ取得部５００は、病害解析試験が実施されることで試験管理データベース４２に登録された各種の情報を参照したり、作業者端末装置２から作業者の入力操作を受け付けたりすることにより、第１乃至第３、第５乃至第７の学習用データ１３Ａ～１３Ｃ、１３Ｅ～１３Ｇを取得する。
　機械学習部５０１は、第１乃至第３、第５乃至第７の学習用データ１３Ａ～１３Ｃ、１３Ｅ～１３Ｇをそれぞれ用いて機械学習を実施して、学習済みの病害解析用の第１乃至第３の学習モデル１２Ａ～１２Ｃ、及び、学習済みの薬剤散布用の第５乃至第７の学習モデル１２Ｅ～１２Ｇをそれぞれ生成する。なお、病害解析用の学習モデルは、栽培状態情報と、病害の発生度、病害原因物質の存在度、及び、危害原因物質の存在度のうち少なくとも１つを示す病害発生情報との相関関係を学習させたものであればよく、上記の例に限られない。
　図２１は、第３の実施形態に係る情報処理装置６ｂの一例を示すブロック図である。図２２は、第３の実施形態に係る情報処理装置６ｂの一例を示す機能説明図である。
　情報取得部６００は、病原指標体検査装置３Ａによる病原指標体の検査結果、センサ群４０Ａの検出結果、栽培管理データベース４１に登録された情報に基づいて、予測対象の農作物における、病原汚染状態、生育状態及び環境状態を含む栽培状態情報を取得する。
　生成処理部６０１は、第１の例に係る学習モデル１２－１を用いる場合には、情報取得部６００により取得された予測対象の農作物における栽培状態情報を病害解析用の第１の学習モデル１２Ａに入力することで、当該農作物における病害発生情報を生成し、その生成した病害発生情報を薬剤散布用の第５の学習モデル１２Ｅに入力することで、当該農作物における薬剤散布情報を生成する。
　生成処理部６０１は、第２の例に係る学習モデル１２－２を用いる場合には、情報取得部６００により取得された予測対象の農作物における栽培状態情報を病害解析用の第２の学習モデル１２Ｂに入力することで、当該農作物における病害発生情報を生成し、その生成した病害発生情報を薬剤散布用の第６の学習モデル１２Ｆに入力することで、当該農作物における薬剤散布情報を生成する。
　生成処理部６０１は、第３の例に係る学習モデル１２－３を用いる場合には、情報取得部６００により取得された予測対象の農作物における栽培状態情報を病害解析用の第３の学習モデル１２Ｃに入力することで、当該農作物における病害発生情報を生成し、その生成した病害発生情報を薬剤散布用の第７の学習モデル１２Ｇに入力することで、当該農作物における薬剤散布情報を生成する。
　以上のように、本実施形態に係る情報処理装置６ｂ及び情報処理方法によれば、予測対象の農作物における栽培状態情報を学習モデル１２－１～１２－３に入力することで、予測対象の農作物における病害情報として、薬剤の散布量が予測される。
（他の実施形態）
　本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
　上記実施形態では、情報処理装置６、６ａ、６ｂは、栽培状態情報が取得された時点（現在時点）に対する病害情報を予測するものとして説明したが、その現在時点よりも将来の時点（将来時点）における病害情報を予測するようにしてもよい。その際、情報処理装置６、６ａ、６ｂは、現在時点の病害情報と、将来時点の病害情報とを予測するようにしてもよいし、複数の将来時点（例えば、１週間毎や１か月毎）の病害情報を予測することにより病害情報の経時変化を予測するようにしてもよい。その場合には、学習モデル及び学習用データのデータ構成を適宜変更すればよい。
　上記実施形態では、栽培管理装置４Ａ、試験管理装置４Ｂ、機械学習装置５、５ａ、５ｂ及び情報処理装置６、６ａ、６ｂは、別々の装置で構成されたものとして説明したが、それら４つの装置が、単一の装置で構成されていてもよいし、それら４つの装置のうち任意の２つ又は３つの装置が、単一の装置で構成されていてもよい。また、機械学習装置５、５ａ、５ｂ及び情報処理装置６、６ａ、６ｂの少なくとも一方は、作業者端末装置２に組み込まれていてもよい。
　上記実施形態では、機械学習部５０１による機械学習を実現する学習モデルとして、ニューラルネットワークを採用した場合について説明したが、他の機械学習のモデルを採用してもよい。他の機械学習のモデルとしては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニューラルネットワーク、畳み込みニューラルネットワーク、ＬＳＴＭ等のニューラルネット型(ディープラーニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。
（機械学習プログラム及び情報処理プログラム）
　本発明は、機械学習装置５が備える各部としてコンピュータ９００を機能させるプログラム（機械学習プログラム）や、機械学習方法が備える各工程をコンピュータ９００に実行させるためのプログラム（機械学習プログラム）の態様で提供することもできる。また、本発明は、情報処理装置６が備える各部としてコンピュータ９００を機能させるためのプログラム（情報処理プログラム）や、上記実施形態に係る情報処理方法が備える各工程をコンピュータ９００に実行させるためのプログラム（情報処理プログラム）の態様で提供することもできる。
（推論装置、推論方法及び推論プログラム）
　本発明は、上記実施形態に係る情報処理装置６（情報処理方法又は情報処理プログラム）の態様によるもののみならず、病害情報を推論するために用いられる推論装置（推論方法又は推論プログラム）の態様で提供することもできる。その場合、推論装置（推論方法又は推論プログラム）としては、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、予測対象の農作物における栽培状態情報を取得する情報取得処理（情報取得工程）と、情報取得処理にて栽培状態情報を取得すると、当該農作物における病害に関する病害情報を推論する推論処理（推論工程）とを含む。
　推論装置（推論方法又は推論プログラム）の態様で提供することで、情報処理装置を実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置（推論方法又は推論プログラム）が病害情報を推論する際、上記実施形態に係る機械学習装置及び機械学習方法により生成された学習済みの学習モデルを用いて、生成処理部が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。
１…農作物栽培管理システム、２…作業者端末装置、
３Ａ…病原指標体検査装置、３Ｂ…危害原因物質検査装置、
４Ａ…栽培管理装置、４Ｂ…試験管理装置、
５、５ａ、５ｂ…機械学習装置、６、６ａ、６ｂ…情報処理装置、
７…ネットワーク、１０…栽培環境、１１…試験環境、
１２、１２－１～１２－３、１２Ａ～１２Ｇ…学習モデル、
１３、１３Ａ～１３Ｇ…学習用データ、
４０Ａ、４０Ｂ…センサ群、
４１…栽培管理データベース、４２…試験管理データベース、
５０…制御部、５１…通信部、５２…学習用データ記憶部、
５３…学習済みモデル記憶部、
６０…制御部、６１…通信部、６２…学習済みモデル記憶部、
５００…学習用データ取得部、５０１…機械学習部、
６００…情報取得部、６０１…生成処理部、６０２…出力処理部、
９００…コンピュータ

Claims (15)

  1. 　予測対象の農作物における、１又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得部と、
    　前記情報取得部により取得された前記栽培状態情報を、学習対象の農作物における前記栽培状態情報と、当該農作物における病害に関する病害情報との相関関係を機械学習により学習させた学習モデルに入力することで、前記予測対象の農作物における前記病害情報を生成する生成処理部と、を備える、
    　情報処理装置。
  2. 　前記栽培状態情報が、前記病原汚染状態として、
    　　前記農作物を試料として当該試料から検出された１又は複数種類の前記病原指標体の存在度、
    　　前記農作物が栽培される土壌を試料として当該試料から検出された１又は複数種類の前記病原指標体の存在度、
    　　前記農作物に供給される水を試料として当該試料から検出された１又は複数種類の前記病原指標体の存在度、
    　　前記農作物に供給される肥料を試料として当該試料から検出された１又は複数種類の前記病原指標体の存在度、
    　　前記農作物が栽培される栽培環境の空気を試料として当該試料から検出された１又は複数種類の前記病原指標体の存在度、及び、
    　　前記農作物の農作業に使用される農機具を試料として当該試料から検出された１又は複数種類の前記病原指標体の存在度のうち、
    　　少なくとも１つの前記試料から検出された１又は複数種類の前記病原指標体の存在度を含む、
    　請求項１に記載の情報処理装置。
  3. 　前記病原汚染状態は、
    　　１つの前記試料から１又は複数種類の前記病原指標体の存在度を検査可能な遺伝子検査キットを用いて検査された検査結果である、
    　請求項２に記載の情報処理装置。
  4. 　前記栽培状態情報が、前記病原汚染状態として、
    　　前記病原指標体を媒介する１又は複数種類の媒介生物の存在度を含む、
    　請求項１乃至請求項３のいずれか一項に記載の情報処理装置。
  5. 　前記栽培状態情報が、
    　　前記農作物の生育状態、及び、
    　　前記農作物が栽培される栽培環境の環境状態のうち、さらに少なくとも一方を含む、
    　請求項１乃至請求項４のいずれか一項に記載の情報処理装置。
  6. 　前記栽培状態情報が、前記病原汚染状態として、
    　　前記農作物に前記病害を発生させる原因となり得る１又は複数種類の病害原因物質の存在度を含み、
    　前記病害情報が、
    　　前記農作物に発生する１又は複数種類の前記病害の発生度を含む、
    　請求項１乃至請求項５のいずれか一項に記載の情報処理装置。
  7. 　前記栽培状態情報が、前記病原汚染状態として、
    　　前記農作物に前記病害を発生させる原因となり得る病害原因物質とは異なる１又は複数種類の汚染指標物質の存在度を含み、
    　前記病害情報が、
    　　１又は複数種類の前記病害原因物質の存在度を含む、
    　請求項１乃至請求項５のいずれか一項に記載の情報処理装置。
  8. 　前記栽培状態情報が、前記病原汚染状態として、
    　　前記農作物を食することで人体に危害を及ぼす原因となり得る危害原因物質とは異なる１又は複数種類の汚染指標物質の存在度を含み、
    　前記病害情報が、
    　　１又は複数種類の前記危害原因物質の存在度を含む、
    　請求項１乃至請求項５のいずれか一項に記載の情報処理装置。
  9. 　前記病害情報が、
    　　前記農作物に対する１又は複数種類の薬剤の散布量を示す薬剤散布情報を含む、
    　請求項１乃至請求項５のいずれか一項に記載の情報処理装置。
  10. 　前記学習モデルは、
    　　前記学習対象の農作物における前記栽培状態情報と、当該農作物に発生する１又は複数種類の前記病害の発生度、当該農作物に前記病害を発生させる原因となり得る１又は複数種類の病害原因物質の存在度、及び、当該農作物を食することで人体に危害を及ぼす１又は複数種類の危害原因物質の存在度のうち少なくとも１つを示す病害発生情報との相関関係を学習させた病害解析用の学習モデルと、
    　　前記学習対象の農作物における前記病害発生情報と、当該農作物に対する１又は複数種類の薬剤の散布量を示す薬剤散布情報との相関関係を学習させた薬剤散布用の学習モデルとで構成され、
    　前記生成処理部は、
    　　前記情報取得部により取得された前記栽培状態情報を前記病害解析用の学習モデルに入力することで、前記予測対象の農作物における前記病害発生情報を生成し、
    　　その生成した前記病害発生情報を前記薬剤散布用の学習モデルに入力することで、前記予測対象の農作物における前記薬剤散布情報を生成する、
    　請求項１乃至請求項５のいずれか一項に記載の情報処理装置。
  11. 　メモリと、プロセッサとを備える推論装置であって、
    　前記プロセッサは、
    　　予測対象の農作物における、１又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得処理と、
    　　前記情報取得処理にて前記栽培状態情報を取得すると、前記予測対象の農作物における病害に関する病害情報を推論する推論処理と、を実行する、
    　推論装置。
  12. 　学習対象の農作物における、１又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報と、当該農作物における病害に関する病害情報とで構成される学習用データを複数組記憶する学習用データ記憶部と、
    　複数組の前記学習用データを学習モデルに入力することで、前記栽培状態情報と前記病害情報との相関関係を前記学習モデルに学習させる機械学習部と、
    　前記機械学習部により前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える、
    　機械学習装置。
  13. 　予測対象の農作物における、１又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得工程と、
    　前記情報取得工程により取得された前記栽培状態情報を、学習対象の農作物における前記栽培状態情報と、当該農作物における病害に関する病害情報との相関関係を機械学習により学習させた学習モデルに入力することで、前記予測対象の農作物における前記病害情報を生成する生成処理工程と、を備える、
    　情報処理方法。
  14. 　メモリと、プロセッサとを備える推論装置により実行される推論方法であって、
    　前記プロセッサは、
    　　予測対象の農作物における、１又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報を取得する情報取得工程と、
    　　前記情報取得工程にて前記栽培状態情報を取得すると、前記予測対象の農作物における病害に関する病害情報を推論する推論工程と、を実行する、
    　推論方法。
  15. 　学習対象の農作物における、１又は複数種類の病原指標体の存在度を病原汚染状態として含む栽培状態情報と、当該農作物における病害に関する病害情報とで構成される学習用データを学習用データ記憶部に複数組記憶する学習用データ記憶工程と、
    　複数組の前記学習用データを学習モデルに入力することで、前記栽培状態情報と前記病害情報との相関関係を前記学習モデルに学習させる機械学習工程と、
    　前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備える、
    　機械学習方法。
PCT/JP2022/040347 2021-12-24 2022-10-28 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法 WO2023119869A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021210109A JP2023094673A (ja) 2021-12-24 2021-12-24 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
JP2021-210109 2021-12-24

Publications (1)

Publication Number Publication Date
WO2023119869A1 true WO2023119869A1 (ja) 2023-06-29

Family

ID=86902002

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/040347 WO2023119869A1 (ja) 2021-12-24 2022-10-28 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Country Status (2)

Country Link
JP (1) JP2023094673A (ja)
WO (1) WO2023119869A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016178268A1 (ja) * 2015-05-01 2016-11-10 株式会社日立製作所 圃場管理装置、圃場管理方法、及び記録媒体
KR20200025326A (ko) * 2018-08-30 2020-03-10 주식회사 씨드림 시설재배 작물의 잿빛곰팡이병 초기 발생 및 방제 후 재발생을 지속적으로 예측하는 시스템 및 방법
JP2020046782A (ja) * 2018-09-14 2020-03-26 富士電機株式会社 植物栽培の管理システム及び管理方法
WO2020137085A1 (ja) * 2018-12-27 2020-07-02 ボッシュ株式会社 情報処理装置及び情報処理システム
JP2021509212A (ja) * 2017-10-27 2021-03-18 国立交通大学 病害の予測・コントロール方法、及びそのシステム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016178268A1 (ja) * 2015-05-01 2016-11-10 株式会社日立製作所 圃場管理装置、圃場管理方法、及び記録媒体
JP2021509212A (ja) * 2017-10-27 2021-03-18 国立交通大学 病害の予測・コントロール方法、及びそのシステム
KR20200025326A (ko) * 2018-08-30 2020-03-10 주식회사 씨드림 시설재배 작물의 잿빛곰팡이병 초기 발생 및 방제 후 재발생을 지속적으로 예측하는 시스템 및 방법
JP2020046782A (ja) * 2018-09-14 2020-03-26 富士電機株式会社 植物栽培の管理システム及び管理方法
WO2020137085A1 (ja) * 2018-12-27 2020-07-02 ボッシュ株式会社 情報処理装置及び情報処理システム

Also Published As

Publication number Publication date
JP2023094673A (ja) 2023-07-06

Similar Documents

Publication Publication Date Title
Javaid et al. Understanding the potential applications of Artificial Intelligence in Agriculture Sector
Kukar et al. AgroDSS: A decision support system for agriculture and farming
Grieve et al. The challenges posed by global broadacre crops in delivering smart agri-robotic solutions: A fundamental rethink is required
US11195109B2 (en) Modeling and prediction of below-ground performance of agricultural biological products in precision agriculture
Atefi et al. Robotic technologies for high-throughput plant phenotyping: Contemporary reviews and future perspectives
US10349584B2 (en) System and method for plant monitoring
Sharma et al. Implementation of artificial intelligence in agriculture
Danilevicz et al. Resources for image-based high-throughput phenotyping in crops and data sharing challenges
Murugamani et al. Machine learning technique for precision agriculture applications in 5G-based internet of things
US20220076014A1 (en) Information processing device, and information processing system
Medina-Ruíz et al. Mathematical modeling on tomato plants: A review
Mishra et al. Artificial intelligence and machine learning in agriculture: Transforming farming systems
Day Engineering advances for input reduction and systems management to meet the challenges of global food and farming futures
Khanh et al. Future of Smart Agriculture Techniques and Applications
Singh et al. Role of artificial intelligence and the internet of things in agriculture
JP2021057071A (ja) 農作物の栽培方法提案プログラム及びシステム
KR20240011715A (ko) 자율 온실 제어 시스템
Zhang et al. Agricultural cybernetics
WO2021198731A1 (en) An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment.
WO2023119869A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
Micheni et al. Internet of things, big data analytics, and deep learning for sustainable precision agriculture
Gupta et al. Robotics and Artificial Intelligence (AI) in Agriculture with Major Emphasis on Food Crops
Rathore Application of artificial intelligence in agriculture including horticulture
WO2023188845A1 (ja) 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法
Kisliuk et al. AI in current and future agriculture: an introductory overview

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: 22910590

Country of ref document: EP

Kind code of ref document: A1