WO2023188845A1 - 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
WO2023188845A1
WO2023188845A1 PCT/JP2023/004141 JP2023004141W WO2023188845A1 WO 2023188845 A1 WO2023188845 A1 WO 2023188845A1 JP 2023004141 W JP2023004141 W JP 2023004141W WO 2023188845 A1 WO2023188845 A1 WO 2023188845A1
Authority
WO
WIPO (PCT)
Prior art keywords
seed
information
quality
learning
state
Prior art date
Application number
PCT/JP2023/004141
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 WO2023188845A1 publication Critical patent/WO2023188845A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general

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 Document 1 discloses the use of indicators called germination rate, seedling rate, healthy seedling rate, etc. when evaluating the quality of germination and mature seedlings of seeds collected from seed plants. .
  • the quality of seeds can be confirmed by test-sowing and inspecting the seeds to be evaluated. However, with such tests, it is not possible to confirm the quality of the seeds until the actual seeds can be used for testing, and it is difficult to confirm the quality of the seeds until they can be tested using the actual seeds. A person was needed. Therefore, there are various steps that take place between the process of cultivating a seed plant, the distribution of the seeds collected from the seed plant, and the process of the seeds being sown, germinating as a crop, and growing into seedlings. However, it was difficult to grasp the quality of seeds at each step. As a result, there has been a limit to the ability to improve the management of seed plants and seeds in each process in order to maintain or improve seed quality.
  • 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 make it possible to easily predict the quality of seeds. With the goal.
  • an information processing device includes: an information acquisition unit that acquires, as seed management information for the prediction target seed, the state of a seed collection plant from which the seed is collected and the state of the seed;
  • the seed management information acquired by the information acquisition unit is subjected to machine learning to learn the correlation between the seed management information of the seed to be learned and seed quality information indicating the quality of germination or adult seedling of the seed.
  • a generation processing unit that generates the seed quality information for the prediction target seed by inputting it to a learning model.
  • the seed management information is generated by inputting into a learning model seed management information that includes the state of a seed plant from which seeds to be predicted are collected and the state of the seeds. Since the quality of the seed to be predicted is predicted based on the seed quality information, the quality of the seed can be easily predicted.
  • FIG. 1 is an overall configuration diagram showing an example of a seed management system 1.
  • FIG. It is a data configuration diagram showing an example of a seed collection and cultivation process table 410 of the seed management database 41.
  • 4 is a data configuration diagram showing an example of a harvesting process table 411 of the seed management database 41.
  • FIG. 4 is a data configuration diagram showing an example of a processing process table 412 of the seed management database 41.
  • FIG. 4 is a data configuration diagram showing an example of a storage process table 413 of the seed management database 41.
  • FIG. 4 is a data configuration diagram showing an example of a transportation process table 414 of the seed management database 41.
  • FIG. 4 is a data configuration diagram showing an example of a crop cultivation process table 415 of the seed management database 41.
  • FIG. 9 is a hardware configuration diagram showing an example of a computer 900.
  • FIG. FIG. 2 is a block diagram showing an example of a machine learning device 5 according to the first embodiment. It is a figure which shows an example of 12 A of 1st learning models, and 1st data for learning 13A in case seed management information includes the state of a plant for seed collection, and the state of a seed.
  • 5 is a flowchart illustrating an example of a machine learning method by the machine learning device 5.
  • FIG. FIG. 2 is a block diagram showing an example of an information processing device 6 according to the first embodiment.
  • FIG. 2 is a functional explanatory diagram showing an example of the information processing device 6 according to the first embodiment.
  • 3 is a flowchart illustrating an example of an information processing method by the information processing device 6.
  • FIG. It is a block diagram showing an example of machine learning device 5a concerning a 2nd embodiment. It is a figure showing an example of the 2nd learning model 12B and the 2nd data for learning 13B concerning a 2nd embodiment. It is a block diagram showing an example of information processing device 6a concerning a 2nd embodiment.
  • FIG. 7 is a functional explanatory diagram showing an example of an information processing device 6a according to a second embodiment. It is a block diagram showing an example of machine learning device 5b concerning a 3rd embodiment.
  • FIG. 7 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 a seed management system 1.
  • the seed management system 1 is a system that manages seed plants from which seeds are collected and seeds collected from the seed plants, and predicts the quality of seed germination or seedling growth (hereinafter referred to as "seed quality"). Function.
  • Plants for seed collection are plants of any variety; for example, plants for seed collection are mainly edible plants such as vegetables, fruits, grains, and mushrooms, but they may also be plants for feed, ornamental use, and textile use. good. Seed plants are cultivated by seed cultivation by performing a seed cultivation process of cultivating the seed cultivation environment 10 in a predetermined seed cultivation environment 10 corresponding to each variety.
  • the seed collection cultivation environment 10 may be, for example, an outdoor farmland, an indoor place such as a plastic greenhouse, a plant factory, etc., or a system where plants for seed collection are cultivated using water and liquid fertilizer, such as hydroponic cultivation. But that's fine. Seed plants are cultivated by, for example, sowing original seeds (original seeds may be used) in the soil, and are supplied with water and fertilizer, as well as mechanical agricultural equipment such as tractors and combines, as well as hoes and plows. Hand-held agricultural equipment such as the following are used for various agricultural tasks.
  • the management unit may be, for example, farmland, greenhouses, plant factories, etc. divided into sections of a predetermined area, or the entire farmland, greenhouse, plant factory, etc. may be managed at once. It may be managed by each row or by each plant.
  • Seeds are collected from seed plants by seed cultivation. Seeds are processed through, for example, a harvesting process in which seeds are harvested from seed plants, a processing process in which the seeds are subjected to predetermined treatments such as pellet processing and medication, a storage process in which the seeds are stored in a predetermined storage environment, and a predetermined transportation process. After a transportation process of transporting seeds in an environment, etc., a crop cultivation process of cultivating crops from seeds is performed in a predetermined crop cultivation environment 11, whereby crops are cultivated. In addition, each process (processing process, storage process, transportation process) performed between a harvesting process and a crop cultivation process may change the order, and may be performed multiple times.
  • the crop cultivation environment 11 may be, for example, either outdoor farmland or indoors, or it may be cultivated by hydroponics. Seeds are, for example, sown in soil, water and fertilizer are supplied, and mechanical agricultural equipment such as tractors and combines, as well as hand-held agricultural equipment such as hoes and plows, are used for various agricultural tasks.
  • the management unit may be, for example, farmland, vinyl greenhouses, plant factories, etc. divided into sections of a predetermined area, or farmland, vinyl greenhouses, The entire plant factory etc. may be managed at once, or may be managed for each row or each plant.
  • seed quality (germination rate, healthy seedlings, control seed quality by predicting
  • the main components of the seed management system 1 are, as shown in FIG. Equipped with Each of the devices 2 to 6 is configured, for example, as a general-purpose or dedicated computer (see FIG. 9 described below), and is connected to a wired or wireless network 7 so that various types of data can be sent and received to each other. .
  • the number of the 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 a worker who works in each process (seed collection and cultivation process, harvesting process, processing process, storage process, transportation process, crop cultivation process), and may be a stationary type device. However, it may also be a portable device.
  • the worker terminal device 2 receives various input operations via a display screen such as an application program, a web browser, or a reader/writer, and displays various information via the display screen.
  • the worker terminal device 2 is used to input the work results carried out by the worker in each process, the results of visual confirmation, the results of confirmation using various test kits and measuring instruments, etc., and the condition of the plants and seeds to be collected. Used when displaying etc.
  • the administrator terminal device 3 is a terminal device used by an administrator who manages seed quality, and may be a stationary device or a portable device.
  • the administrator terminal device 3 receives various input operations via a display screen such as an application program, a web browser, or a reader/writer, and displays various information via the display screen.
  • the administrator terminal device 3 is used by the administrator to input work instructions and the like for each process, and to display the status of plants for seed collection and seeds.
  • the process control device 4 includes a sensor group 40 used in each process (seed collection cultivation process, harvesting process, treatment process, storage process, transportation process, crop cultivation process), and the state of the seed collection plants and seeds in each process. and a seed management database 41 for managing the seeds.
  • the detection location may be multiple locations
  • detection method may be determined as appropriate depending on the parameter to be detected, and for example, an image sensor (camera) may be used.
  • the sensor group 40 is not only installed in the seed collection cultivation environment 10 and the crop cultivation environment 11, but also in a surrounding environment that is a predetermined distance away from the seed collection cultivation environment 10 and the crop cultivation environment 11 (according to different distances and different directions). They may be installed at multiple locations.
  • the process control device 4 may be one that manages seed collection and cultivation environments 10 at a plurality of locations.
  • Seed management information is registered in the seed management database 41 based on, for example, the detection results by the sensor group 40 and the work results and confirmation results of each process input by the operator using the operator terminal device 2. .
  • the seed management database 41 also contains information based on, for example, the input results of seed quality confirmation results (actual values of germination rate and healthy seedling rate) in the crop cultivation process input by the operator using the operator terminal device 2. Seed quality information (actual value) is registered. Note that details of the seed management database 41 will be described later.
  • the machine learning device 5 is a device that operates as a main body in the learning phase of machine learning.
  • the machine learning device 5 acquires various types of information registered in the seed management database 41 of the process control device 4 as learning data 13, and uses the learning data 13 in the information processing device 6 based on the learning data 13.
  • a learning model 12 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 a subject in the inference phase of machine learning.
  • the information processing device 6 uses the learning model 12 generated by the machine learning device 5 to predict the seed quality of the seed to be predicted based on the seed management information for the seed to be predicted. Seed quality information as a result of the prediction is provided to, for example, the operator terminal device 2 and the administrator terminal device 3, and presented to the operator and administrator. Further, the seed quality information is provided to the process control device 4 and accumulated in the seed management database 41.
  • FIGS. 2 to 8 are data configuration diagrams showing examples of each of the tables 410 to 416 that make up the seed management database 41. Note that although the dates and times when each piece of information was acquired are also registered in each of the tables 410 to 416, fields related to dates and times are omitted in FIGS. 2 to 8.
  • the seed management database 41 is a database that manages seed management information including the state of plants for seed collection and the state of seeds, and seed quality information for each seed management unit.
  • the seed management database 41 includes, for example, a seed collection cultivation process table 410 (FIG. 2), a harvesting process table 411 (FIG. 3), a processing process table 412 (FIG. 4), a storage process table 413 (FIG. 5), and a transportation process table 414 ( 6), a crop cultivation process table 415 (FIG. 7), and a seed quality table 416 (FIG. 8), and are managed based on seed IDs that specify plants and seeds for seed collection.
  • the variety and section (management unit) of the plant for seed collection as well as the state of the plant for seed collection are registered.
  • the state of the plant for seed collection includes, for example, at least one of the state of the seed collection cultivation environment 10, the growth state of the plant for seed collection, and the state of pathogenic contamination of the plant for seed collection.
  • the state of the seed collection and cultivation environment 10 includes at least one of the weather conditions of the seed collection and cultivation environment 10, the soil conditions of the seed collection and cultivation environment 10, and the disease occurrence state in the surrounding environment of the seed collection and cultivation environment 10.
  • the weather conditions include, for example, the temperature, humidity, amount of sunlight, amount of carbon dioxide, wind direction, wind speed, amount of precipitation, amount of snow, etc. of the seed collection and cultivation environment 10.
  • the detection results of a weather sensor that detects weather conditions and the confirmation results of a worker checking the weather conditions with a measuring device are registered.
  • weather information of the seed collection cultivation environment 10 provided from an external weather information providing device (not shown) may be registered as the weather condition.
  • Soil conditions include, for example, soil 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, and amount of pesticides. Examples include types and amounts used for each type.
  • detection results of a soil sensor (sensor group 40) that detects soil conditions, and confirmation results obtained by an operator checking soil conditions with a measuring device are registered.
  • the component information of the soil put into the seed collection cultivation environment 10 may be registered as the soil condition.
  • the state of disease occurrence in the surrounding environment includes the type of disease, the degree of occurrence of each type (level, number of individuals, etc.), the location of occurrence of each type, etc.
  • Diseases include not only various diseases that adversely affect crops, but also those that cause various food accidents (such as food poisoning) that adversely affect the human body.
  • confirmation results obtained when an operator confirms the state of disease occurrence visually or by a manager of the surrounding environment are registered.
  • the growth state of the plant for seed collection includes at least one of the biological state of the plant for seed collection and the state of occurrence of contamination of the plant for seed collection.
  • the biological condition includes, for example, the transpiration rate, photosynthesis rate, presence or absence of damage, etc. of the plant for seed collection.
  • the detection results of a biosensor (sensor group 40) that detects the biological condition, and the confirmation results of the operator's confirmation of the biological condition visually or with a measuring device are registered.
  • the state of occurrence of contamination includes the types of plants other than the plants for seed collection, the degree of occurrence of each type (level, number of individuals, etc.), etc.
  • the seed collection cultivation process table 410 for example, confirmation results obtained by an operator confirming the occurrence of contamination visually or with a measuring device are registered.
  • the state of pathogenic contamination of the seed plant includes at least one of the presence of a pathogen in the seed plant and the presence of a vector that transmits the pathogen in the seed plant.
  • pathogens includes the type of pathogen and the degree of presence of each type (level, number of individuals, etc.).
  • Pathogens include, for example, disease-causing substances that can cause disease outbreaks (for example, "Pyricularia oryzae Cavara", which is the pathogen of wheat blast, "Citrus mosaic virus”, which is the pathogen of citrus mosaic disease, and the pathogen of sweet potato basal rot).
  • ⁇ Diaporthe destruens'', etc. hazardous substances that can cause food accidents (food poisoning, etc.) (e.g., Salmonella, Vibrio parahaemolyticus, Staphylococcus aureus, Listeria monocytogenes, Campylobacter, enterohemorrhagic Escherichia coli (O157, etc.) , Bacillus cereus, Clostridium perfringens, etc.), contamination indicator substances (for example, bacteria, viruses, allergens, viroids, molds, etc.) that can serve as indicators for evaluating the contamination state of the seed collection plant or the seed cultivation environment 10.
  • food poisoning e.g., Salmonella, Vibrio parahaemolyticus, Staphylococcus aureus, Listeria monocytogenes, Campylobacter, enterohemorrhagic Escherichia coli (O157, etc.) , Bacillus cereus, Clostridium perfringens, etc.
  • confirmation results are registered when an operator confirms the type and presence of pathogens visually or with a pathogen testing device (not shown) comprising a test kit, measuring device, etc. .
  • the pathogen testing device can detect, for example, plants for collecting seeds, soil in which the plants for collecting seeds are cultivated, water supplied to the plants for collecting seeds, fertilizer supplied to the plants for collecting seeds, air, and agricultural machinery used for work. This device is capable of testing the type and presence of pathogens contained in the sample using at least one sample.
  • Pathogen testing equipment may perform any of the following testing methods: morphological testing, biochemical property testing, serological testing, and genetic testing, or may be implemented by combining multiple testing methods. It may be something you do. Test kits for genetic testing are used to carry out, for example, PCR testing methods, testing methods using DNA microarrays, testing methods using next-generation sequencers, and the like.
  • Examples of the presence status of vectors include the type of vector and the degree of presence of each type (level, number of individuals, etc.).
  • the seed collection cultivation process table 410 for example, confirmation results obtained when an operator confirms the presence of vectors visually or with a measuring device are registered.
  • the test results of seeds in the harvesting process are registered as the status of the seed harvesting process.
  • Seed inspection results in the harvesting process include, for example, seed appearance inspection results (color, size, shape), moisture content inspection results, germination rate inspection results, healthy seedling rate inspection results, and harvest. These include purity tests to determine whether or not seeds containing other varieties are present, pathological test results, and genetic test results.
  • seed appearance inspection results color, size, shape
  • moisture content inspection results moisture content inspection results
  • germination rate inspection results healthy seedling rate inspection results
  • harvest harvested. These include purity tests to determine whether or not seeds containing other varieties are present, pathological test results, and genetic test results.
  • the harvest process table 411 for example, inspection results obtained when a worker inspects seeds visually or with an inspection device including a test kit or a measuring device are registered.
  • the treatment process table 412 At least one of the status of the seed treatment process and the status of the seed processing process is registered as the status of the seed treatment process, for example.
  • the status of the medication treatment includes, for example, the type of drug used when the seeds were treated with the medication, the amount used for each type, and the like.
  • the processing process table 412 for example, work results when an operator performs medication processing are registered.
  • processing conditions include the type of processing when seeds are subjected to processing such as pellet processing and film coating, the processed material for each processing, and the processing size.
  • work results when an operator performs processing are registered.
  • the storage process table 413 for example, at least one of the seed inspection results in the storage process and the state of the seed storage environment are registered as the status of the seed storage process. be done.
  • the test results of the seeds in the storage process include, for example, the test results of the seed appearance test, the test results of the moisture content test, the test results of the germination rate test, the test results of the healthy seedling rate test, etc.
  • the storage process table 413 for example, inspection results obtained when an operator inspects seeds visually or with an inspection device comprising a test kit or a measuring device are registered.
  • the state of the storage environment includes, for example, the temperature, humidity, and storage time of the storage environment.
  • a detection result of a storage state detection sensor that detects the state of the storage environment, and a confirmation result of the operator checking the state of the storage environment with a measuring device are registered.
  • the transportation process table 414 for example, at least one of the seed inspection results in the transportation process and the state of the seed transportation environment are registered as the status of the seed transportation process. be done.
  • the test results of the seeds in the transportation process include, for example, the test results of the seed appearance test, the test results of the moisture content test, the test results of the germination rate test, the test results of the healthy seedling rate test, etc.
  • inspection results obtained when a worker inspects seeds visually or with an inspection device comprising a test kit or a measuring device are registered.
  • Examples of the state of the transportation environment include the temperature of the transportation environment, humidity, transportation time, transportation means (ship, aircraft, railway, automobile), and the like.
  • a detection result of a transportation state detection sensor that detects the state of the transportation environment, and a confirmation result of the operator checking the state of the transportation environment with a measuring device are registered.
  • the crop cultivation process table 415 for example, at least one of the status of the crop cultivation environment 11 and the status of pathogenic contamination of seeds is registered as the status of the crop cultivation process for seeds. be done.
  • the state of the crop cultivation environment 11 is determined from among the weather conditions of the crop cultivation environment 11, the soil conditions of the crop cultivation environment 11, and the disease occurrence state in the surrounding environment of the crop cultivation environment 11. , including at least one.
  • the weather conditions include, for example, the temperature, humidity, amount of sunlight, amount of carbon dioxide, wind direction, wind speed, amount of precipitation, amount of snow, etc. of the crop cultivation environment 11.
  • the detection results of a weather sensor that detects weather conditions and the confirmation results of a worker checking the weather conditions with a measuring device are registered.
  • weather information on the crop cultivation environment 11 provided from an external weather information providing device (not shown) may be registered as the weather condition.
  • Soil conditions include, for example, soil 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, and amount of pesticides. Examples include types and amounts used for each type.
  • the detection results of a soil sensor (sensor group 40) that detects soil conditions and the confirmation results of the operator checking the soil conditions with a measuring device are registered. Note that component information of the soil poured into the crop cultivation environment 11 may be registered as the soil condition.
  • the state of disease occurrence in the surrounding environment includes the type of disease, the degree of occurrence of each type (level, number of individuals, etc.), the location of occurrence of each type, etc.
  • the crop cultivation process table 415 for example, confirmation results obtained when an operator confirms the state of disease occurrence visually or by a manager of the surrounding environment are registered.
  • the state of pathogenic contamination of seeds includes at least one of the presence of pathogens in seeds and the presence of vectors that transmit pathogens in seeds.
  • the presence status of pathogens includes the type of pathogen and the degree of presence of each type (level, number of individuals, etc.).
  • confirmation results obtained when an operator confirms the type and presence of pathogens by visual inspection or by a pathogen testing device (not shown) consisting of a test kit, a measuring device, etc. are registered.
  • Examples of the state of presence of vectors include the type of vector and the degree of presence of each type (level, number of individuals, etc.).
  • confirmation results obtained when an operator confirms the presence of vectors visually or with a measuring device are registered.
  • the seed quality table 416 for example, at least one of the germination rate and the healthy seedling rate is registered as the seed quality.
  • the seed quality table 416 includes actual values of the germination rate and healthy seedling rate, which are the test results when the germination rate test and the healthy seedling rate test were performed in the crop cultivation process, and the germination rate predicted by the information processing device 6. and the predicted value of the healthy seedling rate can be registered. Although actual values of germination rate and healthy seedling rate do not need to be registered for all seeds, seeds for which actual values have been registered can be used as output data of the learning data 13.
  • FIG. 9 is a hardware configuration diagram showing an example of a computer 900.
  • Each device 2 to 6 of the seed management system 1 is configured by a general-purpose or dedicated computer 900.
  • the computer 900 includes 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, and a communication I/F (interface) as its main components. 922 , an external device 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-mentioned components may be omitted as appropriate depending on the purpose for which the computer 900 is used.
  • the processor 912 includes one or more arithmetic processing units (CPU (Central Processing Unit), MPU (Micro-processing unit), DSP (digital signal processor), GPU (Graphic cs Processing Unit), etc.), and the entire computer 900 It operates as a control unit that oversees the
  • the memory 914 stores various data and programs 930, and includes, for example, a volatile memory (DRAM, SRAM, etc.) that functions as a main memory, a nonvolatile memory (ROM), a flash memory, etc.
  • the input device 916 includes, for example, a keyboard, a mouse, a numeric keypad, an electronic pen, etc., and functions as an input unit.
  • the output device 917 is configured with, for example, a sound (voice) output device, a vibration device, etc., and functions as an output section.
  • the display device 918 is configured with, for example, a liquid crystal display, an organic EL display, electronic paper, a projector, etc., and functions as an output unit.
  • Input device 916 and display device 918 may be configured integrally, such as a touch panel display.
  • the storage device 920 is configured with, for example, a HDD (Hard Disk Drive), an 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 section 922 is connected to a network 940 such as the Internet or an intranet (which may be the same as the network 7 in FIG. 1) by wire or wirelessly, and exchanges data with other computers according to a predetermined communication standard. It functions as a communication unit that sends and receives information.
  • the external device I/F section 924 is connected to an external device 950 such as a camera, printer, scanner, reader/writer, etc. by wire or wirelessly, and serves as a communication section that sends 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 an I/O device 960 such as various sensors and actuators, and transmits, for example, a detection signal from a sensor, a control signal to an actuator, etc. with the I/O device 960. It functions as a communication unit that sends and receives various signals and data.
  • the media input/output unit 928 includes, for example, a drive device such as a DVD (Digital Versatile Disc) drive or a CD (Compact Disc) drive, a memory card slot, and a USB connector, and is configured to handle media such as DVDs, CDs, memory cards, and USB memories. Data is read and written to (non-temporary storage medium) 970.
  • 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 medium 970 in an installable file format or an executable file format, and provided to the computer 900 via the media input/output unit 928.
  • the program 930 may be provided to the computer 900 by being downloaded via the network 940 via the communication I/F unit 922.
  • the computer 900 may implement various functions achieved by the processor 912 executing the program 930 using hardware such as an FPGA or an ASIC.
  • the computer 900 is, for example, a stationary computer or a portable computer, and is any type of electronic device.
  • the computer 900 may be a client computer, a server computer, or a cloud computer.
  • the computer 900 may also be applied to devices other than the devices 2 to 6.
  • FIG. 10 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 section 50, a communication section 51, a learning data storage section 52, and a learned model storage section 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 section 500 is connected to external devices (for example, the worker terminal device 2, the administrator terminal device 3, the process control device 4, etc.) via the communication section 51 and the network 7, and receives seed management data as input data.
  • First learning data 13A consisting of information and seed quality information as output data is acquired.
  • the first learning data 13A is data used as teacher data (training data), verification data, and test data in supervised learning.
  • the seed quality information is data used as a correct answer label in supervised learning.
  • the learning data storage unit 52 is a database that stores a plurality of sets of first learning data 13A acquired by the learning data acquisition unit 500. Note that the specific configuration of the database that constitutes the learning data storage section 52 may be designed as appropriate.
  • the machine learning unit 501 performs machine learning using the plurality of sets of first learning data 13A stored in the learning data storage unit 52. That is, the machine learning unit 501 inputs a plurality of sets of first learning data 13A to the first learning model 12A, and calculates the correlation between the seed management information and the seed quality information included in the first learning data 13A. By causing the first learning model 12A to learn, a trained first learning model 12A is generated.
  • the machine learning unit 501 can employ any method such as online learning, batch learning, mini-batch learning, etc. when performing machine learning.
  • the machine learning unit 501 may perform predetermined preprocessing on the input data (seed management information) input to the first learning model 12A, or may perform predetermined preprocessing on the input data (seed management information) input to the first learning model 12A. Predetermined post-processing may be performed on the output data (seed quality information).
  • the trained model storage unit 53 is a database that stores the trained first learning model 12A (specifically, the adjusted weight parameter group) generated by the machine learning unit 501.
  • the trained first learning model 12A stored in the trained 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. Note that although the learning data storage section 52 and the learned model storage section 53 are shown as separate storage sections in FIG. 10, they may be configured as a single storage section.
  • FIG. 11 is a diagram showing an example of the first learning model 12A and the first learning data 13A when the seed management information includes the state of the plant for seed collection and the state of the seeds.
  • the first learning data 13A used for machine learning of the first learning model 12A is composed of seed management information including the state of the plant for seed collection and the state of the seeds, and seed quality information.
  • the seed management information constituting the first learning data 13A includes the state of the seed-collecting plant from which the learning target seeds are collected, and the state of the seeds.
  • the state of the seed collection plant includes, for example, at least one of the state of the seed collection cultivation environment 10, the growth state of the seed collection plant, and the pathogenic contamination state of the seed collection plant, and includes the seed collection cultivation process table. This corresponds to the information registered in 410.
  • the state of the seed collection and cultivation environment 10 includes the weather conditions of the seed collection and cultivation environment 10 (temperature, humidity, amount of sunlight, amount of carbon dioxide, wind direction, wind speed, amount of precipitation, amount of snowfall, etc.), the soil conditions of the seed collection and cultivation environment 10 (temperature, humidity, etc.). , 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, type of pesticide, amount used for each type, etc.), , the disease occurrence state in the surrounding environment of the seed collection and cultivation environment 10 (type of disease, degree of occurrence for each type, location of occurrence for each type).
  • the growth condition of the seed plant is determined by the biological condition of the seed plant (transpiration rate, photosynthesis rate, presence or absence of damage, etc.), and the state of contamination of the seed plant (types and types of plants other than the seed plant). occurrence rate, etc.).
  • the state of pathogen contamination of a seed plant is determined by the presence of pathogens in the seed plant (type, abundance of each type, etc.) and the presence of vectors that transmit the pathogen in the seed plant (type, abundance of each type, etc.). abundance, etc.).
  • the state of the seeds includes at least one of the following: the state of the seed harvesting process, the state of the seed processing process, the state of the seed storage process, the state of the seed transportation process, and the state of the seed cultivation process. and correspond to the information registered in the harvesting process table 411, the processing process table 412, the storage process table 413, the transportation process table 414, and the crop cultivation process table 415, respectively.
  • the status of the harvesting process is determined by the inspection results of the seeds during the harvesting process (appearance inspection, moisture content inspection, germination rate inspection, healthy seedling rate inspection, and purity inspection to check whether the harvested seeds contain other varieties. , pathological tests, genetic test results, etc.).
  • the status of the treatment process includes the status of the medicinal treatment of the seeds (type of drug, amount used for each type, etc.) and the status of the processing of the seeds (type of processing, processed materials for each process, processed size). Contains at least one.
  • the conditions of the storage process are determined by the inspection results of the seeds during the storage process (examination results of appearance inspection, moisture content inspection, germination rate inspection, healthy seedling rate inspection, etc.) and the condition of the seed storage environment (temperature, humidity, storage time, etc.).
  • the conditions of the transportation process are determined by the inspection results of the seeds during the transportation process (external appearance inspection, moisture content inspection, germination rate inspection, healthy seedling rate inspection results, etc.) and the condition of the seed transportation environment (temperature, humidity, transportation time, means of transportation, etc.).
  • the state of the crop cultivation process includes at least one of the state of the crop cultivation environment 11 of the seeds and the state of pathogenic contamination of the seeds.
  • the state of the crop cultivation environment 11 includes the weather conditions of the crop cultivation environment 11 (temperature, humidity, amount of sunlight, amount of carbon dioxide, wind direction, wind speed, amount of precipitation, amount of snow, etc.), soil conditions of the crop cultivation environment 11 (temperature, humidity, etc.). , 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, type of pesticide, amount used for each type, etc.), , the disease occurrence state in the surrounding environment of the crop cultivation environment 11 (type of disease, degree of occurrence for each type, location of occurrence for each type).
  • the state of pathogen contamination of seeds is determined by the presence of pathogens in seeds (types, abundance of each type, etc.) and the presence of vectors that transmit pathogens in seeds (types, abundance of each type, etc.). , including at least one.
  • test results of the germination rate test and healthy seedling rate test which are included in the conditions of the harvesting process, storage process, and transportation process, use the seed germination rate and healthy seedling rate at the time of the inspection as input data. be. Therefore, the germination rate and healthy seedling rate that are the test results here and the germination rate and healthy seedling rate that are indicated by the seed quality information that constitutes the first learning data 13A represent the quality of seeds at different times. It is something.
  • the seed quality information constituting the first learning data 13A is information indicating the seed quality regarding germination or adult seedlings of seeds to be learned.
  • the seed quality information includes, for example, at least one of the germination rate and the healthy seedling rate of the seeds to be learned, and corresponds to the information (actual value) registered in the seed quality table 416.
  • the germination rate and the healthy seedling rate are expressed, for example, as step values or continuous values, and in the case of continuous values, they may be values normalized to a predetermined range (eg, 0 to 1).
  • the state of the plants for seed collection and the state of the seeds included in the seed management information may be data indicating the state at a predetermined point in time, or may be data at a predetermined time interval (hourly, daily, weekly, once every hour). It may be time-series data consisting of data at a plurality of time points (monthly, etc.), or representative data indicating representative values (average value, maximum value, minimum value, etc.) of data at a plurality of time points included in a predetermined period.
  • the definition of seed management 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 seed quality information may indicate the quality of seeds regarding germination or mature seedlings, and either one of the germination rate and the healthy seedling rate may be omitted, or it may include other conditions.
  • the definition of the seed quality information may be changed as appropriate, and in that case, the data structure 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 obtains the first learning data 13A by referring to various information registered in the seed management database 41 or by receiving input operations from the administrator from the administrator terminal device 3. get.
  • the learning data acquisition unit 500 refers to the seed management database 41, for example, in each table 410 to 416, the state of the seed plant, the state of the seed, and the seed quality associated with a specific seed ID are displayed.
  • the first learning data 13A is acquired.
  • 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. Synapses (not shown) connecting each neuron are placed between each layer, and each synapse is associated with a weight. A weight parameter group consisting of the weight of each synapse is adjusted by machine learning.
  • the input layer 120 has a number of neurons corresponding to the seed management information as input data, and each value of the seed management information is input to each neuron.
  • the output layer 122 has a number of neurons corresponding to the seed quality information as output data, and the prediction result (inference result) of the seed quality information with respect to the seed management information is output as the output data.
  • the seed quality information is output as a numerical value normalized to a predetermined range (for example, 0 to 1).
  • the seed quality information is a numerical value normalized to a predetermined range (for example, 0 to 1) as a score (accuracy) for each class. are output respectively.
  • the machine learning unit 501 inputs a plurality of sets of first learning data 13A to the first learning model 12A, and calculates the correlation between the seed management information and the seed quality information included in the first learning data 13A. By causing the learning model 12A to learn, a trained first learning model 12A is generated.
  • the data structure of the first learning model 12A and the first learning data 13A is configured as shown in FIG.
  • a plurality of data configurations with different conditions such as variety, type of data included in seed management information, type of data included in seed quality information, etc. may be adopted.
  • the learning data acquisition unit 500 acquires multiple types of learning data corresponding to multiple data configurations with different conditions, and the machine learning unit 501 uses each of these learning data to All you have to do is implement machine learning.
  • FIG. 12 is a flowchart illustrating an example of a machine learning method by the machine learning device 5.
  • the 1st learning data 13A is used as the learning data 13
  • the 1st learning model 12A is produced
  • step S100 the learning data acquisition unit 500 acquires a desired number of learning data 13 as advance 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 to be prepared here may be set in consideration of the inference accuracy required for the learning model 12 finally obtained.
  • step S110 the machine learning unit 501 prepares the learning model 12 before learning in order to start machine learning.
  • the pre-learning learning model 12 prepared here is composed of the neural network model illustrated in FIG. 11, 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 plurality of sets of learning data 13 stored in the learning data storage unit 52.
  • step S130 the machine learning unit 501 transfers the seed management information (input data) included in the set of learning data 13 to the input layer 120 of the prepared learning model 12 before learning (or during learning). Enter.
  • seed quality 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 seed quality information (correct label) included in the learning data 13.
  • step S140 the machine learning unit 501 uses the seed quality information (correct label) included in the set of learning data 13 acquired in step S120, and the seed quality information (correct label) that is output as an inference result from the output layer in step S130.
  • Machine learning is performed by comparing the seed quality information (output data) and adjusting the weight of each synapse (backpropagation). Thereby, the machine learning unit 501 causes the learning model 12 to learn the correlation between the seed management information and the seed quality information.
  • step S150 the machine learning unit 501 determines whether or not a predetermined learning end condition is satisfied, using, for example, the seed quality information (correct label) included in the learning data 13 and the information output as an inference result. The determination is made based on the evaluation value of the error function based on the seed quality information (output data) and the remaining number of unlearned learning data 13 stored in the learning data storage section 52.
  • step S150 if the machine learning unit 501 determines that the learning end condition is not satisfied and machine learning is to be continued (No in step S150), the process returns to step S120, and the learning model 12 under learning is The steps S120 to S140 are performed multiple times using unlearned learning data 13. On the other hand, in step S150, if the machine learning unit 501 determines that the learning termination condition is satisfied and the machine learning is to be terminated (Yes in step S150), the process proceeds to step S160.
  • step S160 the machine learning unit 501 stores the learned learning model 12 (adjusted weight parameter group) generated by adjusting the weight associated with each synapse in the learned model storage unit 53.
  • the sequence of machine learning methods shown in FIG. 12 is completed.
  • 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.
  • a possible first learning model 12A can be provided.
  • FIG. 13 is a block diagram showing an example of the information processing device 6 according to the first embodiment.
  • FIG. 14 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 section 60, a communication section 61, and a learned model storage section 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 external devices (for example, the worker terminal device 2, the administrator terminal device 3, the process control device 4, etc.) via the communication unit 61 and the network 7, and acquires seed management information on seeds to be predicted. As a result, the condition of the seed-collecting plant from which the seed is collected and the condition of the seed are acquired.
  • external devices for example, the worker terminal device 2, the administrator terminal device 3, the process control device 4, etc.
  • the information acquisition unit 600 performs each process (seed collection process, harvest process, processing process, storage process, transportation process, crop cultivation process) on the seeds to be predicted.
  • the seed management information includes the detection results by the sensor group 40, the worker's work history, the visual confirmation results, and the confirmation results using various test kits and measuring instruments.
  • the information acquisition unit 600 acquires the state of the plant for seed collection from the seed collection cultivation process table 410, and the harvesting process table 411, the processing process table 412, the storage process table 413, the transportation process table 414, and the crop cultivation process table 410.
  • the state of the seeds is acquired from the process table 415.
  • the information acquisition unit 600 acquires seed management information in accordance with the data structure of the input data in the first learning model 12A.
  • the generation processing unit 601 generates information based on the seed quality information output by inputting the seed management information on the prediction target seeds acquired by the information acquisition unit 600 as input data to the first learning model 12A. and generates seed quality information for the seed. Specifically, the generation processing unit 601 generates seed quality information including the germination rate and the healthy seedling rate by inputting the seed management information to the first learning model 12A. Note that the generation processing unit 601 may perform predetermined preprocessing on the input data (seed management information) input to the first learning model 12A, or may perform predetermined preprocessing on the input data (seed management information) input to the first learning model 12A. Predetermined post-processing may be performed on the output data (seed quality information).
  • the trained model storage unit 62 is a database that stores the trained first learning model 12A used by the generation processing unit 601.
  • the number of first learning models 12A stored in the learned model storage unit 62 is not limited to the above example, and may include, for example, the machine learning method, the variety of seeds, the type of data included in the seed management information, A plurality of trained models with different conditions, such as the type of data included in the seed quality information, 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 type computer or a cloud type computer), and in that case, the generation processing unit 601 is configured to access the external computer.
  • an external computer for example, a server type computer or a cloud type computer
  • the output processing unit 602 performs output processing to output the seed quality information generated by the generation processing unit 601.
  • the output processing unit 602 may transmit the seed quality information to the administrator terminal device 3, so that a display screen based on the seed quality information may be displayed on the administrator terminal device 3, or the seed quality information may be displayed on the administrator terminal device 3.
  • the seed quality information may be registered in the seed management database 41 as a predicted value of the seed quality table 416.
  • FIG. 15 is a flowchart illustrating an example of an information processing method by the information processing device 6. Below, a case will be described in which the first learning data 13A is used as the learning data 13 and the first learning model 12A is generated as the learning model 12.
  • step S200 the information acquisition unit 600 of the information processing device 6 receives, for example, a seed ID that specifies a prediction target seed from the administrator terminal device 3. Then, the information acquisition unit 600 refers to the seed management database 41 based on the seed ID, and obtains the state of the seed plant from which the seed is collected and the seed management information for the seed to be predicted. Get the state of.
  • step S210 the generation processing unit 601 inputs the seed management information acquired in step S200 to the learning model 12, thereby generating seed quality information for the seed management information as output data.
  • step S220 the output processing unit 602 transmits the seed quality information to the administrator terminal device 3 as an output process for outputting the seed quality information generated in step S210. Then, the administrator terminal device 3 displays a display screen based on the seed quality information, so that the seed quality information of the seed is presented to the administrator. Note that the destination of the seed quality information may be the process control device 4 in addition to or instead of the administrator terminal device 3.
  • 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 seed quality for the seeds to be predicted can be improved.
  • the germination rate and healthy seedling rate of the seeds are predicted. Therefore, the quality of seeds can be easily predicted.
  • the second embodiment differs from the first embodiment in that the seed management information for the seeds to be learned and predicted includes only the state of the plant for seed collection.
  • a machine learning device 5a and an information processing device 6a according to the second embodiment will be described, focusing on the differences from the first embodiment.
  • FIG. 16 is a block diagram showing an example of a machine learning device 5a according to the second embodiment.
  • FIG. 17 is a diagram showing an example of the second learning model 12B and the second learning data 13B according to the second embodiment.
  • the second learning data 13B used for machine learning of the second learning model 12B is composed of seed management information including the state of the plant for seed collection and seed quality information.
  • the seed management information constituting the second learning data 13B includes the state of the seeding plant from which the seeds to be learned are harvested.
  • the state of the seed-collecting plant is the same as that in the first embodiment, so a description thereof will be omitted.
  • the seed quality information constituting the second learning data 13B indicates the seed quality regarding germination or adult seedlings of the seeds to be learned, and includes, for example, the germination rate and the healthy seedling rate of the seeds to be learned. Since the germination rate and the healthy seedling rate are the same as in the first embodiment, their explanation will be omitted.
  • the learning data acquisition unit 500 obtains the second learning data 13B by referring to various information registered in the seed management database 41 or by receiving input operations from the administrator from the administrator terminal device 3. get.
  • the learning data acquisition unit 500 refers to the seed management database 41, for example, in the seed collection cultivation process table 410 and the seed quality table 416, the state of the seed plant associated with a specific seed ID, and , the second learning data 13B is acquired by acquiring actual values of seed quality.
  • the machine learning unit 501 inputs a plurality of sets of second learning data 13B to the second learning model 12B, and calculates the correlation between the seed management information and the seed quality information included in the second learning data 13B. By causing the learning model 12B to learn, a trained second learning model 12B is generated.
  • FIG. 18 is a block diagram showing an example of an information processing device 6a according to the second embodiment.
  • FIG. 19 is a functional explanatory diagram showing an example of the information processing device 6a according to the second embodiment.
  • the information acquisition unit 600 acquires, as seed management information for the prediction target seed, the state of the seed plant from which the seed is harvested. For example, by referring to the seed management database 41, the information acquisition unit 600 can obtain the detection results by the sensor group 40 when the seed collection and cultivation process is performed on the seeds to be predicted, the work performance of the operator, and the visual information. Confirmation results, confirmation results using various test kits and measuring instruments, etc. will be obtained as seed management information. Specifically, the information acquisition unit 600 acquires the state of the plant for seed collection from the seed collection cultivation process table 410 in accordance with the data structure of the input data in the second learning model 12B.
  • the generation processing unit 601 generates information based on the seed quality information output by inputting the seed management information for the prediction target seeds acquired by the information acquisition unit 600 as input data to the second learning model 12B. and generates seed quality information for the seed.
  • the seed quality for the seeds to be predicted can be improved.
  • the germination rate and healthy seedling rate of the seeds are predicted. Since the seed management information according to this embodiment includes only the condition of the seed plant, it is possible to easily predict the quality of seeds collected from the seed plant at the stage of cultivating the seed plant. can.
  • the third embodiment differs from the first embodiment in that the seed management information for seeds to be learned and predicted includes only the state of the seeds.
  • a machine learning device 5b and an information processing device 6b according to the third embodiment will be described, focusing on the differences from the first embodiment.
  • FIG. 20 is a block diagram showing an example of a machine learning device 5b according to the third embodiment.
  • FIG. 21 is a diagram showing an example of a third learning model 12C and third learning data 13C according to the third embodiment.
  • the third learning data 13C used for machine learning of the third learning model 12C is composed of seed management information including the state of seeds and seed quality information.
  • the seed management information constituting the third learning data 13C includes the state of the seeds to be learned.
  • the state of the seeds is the same as in the first embodiment, so the explanation will be omitted.
  • the seed quality information constituting the third learning data 13C indicates the seed quality regarding germination or adult seedlings of the seeds to be learned, and includes, for example, the germination rate and the healthy seedling rate of the seeds to be learned. Since the germination rate and the healthy seedling rate are the same as in the first embodiment, their explanation will be omitted.
  • the learning data acquisition unit 500 obtains the third learning data 13C by referring to various types of information registered in the seed management database 41 or by receiving input operations from the administrator from the administrator terminal device 3. get.
  • the learning data acquisition unit 500 refers to the seed management database 41, for example, the harvesting process table 411, the processing process table 412, the storage process table 413, the transportation process table 414, the crop cultivation process table 415, and the seed In the quality table 416
  • the third learning data 13C is obtained by obtaining the state of the seed associated with a specific seed ID and the actual value of the seed quality.
  • the machine learning unit 501 inputs a plurality of sets of third learning data 13C to the third learning model 12C, and calculates the correlation between the seed management information and the seed quality information included in the third learning data 13C. By causing the learning model 12C to learn, a trained third learning model 12C is generated.
  • FIG. 22 is a block diagram showing an example of an information processing device 6b according to the third embodiment.
  • FIG. 23 is a functional explanatory diagram showing an example of the information processing device 6b according to the third embodiment.
  • the information acquisition unit 600 acquires the state of the seed as the seed management information for the seed to be predicted. For example, by referring to the seed management database 41, the information acquisition unit 600 can obtain the detection results by the sensor group 40 when the seed collection and cultivation process is performed on the seeds to be predicted, the work performance of the operator, and the visual information. Confirmation results, confirmation results using various test kits and measuring instruments, etc. will be obtained as seed management information.
  • the information acquisition unit 600 stores a harvesting process table 411, a processing process table 412, a storage process table 413, a transportation process table 414, and a crop process table 411, a processing process table 412, a storage process table 413, a transportation process table 414, and a crop process table 412 according to the data structure of the input data in the third learning model 12C.
  • the state of the seeds is acquired from the cultivation process table 415.
  • the generation processing unit 601 generates information based on the seed quality information output by inputting the seed management information for the prediction target seeds acquired by the information acquisition unit 600 as input data to the third learning model 12C. and generates seed quality information for the seed.
  • the seed management information includes only the state of the seeds in each process (harvesting process, processing process, storage process, transportation process, crop cultivation process), after the seeds are harvested, various The quality of the seeds can be easily predicted at each stage of the process until they are cultivated as crops.
  • the information acquisition unit 600 of the information processing devices 6, 6a, and 6b acquires the detection results by the sensor group 40 registered in the seed management database 41 as seed management information by referring to the seed management database 41.
  • the detection results by the sensor group 40 may be directly acquired from the sensor group 40.
  • the information acquisition unit 600 of the information processing devices 6, 6a, and 6b refers to the seed management database 41 to manage the seed management by checking the work results and confirmation results in each process registered in the seed management database 41.
  • the information has been described as being acquired as information, for example, the work plan for each step (or even a part of it) may be acquired as seed management information.
  • the information acquisition unit 600 acquires a plurality of pieces of seed management information based on a plurality of different work plans, and the generation processing unit 601 uses the plurality of seed management information acquired by the information acquisition unit 600 as input data.
  • a plurality of pieces of seed quality information may be generated when each process is performed based on each work plan. This allows the seed quality information for each work plan to be compared, which can be used for formulating work plans.
  • the information processing devices 6, 6a, and 6b were described as ones that predict seed quality information at a specific point in time, but they may also predict seed quality information at a plurality of points in time.
  • the information processing devices 6, 6a, and 6b may predict seed quality information at a specific point in time and seed quality information at a point in the future than the specific point in time, or may predict seed quality information at a point in the future than the specific point in time.
  • changes over time in seed quality information may be predicted by predicting seed quality information weekly or monthly. In that case, the data structure of the learning model and learning data may be changed as appropriate.
  • the process control device 4, the machine learning devices 5, 5a, 5b, and the information processing devices 6, 6a, 6b are described as being configured as separate devices, but these three devices are or any two of these three devices may be configured as a single device. Further, at least one of the machine learning devices 5, 5a, 5b and the information processing devices 6, 6a, 6b may be incorporated in the worker terminal device 2 or the administrator terminal device 3.
  • machine learning models include tree types such as decision trees and regression trees, ensemble learning such as bagging and boosting, and neural network types (including deep learning) such as recurrent neural networks, convolutional neural networks, and LSTM. ), hierarchical clustering, non-hierarchical clustering, clustering types such as k-nearest neighbor method and k-means method, multivariate analysis such as principal component analysis, factor analysis, and logistic regression, support vector machine, etc.
  • the present invention includes a program (machine learning program) that causes the computer 900 to function as each part included in the machine learning devices 5, 5a, and 5b, and a program (machine learning program) that causes the computer 900 to execute each process included in the machine learning method. It can also be provided in this manner. Further, the present invention provides a program (information processing program) for causing the computer 900 to function as each unit included in the information processing apparatuses 6, 6a, and 6b, and a program for causing the computer 900 to execute each step included in the information processing method according to the above embodiment. It can also be provided in the form of a program (information processing program) for making the program run.
  • the present invention is not limited to aspects of the information processing devices 6, 6a, 6b (information processing method or information processing program) according to the above embodiments, but also relates to an inference device (inference method or program) used for inferring seed quality information. It can also be provided in the form of an inference program.
  • the inference device (inference method or inference program) may include a memory and a processor, of which the processor may execute a series of processes.
  • the series of processes includes an information acquisition process (information acquisition step) that acquires seed management information for the seed to be predicted, and an inference that infers seed quality information for the seed once the seed management information is acquired in the information acquisition process. processing (inference step).
  • an inference device inference method or inference program
  • it can be applied to various devices more easily than in the case of implementing an information processing device.
  • the inference device inference method or inference program
  • the inference device infers seed quality information
  • the inference performed by the generation processing unit using the trained learning model generated by the machine learning device and machine learning method according to the above embodiments. It will be appreciated by those skilled in the art that the techniques may be applied.

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Botany (AREA)
  • Ecology (AREA)
  • Forests & Forestry (AREA)
  • Soil Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Pretreatment Of Seeds And Plants (AREA)

Abstract

【課題】種子の品質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。 【解決手段】情報処理装置６は、予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態と、当該種子の状態とを取得する情報取得部６００と、情報取得部６００により取得された種子管理情報を、学習対象の種子における種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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に入力することで、予測対象の種子に対する種子品質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。
　従来、種子を生産（採種）することを目的として、採種用植物の採種栽培が行われている。例えば、特許文献１には、採種用植物から採種された種子の発芽や成苗に関する品質を評価する際、発芽率、成苗率、健全苗率等と呼ばれる指標を用いることが開示されている。
特開２００８－１６７６７７号公報
　種子の品質は、評価対象の種子を試験的に播種して検査を行うことにより確認することができる。しかしながら、このような検査では、実際の種子を用いて検査が可能となるまで種子の品質を確認できず、また、検査を実施するための設備や、検査に関する専門的な知識や技能を有する検査者が必要であった。そのため、採種用植物を栽培する工程から、その採種用植物から採種された種子が流通し、その種子が播種されて作物として発芽し、成苗する工程までの間には、様々な工程を経ることになるが、各工程において種子の品質を把握することは困難であった。その結果、種子の品質を維持又は向上するために、各工程での採種用植物や種子の管理状況を改善するには限界があった。
　本発明は、上記の課題に鑑み、種子の品質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、
　予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態と、当該種子の状態と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種子管理情報を、学習対象の種子における前記種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記予測対象の種子に対する前記種子品質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、予測対象の種子が採種される採種用植物の状態と、当該種子の状態とを含む種子管理情報を学習モデルに入力することで生成される種子品質情報に基づいて、予測対象の種子の品質が予測されるので、種子の品質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。
種子管理システム１の一例を示す全体構成図である。 種子管理データベース４１の採種栽培工程テーブル４１０の一例を示すデータ構成図である。 種子管理データベース４１の収穫工程テーブル４１１の一例を示すデータ構成図である。 種子管理データベース４１の処理工程テーブル４１２の一例を示すデータ構成図である。 種子管理データベース４１の保管工程テーブル４１３の一例を示すデータ構成図である。 種子管理データベース４１の輸送工程テーブル４１４の一例を示すデータ構成図である。 種子管理データベース４１の作物栽培工程テーブル４１５の一例を示すデータ構成図である。 種子管理データベース４１の種子品質テーブル４１６の採種栽培工程テーブル４１０一例を示すデータ構成図である。 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。 種子管理情報が採種用植物の状態及び種子の状態を含む場合の第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。 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。 第３の実施形態に係る第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。 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、種子管理システム１の一例を示す全体構成図である。種子管理システム１は、種子が採種される採種用植物と、採種用植物から採種された種子とを管理し、種子の発芽又は成苗に関する品質（以下「種子品質」という）を予測するシステムとして機能する。
　採種用植物は、任意の品種の植物であり、例えば、採種用植物は、野菜、果物、穀物、キノコ類等の主に食用の植物であるが、飼料用、観賞用、織物用の植物でもよい。採種用植物は、各品種に応じた所定の採種栽培環境１０にて採種用植物を栽培する採種栽培工程が行われることで、採種栽培される。
　採種栽培環境１０は、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し、水耕栽培のように、水と液体肥料により採種用植物を栽培するものでもよい。採種用植物は、例えば、土壌に原種子（原原種子でもよい）が播種されることで栽培されて、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。採種栽培工程では、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。
　種子は、採種栽培により採種用植物から採種される。種子は、例えば、採種用植物から種子を収穫する収穫工程、種子に対してペレット加工、投薬等の所定の処理を行う処理工程、所定の保管環境にて種子を保管する保管工程、所定の輸送環境にて種子を輸送する輸送工程等を経て、所定の作物栽培環境１１にて種子から作物を栽培する作物栽培工程が行われることで、作物栽培される。なお、収穫工程と作物栽培工程との間に行われる各工程（処理工程、保管工程、輸送工程）は、その順序を入れ替えてもよいし、複数回行われるものでもよい。
　作物栽培環境１１は、採種栽培環境１０と同様に、例えば、屋外の農地及び屋内のいずれでもよいし、水耕栽培により栽培するものでもよい。種子は、例えば、土壌に播種されて、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。作物栽培工程では、採種栽培工程と同様に、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。
　本実施形態に係る種子管理システム１では、予測対象の種子における種子管理情報として、採種用植物の状態と、種子の状態とに基づいて、その予測対象の種子における種子品質（発芽率、健全苗率等）を予測することで、種子品質を管理する。
　種子管理システム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、管理者端末装置３と、工程管理装置４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９参照）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、各工程（採種栽培工程、収穫工程、処理工程、保管工程、輸送工程、作物栽培工程）にて作業する作業者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。作業者端末装置２は、作業者が各工程にて実施した作業実績、目視での確認結果、各種の検査キットや測定器を用いた確認結果等を入力したり、採種用植物及び種子の状態等を表示したりするときに使用される。
　管理者端末装置３は、種子品質を管理する管理者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。管理者端末装置３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。管理者端末装置３は、管理者が各工程での作業指示等を入力したり、採種用植物及び種子の状態等を表示したりするときに使用される。
　工程管理装置４は、各工程（採種栽培工程、収穫工程、処理工程、保管工程、輸送工程、作物栽培工程）にてそれぞれ使用されるセンサ群４０と、各工程における採種用植物及び種子の状態を管理するための種子管理データベース４１とを備える。センサ群４０は、検出対象のパラメータに応じて検出場所（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４０は、採種栽培環境１０及び作物栽培環境１１に設置されるだけでなく、採種栽培環境１０及び作物栽培環境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い。なお、工程管理装置４は、複数個所の採種栽培環境１０を管理するものでもよい。
　種子管理データベース４１には、例えば、センサ群４０による検出結果と、作業者が作業者端末装置２を用いて入力した各工程の作業実績や確認結果とに基づいて、種子管理情報が登録される。また、種子管理データベース４１には、例えば、作業者が作業者端末装置２を用いて入力した作物栽培工程での種子品質の確認結果（発芽率及び健全苗率の実績値）の入力結果に基づいて、種子品質情報（実績値）が登録される。なお、種子管理データベース４１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、工程管理装置４の種子管理データベース４１に登録された各種の情報を学習用データ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、予測対象の種子における種子管理情報に基づいて、その予測対象の種子に対する種子品質を予測する。その予測結果としての種子品質情報は、例えば、作業者端末装置２や管理者端末装置３に提供されて、作業者や管理者に提示される。また、種子品質情報は、工程管理装置４に提供されて、種子管理データベース４１に蓄積される。
　図２乃至図８は、種子管理データベース４１を構成する各テーブル４１０～４１６の一例を示すデータ構成図である。なお、各テーブル４１０～４１６には、各情報が取得されたときの日時も合わせて登録されるが、図２乃至図８では、日時に関するフィールドを省略したものである。
　種子管理データベース４１は、採種用植物の状態及び種子の状態を含む種子管理情報と、種子品質情報とを、種子の管理単位別に管理するデータベースである。種子管理データベース４１は、例えば、採種栽培工程テーブル４１０（図２）、収穫工程テーブル４１１（図３）、処理工程テーブル４１２（図４）、保管工程テーブル４１３（図５）、輸送工程テーブル４１４（図６）、作物栽培工程テーブル４１５（図７）、及び、種子品質テーブル４１６（図８）を有し、採種用植物及び種子を特定する種子ＩＤに基づいて管理される。
　採種栽培工程テーブル４１０には、図２に示すように、例えば、採種用植物の品種、区画（管理単位）とともに、採種用植物の状態が登録される。採種用植物の状態は、例えば、採種栽培環境１０の状態、採種用植物の生育の状態、及び、採種用植物の病原汚染の状態のうち、少なくとも１つを含む。
　採種栽培環境１０の状態は、採種栽培環境１０の気象条件、採種栽培環境１０の土壌条件、及び、採種栽培環境１０の周辺環境における病害の発生状態のうち、少なくとも１つを含む。
　気象条件は、例えば、採種栽培環境１０の温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等が挙げられる。採種栽培工程テーブル４１０には、例えば、気象条件を検出する気象センサ（センサ群４０）の検出結果、作業者が測定器で気象条件を確認した確認結果が登録される。なお、気象条件として、外部の気象情報提供装置（不図示）から提供された採種栽培環境１０の気象情報が登録されてもよい。
　土壌条件は、例えば、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、農薬の種類、種類毎の使用量等が挙げられる。採種栽培工程テーブル４１０には、例えば、土壌条件を検出する土壌センサ（センサ群４０）の検出結果、作業者が測定器で土壌条件を確認した確認結果が登録される。なお、土壌条件として、採種栽培環境１０に土入れした土壌の成分情報が登録されてもよい。
　周辺環境における病害の発生状態は、病害の種類、種類毎の発生度（レベル、個体数等）、種類毎の発生地点等が挙げられる。病害は、作物に悪影響を与えるような各種の病害だけでなく、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む。採種栽培工程テーブル４１０には、例えば、作業者が目視や周辺環境の管理者から病害の発生状態を確認したときの確認結果が登録される。
　採種用植物の生育の状態は、採種用植物の生体状態、及び、採種用植物のコンタミネーションの発生状態のうち、少なくとも１つを含む。
　生体状態は、例えば、採種用植物の蒸散速度、光合成速度、損傷の有無等が挙げられる。採種栽培工程テーブル４１０には、例えば、生体状態を検出する生体センサ（センサ群４０）の検出結果や、作業者が目視や測定器で生体状態を確認した確認結果が登録される。
　コンタミネーションの発生状態は、採種用植物以外の植物の種類、種類毎の発生度（レベル、個体数等）等が挙げられる。採種栽培工程テーブル４１０には、例えば、作業者が目視や測定器でコンタミネーションの発生状態を確認した確認結果が登録される。
　採種用植物の病原汚染の状態は、採種用植物における病原体の存在状態と、採種用植物にて病原体を媒介する媒介生物の存在状態のうち、少なくとも１つを含む。
　病原体の存在状態は、病原体の種類、種類毎の存在度（レベル、個体数等）が挙げられる。病原体には、例えば、病害の発生原因となり得る病害原因物質（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）、食品事故（食中毒等）の発生原因となり得る危害原因物質（例えば、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）、採種用植物や採種栽培環境１０の汚染状態を評価する指標となり得る汚染指標物質（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。採種栽培工程テーブル４１０には、例えば、作業者が目視又は検査キットや測定器等で構成される病原体検査装置（不図示）で病原体の種類や存在度を確認したときの確認結果が登録される。病原体検査装置は、例えば、採種用植物、採種用植物が栽培される土壌、採種用植物に供給される水、採種用植物に供給される肥料、空気、及び、作業に使用される農機具のうち、少なくとも１つを試料として、試料に含まれる病原体の種類や存在度を検査可能な装置である。病原体検査装置は、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。遺伝子的検査のための検査キットは、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。
　媒介生物の存在状態は、媒介生物の種類、種類毎の存在度（レベル、個体数等）等が挙げられる。採種栽培工程テーブル４１０には、例えば、作業者が目視や測定器で媒介生物の存在状態を確認したときの確認結果が登録される。
　収穫工程テーブル４１１には、図３に示すように、種子の収穫工程の状態として、例えば、収穫工程での種子の検査結果が登録される。
　収穫工程での種子の検査結果は、例えば、種子の外観検査（色、サイズ、形）の検査結果、水分率検査の検査結果、発芽率検査の検査結果、健全苗率検査の検査結果、収穫された種子に他の品種が含まれているか否か検査する純度検査、病理検査の検査結果、遺伝子検査の検査結果等が挙げられる。収穫工程テーブル４１１には、例えば、作業者が目視又は検査キットや測定器で構成される検査装置で種子の検査を行ったときの検査結果が登録される。
　処理工程テーブル４１２には、図４に示すように、種子の処理工程の状態として、例えば、種子の投薬処理の状態、及び、種子の加工処理の状態のうち、少なくとも１つが登録される。
　投薬処理の状態は、例えば、種子に対して投薬処理が行われたときの薬剤の種類、種類毎の使用量等が挙げられる。処理工程テーブル４１２には、例えば、作業者が投薬処理を行ったときの作業実績が登録される。加工処理の状態は、例えば、種子に対してペレット加工、フィルムコート等の加工処理が行われたときの加工の種類、加工毎の加工材、加工サイズ等が挙げられる。処理工程テーブル４１２には、例えば、作業者が加工処理を行ったときの作業実績が登録される。
　保管工程テーブル４１３には、図５に示すように、例えば、種子の保管工程の状態として、例えば、保管工程での種子の検査結果、及び、種子の保管環境の状態のうち、少なくとも１つが登録される。
　保管工程での種子の検査結果は、例えば、種子の外観検査の検査結果、水分率検査の検査結果、発芽率検査の検査結果、健全苗率検査の検査結果等が挙げられる。保管工程テーブル４１３には、例えば、作業者が目視又は検査キットや測定器で構成される検査装置で種子の検査を行ったときの検査結果が登録される。保管環境の状態は、例えば、保管環境の温度、湿度、保管時間等が挙げられる。保管工程テーブル４１３には、例えば、保管環境の状態を検出する保管状態検出センサ（センサ群４０）の検出結果、作業者が測定器で保管環境の状態を確認した確認結果が登録される。
　輸送工程テーブル４１４には、図６に示すように、例えば、種子の輸送工程の状態として、例えば、輸送工程での種子の検査結果、及び、種子の輸送環境の状態のうち、少なくとも１つが登録される。
　輸送工程での種子の検査結果は、例えば、種子の外観検査の検査結果、水分率検査の検査結果、発芽率検査の検査結果、健全苗率検査の検査結果等が挙げられる。輸送工程テーブル４１４には、例えば、作業者が目視又は検査キットや測定器で構成される検査装置で種子の検査を行ったときの検査結果が登録される。輸送環境の状態は、例えば、輸送環境の温度、湿度、輸送時間、輸送手段（船舶、航空機、鉄道、自動車）等が挙げられる。輸送工程テーブル４１４には、例えば、輸送環境の状態を検出する輸送状態検出センサ（センサ群４０）の検出結果、作業者が測定器で輸送環境の状態を確認した確認結果が登録される。
　作物栽培工程テーブル４１５には、図７に示すように、例えば、種子の作物栽培工程の状態として、例えば、作物栽培環境１１の状態、及び、種子の病原汚染の状態のうち、少なくとも１つが登録される。
　作物栽培環境１１の状態は、採種栽培環境１０の状態と同様に、作物栽培環境１１の気象条件、作物栽培環境１１の土壌条件、及び、作物栽培環境１１の周辺環境における病害の発生状態のうち、少なくとも１つを含む。
　気象条件は、例えば、作物栽培環境１１の温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等が挙げられる。作物栽培工程テーブル４１５には、例えば、気象条件を検出する気象センサ（センサ群４０）の検出結果、作業者が測定器で気象条件を確認した確認結果が登録される。なお、気象条件として、外部の気象情報提供装置（不図示）から提供された作物栽培環境１１の気象情報が登録されてもよい。
　土壌条件は、例えば、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、農薬の種類、種類毎の使用量等が挙げられる。作物栽培工程テーブル４１５には、例えば、土壌条件を検出する土壌センサ（センサ群４０）の検出結果、作業者が測定器で土壌条件を確認した確認結果が登録される。なお、土壌条件として、作物栽培環境１１に土入れした土壌の成分情報が登録されてもよい。
　周辺環境における病害の発生状態は、病害の種類、種類毎の発生度（レベル、個体数等）、種類毎の発生地点等が挙げられる。作物栽培工程テーブル４１５には、例えば、作業者が目視や周辺環境の管理者から病害の発生状態を確認したときの確認結果が登録される。
　種子の病原汚染の状態は、採種用植物の病原汚染の状態と同様に、種子における病原体の存在状態と、種子にて病原体を媒介する媒介生物の存在状態のうち、少なくとも１つを含む。
　病原体の存在状態は、病原体の種類、種類毎の存在度（レベル、個体数等）が挙げられる。作物栽培工程テーブル４１５には、例えば、作業者が目視又は検査キットや測定器等で構成される病原体検査装置（不図示）で病原体の種類や存在度を確認したときの確認結果が登録される。媒介生物の存在状態は、媒介生物の種類、種類毎の存在度（レベル、個体数等）等が挙げられる。作物栽培工程テーブル４１５には、例えば、作業者が目視や測定器で媒介生物の存在状態を確認したときの確認結果が登録される。
　種子品質テーブル４１６には、図８に示すように、例えば、種子品質として、発芽率及び健全苗率のうち、少なくとも１つが登録される。種子品質テーブル４１６には、作物栽培工程において発芽率検査及び健全苗率検査が行われたときの検査結果である発芽率及び健全苗率の実績値と、情報処理装置６により予測された発芽率及び健全苗率の予測値とが登録可能である。なお、発芽率及び健全苗率の実績値は、全てに種子について登録される必要はないが、実績値が登録された種子については、学習用データ１３の出力データとして利用することができる。
（各装置のハードウエア構成）
　図９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。種子管理システム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９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（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、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（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ）ドライブ、ＣＤ（Ｃｏｍｐａｃｔ　Ｄｉｓｃ）ドライブ等のドライブ装置、メモリカードスロット、ＵＳＢコネクタで構成され、ＤＶＤ、ＣＤ、メモリカード、ＵＳＢメモリ等のメディア（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１０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、管理者端末装置３、工程管理装置４等）と接続され、入力データとしての種子管理情報と、出力データとしての種子品質情報とで構成される第１の学習用データ１３Ａを取得する。第１の学習用データ１３Ａ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、種子品質情報は、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で取得した第１の学習用データ１３Ａ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第１の学習用データ１３Ａを用いて機械学習を実施する。すなわち、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に含まれる種子管理情報と種子品質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。機械学習部５０１は、機械学習を実施する際、例えば、オンライン学習、バッチ学習、ミニバッチ学習等の任意の手法を採用することができる。なお、機械学習部５０１は、第１の学習モデル１２Ａに入力する入力データ（種子管理情報）に対して所定の前処理を行うようにしてもよいし、第１の学習モデル１２Ａから出力される出力データ（種子品質情報）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第１の学習モデル１２Ａ（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第１の学習モデル１２Ａ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１０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。
　図１１は、種子管理情報が採種用植物の状態及び種子の状態を含む場合の第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、採種用植物の状態及び種子の状態を含む種子管理情報と、種子品質情報とで構成される。
　第１の学習用データ１３Ａを構成する種子管理情報は、学習対象の種子が採種される採種用植物の状態と、当該種子の状態とを含む。
　採種用植物の状態は、例えば、採種栽培環境１０の状態、採種用植物の生育の状態、及び、採種用植物の病原汚染の状態のうち、少なくとも１つを含むものであり、採種栽培工程テーブル４１０に登録された情報に対応する。
　採種栽培環境１０の状態は、採種栽培環境１０の気象条件（温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等）、採種栽培環境１０の土壌条件（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、農薬の種類、種類毎の使用量等）、及び、採種栽培環境１０の周辺環境における病害の発生状態（病害の種類、種類毎の発生度、種類毎の発生地点）のうち、少なくとも１つを含む。採種用植物の生育の状態は、採種用植物の生体状態（蒸散速度、光合成速度、損傷の有無等）、及び、採種用植物のコンタミネーションの発生状態（採種用植物以外の植物の種類、種類毎の発生度等）のうち、少なくとも１つを含む。採種用植物の病原汚染の状態は、採種用植物における病原体の存在状態（種類、種類毎の存在度等）と、採種用植物にて病原体を媒介する媒介生物の存在状態（種類、種類毎の存在度等）のうち、少なくとも１つを含む。
　種子の状態は、種子の収穫工程の状態、種子の処理工程の状態、種子の保管工程の状態、種子の輸送工程の状態、及び、種子の栽培工程の状態のうち、少なくとも１つを含むものであり、収穫工程テーブル４１１、処理工程テーブル４１２、保管工程テーブル４１３、輸送工程テーブル４１４、及び、作物栽培工程テーブル４１５に登録された情報にそれぞれ対応する。
　収穫工程の状態は、収穫工程での種子の検査結果（外観検査、水分率検査、発芽率検査、健全苗率検査、収穫された種子に他の品種が含まれているか否か検査する純度検査、病理検査、遺伝子検査の検査結果等）を含む。処理工程の状態は、種子の投薬処理の状態（薬剤の種類、種類毎の使用量等）、及び、種子の加工処理の状態（加工の種類、加工毎の加工材、加工サイズ）のうち、少なくとも１つを含む。保管工程の状態は、保管工程での種子の検査結果（外観検査、水分率検査、発芽率検査、健全苗率検査の検査結果等）、及び、種子の保管環境の状態（温度、湿度、保管時間等）のうち、少なくとも１つを含む。輸送工程の状態は、輸送工程での種子の検査結果（外観検査、水分率検査、発芽率検査、健全苗率検査の検査結果等）、及び、種子の輸送環境の状態（温度、湿度、輸送時間、輸送手段等）のうち、少なくとも１つを含む。作物栽培工程の状態は、種子の作物栽培環境１１の状態、及び、種子の病原汚染の状態のうち、少なくとも１つを含む。作物栽培環境１１の状態は、作物栽培環境１１の気象条件（温度、湿度、日照量、二酸化炭素量、風向、風速、降水量、積雪量等）、作物栽培環境１１の土壌条件（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、農薬の種類、種類毎の使用量等）、及び、作物栽培環境１１の周辺環境における病害の発生状態（病害の種類、種類毎の発生度、種類毎の発生地点）のうち、少なくとも１つを含む。種子の病原汚染の状態は、種子における病原体の存在状態（種類、種類毎の存在度等）と、種子にて病原体を媒介する媒介生物の存在状態（種類、種類毎の存在度等）のうち、少なくとも１つを含む。
　なお、収穫工程、保管工程及び輸送工程の状態に含まれる発芽率検査及び健全苗率検査の検査結果は、検査が行われた時点における種子の発芽率及び健全苗率を入力データとするものである。そのため、ここでの検査結果である発芽率及び健全苗率と、第１の学習用データ１３Ａを構成する種子品質情報が示す発芽率及び健全苗率とは、異なる時点での種子の品質を表すものである。
　第１の学習用データ１３Ａを構成する種子品質情報は、学習対象の種子の発芽又は成苗に関する種子品質を示す情報である。種子品質情報は、例えば、学習対象の種子の発芽率及び健全苗率の少なくとも一方を含むものであり、種子品質テーブル４１６に登録された情報（実績値）に対応する。発芽率及び健全苗率は、例えば、段階値又は連続値で表され、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。
　なお、種子管理情報に含まれる採種用植物の状態及び種子の状態は、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し、所定の期間に含まれる複数の時点データの代表値（平均値、最大値、最小値等）を示す代表データでもよい。種子管理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。
　また、種子品質情報は、発芽又は成苗に関する種子品質を示すものであればよく、発芽率及び健全苗率のうちいずれか一方が省略されてもよいし、他の状態を含むものでもよい。種子品質情報の定義は、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、種子管理データベース４１に登録された各種の情報を参照したり、管理者端末装置３から管理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、種子管理データベース４１を参照する際には、例えば、各テーブル４１０～４１６において、特定の種子ＩＤに関連付けられた採種用植物の状態、種子の状態、及び、種子品質の実績値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種子管理情報に対応する数のニューロンを有し、種子管理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種子品質情報に対応する数のニューロンを有し、種子管理情報に対する種子品質情報の予測結果（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、種子品質情報は、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、種子品質情報は、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に含まれる種子管理情報と種子品質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。
　なお、本実施形態では、第１の学習モデル１２Ａ及び第１の学習用データ１３Ａのデータ構成は、図１１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、種子の品種、種子管理情報に含まれるデータの種類、種子品質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。
（機械学習方法）
　図１２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。なお、以下では、学習用データ１３として第１の学習用データ１３Ａを用いて、学習モデル１２として第１の学習モデル１２Ａを生成する場合について説明する。
　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１１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に含まれる種子管理情報（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種子品質情報（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に含まれる種子品質情報（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に含まれる種子品質情報（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種子品質情報（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、種子管理情報と種子品質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に含まれる種子品質情報（正解ラベル）と、推論結果として出力された種子品質情報（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１２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、採種用植物から採種される種子の種子管理情報から、当該種子に対する種子品質情報を予測（推論）することが可能な第１の学習モデル１２Ａを提供することができる。
（情報処理装置６）
　図１３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１４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、管理者端末装置３、工程管理装置４等）と接続され、予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態と、当該種子の状態とを取得する。
　例えば、情報取得部６００は、種子管理データベース４１を参照することで、予測対象の種子に対して各工程（採種栽培工程、収穫工程、処理工程、保管工程、輸送工程、作物栽培工程）が行われたときのセンサ群４０による検出結果、作業者の作業実績、目視での確認結果、各種の検査キットや測定器を用いた確認結果等を種子管理情報として取得する。具体的には、情報取得部６００は、採種栽培工程テーブル４１０から採種用植物の状態を取得し、収穫工程テーブル４１１、処理工程テーブル４１２、保管工程テーブル４１３、輸送工程テーブル４１４、及び、作物栽培工程テーブル４１５から種子の状態を取得する。その際、情報取得部６００は、第１の学習モデル１２Ａにおける入力データのデータ構成に合わせて種子管理情報を取得する。
　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種子における種子管理情報を入力データとして第１の学習モデル１２Ａに入力することで出力される種子品質情報に基づいて、当該種子に対する種子品質情報を生成する。具体的には、生成処理部６０１は、種子管理情報を第１の学習モデル１２Ａに入力することで、発芽率及び健全苗率を含む種子品質情報を生成する。なお、生成処理部６０１は、第１の学習モデル１２Ａに入力する入力データ（種子管理情報）に対して所定の前処理を行うようにしてもよいし、第１の学習モデル１２Ａから出力される出力データ（種子品質情報）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第１の学習モデル１２Ａ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に記憶される第１の学習モデル１２Ａの数は上記の例に限定されず、例えば、機械学習の手法、種子の品種、種子管理情報に含まれるデータの種類、種子品質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により生成された種子品質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、その種子品質情報を管理者端末装置３に送信することで、その種子品質情報に基づく表示画面が管理者端末装置３に表示されてもよいし、その種子品質情報を工程管理装置４に送信することで、その種子品質情報が種子品質テーブル４１６の予測値として、種子管理データベース４１に登録されてもよい。
（情報処理方法）
　図１５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、学習用データ１３として第１の学習用データ１３Ａを用いて、学習モデル１２として第１の学習モデル１２Ａを生成する場合について説明する。
　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、例えば、管理者端末装置３から予測対象の種子を特定する種子ＩＤを受信する。そして、情報取得部６００は、その種子ＩＤに基づいて、種子管理データベース４１を参照することで、予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態と、当該種子の状態とを取得する。
　次に、ステップＳ２１０において、生成処理部６０１は、ステップＳ２００にて取得された種子管理情報を学習モデル１２に入力することで、当該種子管理情報に対する種子品質情報を出力データとして生成する。
　次に、ステップＳ２２０において、出力処理部６０２は、ステップＳ２１０にて生成された種子品質情報を出力するための出力処理として、その種子品質情報を管理者端末装置３に送信する。そして、管理者端末装置３が、その種子品質情報に基づいて表示画面を表示することで、その種子の種子品質情報が管理者に提示される。なお、種子品質情報の送信先は、管理者端末装置３に加えて又は代えて、工程管理装置４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、予測対象の種子における種子管理情報を第１の学習モデル１２Ａに入力することで、予測対象の種子に対する種子品質情報として、当該種子の発芽率及び健全苗率が予測される。したがって、種子の品質を簡易に予測することができる。
（第２の実施形態）
　第２の実施形態は、学習対象及び予測対象の種子における種子管理情報が、採種用植物の状態のみを含む点で第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１６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１７は、第２の実施形態に係る第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、採種用植物の状態を含む種子管理情報と、種子品質情報とで構成される。
　第２の学習用データ１３Ｂを構成する種子管理情報は、学習対象の種子が採種される採種用植物の状態を含む。採種用植物の状態は、第１の実施形態と同様であるため、説明を省略する。
　第２の学習用データ１３Ｂを構成する種子品質情報は、学習対象の種子の発芽又は成苗に関する種子品質を示すものであり、例えば、学習対象の種子の発芽率及び健全苗率を含む。発芽率及び健全苗率は、第１の実施形態と同様であるため、説明を省略する。
　学習用データ取得部５００は、種子管理データベース４１に登録された各種の情報を参照したり、管理者端末装置３から管理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、種子管理データベース４１を参照する際には、例えば、採種栽培工程テーブル４１０、及び、種子品質テーブル４１６において、特定の種子ＩＤに関連付けられた採種用植物の状態、及び、種子品質の実績値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に含まれる種子管理情報と種子品質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１８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１９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、予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態を取得する。例えば、情報取得部６００は、種子管理データベース４１を参照することで、予測対象の種子に対して採種栽培工程が行われたときのセンサ群４０による検出結果、作業者の作業実績、目視での確認結果、各種の検査キットや測定器を用いた確認結果等を種子管理情報として取得する。具体的には、情報取得部６００は、第２の学習モデル１２Ｂにおける入力データのデータ構成に合わせて、採種栽培工程テーブル４１０から採種用植物の状態を取得する。
　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種子における種子管理情報を入力データとして第２の学習モデル１２Ｂに入力することで出力される種子品質情報に基づいて、当該種子に対する種子品質情報を生成する。
　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、予測対象の種子における種子管理情報を第２の学習モデル１２Ｂに入力することで、予測対象の種子に対する種子品質情報として、当該種子の発芽率及び健全苗率が予測される。本実施形態に係る種子管理情報は、採種用植物の状態のみを含むものであるため、採種用植物を栽培している段階において、当該採種用植物から採取される種子の品質を簡易に予測することができる。
（第３の実施形態）
　第３の実施形態は、学習対象及び予測対象の種子における種子管理情報が、種子の状態のみを含む点で第１の実施形態と相違する。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２０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２１は、第３の実施形態に係る第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。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、種子の状態を含む種子管理情報と、種子品質情報とで構成される。
　第３の学習用データ１３Ｃを構成する種子管理情報は、学習対象の種子の状態を含む。種子の状態は、第１の実施形態と同様であるため、説明を省略する。
　第３の学習用データ１３Ｃを構成する種子品質情報は、学習対象の種子の発芽又は成苗に関する種子品質を示すものであり、例えば、学習対象の種子の発芽率及び健全苗率を含む。発芽率及び健全苗率は、第１の実施形態と同様であるため、説明を省略する。
　学習用データ取得部５００は、種子管理データベース４１に登録された各種の情報を参照したり、管理者端末装置３から管理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、種子管理データベース４１を参照する際には、例えば、収穫工程テーブル４１１、処理工程テーブル４１２、保管工程テーブル４１３、輸送工程テーブル４１４、作物栽培工程テーブル４１５、及び、種子品質テーブル４１６において、特定の種子ＩＤに関連付けられた種子の状態、及び、種子品質の実績値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に含まれる種子管理情報と種子品質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。
　図２２は、第３の実施形態に係る情報処理装置６ｂの一例を示すブロック図である。図２３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、予測対象の種子における種子管理情報として、当該種子の状態を取得する。例えば、情報取得部６００は、種子管理データベース４１を参照することで、予測対象の種子に対して採種栽培工程が行われたときのセンサ群４０による検出結果、作業者の作業実績、目視での確認結果、各種の検査キットや測定器を用いた確認結果等を種子管理情報として取得する。具体的には、情報取得部６００は、第３の学習モデル１２Ｃにおける入力データのデータ構成に合わせて、収穫工程テーブル４１１、処理工程テーブル４１２、保管工程テーブル４１３、輸送工程テーブル４１４、及び、作物栽培工程テーブル４１５から種子の状態を取得する。
　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種子における種子管理情報を入力データとして第３の学習モデル１２Ｃに入力することで出力される種子品質情報に基づいて、当該種子に対する種子品質情報を生成する。
　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、予測対象の種子における種子管理情報を第３の学習モデル１２Ｃに入力することで、予測対象の種子に対する種子品質情報として、当該種子の発芽率及び健全苗率が予測される。したがって、本実施形態に係る種子管理情報は、各工程（収穫工程、処理工程、保管工程、輸送工程、作物栽培工程）における種子の状態のみを含むものであるため、種子が収穫されてから、各種の工程を経て、作物として栽培されるまでの各段階において、当該種子の品質を簡易に予測することができる。
（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の情報取得部６００は、種子管理データベース４１を参照することで、種子管理データベース４１に登録されたセンサ群４０による検出結果を種子管理情報として取得するものとして説明したが、例えば、センサ群４０（一部でもよい）による検出結果をセンサ群４０から直接取得するようにしてもよい。
　上記実施形態では、情報処理装置６、６ａ、６ｂの情報取得部６００は、種子管理データベース４１を参照することで、種子管理データベース４１に登録された各工程での作業実績や確認結果を種子管理情報として取得するものとして説明したが、例えば、各工程（一部でもよい）での作業計画を種子管理情報として取得するようにしてもよい。その場合には、情報取得部６００が、異なる複数の作業計画に基づく複数の種子管理情報を取得し、生成処理部６０１が、情報取得部６００により取得された複数の種子管理情報を入力データとして第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、各作業計画に基づいて各工程の作業が実施されたときの複数の種子品質情報を生成するようにしてもよい。これにより、各作業計画に対する種子品質情報が比較することできるので、作業計画の策定に利用することができる。
　上記実施形態では、情報処理装置６、６ａ、６ｂは、特定の時点に対する種子品質情報を予測するものとして説明したが、複数の時点における種子品質情報を予測するようにしてもよい。例えば、情報処理装置６、６ａ、６ｂは、特定の時点の種子品質情報と、特定の時点よりも将来の時点の種子品質情報とを予測するようにしてもよいし、複数の将来の時点（例えば、１週間毎や１か月毎）の種子品質情報を予測することにより種子品質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、工程管理装置４、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３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３つの装置のうち任意の２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又は管理者端末装置３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、５ａ、５ｂ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、６ａ、６ｂ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、６ａ、６ｂ（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、種子品質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、予測対象の種子における種子管理情報を取得する情報取得処理（情報取得工程）と、情報取得処理にて種子管理情報を取得すると、当該種子に対する種子品質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）が種子品質情報を推論する際、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…種子管理システム、２…作業者端末装置、３…管理者端末装置、
４…工程管理装置、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…採種栽培環境、１１…作物栽培環境、
１２…学習モデル、１２Ａ…第１の学習モデル、
１２Ｂ…第２の学習モデル、１２Ｃ…第３の学習モデル、
１３…学習用データ、１３Ａ…第１の学習用データ、
１３Ｂ…第２の学習用データ、１３Ｃ…第３の学習用データ、
４０…センサ群、４１…種子管理データベース、
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、
４１０…採種栽培工程テーブル、４１１…収穫工程テーブル、
４１２…処理工程テーブル、４１３…保管工程テーブル、
４１４…輸送工程テーブル、４１５…作物栽培工程テーブル、
４１６…種子品質テーブル、
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 (28)

  1. 　予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態と、当該種子の状態と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種子管理情報を、学習対象の種子における前記種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記予測対象の種子に対する前記種子品質情報を生成する生成処理部と、を備える、
    　情報処理装置。
  2. 　予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態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種子管理情報を、学習対象の種子における前記種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記予測対象の種子に対する前記種子品質情報を生成する生成処理部と、を備える、
    　情報処理装置。
  3. 　予測対象の種子における種子管理情報として、当該種子の状態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種子管理情報を、学習対象の種子における前記種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記予測対象の種子に対する前記種子品質情報を生成する生成処理部と、を備える、
    　情報処理装置。
  4. 　前記採種用植物の状態は、
    　　前記採種用植物の栽培環境の状態、
    　　前記採種用植物の生育の状態、及び、
    　　前記採種用植物の病原汚染の状態のうち、少なくとも１つを含む、
    　請求項１又は請求項２に記載の情報処理装置。
  5. 　前記栽培環境の状態は、
    　　前記栽培環境の気象条件、
    　　前記栽培環境の土壌条件、及び、
    　　前記栽培環境の周辺環境における病害の発生状態のうち、少なくとも１つを含む、
    　請求項４に記載の情報処理装置。
  6. 　前記生育の状態は、
    　　前記採種用植物の生体状態、及び、
    　　前記採種用植物のコンタミネーションの発生状態のうち、少なくとも１つを含む、
    　請求項４又は５に記載の情報処理装置。
  7. 　前記病原汚染の状態は、
    　　前記採種用植物における病原体の存在状態と、
    　　前記採種用植物にて前記病原体を媒介する媒介生物の存在状態のうち、少なくとも１つを含む、
    　請求項４乃至請求項６のいずれか一項に記載の情報処理装置。
  8. 　前記種子の状態は、
    　　前記種子の収穫工程の状態、
    　　前記種子の処理工程の状態、
    　　前記種子の保管工程の状態、
    　　前記種子の輸送工程の状態、及び、
    　　前記種子の栽培工程の状態のうち、少なくとも１つを含む、
    　請求項１又は請求項３に記載の情報処理装置。
  9. 　前記収穫工程の状態は、
    　　前記収穫工程での前記種子の検査結果を含む、
    　請求項８に記載の情報処理装置。
  10. 　前記処理工程の状態は、
    　　前記種子の投薬処理の状態、及び、
    　　前記種子の加工処理の状態のうち、少なくとも１つを含む、
    　請求項８又は請求項９に記載の情報処理装置。
  11. 　前記保管工程の状態は、
    　　前記保管工程での前記種子の検査結果、及び、
    　　前記種子の保管環境の状態のうち、少なくとも１つを含む、
    　請求項８乃至請求項１０のいずれか一項に記載の情報処理装置。
  12. 　前記輸送工程の状態は、
    　　前記輸送工程での前記種子の検査結果、及び、
    　　前記種子の輸送環境の状態のうち、少なくとも１つを含む、
    　請求項８乃至請求項１１のいずれか一項に記載の情報処理装置。
  13. 　前記栽培工程の状態は、
    　　前記種子の栽培環境の状態、及び、
    　　前記種子の病原汚染の状態のうち、少なくとも１つを含む、
    　請求項８乃至請求項１２のいずれか一項に記載の情報処理装置。
  14. 　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、
    　　予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態と、当該種子の状態とを取得する情報取得処理と、
    　前記情報取得処理にて前記種子管理情報を取得すると、前記予測対象の種子の発芽又は成苗に関する品質を示す種子品質情報を推論する推論処理と、を実行する
    　推論装置。
  15. 　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、
    　　予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態を取得する情報取得処理と、
    　前記情報取得処理にて前記種子管理情報を取得すると、前記予測対象の種子の発芽又は成苗に関する品質を示す種子品質情報を推論する推論処理と、を実行する
    　推論装置。
  16. 　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、
    　　予測対象の種子における種子管理情報として、当該種子の状態を取得する情報取得処理と、
    　前記情報取得処理にて前記種子管理情報を取得すると、前記予測対象の種子の発芽又は成苗に関する品質を示す種子品質情報を推論する推論処理と、を実行する
    　推論装置。
  17. 　学習対象の種子が採種される採種用植物の状態と、当該種子の状態とを含む種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記種子管理情報と前記種子品質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。
  18. 　学習対象の種子が採種される採種用植物の状態を含む種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記種子管理情報と前記種子品質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。
  19. 　学習対象の種子の状態を含む種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記種子管理情報と前記種子品質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。
  20. 　予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態と、当該種子の状態と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種子管理情報を、学習対象の種子における前記種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記予測対象の種子に対する前記種子品質情報を生成する生成処理工程と、を備える、
    　情報処理方法。
  21. 　予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態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種子管理情報を、学習対象の種子における前記種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記予測対象の種子に対する前記種子品質情報を生成する生成処理工程と、を備える、
    　情報処理方法。
  22. 　予測対象の種子における種子管理情報として、当該種子の状態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種子管理情報を、学習対象の種子における前記種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記予測対象の種子に対する前記種子品質情報を生成する生成処理工程と、を備える、
    　情報処理方法。
  23. 　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、
    　　予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態と、当該種子の状態とを取得する情報取得処理と、
    　前記情報取得処理にて前記種子管理情報を取得すると、前記予測対象の種子の発芽又は成苗に関する品質を示す種子品質情報を推論する推論処理と、を実行する
    　推論方法。
  24. 　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、
    　　予測対象の種子における種子管理情報として、当該種子が採種される採種用植物の状態を取得する情報取得処理と、
    　前記情報取得処理にて前記種子管理情報を取得すると、前記予測対象の種子の発芽又は成苗に関する品質を示す種子品質情報を推論する推論処理と、を実行する
    　推論方法。
  25. 　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、
    　　予測対象の種子における種子管理情報として、当該種子の状態を取得する情報取得処理と、
    　前記情報取得処理にて前記種子管理情報を取得すると、前記予測対象の種子の発芽又は成苗に関する品質を示す種子品質情報を推論する推論処理と、を実行する
    　推論方法。
  26. 　学習対象の種子が採種される採種用植物の状態、及び、当該種子の状態を含む種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記種子管理情報と前記種子品質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。
  27. 　学習対象の種子が採種される採種用植物の状態を含む種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記種子管理情報と前記種子品質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。
  28. 　学習対象の種子の状態を含む種子管理情報と、当該種子の発芽又は成苗に関する品質を示す種子品質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、前記種子管理情報と前記種子品質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/JP2023/004141 2022-03-28 2023-02-08 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 WO2023188845A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-051257 2022-03-28
JP2022051257A JP7405177B2 (ja) 2022-03-28 2022-03-28 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

Publications (1)

Publication Number Publication Date
WO2023188845A1 true WO2023188845A1 (ja) 2023-10-05

Family

ID=88201038

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/004141 WO2023188845A1 (ja) 2022-03-28 2023-02-08 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) JP7405177B2 (ja)
WO (1) WO2023188845A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020170939A1 (ja) * 2019-02-19 2020-08-27 国立大学法人千葉大学 人工光型植物工場コホートフェノタイピングシステム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020170939A1 (ja) * 2019-02-19 2020-08-27 国立大学法人千葉大学 人工光型植物工場コホートフェノタイピングシステム

Also Published As

Publication number Publication date
JP2023144336A (ja) 2023-10-11
JP7405177B2 (ja) 2023-12-26

Similar Documents

Publication Publication Date Title
Raj et al. Precision farming in modern agriculture
Kukar et al. AgroDSS: A decision support system for agriculture and farming
Danilevicz et al. Resources for image-based high-throughput phenotyping in crops and data sharing challenges
Day Engineering advances for input reduction and systems management to meet the challenges of global food and farming futures
Mishra et al. Artificial intelligence and machine learning in agriculture: Transforming farming systems
Singh et al. Role of artificial intelligence and the internet of things in agriculture
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.
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
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
Swetha et al. Agriculture cloud system based emphatic data analysis and crop yield prediction using hybrid artificial intelligence
Maraveas et al. Harnessing quantum computing for smart agriculture: Empowering sustainable crop management and yield optimization
Bhangar et al. IoT and AI for Next-Generation Farming: Opportunities, Challenges, and Outlook
Pabitha et al. A digital footprint in enhancing agricultural practices with improved production using machine learning
Kisliuk et al. AI in current and future agriculture: an introductory overview
Mongia et al. Impact of Assistive Technologies in Addressing Challenges in Indoor Farming: A Review
Rovira-Más Agricultural Robotics
US11610157B1 (en) Machine learning methods and systems for characterizing corn growth efficiency
Saranya et al. Design of IoT and Machine Learning based Model for Crop Prediction and Fruit Ripeness Detection
Rajendiran et al. IoT-Integrated Machine Learning-Based Automated Precision Agriculture-Indoor Farming Techniques
Li et al. Apple Infield Sorting
El-Tabakh et al. Digital Agriculture for Enhancing Yield, Nutrition, and Biological Stress Resistance
Bhargava et al. Artificial intelligence (AI) and its applications in agriculture: A Review.
Orhan et al. Agricultural Land Suitability Analysis
Larsen Animal Welfare Monitoring

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: 23778881

Country of ref document: EP

Kind code of ref document: A1