JP2021128167A - Meat quality discrimination program - Google Patents
Meat quality discrimination program Download PDFInfo
- Publication number
- JP2021128167A JP2021128167A JP2021065987A JP2021065987A JP2021128167A JP 2021128167 A JP2021128167 A JP 2021128167A JP 2021065987 A JP2021065987 A JP 2021065987A JP 2021065987 A JP2021065987 A JP 2021065987A JP 2021128167 A JP2021128167 A JP 2021128167A
- Authority
- JP
- Japan
- Prior art keywords
- meat
- association
- degree
- quality
- data
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 235000013372 meat Nutrition 0.000 title claims abstract description 213
- 238000003860 storage Methods 0.000 claims abstract description 82
- 238000003384 imaging method Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 40
- 238000013473 artificial intelligence Methods 0.000 claims description 30
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 244000144972 livestock Species 0.000 claims description 15
- 238000009395 breeding Methods 0.000 claims description 8
- 230000001488 breeding effect Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 5
- 235000019688 fish Nutrition 0.000 description 135
- 241000251468 Actinopterygii Species 0.000 description 134
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 37
- 239000003337 fertilizer Substances 0.000 description 36
- 230000005856 abnormality Effects 0.000 description 30
- 230000012010 growth Effects 0.000 description 30
- 239000000575 pesticide Substances 0.000 description 26
- 239000007789 gas Substances 0.000 description 24
- 230000002159 abnormal effect Effects 0.000 description 23
- 238000004378 air conditioning Methods 0.000 description 20
- 238000000034 method Methods 0.000 description 17
- 230000003698 anagen phase Effects 0.000 description 15
- 238000012364 cultivation method Methods 0.000 description 15
- 235000019640 taste Nutrition 0.000 description 13
- 230000006872 improvement Effects 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 235000019583 umami taste Nutrition 0.000 description 6
- GRSZFWQUAKGDAV-UHFFFAOYSA-N Inosinic acid Natural products OC1C(O)C(COP(O)(O)=O)OC1N1C(NC=NC2=O)=C2N=C1 GRSZFWQUAKGDAV-UHFFFAOYSA-N 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 235000013902 inosinic acid Nutrition 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- AUHDWARTFSKSAC-HEIFUQTGSA-N (2S,3R,4S,5R)-3,4-dihydroxy-5-(hydroxymethyl)-2-(6-oxo-1H-purin-9-yl)oxolane-2-carboxylic acid Chemical compound [C@]1([C@H](O)[C@H](O)[C@@H](CO)O1)(N1C=NC=2C(O)=NC=NC12)C(=O)O AUHDWARTFSKSAC-HEIFUQTGSA-N 0.000 description 4
- GVJHHUAWPYXKBD-UHFFFAOYSA-N (±)-α-Tocopherol Chemical compound OC1=C(C)C(C)=C2OC(CCCC(C)CCCC(C)CCCC(C)C)(C)CCC2=C1C GVJHHUAWPYXKBD-UHFFFAOYSA-N 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 239000004245 inosinic acid Substances 0.000 description 4
- 229940028843 inosinic acid Drugs 0.000 description 4
- WRIDQFICGBMAFQ-UHFFFAOYSA-N (E)-8-Octadecenoic acid Natural products CCCCCCCCCC=CCCCCCCC(O)=O WRIDQFICGBMAFQ-UHFFFAOYSA-N 0.000 description 3
- LQJBNNIYVWPHFW-UHFFFAOYSA-N 20:1omega9c fatty acid Natural products CCCCCCCCCCC=CCCCCCCCC(O)=O LQJBNNIYVWPHFW-UHFFFAOYSA-N 0.000 description 3
- QSBYPNXLFMSGKH-UHFFFAOYSA-N 9-Heptadecensaeure Natural products CCCCCCCC=CCCCCCCCC(O)=O QSBYPNXLFMSGKH-UHFFFAOYSA-N 0.000 description 3
- 241000972773 Aulopiformes Species 0.000 description 3
- 239000005642 Oleic acid Substances 0.000 description 3
- ZQPPMHVWECSIRJ-UHFFFAOYSA-N Oleic acid Natural products CCCCCCCCC=CCCCCCCCC(O)=O ZQPPMHVWECSIRJ-UHFFFAOYSA-N 0.000 description 3
- 235000001014 amino acid Nutrition 0.000 description 3
- 150000001413 amino acids Chemical class 0.000 description 3
- 238000009360 aquaculture Methods 0.000 description 3
- 244000144974 aquaculture Species 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 235000014113 dietary fatty acids Nutrition 0.000 description 3
- 229930195729 fatty acid Natural products 0.000 description 3
- 239000000194 fatty acid Substances 0.000 description 3
- 150000004665 fatty acids Chemical class 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- RQFCJASXJCIDSX-UUOKFMHZSA-N guanosine 5'-monophosphate Chemical compound C1=2NC(N)=NC(=O)C=2N=CN1[C@@H]1O[C@H](COP(O)(O)=O)[C@@H](O)[C@H]1O RQFCJASXJCIDSX-UUOKFMHZSA-N 0.000 description 3
- 235000013928 guanylic acid Nutrition 0.000 description 3
- 239000004226 guanylic acid Substances 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- QXJSBBXBKPUZAA-UHFFFAOYSA-N isooleic acid Natural products CCCCCCCC=CCCCCCCCCC(O)=O QXJSBBXBKPUZAA-UHFFFAOYSA-N 0.000 description 3
- ZQPPMHVWECSIRJ-KTKRTIGZSA-N oleic acid Chemical compound CCCCCCCC\C=C/CCCCCCCC(O)=O ZQPPMHVWECSIRJ-KTKRTIGZSA-N 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000019515 salmon Nutrition 0.000 description 3
- 235000015170 shellfish Nutrition 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000238366 Cephalopoda Species 0.000 description 2
- 241000257465 Echinoidea Species 0.000 description 2
- NTYJJOPFIAHURM-UHFFFAOYSA-N Histamine Chemical compound NCCC1=CN=CN1 NTYJJOPFIAHURM-UHFFFAOYSA-N 0.000 description 2
- 241000238413 Octopus Species 0.000 description 2
- 241000282898 Sus scrofa Species 0.000 description 2
- 229930003427 Vitamin E Natural products 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- WIGCFUFOHFEKBI-UHFFFAOYSA-N gamma-tocopherol Natural products CC(C)CCCC(C)CCCC(C)CCCC1CCC2C(C)C(O)C(C)C(C)C2O1 WIGCFUFOHFEKBI-UHFFFAOYSA-N 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 2
- 235000019165 vitamin E Nutrition 0.000 description 2
- 229940046009 vitamin E Drugs 0.000 description 2
- 239000011709 vitamin E Substances 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- XDTMQSROBMDMFD-UHFFFAOYSA-N C1CCCCC1 Chemical compound C1CCCCC1 XDTMQSROBMDMFD-UHFFFAOYSA-N 0.000 description 1
- 241001149724 Cololabis adocetus Species 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 241000283073 Equus caballus Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- WHUUTDBJXJRKMK-UHFFFAOYSA-N Glutamic acid Natural products OC(=O)C(N)CCC(O)=O WHUUTDBJXJRKMK-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- SIKJAQJRHWYJAI-UHFFFAOYSA-N Indole Chemical compound C1=CC=C2NC=CC2=C1 SIKJAQJRHWYJAI-UHFFFAOYSA-N 0.000 description 1
- 240000000599 Lentinula edodes Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000237509 Patinopecten sp. Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241001600434 Plectroglyphidodon lacrymatus Species 0.000 description 1
- 241000269851 Sarda sarda Species 0.000 description 1
- 241001504592 Trachurus trachurus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000019658 bitter taste Nutrition 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- UBAZGMLMVVQSCD-UHFFFAOYSA-N carbon dioxide;molecular oxygen Chemical compound O=O.O=C=O UBAZGMLMVVQSCD-UHFFFAOYSA-N 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000013922 glutamic acid Nutrition 0.000 description 1
- -1 glutamic acid Chemical class 0.000 description 1
- 239000004220 glutamic acid Substances 0.000 description 1
- 229960001340 histamine Drugs 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000021313 oleic acid Nutrition 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000020637 scallop Nutrition 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 125000000391 vinyl group Chemical group [H]C([*])=C([H])[H] 0.000 description 1
- 229920002554 vinyl polymer Polymers 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Meat, Egg Or Seafood Products (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Description
本発明は、保存環境に保存された食肉の品質を判別する食肉の品質判別プログラムに関する。 The present invention relates to a meat quality determination program for determining the quality of meat stored in a storage environment.
農作物の生育状況は、栽培環境に応じてその品質が大きく異なる。このため、栽培環境の正常性について、農作物業者は相当な注意を払う。近年において農作物の栽培環境を作り出す温室内の設備の自動化も進んでおり、温度、湿度、肥料の供給量、水の供給量、光量、ガスや気流の流量を最適にコントロールすることで、人手を介することなく最適な栽培環境を作ることも可能となっており、農業界における労働力不足の問題解決の糸口になることが期待されている。 The quality of the growth of agricultural products varies greatly depending on the cultivation environment. For this reason, crop vendors pay considerable attention to the normality of the cultivation environment. In recent years, the automation of equipment in greenhouses that create a cultivation environment for agricultural products has also progressed, and by optimally controlling the temperature, humidity, fertilizer supply amount, water supply amount, light amount, gas and airflow flow rate, manpower It is also possible to create an optimal cultivation environment without intervention, and it is expected to be a clue to solve the problem of labor shortage in the agricultural industry.
しかしながら、このような栽培環境を作り出す設備において故障等の異常が発生した場合には、農作物の栽培環境が急激に悪化してしまう。制御設備が故障してしまった場合、業者を呼んで修理するまで時間がかかる場合もあり、可能であれば故障の兆候を事前に察知し、早めにアラートを流す必要がある。特に農作物が苗の段階や収穫する前において温度や湿度の制御設備が故障してしまった場合、その設備を早く終了しないと手遅れになってしまう場合もある。従来においては、この栽培環境、或いは魚肉類の保存環境の正常性をこれを作り出す設備の側から随時監視し、異常が発生するか、あるいはその兆候が現れた段階で即座にアラートを流す技術が特段提案されていないのが現状であった。 However, when an abnormality such as a failure occurs in the equipment for creating such a cultivation environment, the cultivation environment for agricultural products deteriorates sharply. If the control equipment breaks down, it may take some time to call a contractor to repair it. If possible, it is necessary to detect signs of failure in advance and issue an alert as soon as possible. In particular, if the temperature and humidity control equipment breaks down at the stage of seedlings or before harvesting the crops, it may be too late unless the equipment is finished early. Conventionally, the technology of monitoring the normality of this cultivation environment or the storage environment of fish meat from the side of the equipment that creates it, and immediately issuing an alert when an abnormality occurs or a sign appears. The current situation was that no particular proposal was made.
また栽培環境を実際に判別することができた場合において、その栽培環境から実際の農作物の成育状況がどのようなものであるかを農家に理解してもらう必要があり、その栽培環境を踏まえて今後いかなる栽培方法を実行すればよいかを農家に対して提案する必要がある。また、温室等を通じて栽培環境を自動的に制御している場合に、実際のどのように制御を今後行えばよいかを提案する必要もある。しかしながら、その栽培環境に基づいてこれらを提案することができる技術は未だに開示されていないのが現状であった。 In addition, when the cultivation environment can be actually determined, it is necessary for the farmers to understand what the actual growth situation of the crop is from the cultivation environment, and based on the cultivation environment. It is necessary to propose to farmers what kind of cultivation method should be implemented in the future. It is also necessary to propose how to actually control the cultivation environment in the future when the cultivation environment is automatically controlled through a greenhouse or the like. However, the current situation is that the techniques capable of proposing these based on the cultivation environment have not yet been disclosed.
そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、保存環境に保存された食肉の品質を判別する食肉の品質判別プログラムを提供することにある。 Therefore, the present invention has been devised in view of the above-mentioned problems, and an object of the present invention is to provide a meat quality determination program for determining the quality of meat stored in a storage environment. ..
本発明に係る食肉の品質判別プログラムは、保存環境に保存された食肉の品質を判別する食肉の品質判別プログラムにおいて、食肉を保存する保存環境を作り出す設備から取得した参照用設備データと、食肉の外観について撮像することにより得られた参照用画像情報とを有する組み合わせと、食肉の品質との3段階以上の連関度を予め取得する連関度取得ステップと、食肉の品質を新たに判別する際に、食肉を保存する保存環境を作り出す設備から設備データと、判別対象の食肉の外観について撮像することにより得られた画像情報とを取得する情報取得ステップと、上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと画像情報とに基づき、食肉の品質を判別する判別ステップとをコンピュータに実行させることを特徴とする。 The meat quality determination program according to the present invention is a meat quality determination program that determines the quality of meat stored in a storage environment, and includes reference equipment data acquired from equipment that creates a storage environment for storing meat and meat. When the combination having the reference image information obtained by imaging the appearance and the degree of association acquisition step of acquiring three or more levels of association with the quality of the meat in advance, and when newly determining the quality of the meat. , The information acquisition step of acquiring the equipment data from the equipment for creating the storage environment for storing the meat and the image information obtained by imaging the appearance of the meat to be discriminated, and the association degree acquired in the above-mentioned association degree acquisition step. It is characterized in that a computer is made to execute a determination step for determining the quality of meat based on the equipment data and image information acquired through the above information acquisition step.
特段のスキルや経験が無くても、保存環境に保存された食肉の品質を判別することが可能となる。 It is possible to determine the quality of meat stored in the storage environment without any special skill or experience.
以下、本発明を適用した栽培環境判別プログラムについて、図面を参照しながら詳細に説明をする。 Hereinafter, the cultivation environment determination program to which the present invention is applied will be described in detail with reference to the drawings.
第1実施形態
図1は、本発明を適用した栽培環境判別プログラムが実装される栽培環境判別システム1の全体構成を示すブロック図である。栽培環境判別システム1は、情報取得部9と、情報取得部9に接続された判別装置2と、判別装置2に接続されたデータベース3とを備えている。
The first embodiment FIG . 1 is a block diagram showing an overall configuration of a cultivation
情報取得部9は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部9は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部9は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部9は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部9は、後述する判別装置2と一体化されていてもよい。情報取得部9は、検知した情報を判別装置2へと出力する。また情報取得部9は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部9は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。
The information acquisition unit 9 is a device for a person using this system to input various commands and information, and specifically, is composed of a keyboard, buttons, a touch panel, a mouse, a switch, and the like. The information acquisition unit 9 is not limited to a device for inputting text information, and may be configured by a device such as a microphone that can detect voice and convert it into text information. Further, the information acquisition unit 9 may be configured as an image pickup device capable of capturing an image of a camera or the like. The information acquisition unit 9 may be configured by a scanner having a function of recognizing a character string from a paper-based document. Further, the information acquisition unit 9 may be integrated with the
データベース3は、農作物を栽培する栽培環境の正常性を判別する上で必要な様々な情報が蓄積される。栽培環境の正常性を判別する上で必要な情報としては、農作物を栽培する栽培環境を作り出す設備から取得した参照用設備データ、栽培環境を直接センシングした参照用環境データ、農作物の状態を直接センシングした参照用農作物状態データ等が含まれる。データベース3には、このような参照用設備データ、参照用環境データ、参照用農作物状態データの何れか1以上と、実際の農作物を栽培する栽培環境の正常性に関する情報が互いに紐づけられて記憶されている。
判別装置2は、例えば、パーソナルコンピュータ(PC)等を始めとした電子機器で構成されているが、PC以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この判別装置2による探索解を得ることができる。
The
図2は、判別装置2の具体的な構成例を示している。この判別装置2は、判別装置2全体を制御するための制御部24と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部25と、有線通信又は無線通信を行うための通信部26と、各種判断を行う推定部27と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部28とが内部バス21にそれぞれ接続されている。さらに、この内部バス21には、実際に情報を表示するモニタとしての表示部23が接続されている。
FIG. 2 shows a specific configuration example of the
制御部24は、内部バス21を介して制御信号を送信することにより、判別装置2内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部24は、操作部25を介した操作に応じて各種制御用の指令を内部バス21を介して伝達する。
The
操作部25は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部25は、上記実行命令がユーザから入力された場合には、これを制御部24に通知する。この通知を受けた制御部24は、推定部27を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部25は、前述した情報取得部9として具現化されるものであってもよい。
The
推定部27は、探索解を推定する。この推定部27は、推定動作を実行するに当たり、必要な情報として記憶部28に記憶されている各種情報や、データベース3に記憶されている各種情報を読み出す。この推定部27は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。
The
表示部23は、制御部24による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部23は、例えば、液晶ディスプレイ(LCD)等によって実現される。
The
記憶部28は、ハードディスクで構成される場合において、制御部24による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部28には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部24により読み出されて実行されることになる。
When the
上述した構成からなる栽培環境判別システム1における動作について説明をする。
The operation in the cultivation
栽培環境判別システム1では、例えば図3に示すように、参照用設備データと、栽培環境の正常性との3段階以上の連関度が予め設定され、取得されていることが前提となる。参照用設備データとは、栽培環境を作り出す上で必要な設備(デバイス)から直接的に取得したデータである。栽培環境は、温度、湿度、肥料の供給量、農薬の供給量、光、水の供給量、供給するガスの流量や気流の流量並びに方向、照明の照度等によって決まる。近年における自動化された温室や植物工場内における農業においては農作物を栽培する上で、各種設備を通じてこれらの栽培環境を作り出す。例えば温度や湿度については空調設備、肥料や水、農薬の供給は、肥料供給するためのパイプラインやプラント設備等を通じて行われる。またガスや気流についてもパイプラインやプラント設備等を通じて行われる。また、照明の照度は照明設備を通じて行われる。
In the cultivation
参照用設備データは、このような設備について直接的、又は間接的にセンサや計測器を取り付け、取得したあらゆるデータを含む。例えば、上述した各種設備に供給される電力、電気、電圧、振動、音、光、電波(以下、これらを総称して物理データという。)、空気や液体の流量、肥料の供給量、農薬の供給量、排水設備における排水量等がこの参照用設備データである。設備を動作させる物理データ、肥料や水を供給する供給量データ、ガスを供給又は排気するガス流量データ、農薬の供給量データ、照射する光の光量の何れか1以上からなる動作データを検知する。これらの動作データを検知することで、栽培環境の現状が正常か、或いは何らかの異常が発生しているのかを把握することができる。またこれらの動作データを検知することで、栽培環境が今後近いうちに異常が発生する可能性があるのか、或いは正常のままなのかも推定することができる。 Reference equipment data includes any data obtained by directly or indirectly attaching sensors or measuring instruments to such equipment. For example, electric power, electricity, voltage, vibration, sound, light, radio waves (hereinafter collectively referred to as physical data), air and liquid flow rates, fertilizer supply amount, and pesticides supplied to the above-mentioned various facilities. The supply amount, the amount of drainage in the drainage facility, etc. are the reference equipment data. Detects operation data consisting of one or more of physical data for operating equipment, supply amount data for supplying fertilizer and water, gas flow rate data for supplying or exhausting gas, supply amount data for pesticides, and light amount of irradiating light. .. By detecting these operation data, it is possible to grasp whether the current state of the cultivation environment is normal or whether some abnormality has occurred. In addition, by detecting these operation data, it is possible to estimate whether the cultivation environment may have an abnormality in the near future or whether it remains normal.
図3の例では、入力データとして例えば参照用設備データP01〜P03であるものとする。このような入力データとしての参照用設備データは、出力に連結している。この出力においては、出力解としての、栽培環境が表示されている。栽培環境は、正常なのか、異常なのか、また異常が発生しているのであれば、具体的な異常の内容(例えば、温度が低い、肥料が少ない、光が少ない等)も含まれる。 In the example of FIG. 3, it is assumed that the input data is, for example, reference equipment data P01 to P03. The reference equipment data as such input data is linked to the output. In this output, the cultivation environment as the output solution is displayed. The cultivation environment includes whether it is normal or abnormal, and if an abnormality has occurred, the specific content of the abnormality (for example, low temperature, low fertilizer, low light, etc.).
参照用設備データは、この出力解としての、栽培環境に対して3段階以上の連関度を通じて互いに連関しあっている。参照用設備データがこの連関度を介して左側に配列し、各栽培環境が連関度を介して右側に配列している。連関度は、左側に配列された参照用設備データに対して、何れの栽培環境と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用設備データが、いかなる栽培環境に紐付けられる可能性が高いかを示す指標であり、参照用設備データから最も確からしい栽培環境を選択する上での的確性を示すものである。図3の例では、連関度としてw13〜w19が示されている。このw13〜w19は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての栽培環境と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。
なお、この参照用設備データや設備データは、後述する第2実施形態における参照用供給量データ、供給量データに置き換えてもよい。
The reference equipment data are associated with each other through three or more levels of association with the cultivation environment as this output solution. The reference equipment data is arranged on the left side through this degree of association, and each cultivation environment is arranged on the right side through this degree of association. The degree of association indicates the degree of relevance to which cultivation environment with respect to the reference equipment data arranged on the left side. In other words, this degree of association is an index showing what kind of cultivation environment each reference equipment data is likely to be associated with, and is used to select the most probable cultivation environment from the reference equipment data. It shows the accuracy. In the example of FIG. 3, w13 to w19 are shown as the degree of association. These w13 to w19 are shown in 10 stages as shown in Table 1 below, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the cultivation environment as an output. On the contrary, the closer to one point, the lower the degree of relevance of each combination as an intermediate node to the price as an output.
The reference equipment data and the equipment data may be replaced with the reference supply amount data and the supply amount data in the second embodiment described later.
判別装置2は、このような図3に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用設備データと、その場合の栽培環境がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図3に示す連関度を作り上げておく。
The discriminating
例えば、参照用設備データが、空調設備から発生する振動に関するデータであるとする。この振動データの振動量や振動周波数成分において、ある特定の徴候が現れたときに、その数時間後〜数日後に空調設備が壊れる場合が多いものとする。このようなデータセットを集めて分析することにより、参照用設備データと、栽培環境が異常(例えば空調が壊れることにより、栽培環境としては温度が低くなる。)との連関度が強くなる。 For example, suppose that the reference equipment data is data related to vibration generated from the air conditioning equipment. When a specific sign appears in the vibration amount and vibration frequency component of this vibration data, it is assumed that the air conditioning equipment is often damaged several hours to several days later. By collecting and analyzing such a data set, the degree of association between the reference equipment data and the abnormal cultivation environment (for example, the temperature of the cultivation environment becomes low due to the breakage of the air conditioner) becomes strong.
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用設備データP01である場合に、過去の栽培環境のデータから分析する。参照用設備データP01である場合に、栽培環境が異常の事例が多い場合には、この異常につながる連関度をより高く設定し、栽培環境が正常の事例が多い場合には、この正常につながる連関度をより高く設定する。例えば参照用設備データP01の例では、異常(温度が低い)と、異常(肥料が少ない)にリンクしているが、以前の事例から異常(温度が低い)につながるw13の連関度を7点に、異常(肥料が少ない)につながるw14の連関度を2点に設定している。 This analysis and analysis may be performed by artificial intelligence. In such a case, for example, in the case of reference equipment data P01, analysis is performed from the data of the past cultivation environment. In the case of reference equipment data P01, if there are many cases of abnormal cultivation environment, the degree of association leading to this abnormality is set higher, and if there are many cases of normal cultivation environment, this leads to normality. Set a higher degree of association. For example, in the example of reference equipment data P01, there is a link between anomaly (low temperature) and anomaly (less fertilizer), but from the previous case, the degree of association of w13 that leads to anomaly (low temperature) is 7 points. In addition, the degree of association of w14, which leads to abnormalities (less fertilizer), is set to 2 points.
また、この図3に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。 Further, the degree of association shown in FIG. 3 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association. Further, the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに栽培環境を判別しようとする際において、上述した学習済みデータを利用して栽培環境を判別することとなる。かかる場合には、その栽培環境を作り出す各種設備の設備データを新たに取得する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually trying to determine a new cultivation environment from now on, the cultivation environment will be determined using the above-mentioned learned data. In such a case, the equipment data of various equipments that create the cultivation environment is newly acquired.
新たに取得する設備データは、上述した情報取得部9により入力される。 The newly acquired equipment data is input by the above-mentioned information acquisition unit 9.
このようにして新たに取得した設備データに基づいて、実際にその設備により作り出される栽培環境を判別する。かかる場合には、予め取得した図3(表1)に示す連関度を参照する。例えば、新たに取得した設備データがP02と同一かこれに類似するものである場合には、連関度を介して「正常」がw15、「異常(肥料が少ない)」が連関度w16で関連付けられている。かかる場合には、連関度のもっと高い「正常」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「異常(肥料が少ない)」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。 Based on the equipment data newly acquired in this way, the cultivation environment actually created by the equipment is determined. In such a case, the degree of association shown in FIG. 3 (Table 1) acquired in advance is referred to. For example, when the newly acquired equipment data is the same as or similar to P02, "normal" is associated with w15 and "abnormal (less fertilizer)" is associated with association degree w16 through the association degree. ing. In such a case, "normal" with a higher degree of association is selected as the optimum solution. However, it is not essential to select the one with the highest degree of association as the optimum solution, and it is also possible to select "abnormality (less fertilizer)" as the optimum solution, in which the degree of association is low but the association itself is recognized. .. In addition to this, it goes without saying that an output solution to which the arrows are not connected may be selected, and as long as it is based on the degree of association, it may be selected in any other priority.
このようにして、新たに取得する設備データから、栽培環境において異常が発生しているのか否か、必要に応じて、その発生している異常の詳細を把握することができる。また、栽培環境において現在発生している異常を判別する場合のみならず、近いうちに発生する可能性がある異常を判別することが可能となる。かかる場合には、学習させるデータセットとして、設備データを時系列的に取得したものを利用し、その結果、異常が発生したか否かを紐付ける。例えば時系列的に取得した電力が徐々に弱まり、最終的に設備が故障して異常状態となった場合、その電力が時系列的に徐々に弱まる過程を、栽培環境の異常状態と紐付けて学習する。このような学習用データセットで学習させ、連関度を通じて紐付けておくことにより、将来における異常状態を判別することが可能となる。また異常事態が現時点において、或いは将来において発生するのであれば、注意喚起をするためのアラートを流すことができる。 In this way, from the newly acquired equipment data, it is possible to grasp whether or not an abnormality has occurred in the cultivation environment, and if necessary, the details of the abnormality that has occurred. In addition, it is possible to discriminate not only the abnormalities currently occurring in the cultivation environment but also the abnormalities that may occur in the near future. In such a case, as the data set to be trained, the equipment data acquired in time series is used, and as a result, whether or not an abnormality has occurred is linked. For example, when the power acquired in chronological order gradually weakens and eventually the equipment breaks down and becomes an abnormal state, the process in which the power gradually weakens in chronological order is linked to the abnormal state of the cultivation environment. learn. By learning with such a learning data set and associating them through the degree of association, it is possible to determine the abnormal state in the future. In addition, if an abnormal situation occurs at the present time or in the future, an alert for alerting can be sent.
図4の例では、参照用設備データと、参照用環境データとの組み合わせが形成されていることが前提となる。参照用環境データとは、栽培環境を直接センシングすることにより得られたデータであり、そのセンシング時における栽培環境の状態を如実に表したものである。この参照用環境データとしてセンシングする栽培環境として、温度、湿度、肥料の供給量、光量、水の供給量、ガスや気流の流量の何れか1以上とされていてもよい。 In the example of FIG. 4, it is premised that a combination of the reference equipment data and the reference environment data is formed. The reference environment data is data obtained by directly sensing the cultivation environment, and clearly represents the state of the cultivation environment at the time of the sensing. The cultivation environment sensed as the reference environment data may be any one or more of temperature, humidity, fertilizer supply amount, light amount, water supply amount, and gas or air flow rate.
図4の例では、入力データとして例えば参照用設備データP11〜P13、参照用環境データP14〜17であるものとする。このような入力データとしての、参照用設備データに対して、参照用環境データが組み合わさったものが、図4に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、栽培環境が表示されている。 In the example of FIG. 4, it is assumed that the input data is, for example, reference equipment data P11 to P13 and reference environment data P14 to 17. The intermediate node shown in FIG. 4 is a combination of the reference equipment data and the reference environment data as such input data. Each intermediate node is further linked to the output. In this output, the cultivation environment as the output solution is displayed.
参照用設備データと参照用環境データとの各組み合わせ(中間ノード)は、この出力解としての、栽培環境の正常性に対して3段階以上の連関度を通じて互いに連関しあっている。参照用設備データと参照用環境データがこの連関度を介して左側に配列し、栽培環境の正常性が連関度を介して右側に配列している。連関度は、左側に配列された参照用設備データと参照用環境データに対して、栽培環境と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用設備データと参照用環境データが、いかなる栽培環境の正常性に紐付けられる可能性が高いかを示す指標であり、参照用設備データと参照用環境データから最も確からしい栽培環境の正常性を選択する上での的確性を示すものである。図4の例では、連関度としてw13〜w22が示されている。このw13〜w22は表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての栽培環境の正常性と互いに関連度合いが低いことを示している。 Each combination (intermediate node) of the reference equipment data and the reference environment data is associated with each other through three or more levels of association with the normality of the cultivation environment as this output solution. The reference equipment data and the reference environment data are arranged on the left side through this degree of association, and the normality of the cultivation environment is arranged on the right side through this degree of association. The degree of association indicates the degree of relevance to the cultivation environment with respect to the reference equipment data and the reference environment data arranged on the left side. In other words, this degree of association is an index showing what kind of cultivation environment normality each reference equipment data and reference environment data are likely to be associated with, and the reference equipment data and reference environment. It shows the accuracy in selecting the most probable normality of the cultivation environment from the data. In the example of FIG. 4, w13 to w22 are shown as the degree of association. As shown in Table 1, these w13 to w22 are shown in 10 stages, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the price as an output, and conversely. The closer to one point, the lower the degree of association between each combination as an intermediate node with the normality of the cultivation environment as an output.
判別装置2は、このような図4に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用設備データと、参照用環境データ、並びにその場合の栽培環境がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図4に示す連関度を作り上げておく。
The discriminating
例えば、過去にセンシングした設備データが水の単位時間当たりのある供給量であるものとする(例えば1分当たり1lとする。)。また参照用環境データが「温度が34℃」であったものとする。その水の供給量と温度との関係で明らかに農作物に供給する水が不足する状態となっていた場合には、栽培環境が異常(水不足状態)とし、これらをデータセットとして学習させ、上述した連関度という形で定義しておく。 For example, it is assumed that the equipment data sensed in the past is a certain amount of water supplied per unit time (for example, 1 liter per minute). Further, it is assumed that the reference environment data is "temperature is 34 ° C.". If there is a clear shortage of water to supply to the crops due to the relationship between the amount of water supplied and the temperature, the cultivation environment is considered abnormal (water shortage), and these are learned as a data set and described above. It is defined in the form of the degree of association.
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用設備データP01で、参照用環境データP16である場合に、その栽培環境の正常性を過去のデータから分析する。栽培環境が、「異常(温度が低い)」の事例が多い場合には、この「異常(温度が低い)」につながる連関度をより高く設定し、「正常」の事例が多く、「異常(温度が低い)」の事例が少ない場合には、「正常」につながる連関度を高くし、「異常(温度が低い)」につながる連関度を低く設定する。例えば中間ノード61aの例では、「異常(温度が低い)」と「正常」の出力にリンクしているが、以前の事例から「異常(温度が低い)」につながるw13の連関度を7点に、「正常」につながるw14の連関度を2点に設定している。
This analysis and analysis may be performed by artificial intelligence. In such a case, for example, in the case of the reference equipment data P01 and the reference environment data P16, the normality of the cultivation environment is analyzed from the past data. When the cultivation environment has many cases of "abnormality (low temperature)", the degree of association leading to this "abnormality (low temperature)" is set higher, and there are many cases of "normal", and "abnormality (low temperature)". When there are few cases of "low temperature", the degree of association leading to "normal" is set high, and the degree of association leading to "abnormal (low temperature)" is set low. For example, in the example of the
また、この図4に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。 Further, the degree of association shown in FIG. 4 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association. Further, the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
図4に示す連関度の例で、ノード61bは、参照用設備データP01に対して、参照用環境データP14の組み合わせのノードであり、「異常(肥料が少ない)」の連関度がw15、「正常」の連関度がw16となっている。ノード61cは、参照用設備データP02に対して、参照用環境データP15、P17の組み合わせのノードであり、「正常」の連関度がw17、「異常(光が少ない)」の連関度がw18となっている。
In the example of the degree of association shown in FIG. 4, the
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから栽培環境の正常性の判別を行う際において、上述した学習済みデータを利用して正常性の判別を行うこととなる。かかる場合には、その判別を行う栽培環境を作りだす設備データと、その環境データを実測することで取得する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually determining the normality of the cultivation environment from now on, the above-mentioned learned data will be used to determine the normality. In such a case, it is acquired by actually measuring the equipment data that creates the cultivation environment for the discrimination and the environmental data.
新たに取得する設備データ、環境データは、各種センサ、情報取得部9を介して取得するようにしてもよい。 The newly acquired equipment data and environmental data may be acquired via various sensors and the information acquisition unit 9.
このようにして新たに取得した設備データ、環境データに基づいて、実際にその新たに設備データ、環境データとを取得した栽培環境の正常性を判別する。かかる場合には、予め取得した図4(表1)に示す連関度を参照する。例えば、新たに取得した設備データがP02と同一かこれに類似するものである場合であって、環境データがP17である場合には、連関度を介してノード61dが関連付けられており、このノード61dは、「異常
(肥料が少ない)」がw19、「異常(光が少ない)」が連関度w20で関連付けられている。かかる場合には、連関度のもっと高い「異常(肥料が少ない)」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「異常(光が少ない)」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。
Based on the newly acquired equipment data and environmental data in this way, the normality of the cultivation environment in which the newly acquired equipment data and environmental data are actually acquired is determined. In such a case, the degree of association shown in FIG. 4 (Table 1) acquired in advance is referred to. For example, when the newly acquired equipment data is the same as or similar to P02 and the environment data is P17, the node 61d is associated through the degree of association, and this node In 61d, "abnormality (less fertilizer)" is associated with w19, and "abnormality (less light)" is associated with a degree of association w20. In such a case, "abnormality (less fertilizer)" with a higher degree of association is selected as the optimum solution. However, it is not essential to select the one with the highest degree of association as the optimum solution, and it is also possible to select "abnormality (less light)" as the optimum solution, in which the degree of association is low but the association itself is recognized. .. In addition to this, it goes without saying that an output solution to which the arrows are not connected may be selected, and as long as it is based on the degree of association, it may be selected in any other priority.
また、入力から伸びている連関度w1〜w12の例を以下の表2に示す。 In addition, Table 2 below shows examples of the degrees of association w1 to w12 extending from the input.
この入力から伸びている連関度w1〜w12に基づいて中間ノード61が選択されていてもよい。つまり連関度w1〜w12が大きいほど、中間ノード61の選択における重みづけを重くしてもよい。しかし、この連関度w1〜w12は何れも同じ値としてもよく、中間ノード61の選択における重みづけは何れも全て同一とされていてもよい。 The intermediate node 61 may be selected based on the degree of association w1 to w12 extending from this input. That is, the larger the degree of association w1 to w12, the heavier the weighting in the selection of the intermediate node 61 may be. However, the degrees of association w1 to w12 may all have the same value, and the weights in the selection of the intermediate node 61 may all be the same.
図5は、上述した参照用設備データと、参照用農作物状態データとの組み合わせと、当該組み合わせに対する栽培環境との3段階以上の連関度が設定されている例を示している。 FIG. 5 shows an example in which the combination of the above-mentioned reference equipment data and the reference crop condition data and the degree of association with the cultivation environment for the combination are set at three or more levels.
入力データとしては、このような参照用設備データと、参照用農作物状態データが並んでいる。このような入力データとしての、参照用設備データに対して、参照用農作物状態データが組み合わさったものが、図5に示す中間ノードである。 As the input data, such reference equipment data and reference crop condition data are arranged side by side. The intermediate node shown in FIG. 5 is a combination of the reference equipment data and the reference crop status data as such input data.
参照用農作物状態データとは、農作物の状態をセンシングしたデータである。農作物の状態は、例えば画像データを通じて取得することが可能となる。農作物が枯れていたり、病気になっていたり、害虫に食われていたりする状態は全て画像解析から把握することができる。 The reference crop condition data is data obtained by sensing the condition of the crop. The state of the crop can be acquired, for example, through image data. All the conditions in which crops are dead, sick, or eaten by pests can be grasped from image analysis.
判別装置2は、このような図5に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の栽培環境の正常性の判別を行う上で、参照用設備データと、参照用農作物状態データ、並びにその場合の栽培環境がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図5に示す連関度を作り上げておく。栽培環境の正常性は、設備データ以外に、農作物の状態からも判別することができる。これら設備データと農作物状態データを組み合わせることで、より精度の高い栽培環境の正常性の判別を行うことが可能となる。
The discriminating
図5に示す連関度の例で、ノード61bは、参照用設備データP01に対して、参照用農作物状態データP18(例えば、害虫に食われて変色している等)の組み合わせのノードであり、「異常(肥料が少ない)」の連関度がw15、「正常」の連関度がw16となっている。
In the example of the degree of association shown in FIG. 5, the
このような連関度が設定されている場合も同様に、設備データを新たに取得するとともに、農作物状態データを取得する。設備データは参照用設備データに対応し、農作物状態データは、参照用農作物状態データに対応する。 Similarly, when such a degree of association is set, equipment data is newly acquired and crop condition data is acquired. The equipment data corresponds to the reference equipment data, and the crop condition data corresponds to the reference crop condition data.
栽培環境の判別を行う上では、予め取得した図5に示す連関度を参照する。例えば、取得した設備データが参照用設備データP02に同一又は類似で、取得した農作物状態データが、参照用農作物状態データP19に相当するものである場合、その組み合わせはノード61cが関連付けられており、このノード61cは、「正常」が連関度w17で、また「異常(光が少ない)」が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、実際にその新たに設備データ、農作物状態データとを取得した栽培舎における栽培環境の正常性を判別していくことになる。 In determining the cultivation environment, the degree of association shown in FIG. 5 acquired in advance is referred to. For example, when the acquired equipment data is the same as or similar to the reference equipment data P02 and the acquired crop state data corresponds to the reference crop state data P19, the combination is associated with the node 61c. In this node 61c, "normal" is associated with the degree of association w17, and "abnormality (less light)" is associated with the degree of association w18. As a result of such a degree of association, the normality of the cultivation environment in the cultivation building where the newly acquired equipment data and the crop condition data are actually acquired will be determined based on w17 and w18.
図6は、上述した参照用設備データと、参照用農作物育成フェーズデータとの組み合わせと、当該組み合わせに対する栽培環境との3段階以上の連関度が設定されている例を示している。 FIG. 6 shows an example in which the combination of the above-mentioned reference equipment data and the reference crop growth phase data and the degree of association with the cultivation environment for the combination are set at three or more levels.
入力データとしては、このような参照用設備データと、参照用農作物育成フェーズデータが並んでいる。このような入力データとしての、参照用設備データに対して、参照用農作物育成データが組み合わさったものが、図6に示す中間ノードである。 As input data, such reference equipment data and reference crop cultivation phase data are arranged side by side. The intermediate node shown in FIG. 6 is a combination of the reference equipment data and the reference crop growth data as such input data.
参照用農作物育成フェーズデータとは、農作物の育成状況を示すものである。つまり、農作物が種を蒔いてばかりなのか、苗を植えてばかりなのか、或いは苗を植えて1ヶ月、2ヶ月、3ヶ月・・・なのか、収穫期にあるのか、その育成フェーズを示すものである。 The reference crop growing phase data shows the growing status of the crop. In other words, it indicates the growing phase of whether the crop is just sowing seeds, just planting seedlings, planting seedlings for one month, two months, three months ..., or in the harvesting season. It is a thing.
判別装置2は、このような図6に示す3段階以上の連関度w13〜w22を予め取得しておく。つまり判別装置2は、実際の栽培環境の正常性の判別を行う上で、参照用設備データと、参照用農作物育成フェーズデータ、並びにその場合の栽培環境がどの程度であったかのデータを蓄積しておき、これらを分析、解析することで図6に示す連関度を作り上げておく。栽培環境の正常性は、設備データ以外に、農作物の育成フェーズによっても影響を受ける。例えば農作物が苗を植えた時期以外であれば、空調設備が故障して急激に温度が低下してもそれほど農作物を栽培する上で影響が少ないことから栽培環境は「正常」と判断するが、農作物が苗を植えた時期にあり、この段階で空調設備が故障して急激に温度が低下した場合に一気に枯れてしまうであれば「異常」と判断する。このように、栽培環境が正常か否かは、設備データに加え、農作物育成フェーズデータにも大きく支配される。このため、これら設備データと農作物育成フェーズデータを組み合わせることで、より精度の高い栽培環境の正常性の判別を行うことが可能となる。
The discriminating
図6に示す連関度の例で、ノード61bは、参照用設備データP01に対して、参照用農作物状態データP22(例えば、苗を植えた時期から3ヶ月後)の組み合わせのノードであり、「異常(肥料が少ない)」の連関度がw15、「正常」の連関度がw16となっている。
In the example of the degree of association shown in FIG. 6, the
このような連関度が設定されている場合も同様に、設備データを新たに取得するとともに、農作物育成フェーズデータを取得する。設備データは参照用設備データに対応し、農作物育成フェーズデータは、参照用農作物育成フェーズデータに対応する。 Similarly, when such a degree of association is set, equipment data is newly acquired and crop growth phase data is acquired. The equipment data corresponds to the reference equipment data, and the crop growing phase data corresponds to the reference crop growing phase data.
栽培環境の判別を行う上では、予め取得した図6に示す連関度を参照する。例えば、取得した設備データが参照用設備データP02に同一又は類似で、取得した農作物育成フェーズデータが、参照用農作物育成フェーズデータP23に相当するものである場合、その組み合わせはノード61cが関連付けられており、このノード61cは、「正常」が連関度w17で、また「異常(光が少ない)」が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、実際にその新たに設備データ、農作物育成フェーズデータとを取得した栽培舎における栽培環境の正常性を判別していくことになる。 In determining the cultivation environment, the degree of association shown in FIG. 6 acquired in advance is referred to. For example, when the acquired equipment data is the same as or similar to the reference equipment data P02 and the acquired crop growth phase data corresponds to the reference crop growth phase data P23, the combination is associated with the node 61c. In this node 61c, "normal" is associated with the degree of association w17, and "abnormality (less light)" is associated with the degree of association w18. As a result of such a degree of association, based on w17 and w18, the normality of the cultivation environment in the cultivation building where the newly acquired equipment data and the crop growth phase data are actually acquired will be determined.
図7は、上述した参照用設備データと、参照用環境データに加えて、更に参照用農作物状態データとの組み合わせと、当該組み合わせに対する栽培環境の正常性との3段階以上の連関度が設定されている例を示している。 In FIG. 7, in addition to the above-mentioned reference equipment data and reference environment data, the degree of association between the combination of the reference crop condition data and the normality of the cultivation environment with respect to the combination is set. An example is shown.
かかる場合において、連関度は、図7に示すように、参照用設備データと、参照用環境データと、参照用農作物状態データとの組み合わせの集合が上述と同様に中間ノードのノード61a〜61eとして表現されることとなる。
In such a case, as shown in FIG. 7, the degree of association is such that the set of the combination of the reference equipment data, the reference environment data, and the reference agricultural product state data is set as the
例えば、図7において、ノード61cは、参照用設備データP02が連関度w3で、参照用環境データP15が連関度w7で、参照用農作物状態データP19が連関度w11で連関している。同様にノード61eは、参照用農作物データP03が連関度w5で、参照用環境データP15が連関度w8で、参照用農作物状態データP18が連関度w10で連関している。
For example, in FIG. 7, the reference equipment data P02 is associated with the reference degree w3, the reference environment data P15 is associated with the association degree w7, and the reference crop state data P19 is associated with the association degree w11. Similarly, in the
このような連関度が設定されている場合も同様に、新たに取得した設備データ、環境データ、農作物状態データに基づいて、栽培環境を判別する。 Similarly, when such a degree of association is set, the cultivation environment is determined based on the newly acquired equipment data, environmental data, and crop condition data.
この栽培環境を判別する上で予め取得した図7に示す連関度を参照する。例えば、取得した設備データが参照用設備データP02に同一又は類似で、取得した環境データが参照用環境データP15に対応し、更に取得した農作物状態データが参照用農作物状態データP19に対応する場合、その組み合わせはノード61cが関連付けられており、このノード61cは、「正常」が連関度w17で、また「異常(光が少ない)」が連関度w18で関連付けられている。このような連関度の結果、w17、w18に基づいて、実際に探索解を求めていくことになる。 In determining the cultivation environment, the degree of association shown in FIG. 7 acquired in advance is referred to. For example, when the acquired equipment data is the same as or similar to the reference equipment data P02, the acquired environmental data corresponds to the reference environment data P15, and the acquired agricultural product status data corresponds to the reference agricultural product status data P19. The combination is associated with a node 61c, in which "normal" is associated with a degree of association w17 and "abnormal (less light)" is associated with a degree of association w18. As a result of such a degree of association, a search solution is actually obtained based on w17 and w18.
このような入力パラメータの種類を3種類以上にわたり組み合わせる場合には、参照用設備データに加え、参照用環境データ、参照用農作物状態データ、参照用農作物育成フェーズデータの何れか2以上で組み合わせが構成されたものであっても適用可能である。 When combining three or more types of such input parameters, in addition to the reference equipment data, the combination is composed of any two or more of the reference environment data, the reference crop status data, and the reference crop growth phase data. It is applicable even if it has been done.
第2実施形態
以下、第2実施形態について説明をする。この第2実施形態において使用するシステムは、上述した第1実施形態における図1、2において説明した栽培環境判別システム1を利用する。
Second Embodiment Hereinafter, the second embodiment will be described. The system used in the second embodiment uses the cultivation
図8は、参照用供給量データと需給環境との3段階以上の連関度が予め設定され、取得されていることが前提となる。参照用供給量データとは、植物についてパイプラインやプラント設備を通じて供給される水、肥料、農薬等の供給量に関する情報である。この供給量は例えばリットル/秒等の単位で示されるものであってもよい。 FIG. 8 is based on the premise that three or more levels of association between the reference supply amount data and the supply and demand environment are set and acquired in advance. Reference supply data is information on the supply of water, fertilizers, pesticides, etc. supplied to plants through pipelines and plant equipment. This supply amount may be expressed in units such as liters / second.
参照用供給量データは、このような供給量について直接的、又は間接的にセンサや計測器を取り付け、取得したあらゆるデータを含む。上述した各種設備に供給される水の供給量、肥料の供給量、農薬の供給量は、例えば流量計や、これらの液体を貯蔵するタンクにおける液体の残量等を通じて計測したデータを介して取得することができる。 Reference supply data includes any data obtained by directly or indirectly attaching sensors or instruments to such supplies. The amount of water supplied to the various facilities described above, the amount of fertilizer supplied, and the amount of pesticide supplied are obtained through data measured through, for example, a flow meter or the remaining amount of liquid in a tank that stores these liquids. can do.
需給環境は、例えば農薬が多すぎる、水が少ない、肥料が少ない、農薬が多い等、実際に植物に対して供給される水、肥料、農薬が実際に足りているのか、或いは足りていないのか、更には供給過剰であるのか、また需給関係がちょうど良い状態にあるのかを示すデータである。この需給環境については、水が少なければ農作物がしおれがちになり、水が多ければ、農作物の土壌に水たまりができてしまう。これらの状況を人間が識別した上で、供給度合を数値で判定してデータ化してもよいし、農作物や土壌の画像を撮像し、当該農作物のしおれ具合や土壌への水たまりの度合等を画像解析、必要に応じてディープラーニング技術を利用した、解析画像の特徴量に基づいて自動判別し、需給環境をデータ化してもよい。農薬についても、農薬が少なすぎれば、害虫による虫食いが進むが、その度合いを人間が判定し、或いは撮像した画像を解析することでその度合を抽出し、需給環境のデータとしてもよい。 The supply and demand environment is, for example, too much pesticide, less water, less fertilizer, more pesticide, etc., is the water, fertilizer, and pesticide actually supplied to the plant actually sufficient or insufficient? Furthermore, it is data showing whether there is an oversupply and whether the supply-demand relationship is in a good condition. Regarding this supply and demand environment, if there is little water, the crops tend to wilt, and if there is a lot of water, puddles will form in the soil of the crops. After human identification of these situations, the degree of supply may be determined numerically and converted into data, or an image of the agricultural product or soil may be imaged to image the degree of wilting of the agricultural product or the degree of water accumulation in the soil. The supply and demand environment may be converted into data by performing analysis and, if necessary, automatically determining based on the feature amount of the analyzed image using deep learning technology. As for pesticides, if the amount of pesticides is too small, pests will eat more worms, but the degree may be determined by humans or the degree may be extracted by analyzing the captured image and used as data of the supply and demand environment.
このようにして得られた参照用供給量データと、これに対する需給環境のデータとのデータセットを学習させることにより、図8に示す連関度を構成する。 By learning the data set of the reference supply amount data thus obtained and the data of the supply and demand environment with respect to the data set, the degree of association shown in FIG. 8 is constructed.
また、この図8に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。 Further, the degree of association shown in FIG. 8 may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association. Further, the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence.
かかる場合には、図9に示すように、入力データとして参照用供給量データが入力され、出力データとして各需給環境が出力され、入力ノードと出力ノードの間に少なくとも1以上の隠れ層が設けられ、機械学習させるようにしてもよい。また、逆に需給環境が入力で参照用供給量データが出力となるように構成されていてもよい。 In such a case, as shown in FIG. 9, reference supply amount data is input as input data, each supply and demand environment is output as output data, and at least one or more hidden layers are provided between the input node and the output node. It may be made to be machine-learned. On the contrary, the supply and demand environment may be configured to be an input and the reference supply amount data may be output.
図8の例では、入力データとして例えば参照用供給量データP01〜P03であるものとする。このような入力データとしての参照用供給量データは、出力に連結している。この出力においては、出力解としての、需給環境が表示されている。 In the example of FIG. 8, it is assumed that the input data is, for example, reference supply amount data P01 to P03. The reference supply amount data as such input data is linked to the output. In this output, the supply and demand environment as an output solution is displayed.
参照用供給量データは、この出力解としての、需給環境に対して3段階以上の連関度を通じて互いに連関しあっている。参照用供給量データがこの連関度を介して左側に配列し、各需給環境が連関度を介して右側に配列している。連関度は、左側に配列された参照用供給量データに対して、何れの需給環境と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用供給量データが、いかなる需給環境に紐付けられる可能性が高いかを示す指標であり、参照用供給量データから最も確からしい需給環境を選択する上での的確性を示すものである。図8の例では、連関度としてw13〜w19が示されている。このw13〜w19は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての需給環境と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。 The reference supply amount data are related to each other through three or more levels of association with the supply and demand environment as this output solution. The reference supply data is arranged on the left side through this degree of association, and each supply and demand environment is arranged on the right side through this degree of association. The degree of association indicates the degree of relevance to which supply and demand environment the reference supply amount data arranged on the left side. In other words, this degree of association is an indicator of what supply and demand environment each reference supply data is likely to be associated with, and is used to select the most probable supply and demand environment from the reference supply data. It shows the accuracy in. In the example of FIG. 8, w13 to w19 are shown as the degree of association. These w13 to w19 are shown in 10 stages as shown in Table 1 below, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the supply and demand environment as an output. On the contrary, the closer to one point, the lower the degree of relevance of each combination as an intermediate node to the price as an output.
判別装置2は、このような図8に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用供給量データと、その場合の需給環境がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図8に示す連関度を作り上げておく。
The discriminating
例えば、参照用供給量データが、肥料の供給量に関するデータであるとする。この肥料の供給量において、実際に農作物の栽培を続けたところ、あまり農作物が大きく育たないケースが多く、肥料が少ないことを原因であることを分析したものとする。このようなデータセットを集めて分析することにより、参照用供給量データと、需給環境として肥料が少なすぎることとの連関度が強くなる。 For example, suppose that the reference supply data is data related to the fertilizer supply. Regarding the amount of fertilizer supplied, it is analyzed that when the crops were actually cultivated, the crops did not grow very large in many cases, and the cause was the lack of fertilizer. By collecting and analyzing such data sets, the degree of association between the reference supply data and the supply and demand environment of too little fertilizer is strengthened.
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用供給量データP01である場合に、過去の需給環境のデータから分析する。参照用供給量データP01である場合に、需給環境が水が供給過多の事例が多い場合には、その水が供給過多につながる連関度をより高く設定し、需給環境のバランスが取れている事例が多い場合には、このバランスが取れている事例につながる連関度をより高く設定する。例えば参照用供給量データP01の例では、農薬が多すぎると、農薬が少ないにリンクしているが、以前の事例から農薬が多すぎるにつながるw13の連関度を7点に、農薬が少ないにつながるw14の連関度を2点に設定している。 This analysis and analysis may be performed by artificial intelligence. In such a case, for example, in the case of reference supply amount data P01, analysis is performed from the data of the past supply and demand environment. In the case of reference supply data P01, if there are many cases where the supply and demand environment is oversupplied with water, the degree of association that leads to the oversupply of water is set higher, and the supply and demand environment is balanced. If there are many, set a higher degree of association that leads to this balanced case. For example, in the example of the supply amount data P01 for reference, if there are too many pesticides, it is linked to less pesticides. The degree of association of the connected w14 is set to 2 points.
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに需給環境を判別しようとする際において、上述した学習済みデータを利用して需給環境を判別することとなる。かかる場合には、その需給環境を作り出す各種設備の供給量データを新たに取得する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually trying to determine the supply and demand environment from now on, the supply and demand environment will be determined by using the above-mentioned learned data. In such a case, the supply amount data of various facilities that create the supply and demand environment is newly acquired.
新たに取得する供給量データは、上述した情報取得部9により入力される。 The newly acquired supply amount data is input by the information acquisition unit 9 described above.
このようにして新たに取得した供給量データに基づいて、実際にその設備により作り出される需給環境を判別する。かかる場合には、予め取得した図8、9(表1)に示す連関度を参照する。例えば、新たに取得した供給量データがP02と同一かこれに類似するものである場合には、連関度を介して「水が少ない」がw15、「農薬が少ない」が連関度w16で関連付けられている。かかる場合には、連関度のもっと高い「水が少ない」を最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる「農薬が少ない」を最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。 Based on the supply amount data newly acquired in this way, the supply and demand environment actually created by the equipment is determined. In such a case, the degree of association shown in FIGS. 8 and 9 (Table 1) acquired in advance is referred to. For example, when the newly acquired supply amount data is the same as or similar to P02, "less water" is associated with w15 and "less pesticide" is associated with w16 through the degree of association. ing. In such a case, “less water” with a higher degree of association is selected as the optimum solution. However, it is not essential to select the one with the highest degree of association as the optimum solution, and it is also possible to select "there are few pesticides" as the optimum solution, although the degree of association is low but the association itself is recognized. In addition to this, it goes without saying that an output solution to which the arrows are not connected may be selected, and as long as it is based on the degree of association, it may be selected in any other priority.
このようにして、新たに取得する供給量データから、需給環境がいかなる状態にあるのか、詳細を把握することができる。また、需給環境において現在発生している需給環境の悪さを判別する場合のみならず、近いうちに需要過多、供給過多のアンバランスが発生する可能性があることを判別することが可能となる。かかる場合には、学習させるデータセットとして、供給量データを時系列的に取得したものを利用し、その結果、アンバランスが発生したか否かを紐付ける。例えば時系列的に取得した供給量が、最終的に供給過多として農作物の収率が悪化した場合、その供給量の時系列的変化の過程を、需給環境のアンバランスと紐付けて学習する。このような学習用データセットで学習させ、連関度を通じて紐付けておくことにより、将来におけるアンバランスを判別することが可能となる。またアンバランスが現時点において、或いは将来において発生するのであれば、注意喚起をするためのアラートを流すことができる。 In this way, it is possible to grasp the details of the state of the supply and demand environment from the newly acquired supply amount data. Further, it is possible not only to determine the bad supply and demand environment currently occurring in the supply and demand environment, but also to determine that an imbalance between excess demand and excess supply may occur in the near future. In such a case, as the data set to be trained, the supply amount data acquired in time series is used, and as a result, whether or not an imbalance has occurred is linked. For example, when the supply amount acquired in chronological order eventually deteriorates the yield of agricultural products due to oversupply, the process of time-series change in the supply amount is learned in association with the imbalance of the supply and demand environment. By training with such a learning data set and associating it through the degree of association, it becomes possible to determine the imbalance in the future. Also, if an imbalance occurs at the present time or in the future, an alert to call attention can be sent.
なお、需給環境を新たに判別する際に、プラント設備から肥料の供給量、農薬の供給量、水の供給量の何れか1以上のうち参照用供給量データに対応する供給量データを取得することが前提となる。例えば、上述した連関度が、農薬の供給量からなる参照用供給量データとの関係において構築されている場合、この新たに判別する際に取得する供給量データもこれに対応する、農薬の供給量に関するものを取得する。かかる場合には、データセットとして取得する需給環境は農薬の需給環境を判別することとなる。 When newly determining the supply and demand environment, the supply amount data corresponding to the reference supply amount data among any one or more of the fertilizer supply amount, the pesticide supply amount, and the water supply amount is acquired from the plant equipment. Is a prerequisite. For example, when the above-mentioned degree of association is constructed in relation to the reference supply amount data consisting of the supply amount of pesticides, the supply amount data acquired at the time of this new determination also corresponds to the supply of pesticides. Get things about quantities. In such a case, the supply and demand environment acquired as a data set will determine the supply and demand environment of pesticides.
なお、参照用供給量データは、肥料の供給量、農薬の供給量、水の供給量のうち、互いに異種の組み合わせで構成されていてもよい。例えば、図9に示す参照用供給量データP01が肥料の供給量であり、参照用供給量データP02が水の供給量であるとき、需給環境は、肥料と水の需給環境について一つの探索解の中に合わせて表示するようにしてもよい。 The reference supply amount data may be composed of different combinations of fertilizer supply amount, pesticide supply amount, and water supply amount. For example, when the reference supply amount data P01 shown in FIG. 9 is the fertilizer supply amount and the reference supply amount data P02 is the water supply amount, the supply and demand environment is one search solution for the supply and demand environment of fertilizer and water. It may be displayed according to the inside.
なお、この参照用供給量データは、肥料の供給量、農薬の供給量、水の供給量等の液体、固体で構成される場合に限定されるものでは無く、ガスや酸素、二酸化炭素、窒素等の空気の構成成分等といった気体を供給する場合においても同様に適用してもよい。 Note that this reference supply amount data is not limited to the case where it is composed of liquids and solids such as fertilizer supply amount, pesticide supply amount, and water supply amount, and is not limited to gas, oxygen, carbon dioxide, and nitrogen. The same may be applied to the case of supplying a gas such as a constituent component of air such as.
かかる場合には、これらガスの参照用供給量データと需給環境との間で図8、9に示すように連関度を予め構成しておく。そして、新たに需給環境を判別したい場合には、現在における気体の供給量データを新たに取得し、実際の需給環境を判別する。かかる場合には、予め取得した図8、9(表1)に示す連関度を参照し、同様の方法により需給環境を判別する。気体の供給量は、気体を供給するパイプラインにおいて流量計を設置することで計測するようにしてもよい。また需給環境のデータの取得は、上述と同様である。 In such a case, the degree of association is configured in advance between the reference supply amount data of these gases and the supply and demand environment as shown in FIGS. 8 and 9. Then, when it is desired to newly determine the supply and demand environment, the current gas supply amount data is newly acquired and the actual supply and demand environment is determined. In such a case, the supply and demand environment is determined by the same method with reference to the degree of association shown in FIGS. 8 and 9 (Table 1) acquired in advance. The amount of gas supplied may be measured by installing a flow meter in the pipeline that supplies the gas. The acquisition of supply and demand environment data is the same as described above.
このようにして、気体を供給する場合においても、新たに取得する供給量データから、需給環境がいかなる状態にあるのか、詳細を把握することができる。また、需給環境において現在発生している需給環境の悪さを判別する場合のみならず、近いうちに需要過多、供給過多のアンバランスが発生する可能性があることを判別することが可能となる。かかる場合には、学習させるデータセットとして、供給量データを時系列的に取得したものを利用し、その結果、アンバランスが発生したか否かを紐付ける。例えば時系列的に取得した酸素の供給量が、最終的に供給不足として農作物の収率が悪化した場合、その供給量の時系列的変化の過程を、酸素の需給環境のアンバランスと紐付けて学習する。このような学習用データセットで学習させ、連関度を通じて紐付けておくことにより、将来におけるアンバランスを判別することが可能となる。またアンバランスが現時点において、或いは将来において発生するのであれば、注意喚起をするためのアラートを流すことができる。 In this way, even when the gas is supplied, it is possible to grasp the details of the state of the supply and demand environment from the newly acquired supply amount data. Further, it is possible not only to determine the bad supply and demand environment currently occurring in the supply and demand environment, but also to determine that an imbalance between excess demand and excess supply may occur in the near future. In such a case, as the data set to be trained, the supply amount data acquired in time series is used, and as a result, whether or not an imbalance has occurred is linked. For example, when the supply of oxygen acquired in chronological order eventually deteriorates as a result of insufficient supply, the process of chronological change in the supply is linked to the imbalance of the oxygen supply and demand environment. To learn. By training with such a learning data set and associating it through the degree of association, it becomes possible to determine the imbalance in the future. Also, if an imbalance occurs at the present time or in the future, an alert to call attention can be sent.
なお、気体の需給環境は、参照用供給量データを介して判別する場合に限定するものでは無く、図10に示すような参照用排気量データを介して判別するものであってもよい。 The gas supply and demand environment is not limited to the case of determining via the reference supply amount data, and may be determined via the reference displacement data as shown in FIG.
かかる場合には、農作物を栽培する栽培環境を作り出すパイプラインから取得した、気体の排気量からなる参照用排気量データと、これらの需給環境との3段階以上の連関度を予め取得しておく。需給環境を新たに判別する際に、気体の排気量データを取得する。次に、取得した連関度を利用し、取得した排気量データに基づき、需給環境を判別する。気体を排気する場合においても、新たに取得する排気量データから、需給環境がいかなる状態にあるのか、詳細を把握することができる。 In such a case, the reference displacement data consisting of the displacement of gas acquired from the pipeline that creates the cultivation environment for cultivating agricultural products and the degree of association with these supply and demand environments at three levels or more are acquired in advance. .. Acquire gas displacement data when newly determining the supply and demand environment. Next, the supply and demand environment is determined based on the acquired displacement data using the acquired degree of association. Even when the gas is exhausted, it is possible to grasp the details of the state of the supply and demand environment from the newly acquired exhaust amount data.
なお、第2実施形態においては需給環境を判別する場合を例にとり説明をしたが、これに限定されるものでは無い。この需給環境から、栽培環境の現状が正常であるか否かを判別することができる。例えば需給環境が、バランスがちょうど良い旨が判定された場や、需要と供給のバランスにずれがあっても農作物の成長を妨げるほどではない場合には、栽培環境が正常である旨を判定する。一方、需給環境が、例えば「排気量が多すぎる」、「排気量が少なすぎる」等のように大きくバランスを欠く場合には、異常と判断するようにしてもよい。 In the second embodiment, the case of determining the supply and demand environment has been described as an example, but the present invention is not limited to this. From this supply and demand environment, it is possible to determine whether or not the current state of the cultivation environment is normal. For example, when it is judged that the supply and demand environment is just right, or when the balance between supply and demand is not enough to hinder the growth of crops, it is judged that the cultivation environment is normal. .. On the other hand, if the supply and demand environment is largely out of balance, such as "too much displacement" or "too little displacement", it may be determined to be abnormal.
このようにして、各需給環境の出力に対して正常、異常を紐付けておき、この正常、異常を出力するようにしてもよい。正常、異常が判定された場合の具体的なプロセスは、第1実施形態と同様である。 In this way, normal and abnormal may be linked to the output of each supply and demand environment, and the normal and abnormal may be output. The specific process when normal or abnormal is determined is the same as that of the first embodiment.
また、このようにして各需給環境の出力に対して紐付けられた正常、異常(以下、正常性という。)を、上述した参照用供給量データや、参照用排気量データ、更には参照用光量データとの関係において、学習させるようにしてもよい。つまり、図12に示すように、参照用供給量データと、需給環境を介して紐づけられる栽培環境の正常性との関係において互いに学習させることで連関度を形成させる。他の参照用排気量データ、参照用光量データについても同様である。 In addition, the normality and abnormality (hereinafter referred to as normality) associated with the output of each supply and demand environment in this way are referred to as the above-mentioned reference supply amount data, reference exhaust amount data, and further reference. It may be made to learn in relation to the light amount data. That is, as shown in FIG. 12, the degree of association is formed by learning from each other in the relationship between the reference supply amount data and the normality of the cultivation environment linked via the supply and demand environment. The same applies to other reference displacement data and reference light intensity data.
実際に栽培環境を判別したい場合には、上述した供給量データを入力することで、これに応じた栽培環境をこの連関度を利用することで判別することが可能となる。他の排気量データ、光量データが入力された場合も同様に栽培環境を判別することが可能となる。 When it is desired to actually determine the cultivation environment, it is possible to determine the cultivation environment according to the above-mentioned supply amount data by using this degree of association. When other exhaust amount data and light amount data are input, it is possible to determine the cultivation environment in the same manner.
また、参照用供給量データや、参照用排気量データ、参照用光量データは、第1実施形態における図4〜6に示すように、参照用環境データ、参照用農作物状態データ、参照用農作物育成フェーズデータとの各組み合わせの連関度を介して栽培環境と紐付けられていてもよい。つまり、図4〜6における参照用設備データが、参照用供給量データや、参照用排気量データ、参照用光量データの何れかに代替されることになる。かかる場合においても第1実施形態と同様に、栽培環境を判別することが可能となる。 Further, as shown in FIGS. 4 to 6 in the first embodiment, the reference supply amount data, the reference exhaust amount data, and the reference light amount data are the reference environment data, the reference agricultural product state data, and the reference agricultural product cultivation. It may be associated with the cultivation environment through the degree of association with each combination with the phase data. That is, the reference equipment data in FIGS. 4 to 6 is replaced with any of the reference supply amount data, the reference exhaust amount data, and the reference light amount data. Even in such a case, it is possible to determine the cultivation environment as in the first embodiment.
第3実施形態
以下、第3実施形態について説明をする。この第3実施形態において使用するシステムは、上述した第1実施形態における図1、2において説明した栽培環境判別システム1を利用する。また、第3実施形態では、第1実施形態、第2実施形態において説明した各連関度による探索解を利用する。
Third Embodiment Hereinafter, the third embodiment will be described. The system used in the third embodiment uses the cultivation
図13は、参照用栽培環境と成育状況との3段階以上の第2連関度が予め設定されている例である。この第2連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。かかる場合には、入力データとして参照用栽培環境が入力され、出力データとして各成育状況が出力され、入力ノードと出力ノードの間に少なくとも1以上の隠れ層が設けられ、機械学習させるようにしてもよい。また、逆に成育状況が入力で参照用栽培環境が出力となるように構成されていてもよい。 FIG. 13 shows an example in which the second degree of association of three or more stages between the reference cultivation environment and the growth status is preset. This second degree of association may be composed of the nodes of the neural network in artificial intelligence. That is, the weighting coefficient for the output of the node of this neural network corresponds to the above-mentioned degree of association. Further, the network is not limited to a neural network, and may be composed of all decision-making factors constituting artificial intelligence. In such a case, the cultivation environment for reference is input as input data, each growth status is output as output data, and at least one hidden layer is provided between the input node and the output node so that machine learning is performed. May be good. On the contrary, the growth status may be input and the reference cultivation environment may be output.
参照用栽培環境は、第1実施形態における出力データとしての栽培環境に対応する。第1実施形態は、栽培環境の正常性を出力とする場合を例に挙げているが、これに限定されるものでは無く、栽培環境そのものであってもよい。この栽培環境そのものとは、第1実施形態における栽培環境は、正常なのか、或いは異常が発生しているのであれば、具体的な異常の内容を示すものであり、例えば、温度が低い、肥料が少ない、光が少ない等である。 The reference cultivation environment corresponds to the cultivation environment as output data in the first embodiment. The first embodiment gives an example of the case where the normality of the cultivation environment is output, but the present invention is not limited to this, and the cultivation environment itself may be used. The cultivation environment itself indicates the specific content of the abnormality if the cultivation environment in the first embodiment is normal or if an abnormality has occurred, for example, fertilizer having a low temperature. There is little light, there is little light, etc.
探索解としての成育状況は、農作物の収穫量、農作物の品質や味、農作物の収率等、出来上がった農作物がどの程度成育しているかを示すものである。但し、この成育状況は、これらに限定されるものでは無く、収穫前の成育途上の農作物がどの程度成育しているかを示すものであってもよく、例えば、つぼみがどの程度の大きさか、実がどの程度熟したかを示すものであってもよい。 The growth status as an exploratory solution indicates how much the finished crop is growing, such as the yield of the crop, the quality and taste of the crop, and the yield of the crop. However, this growth situation is not limited to these, and may indicate how much the growing crop before harvest is growing. For example, how large the bud is, in fact. May indicate how ripe it is.
このようにして得られた参照用栽培環境と、これに対する成育状況のデータとのデータセットを学習させることにより、図13に示す連関度を構成する。 By learning the data set of the reference cultivation environment thus obtained and the data of the growth status with respect to the data set, the degree of association shown in FIG. 13 is constructed.
判別装置2は、このような図13に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用栽培環境と、その場合の成育状況がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図13に示す連関度を作り上げておく。
The discriminating
例えば、参照用栽培環境として温度が高い状態が続いた場合、成育状況として収穫量が低下をしてしまったのであれば、その低下してしまった収穫量に対する連関度が強くなる。これに対して、参照用栽培環境として温度がベストな状態が続いた場合、成育状況として収穫量が上昇したのであれば、その上昇した収穫量に対する連関度が強くなる。この分析、解析は人工知能により行うようにしてもよい。 For example, if the temperature continues to be high as a reference cultivation environment and the yield has decreased as a growing condition, the degree of association with the decreased yield becomes stronger. On the other hand, if the temperature remains the best as a reference cultivation environment and the yield increases as a growing condition, the degree of association with the increased yield becomes stronger. This analysis and analysis may be performed by artificial intelligence.
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに成育状況を判別しようとする際において、先ず、第1実施形態、第2実施形態を通じて栽培環境の探索解を得る。次に、この探索解としての栽培環境に対応する参照用栽培環境を入力とし、出力である成育状況を探索する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually trying to newly determine the growth situation from now on, first, a search solution of the cultivation environment is obtained through the first embodiment and the second embodiment. Next, the reference cultivation environment corresponding to the cultivation environment as the search solution is input, and the growth status which is the output is searched.
このようにして、第1実施形態、第2実施形態を通じて栽培環境の探索解から、実際の農作物の成育状況がどのようなものであるかを農家に理解してもらうことが可能となり、農家もその成育状況から、今後の農業改善策の指針を考えることもできる。 In this way, it becomes possible for the farmers to understand what the actual growth situation of the crops is from the search solution of the cultivation environment through the first embodiment and the second embodiment, and the farmers can also understand. From the growth situation, it is possible to think of guidelines for future agricultural improvement measures.
図14は、参照用栽培環境と栽培方法との3段階以上の第2連関度が予め設定されている例である。 FIG. 14 shows an example in which the second degree of association of three or more stages between the reference cultivation environment and the cultivation method is preset.
栽培方法は、現在育成中の農作物に関する最適な栽培方法に関する情報である。例えば、「肥料〇〇の散布を週2回、農薬△△の散布を月1回」や、「水の散布を一日2回、除草を週1回」等、具体的な栽培方法に関する助言に近い内容が含まれていてもよい。以前のデータにおいて実際の農作物を栽培方法を調査し、どの栽培方法が収穫量を向上させる上で、或いは農作物の品質を向上させる上で、ベストであるかを調べることでその栽培方法に関するデータを取得する。かかる場合において、この第2連関度は、栽培環境に関するデータと、これに対して過去いかなる栽培方法を施し、その結果、農作物の収穫量や品質がどの程度であったかを調べた上で、この連関度を形成させる。 The cultivation method is information on the optimum cultivation method for the crop currently being cultivated. For example, advice on specific cultivation methods such as "spraying fertilizer 〇〇 twice a week, spraying pesticide △△ once a month" and "spraying water twice a day, weeding once a week". It may contain contents close to. By investigating the cultivation method of the actual crop in the previous data and finding out which cultivation method is the best for improving the yield or the quality of the crop, the data on the cultivation method can be obtained. get. In such a case, this second degree of association is determined after investigating the data on the cultivation environment and what kind of cultivation method was applied to it in the past, and as a result, what was the yield and quality of the crops. Form a degree.
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに栽培方法を判別しようとする際において、先ず、第1実施形態、第2実施形態を通じて栽培環境の探索解を得る。次に、この探索解としての栽培環境に対応する参照用栽培環境を入力とし、出力である栽培方法を探索する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually trying to determine a new cultivation method from now on, first, a search solution of the cultivation environment is obtained through the first embodiment and the second embodiment. Next, the reference cultivation environment corresponding to the cultivation environment as the search solution is input, and the output cultivation method is searched.
このようにして、第1実施形態、第2実施形態を通じて栽培環境の探索解から、実際の農作物の栽培方法がどのようなものであるかを農家に理解してもらうことが可能となり、農家もその栽培方法から、今後の農業改善策の指針を考えることもできる。 In this way, it becomes possible for the farmers to understand what the actual cultivation method of the crops is from the search solution of the cultivation environment through the first embodiment and the second embodiment, and the farmers can also understand. From the cultivation method, it is possible to think of guidelines for future agricultural improvement measures.
図15は、参照用栽培環境と農作物の栽培を行う上での制御指示情報との3段階以上の第2連関度が予め設定されている例である。 FIG. 15 shows an example in which a second degree of association of three or more stages between the reference cultivation environment and the control instruction information for cultivating the crop is preset.
制御指示情報とは、栽培環境を作り出す上で必要な設備(デバイス)を制御するためのあらゆる情報である。栽培環境は、温度、湿度、肥料の供給量、農薬の供給量、光、水の供給量、供給するガスの流量や気流の流量並びに方向、照明の照度等によって決まるが、これらの供給を制御するための指示情報が、制御指示情報である。例えば温度や湿度については空調設備、肥料や水、農薬の供給は、肥料供給するためのパイプラインやプラント設備等を通じて行われる。またガスや気流についてもパイプラインやプラント設備等を通じて行われる。また、照明の照度は照明設備を通じて行われる。具体的には、この制御指示情報は、水を噴射するスプリンクラーを1分間行うように指示するものや、温室内の暖房を停止させるなどの処理動作を規定するものである。或いはビニールハウスにおける遮光カーテンを自動開閉する制御システムへの制御指示情報等であってもよい。 The control instruction information is all information for controlling the equipment (device) necessary for creating the cultivation environment. The cultivation environment is determined by temperature, humidity, fertilizer supply, pesticide supply, light, water supply, gas flow rate and airflow flow rate and direction, lighting illuminance, etc., but these supplies are controlled. The instruction information for this is the control instruction information. For example, for temperature and humidity, air conditioning equipment, fertilizer, water, and pesticides are supplied through pipelines and plant equipment for supplying fertilizer. In addition, gas and airflow are also carried out through pipelines and plant equipment. In addition, the illuminance of lighting is performed through lighting equipment. Specifically, this control instruction information defines a processing operation such as instructing a sprinkler to inject water for one minute or stopping heating in a greenhouse. Alternatively, it may be control instruction information to the control system that automatically opens and closes the blackout curtain in the vinyl house.
以前のデータにおいて実際の制御指示情報を調査し、どの制御指示が収穫量を向上させる上で、或いは農作物の品質を向上させる上で、ベストであるかを調べることでその制御指示情報に関するデータを取得する。かかる場合において、この第2連関度は、栽培環境に関するデータと、これに対して過去いかなる制御指示を施し、その結果、農作物の収穫量や品質がどの程度であったかを調べた上で、この連関度を形成させる。 By investigating the actual control instruction information in the previous data and finding out which control instruction is the best for improving the yield or the quality of the crop, the data on the control instruction information can be obtained. get. In such a case, this second degree of association is based on the data on the cultivation environment and what control instructions have been given to it in the past, and as a result, the yield and quality of the crops have been investigated. Form a degree.
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに制御指示情報を判別しようとする際において、先ず、第1実施形態、第2実施形態を通じて栽培環境の探索解を得る。次に、この探索解としての栽培環境に対応する参照用栽培環境を入力とし、出力である制御指示情報を探索する。 Such a degree of association is what is called learned data in artificial intelligence. After creating such learned data, when actually trying to discriminate new control instruction information from now on, first, a search solution of the cultivation environment is obtained through the first embodiment and the second embodiment. Next, the reference cultivation environment corresponding to the cultivation environment as the search solution is input, and the control instruction information which is the output is searched.
このようにして、第1実施形態、第2実施形態を通じて栽培環境の探索解から、実際の制御指示情報がどのようなものであるかを農家に理解してもらうことが可能となり、農家もその栽培方法から、今後の農業改善策の指針を考えることもできる。また、本発明においては、この抽出した制御指示情報に基づいて、実際に農作物の栽培を行う上での制御を施すようにしてもよい。即ち、水を噴射するスプリンクラーを1分間行うように指示するものや、温室内の暖房を停止させる等の制御指示情報が抽出された場合には、これに応じた各種設備、プラント、機器等の制御を行うことになる。 In this way, it becomes possible for the farmer to understand what the actual control instruction information is from the search solution of the cultivation environment through the first embodiment and the second embodiment, and the farmer can also understand it. From the cultivation method, it is possible to think of guidelines for future agricultural improvement measures. Further, in the present invention, control may be performed in actually cultivating an agricultural product based on the extracted control instruction information. That is, if a sprinkler that injects water is instructed to perform for 1 minute, or if control instruction information such as stopping heating in the greenhouse is extracted, various equipment, plants, equipment, etc. corresponding to this are extracted. It will be controlled.
なお、この第3実施形態においては、図16に示すように、第2実施形態を通じて得られた探索解である需給環境との関係で連関度が形成されるものであってもよい。この需給環境に対応する参照用需給環境と、農作物の成育状況との間で、3段階以上の第2連関度を予め作っておく。この作り方に関しては上述と同様である。つまり実際の探索解の判別を行う上で、参照用需給環境と、その場合の成育状況がどの程度であったか、過去のデータを蓄積しておき、これらを分析、解析することで図16に示す連関度を作り上げておく。 In this third embodiment, as shown in FIG. 16, the degree of association may be formed in relation to the supply and demand environment, which is the search solution obtained through the second embodiment. A second degree of association of three or more levels is created in advance between the reference supply and demand environment corresponding to this supply and demand environment and the growth status of agricultural products. The method of making this is the same as described above. In other words, in determining the actual search solution, past data on the supply and demand environment for reference and the degree of growth in that case are accumulated, and these are analyzed and analyzed to show in FIG. Create a degree of association.
例えば、参照用需給環境として水が少ない状態が続いた場合、成育状況として収穫量が低下をしてしまったのであれば、その低下してしまった収穫量に対する連関度が強くなる。これに対して、参照用栽培環境として農薬が多すぎた場合に、成育状況として収穫量が上昇したのであれば、その上昇した収穫量に対する連関度が強くなる。この分析、解析は人工知能により行うようにしてもよい。 For example, if the supply and demand environment for reference continues to be low in water, and if the yield has decreased due to the growth situation, the degree of association with the decreased yield becomes stronger. On the other hand, if there are too many pesticides as a reference cultivation environment and the yield increases as a growth situation, the degree of association with the increased yield becomes stronger. This analysis and analysis may be performed by artificial intelligence.
このような図16に示す第2連関度を予め形成させた後、第2実施形態において判別された需給環境に対応する参照用需給環境を介して農作物の成育状況を推定する。 After forming the second degree of association shown in FIG. 16 in advance, the growth status of the crop is estimated via the reference supply and demand environment corresponding to the supply and demand environment determined in the second embodiment.
この需給環境は、肥料、農薬、水のみならず、酸素や温風、冷風等の気体の需給環境を判別した場合も同様であり、これに応じた参照用需給環境を農作物の成育状況との関係において予め第2連関度を作っておくことで、同様に農作物の成育状況を推定することができる。 This supply and demand environment is the same when the supply and demand environment of not only fertilizers, pesticides, and water but also gases such as oxygen, hot air, and cold air is determined. By creating a second degree of association in advance in the relationship, the growth status of crops can be estimated in the same way.
また、この需給環境は、光の需給環境を判別する場合も同様であり、これに応じた参照用需給環境を農作物の成育状況との関係において予め第2連関度を作っておくことで、同様に農作物の成育状況を推定することができる。 In addition, this supply and demand environment is the same when determining the supply and demand environment of light, and the same applies by creating a second degree of linkage in advance in relation to the growth status of agricultural products in the supply and demand environment for reference according to this. It is possible to estimate the growth status of crops.
また、探索解として、成育状況以外に、農作物の栽培方法、制御指示情報を探索する場合においても、上述した参照用需給環境との間で第2連関度を形成しておくことにより、同様に解探索を行うことが可能となる。 In addition to the growth status, as a search solution, when searching for crop cultivation methods and control instruction information, the second degree of association with the above-mentioned reference supply and demand environment is formed in the same manner. It is possible to search for a solution.
上述した連関度においては、10段階評価で連関度を表現しているが、これに限定されるものではなく、3段階以上の連関度で表現されていればよく、逆に3段階以上であれば100段階でも1000段階でも構わない。一方、この連関度は、2段階、つまり互いに連関しているか否か、1又は0の何れかで表現されるものは含まれない。 In the above-mentioned degree of association, the degree of association is expressed by a 10-step evaluation, but it is not limited to this, and it may be expressed by a degree of association of 3 or more levels, and conversely, it may be expressed by 3 or more levels. For example, 100 steps or 1000 steps may be used. On the other hand, this degree of association does not include those expressed in two stages, that is, whether or not they are related to each other, either 1 or 0.
上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に栽培環境の判別を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能(ニューラルネットワーク等)で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。 According to the present invention having the above-described configuration, anyone can easily determine the cultivation environment without any special skill or experience. Further, according to the present invention, it is possible to determine the search solution with higher accuracy than that performed by a human being. Further, by configuring the above-mentioned degree of association with artificial intelligence (neural network or the like), it is possible to further improve the discrimination accuracy by learning this.
また、本発明によれば、3段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した10段階以外に、例えば0〜100%までの数値で記述することができるが、これに限定されるものではなく3段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。 Further, according to the present invention, there is a feature that an optimum solution search is performed through the degree of association set in three or more stages. The degree of association can be described by, for example, a numerical value from 0 to 100% in addition to the above-mentioned 10 steps, but the degree of association is not limited to this, and any step can be described as long as it can be described by a numerical value of 3 or more steps. It may be configured.
このような3段階以上の数値で表される連関度に基づいて最も確からしい栽培環境の正常性を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。このように連関度の高い順にユーザに表示できれば、より確からしい探索解を優先的に表示することも可能となる。 By determining the most probable normality of the cultivation environment based on the degree of association represented by the numerical values of three or more levels, the degree of association can be determined under the situation where there are multiple possible candidates for the search solution. It is also possible to search and display in descending order. If the users can be displayed in descending order of the degree of association in this way, it is possible to preferentially display more probable search solutions.
これに加えて、本発明によれば、連関度が1%のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。 In addition to this, according to the present invention, it is possible to judge without overlooking the discrimination result of the output having an extremely low degree of association such as 1%. It warns the user that even a judgment result with an extremely low degree of association is connected as a slight sign and may be useful as the judgment result once every tens or hundreds of times. be able to.
更に本発明によれば、このような3段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が1%のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。 Further, according to the present invention, there is an advantage that the search policy can be determined by the method of setting the threshold value by performing the search based on the degree of association of three or more stages. If the threshold value is lowered, even if the above-mentioned degree of association is 1%, it can be picked up without omission, but it is unlikely that a more appropriate discrimination result can be detected favorably, and a lot of noise may be picked up. be. On the other hand, if the threshold value is raised, there is a high possibility that the optimum search solution can be detected with a high probability. Sometimes the solution is overlooked. It is possible to decide which one to prioritize based on the ideas of the user side and the system side, but it is possible to increase the degree of freedom in selecting the points to be emphasized.
更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また設備データを取得し、これ以外に環境データ、農作物状態データ、農作物育成フェーズデータと、これらに対する栽培環境の正常性に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。 Further, in the present invention, the above-mentioned degree of association may be updated. This update may reflect information provided via a public communication network such as the Internet. In addition, when equipment data is acquired, and in addition to this, environmental data, crop condition data, crop growth phase data, and knowledge, information, and data regarding the normality of the cultivation environment for these are acquired, the degree of association is increased accordingly. Or lower it.
つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。 In other words, this update corresponds to learning in the sense of artificial intelligence. It can be said that it is a learning act because it acquires new data and reflects it in the learned data.
また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。 In addition, this update of the degree of association is not based on the information that can be obtained from the public communication network, but is also updated by the system side or the user side based on the contents of research data, treatises, conference presentations, newspaper articles, books, etc. by experts. It may be updated artificially or automatically. Artificial intelligence may be utilized in these update processes.
また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。 Further, the process of first creating the trained model and the above-mentioned update may use not only supervised learning but also unsupervised learning, deep learning, reinforcement learning, and the like. In the case of unsupervised learning, instead of reading and learning the data set of input data and output data, information corresponding to the input data is read and trained, and the degree of association related to the output data is self-formed from there. You may let it.
第4実施形態
第4実施形態においては、上述した参照用設備データを利用し、市場において取引される食肉や魚の保存環境や肉質、魚(以下、これらを魚肉類という)の品質を探索するものである。
Fourth Embodiment In the fourth embodiment, the above-mentioned reference equipment data is used to search for the storage environment and meat quality of meat and fish traded in the market, and the quality of fish (hereinafter, these are referred to as fish meat). Is.
例えば図17に示すように、参照用設備データと、魚肉類の品質との3段階以上の連関度が予め設定されていることが前提となる。参照用設備データとは、魚肉類の外観について、画像を撮像することにより得られた設備データから得られるものであり、設備データを解析することで得ることができる。この画像は静止画のみならず動画であってもよい。この参照用設備データは、魚肉類について撮像した画像を解析することで、魚肉類の品質を特定するようにしてもよい。 For example, as shown in FIG. 17, it is premised that the degree of association between the reference equipment data and the quality of fish meat is set in advance at three or more levels. The reference equipment data is obtained from the equipment data obtained by taking an image of the appearance of fish meat, and can be obtained by analyzing the equipment data. This image may be a moving image as well as a still image. This reference equipment data may be used to identify the quality of fish meat by analyzing an image taken of the fish meat.
ここでいう参照用設備データとは、魚肉類が生産又は水揚げされてから消費者に届けられるまでのあらゆる物流、搬送市場、小売店、問屋、スーパーマーケットにおける保存環境に関するデータである。参照用設備データとは、保存環境を作り出す上で必要な設備(デバイス)から直接的に取得したデータである。保存環境は、例えば卸売市場の場合、そこでの温度、湿度、光、水の供給量、供給するガスの流量や気流の流量並びに方向、照明の照度等によって決まる。近年における自動化された冷蔵庫等の各種設備の保存環境もそのような各パラメータによって決まる。例えば温度や湿度については空調設備、水等の供給はパイプラインやプラント設備等を通じて行われる。またガスや気流についてもパイプラインやプラント設備等を通じて行われる。また、照明の照度は照明設備を通じて行われる。 The reference equipment data referred to here is data on the storage environment in all logistics, transportation markets, retail stores, wholesalers, and supermarkets from the time fish meat is produced or landed to the time it is delivered to consumers. The reference equipment data is data directly acquired from the equipment (device) necessary for creating the storage environment. In the case of a wholesale market, for example, the storage environment is determined by the temperature, humidity, light, water supply amount, flow rate of supplied gas, flow rate and direction of air flow, illuminance of lighting, and the like. The storage environment of various facilities such as automated refrigerators in recent years is also determined by such parameters. For example, for temperature and humidity, air conditioning equipment and water are supplied through pipelines and plant equipment. In addition, gas and airflow are also carried out through pipelines and plant equipment. In addition, the illuminance of lighting is performed through lighting equipment.
参照用設備データは、このような設備について直接的、又は間接的にセンサや計測器を取り付け、取得したあらゆるデータを含む。例えば、上述した各種設備に供給される電力、電気、電圧、振動、音、光、電波(以下、これらを総称して物理データという。)、空気や液体の流量、排水設備における排水量等がこの参照用設備データである。設備を動作させる物理データ、水を供給する供給量データ、ガスを供給又は排気するガス流量データ、照射する光の光量の何れか1以上からなる動作データを検知する。これらの動作データを検知することで、保存環境の現状が正常か、或いは何らかの異常が発生しているのかを把握することができる。またこれらの動作データを検知することで、保存環境が今後近いうちに異常が発生する可能性があるのか、或いは正常のままなのかも推定することができる。 Reference equipment data includes any data obtained by directly or indirectly attaching sensors or measuring instruments to such equipment. For example, the electric power, electricity, voltage, vibration, sound, light, radio waves (hereinafter, these are collectively referred to as physical data), the flow rate of air and liquid, the amount of drainage in the drainage facility, etc. supplied to the above-mentioned various facilities. Reference equipment data. It detects operation data consisting of one or more of physical data for operating equipment, supply amount data for supplying water, gas flow rate data for supplying or exhausting gas, and light amount of irradiating light. By detecting these operation data, it is possible to grasp whether the current state of the storage environment is normal or whether some abnormality has occurred. In addition, by detecting these operation data, it is possible to estimate whether the storage environment may have an abnormality in the near future or whether it remains normal.
参照用設備データとして撮像される魚肉類は、魚肉類市場において水揚げされた直後の魚肉類、魚肉類市場で取引されている魚肉類、店頭やスーパーに搬送中の魚肉類、店頭やスーパーに陳列されている魚肉類の何れも含まれる。またここでいう魚肉類は、イカやタコ、ウニ、イクラ、貝等のあらゆる魚、又は牛、馬、羊、豚、鳥、イノシシ等あらゆる動物の肉も含むものである。 Fish meat imaged as reference equipment data are fish meat immediately after landing at the fish meat market, fish meat traded at the fish meat market, fish meat being transported to stores and supermarkets, and displayed at stores and supermarkets. All of the fish meats that have been made are included. The fish meat referred to here includes the meat of all fish such as squid, octopus, sea urchin, salmon roe, and shellfish, or the meat of all animals such as cow, horse, sheep, pig, bird, and wild boar.
ここでいう魚肉類の品質は、特に魚の場合、鮮度で表現されていてもよく、また光沢や味で評価してもよい。この魚肉類の品質は、システム側、又はユーザ側が設定した5段階や10段階で評価したランキングで表現されるものであっても良い。或いは、単に物凄く美味しい、美味しい、まあまあ、普通で表現されたものであってもよい。 The quality of fish meat referred to here may be expressed by freshness, or may be evaluated by luster or taste, particularly in the case of fish. The quality of the fish meat may be expressed by a ranking set by the system side or the user side and evaluated on a 5-point or 10-point scale. Alternatively, it may simply be a very tasty, tasty, ok, ordinary expression.
これらの魚肉類の品質は、以前において学習させた特徴量に基づいて判別するようにしてもよい。このとき人工知能を活用し、魚肉類の画像データと、魚肉類の品質を学習させておき、実際に参照用設備データを取得する際には、これらの学習させた画像データと照らし合わせて、その魚肉類の品質を判別するようにしてもよい。 The quality of these fish meats may be determined based on previously trained features. At this time, artificial intelligence is used to learn the image data of fish meat and the quality of fish meat, and when actually acquiring the reference equipment data, compare it with these learned image data. The quality of the fish meat may be determined.
魚肉類の品質は、評価者による以前の経験に基づいてその良しあしを判断してもよいし、実際に試食をしてその味を判断するようにしてもよい。かかる場合には魚肉類の品質を試食する複数人の検査者がその味について、食感、香ばしさ、歯ごたえ、苦み、まろやかさ等の各項目について複数段階で評価し、それらを統計的に分析して品質評価値としてもよい。また、魚肉類の品質は、味覚を検知可能な味覚センサを通じて判別するようにしてもよいし、各種機器分析を通じて判断してもよい。 The quality of fish meat may be judged to be good or bad based on the previous experience of the evaluator, or the taste may be judged by actually tasting it. In such a case, multiple inspectors tasting the quality of fish meat evaluate the taste of each item such as texture, aroma, chewyness, bitterness, and mellowness in multiple stages, and statistically analyze them. It may be used as a quality evaluation value. Further, the quality of fish meat may be determined through a taste sensor capable of detecting the taste, or may be determined through analysis of various instruments.
また、特に魚の場合、その鮮度を魚肉類の品質そのものとして評価してもよい。魚肉類の鮮度も同様に複数人の検査者がその味について、食各項目について複数段階で評価し、それらを統計的に分析して品質評価値としてもよい。 Further, especially in the case of fish, the freshness may be evaluated as the quality of fish meat itself. Similarly, the freshness of fish meat may be evaluated by a plurality of inspectors for the taste of each food item in a plurality of stages, and statistically analyzed to obtain a quality evaluation value.
図17の例では、入力データとして例えば参照用設備データP01〜P03であるものとする。このような入力データとしての参照用設備データP01〜P03は、出力としての魚肉類の品質に連結している。この出力においては、出力解としての、魚肉類の品質が表示されている。 In the example of FIG. 17, it is assumed that the input data is, for example, reference equipment data P01 to P03. The reference equipment data P01 to P03 as such input data are linked to the quality of fish meat as output. In this output, the quality of fish meat as an output solution is displayed.
参照用設備データは、この出力解としての魚肉類の品質A〜Dに対して3段階以上の連関度を通じて互いに連関しあっている。参照用設備データがこの連関度を介して左側に配列し、各魚肉類の品質が連関度を介して右側に配列している。連関度は、左側に配列された参照用設備データに対して、何れの魚肉類の品質と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用設備データが、いかなる魚肉類の品質に紐付けられる可能性が高いかを示す指標であり、参照用設備データから最も確からしい魚肉類の品質を選択する上での的確性を示すものである。図17の例では、連関度としてw13〜w19が示されている。このw13〜w19は以下の表1に示すように10段階で示されており、10点に近いほど、中間ノードとしての各組み合わせが出力としての魚肉類の品質と互いに関連度合いが高いことを示しており、逆に1点に近いほど中間ノードとしての各組み合わせが出力としての値段と互いに関連度合いが低いことを示している。 The reference equipment data are associated with each other through three or more levels of association with the quality A to D of the fish meat as the output solution. The reference equipment data is arranged on the left side through this degree of association, and the quality of each fish meat is arranged on the right side through this degree of association. The degree of association indicates the degree of which fish meat is highly related to the quality of the reference equipment data arranged on the left side. In other words, this degree of association is an indicator of what kind of fish meat quality each reference equipment data is likely to be associated with, and the most probable fish meat quality is selected from the reference equipment data. It shows the accuracy in doing so. In the example of FIG. 17, w13 to w19 are shown as the degree of association. These w13 to w19 are shown in 10 stages as shown in Table 1 below, and the closer to 10 points, the higher the degree of relevance of each combination as an intermediate node to the quality of fish meat as an output. On the contrary, the closer to one point, the lower the degree of relevance of each combination as an intermediate node to the price as an output.
判別装置2は、このような図17に示す3段階以上の連関度w13〜w19を予め取得しておく。つまり判別装置2は、実際の探索解の判別を行う上で、参照用設備データと、その場合の魚肉類の品質の何れが採用、評価されたか、過去のデータセットを蓄積しておき、これらを分析、解析することで図17に示す連関度を作り上げておく。
The discriminating
例えば、過去において魚肉類に対して撮像した参照用設備データに対する魚肉類の品質としては魚肉類の品質Aが多く評価されたものとする。このようなデータセットを集めて分析することにより、参照用設備データとの連関度が強くなる。 For example, it is assumed that the quality A of fish meat is often evaluated as the quality of fish meat with respect to the reference equipment data imaged for fish meat in the past. By collecting and analyzing such data sets, the degree of association with the reference equipment data is strengthened.
この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用設備データP01である場合に、過去の魚肉類の品質の評価を行った結果の各種データから分析する。参照用設備データP01である場合に、魚肉類の品質Aの事例が多い場合には、この魚肉類の品質の評価につながる連関度をより高く設定し、魚肉類の品質Bの事例が多い場合には、この魚肉類の品質の評価につながる連関度をより高く設定する。例えば参照用設備データP01の例では、魚肉類の品質Aと、魚肉類の品質Cにリンクしているが、以前の事例から魚肉類の品質Aにつながるw13の連関度を7点に、魚肉類の品質Cにつながるw14の連関度を2点に設定している。 This analysis and analysis may be performed by artificial intelligence. In such a case, for example, in the case of reference equipment data P01, analysis is performed from various data as a result of past evaluation of the quality of fish meat. In the case of reference equipment data P01, if there are many cases of fish meat quality A, the degree of association that leads to the evaluation of the fish meat quality is set higher, and there are many cases of fish meat quality B. To set a higher degree of association that leads to the evaluation of the quality of this fish meat. For example, in the example of the reference equipment data P01, the quality A of the fish meat and the quality C of the fish meat are linked. The degree of association of w14, which leads to the quality C of meat, is set to 2 points.
また、この図17に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。 Further, the degree of association shown in FIG. 17 may be composed of the nodes of the neural network in artificial intelligence.
このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを、以前の評価対象の魚肉類の外観の画像等と実際に判別・評価した魚肉類の品質とのデータセットを通じて作った後に、実際にこれから新たに魚肉類の品質の判別を行う上で、上述した学習済みデータを利用して魚肉類の品質を探索することとなる。かかる場合には、実際に判別対象の領域において魚肉類を撮像した設備データを新たに取得する。新たに取得する設備データは、上述した情報取得部9により入力される。この取得方法は、上述した参照用設備データと同様の手法で行うようにしてもよい。 Such a degree of association is what is called learned data in artificial intelligence. After creating such trained data through a data set of the appearance image of the fish meat to be evaluated before and the quality of the fish meat actually discriminated and evaluated, the quality of the fish meat will be newly evaluated from now on. In making the discrimination, the quality of fish meat is searched for by using the above-mentioned trained data. In such a case, the equipment data obtained by actually imaging the fish meat in the area to be discriminated is newly acquired. The newly acquired equipment data is input by the above-mentioned information acquisition unit 9. This acquisition method may be performed by the same method as the above-mentioned reference equipment data.
このようにして新たに取得した設備データに基づいて、魚肉類の品質を判別する。かかる場合には、予め取得した図17(表1)に示す連関度を参照する。例えば、新たに取得した設備データがP02と同一かこれに類似するものである場合には、連関度を介して魚肉類の品質Bがw15、魚肉類の品質Cが連関度w16で関連付けられている。かかる場合には、連関度の最も高い魚肉類の品質Bを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる魚肉類の品質Cを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。 Based on the equipment data newly acquired in this way, the quality of fish meat is determined. In such a case, the degree of association shown in FIG. 17 (Table 1) acquired in advance is referred to. For example, when the newly acquired equipment data is the same as or similar to P02, the fish meat quality B is associated with w15 and the fish meat quality C is associated with the association degree w16 through the degree of association. There is. In such a case, the quality B of the fish meat having the highest degree of association is selected as the optimum solution. However, it is not essential to select the one with the highest degree of association as the optimum solution, and the quality C of fish meat, which has the lowest degree of association but the association itself is recognized, may be selected as the optimum solution. In addition to this, it goes without saying that an output solution to which the arrows are not connected may be selected, and as long as it is based on the degree of association, it may be selected in any other priority.
このようにして、新たに取得する設備データから、最も好適な魚肉類の品質を探索し、ユーザに表示することができる。この探索結果を見ることにより、ユーザ、即ち魚肉類の取引業者、魚肉類の販売業者、流通業者は、探索された魚肉類の品質に基づいて魚肉類の選別を行うことができ、魚肉類の味を予測することができ、さらに魚肉類の値段を決めることができる。 In this way, it is possible to search for the most suitable quality of fish meat from the newly acquired equipment data and display it to the user. By seeing this search result, the user, that is, the fish meat trader, the fish meat distributor, and the distributor can sort the fish meat based on the quality of the searched fish meat, and the fish meat can be selected. The taste can be predicted and the price of fish meat can be determined.
図18は、魚肉類を保存する保存環境を作り出す空調設備から取得した電力、電気、電圧、振動、音の何れか1以上からなる参照用設備データと、温度又は湿度からなる雰囲気情報との3段階以上の第1連関度を予め取得する例である。雰囲気情報は、実際にその空調設備から作り出される雰囲気に関する情報であり、温度又は湿度がその代表的な例である。このような雰囲気も保存環境に多大な影響を及ぼし、ひいては魚肉類の品質にも影響を及ぼす。 FIG. 18 shows reference equipment data consisting of one or more of electric power, electricity, voltage, vibration, and sound acquired from an air conditioning equipment that creates a storage environment for storing fish meat, and atmosphere information consisting of temperature or humidity. This is an example of acquiring the first degree of association of a stage or higher in advance. Atmosphere information is information about the atmosphere actually produced from the air conditioning equipment, and temperature or humidity is a typical example. Such an atmosphere also has a great influence on the preservation environment, which in turn affects the quality of fish meat.
ちなみに図3に示す栽培環境は、設備データから温度や湿度を含む環境を探索するための学習データであるが、これと同様に、図18では、設備データから温度又は湿度からなる雰囲気情報を探索するものである。この探索方法については、図3の説明を流用することにより以下での説明を省略する。実際に学習データを作る上では、空調設備から取得した電力、電気、電圧、振動、音と、実際に測定した温度及び/又は湿度のデータのデータセットを収集することで行う。 By the way, the cultivation environment shown in FIG. 3 is learning data for searching the environment including temperature and humidity from the equipment data. Similarly, in FIG. 18, the atmosphere information consisting of temperature or humidity is searched from the equipment data. Is what you do. The description of this search method will be omitted below by diverting the description of FIG. The actual training data is created by collecting the power, electricity, voltage, vibration, and sound acquired from the air conditioning equipment, and the data set of the actually measured temperature and / or humidity data.
このようにして設備データから雰囲気情報を探索した後、図19に示すようにその探索した雰囲気情報を介して魚肉類の品質を探索する。 After searching the atmosphere information from the equipment data in this way, the quality of fish meat is searched through the searched atmosphere information as shown in FIG.
かかる場合には、参照用雰囲気情報と魚肉類の品質が連関度を以って予め学習済みモデルとして形成されていることが前提となる。参照用雰囲気情報は、上述した雰囲気情報に対応するものであり、実際にその空調設備から作り出される雰囲気に関する情報であり、温度又は湿度がその代表的な例である。このような連関度を利用して魚肉類の探索を行うが、その具体的な方法は、図17の説明を引用することにより以下での説明を省略する。 In such a case, it is premised that the reference atmosphere information and the quality of fish meat are formed as a pre-learned model with a degree of association. The reference atmosphere information corresponds to the above-mentioned atmosphere information, is information about the atmosphere actually produced from the air conditioning equipment, and temperature or humidity is a typical example thereof. The search for fish meat is carried out using such a degree of association, and the specific method thereof will be omitted below by quoting the explanation of FIG.
かかる場合において、図18により探索された雰囲気情報に対応する参照用雰囲気情報を介して魚肉類の品質を探索するようにしてもよい。 In such a case, the quality of the fish meat may be searched for via the reference atmosphere information corresponding to the atmosphere information searched by FIG.
つまり、この実施形態においては、魚肉類を保存する保存環境を作り出す空調設備から取得した電力、電気、電圧、振動、音の何れか1以上からなる参照用設備データと、温度又は湿度からなる雰囲気情報との3段階以上の第1連関度を予め取得しておき、温度又は湿度からなる参照用雰囲気情報と、魚肉類の品質との3段階以上の第2連関度を予め取得しておく。そして、魚肉類の品質を新たに判別する際に、先ず当該保存環境を作り出す空調設備から電力、電気、電圧、振動、音の何れか1以上のうち上記参照用設備データに対応する設備データを取得する。次に、取得した第1連関度を利用し、新たに取得した設備データに基づき、温度又は湿度からなる雰囲気情報を判別する。次に、取得した第2連関度を利用し、判別した雰囲気情報に対応する参照用雰囲気情報を介して魚肉類の品質を推定する。 That is, in this embodiment, reference equipment data consisting of one or more of electric power, electricity, voltage, vibration, and sound acquired from an air conditioning equipment that creates a storage environment for storing fish meat, and an atmosphere consisting of temperature or humidity. The first degree of association of three or more levels with the information is acquired in advance, and the second degree of association of three or more levels of the reference atmosphere information consisting of temperature or humidity and the quality of fish meat is acquired in advance. Then, when newly determining the quality of fish meat, first, the equipment data corresponding to the above-mentioned reference equipment data among any one or more of electric power, electricity, voltage, vibration, and sound is obtained from the air conditioning equipment that creates the storage environment. get. Next, using the acquired first degree of association, the atmosphere information consisting of temperature or humidity is determined based on the newly acquired equipment data. Next, using the acquired second degree of association, the quality of fish meat is estimated via the reference atmosphere information corresponding to the determined atmosphere information.
なお、本実施形態では、図18により探索された雰囲気情報に規定される温度又は湿度に対応する参照用雰囲気情報を介することは必須ではなく、雰囲気情報を直接取得して入力するようにしてもよい。実際にこれから品質を測定しようとする魚肉類の保存環境の温度又は湿度を測定することで、雰囲気情報を取得し、これを入力データとして入力することで解探索を行うようにしてもよい。 In the present embodiment, it is not essential to use the reference atmosphere information corresponding to the temperature or humidity defined in the atmosphere information searched by FIG. 18, and the atmosphere information may be directly acquired and input. good. Atmosphere information may be acquired by measuring the temperature or humidity of the storage environment of the fish meat whose quality is to be actually measured, and the solution search may be performed by inputting this as input data.
また、図20は、図3の出力側にある栽培環境の代替として保存環境を出力側に設定した例である。かかる場合も同様に、魚肉類を保存する保存環境を作り出す空調設備から取得した電力、電気、電圧、振動、音の何れか1以上からなる参照用設備データと、保存環境の正常性との3段階以上の連関度を取得しておく。そして、新たに取得した設備データに基づいて、実際にその設備により作り出される保存環境を判別する。具体的な方法は、図3の説明を引用することにより以下での説明を省略する。
Further, FIG. 20 shows an example in which the storage environment is set on the output side as an alternative to the cultivation environment on the output side of FIG. Similarly, in such a case, the reference equipment data consisting of any one or more of electric power, electricity, voltage, vibration, and sound acquired from the air conditioning equipment that creates the storage environment for storing fish meat, and the normality of the
ちなみに、保存環境が正常であるか、異常であるかは、魚肉類の種類毎に予め検証された最適な温度や湿度条件の範囲にあるか否かで判別するようにしてもよい。例えば、鶏肉の場合、最適な保存温度は10〜12℃であるものとする。設備データにより作られる保存環境が、この最適な保存温度10〜12℃を満たしているのであれば、出力解として「正常」への重み付けをより高くする。ある設備データに関しては、この最適な保存温度10〜12℃を上回る場合が多い場合、保存環境として「異常(温度が高い)への重み付けを重くする。 Incidentally, whether the storage environment is normal or abnormal may be determined by whether or not it is within the optimum temperature and humidity conditions verified in advance for each type of fish meat. For example, in the case of chicken, the optimum storage temperature is assumed to be 10 to 12 ° C. If the storage environment created by the equipment data satisfies this optimum storage temperature of 10 to 12 ° C., the weighting to "normal" is increased as the output solution. For certain equipment data, when the optimum storage temperature of 10 to 12 ° C. is often exceeded, the weighting of "abnormality (high temperature)" is increased as the storage environment.
図21は、図20の入力側にある参照用設備データの代替として参照用雰囲気情報を入力側に設定した例である。かかる場合も同様に、魚肉類を保存する保存環境を作り出す温度又は湿度からなる参照用雰囲気情報と、保存環境の正常性との3段階以上の連関度を取得しておく。そして、新たに取得した雰囲気情報に基づいて、実際にその設備により作り出される保存環境を判別する。具体的な方法は、図3の説明を引用することにより以下での説明を省略する。 FIG. 21 is an example in which reference atmosphere information is set on the input side as a substitute for the reference equipment data on the input side of FIG. 20. In such a case as well, the degree of association between the reference atmosphere information consisting of the temperature or humidity that creates the storage environment for storing fish meat and the normality of the storage environment is acquired. Then, based on the newly acquired atmosphere information, the storage environment actually created by the equipment is determined. As for the specific method, the description below will be omitted by quoting the description of FIG.
この図21に示す形態においても、図18により探索された雰囲気情報に規定される温度又は湿度に対応する参照用雰囲気情報を介することは必須ではなく、雰囲気情報を直接取得して入力するようにしてもよい。実際にこれから品質を測定しようとする魚肉類の保存環境の温度又は湿度を測定することで、雰囲気情報を取得し、これを入力データとして入力することで解探索を行うようにしてもよい。 Also in the form shown in FIG. 21, it is not essential to use the reference atmosphere information corresponding to the temperature or humidity defined in the atmosphere information searched by FIG. 18, and the atmosphere information is directly acquired and input. You may. Atmosphere information may be acquired by measuring the temperature or humidity of the storage environment of the fish meat whose quality is to be actually measured, and the solution search may be performed by inputting this as input data.
このとき、探索された保存環境の正常性に基づいて、その保存環境を作り出す空調設備を制御するようにしてもよい。例えば、探索された保存環境が、温度が高く、湿度が最適である場合、温度のみを下げるように空調設備を制御する。また探索された保存環境が温度、湿度共に高い場合には、これら両方を下げるように空調設備を制御するようにしてもよい。また、探索された保存環境の異常時において、温度や湿度が正常状態と比較した乖離度から、その具体的な制御を決定してもよく、空調設備の設定温度や風力、風向等をこれに応じて制御してもよい。 At this time, the air conditioning equipment that creates the storage environment may be controlled based on the normality of the searched storage environment. For example, if the searched storage environment is hot and the humidity is optimal, the air conditioning equipment is controlled to lower only the temperature. If the searched storage environment is high in both temperature and humidity, the air conditioning equipment may be controlled so as to reduce both of them. In addition, when the searched storage environment is abnormal, the specific control may be determined from the degree of deviation between the temperature and humidity compared to the normal state, and the set temperature, wind power, wind direction, etc. of the air conditioning equipment may be used as this. It may be controlled accordingly.
また図22は、魚肉類を保存する保存環境を作り出す設備から取得した参照用設備データと、上記保存環境の改善制御内容との3段階以上の連関度を予め形成する例を示している。ここでいう保存環境の改善制御内容とは、例えば保存環境を作り出すのが空調設備であればその空調設備の具体的な制御内容であり、設定温度や風力、風向等がこれに相当する。また、保存環境を作り出すのが卸売市場内の空気循環設備であればその設備の具体的な制御内容であり、風力、風向等がこれに相当する。 Further, FIG. 22 shows an example in which three or more levels of association between the reference equipment data acquired from the equipment for creating the storage environment for storing fish meat and the improvement control content of the storage environment are formed in advance. The improvement control content of the storage environment referred to here is, for example, the specific control content of the air conditioning equipment if it is the air conditioning equipment that creates the storage environment, and the set temperature, wind power, wind direction, etc. correspond to this. In addition, if it is the air circulation equipment in the wholesale market that creates the storage environment, it is the specific control content of the equipment, and the wind force, wind direction, etc. correspond to this.
保存環境の改善制御を新たに提案する際には、上述と同様に、当該保存環境を作り出す設備から設備データを取得する。次に図22に示す連関度を利用し、新たに取得した設備データに基づき、保存環境の改善制御内容を提案する。 When proposing a new control for improving the storage environment, the equipment data is acquired from the equipment that creates the storage environment in the same manner as described above. Next, using the degree of association shown in FIG. 22, the improvement control contents of the storage environment are proposed based on the newly acquired equipment data.
図23は、図22の入力側にある参照用設備データの代替として参照用雰囲気情報を入力側に設定した例である。かかる場合も同様に、魚肉類を保存する保存環境を作り出す温度又は湿度からなる参照用雰囲気情報と、保存環境の改善制御内容との3段階以上の連関度を取得しておく。そして、新たに取得した雰囲気情報に基づいて、改善制御内容を判別する。具体的な方法は、図3の説明を引用することにより以下での説明を省略する。 FIG. 23 is an example in which reference atmosphere information is set on the input side as a substitute for the reference equipment data on the input side of FIG. 22. In such a case as well, the degree of association between the reference atmosphere information consisting of the temperature or humidity that creates the storage environment for storing fish meat and the content of improvement control of the storage environment is acquired. Then, the improvement control content is determined based on the newly acquired atmosphere information. As for the specific method, the description below will be omitted by quoting the description of FIG.
この図23に示す形態においても、図18により探索された雰囲気情報に規定される温度又は湿度に対応する参照用雰囲気情報を介することは必須ではなく、雰囲気情報を直接取得して入力するようにしてもよい。実際にこれから品質を測定しようとする魚肉類の保存環境の温度又は湿度を測定することで、雰囲気情報を取得し、これを入力データとして入力することで解探索を行うようにしてもよい。 Also in the form shown in FIG. 23, it is not essential to use the reference atmosphere information corresponding to the temperature or humidity defined in the atmosphere information searched by FIG. 18, and the atmosphere information is directly acquired and input. You may. Atmosphere information may be acquired by measuring the temperature or humidity of the storage environment of the fish meat whose quality is to be actually measured, and the solution search may be performed by inputting this as input data.
なお、図17〜図19に示すような魚肉類の品質を探索する際には、図24に示すように、参照用設備データ以外に他の参照用情報を組み合わせた連関度に対する魚肉類の品質を利用してもよい。ここでいう参照用情報の例としては、魚であれば、参照用画像情報、参照用分析情報、参照用産地情報、参照用種類情報、参照用弾力情報、参照用脂肪率情報、参照用臭気情報、参照用保存情報、参照用成長環境情報等である。 When searching for the quality of fish meat as shown in FIGS. 17 to 19, as shown in FIG. 24, the quality of fish meat with respect to the degree of association in which other reference information is combined in addition to the reference equipment data. May be used. Examples of reference information here include image information for reference, analysis information for reference, production area information for reference, type information for reference, elasticity information for reference, fat ratio information for reference, and odor for reference in the case of fish. Information, storage information for reference, growth environment information for reference, etc.
参照用画像情報とは、魚の外観について、画像を撮像することにより得られた画像情報から得られるものであり、画像情報を解析することで得ることができる。この画像は静止画のみならず動画であってもよい。この参照用画像情報は、魚について撮像した画像を解析することで、魚の品質を特定するようにしてもよい。参照用画像情報として撮像される魚は、魚市場において水揚げされた直後の魚、魚市場で取引されている魚、店頭やスーパーに搬送中の魚、店頭やスーパーに陳列されている魚の何れも含まれる。またここでいう魚は、イカやタコ、ウニ、イクラ、貝等のあらゆる魚介類も含むものである。 The reference image information is obtained from the image information obtained by capturing an image of the appearance of the fish, and can be obtained by analyzing the image information. This image may be a moving image as well as a still image. The reference image information may be used to identify the quality of the fish by analyzing the image captured of the fish. The fish imaged as reference image information are all fish immediately after landing at the fish market, fish traded at the fish market, fish being transported to stores and supermarkets, and fish displayed at stores and supermarkets. included. The fish referred to here also includes all kinds of fish and shellfish such as squid, octopus, sea urchin, salmon roe, and shellfish.
参照用分析情報は、魚に対して行った化学的、物理的分析結果に関するあらゆる情報である。この参照用分析情報は、ヒスタミン、アンモニア、トリメチルアミン、インドール、硫化水素、揮発性有機酸、揮発性還元物質の何れか1以上であってもよい。これらはいずれも魚のうま味や品質、鮮度に影響を及ぼすものであるから、参照用画像情報と組み合わせ、連関度を通じて魚の品質を判別することで、判別精度を向上させることができる。また、この参照用分析情報は、魚のうまみ成分であるIMP(イノシン酸)、更にはATP関連化合物に対するHxRとHxの割合であるK値であってもよい。 Reference analysis information is any information regarding the results of chemical and physical analysis performed on fish. This reference analysis information may be any one or more of histamine, ammonia, trimethylamine, indol, hydrogen sulfide, volatile organic acid, and volatile reducing substance. Since all of these affect the umami, quality, and freshness of fish, the discrimination accuracy can be improved by combining with reference image information and discriminating the quality of fish through the degree of association. Further, the reference analysis information may be IMP (inosinic acid), which is a umami component of fish, and K value, which is the ratio of HxR and Hx to ATP-related compounds.
参照用産地情報は、その魚の産地に関する情報であり、例えば、米国、日本といった国レベル、東北地方や九州地方といった地方レベル、北海道や鹿児島県といった都道府県レベル、更には群や町、更には漁場レベルで示されていてもよい。このような参照用産地情報に含まれる魚の産地も魚の味に影響を及ぼすことから、参照用画像情報と組み合わせ、連関度を通じて魚の品質を判別することで、判別精度を向上させることができる。 Reference production area information is information on the production area of the fish, for example, national level such as the United States and Japan, regional level such as Tohoku region and Kyushu region, prefectural level such as Hokkaido and Kagoshima prefecture, and even groups and towns, and even fishing grounds. It may be indicated by a level. Since the production area of the fish included in the reference production area information also affects the taste of the fish, the discrimination accuracy can be improved by discriminating the quality of the fish through the degree of association in combination with the reference image information.
参照用種類情報は、その魚の種類を規定するものであり、例えばまぐろ、はまち、さけ、あじ、ほたて、あわび、サンマ等である。参照用種類情報に含まれる魚の種類に関する情報も画像情報と相まって、魚の味に影響を及ぼすことから、参照用画像情報と組み合わせ、連関度を通じて魚の品質を判別することで、判別精度を向上させることができる。 The reference type information defines the type of fish, such as tuna, yellowtail, salmon, horse mackerel, scallop, abalone, and saury. Information on the type of fish included in the reference type information also affects the taste of the fish in combination with the image information. Therefore, by combining it with the reference image information and determining the quality of the fish through the degree of association, the discrimination accuracy should be improved. Can be done.
参照用弾力情報は、その魚を押圧したときの弾力を測定した測定値に基づくものである。魚の弾力は、対象物の弾力を計測するための弾力センサを介して計測されたものであってもよい。このような魚の弾力も魚の鮮度に影響を及ぼすファクターであることから、これを参照用画像情報と組み合わせ、連関度を通じて魚の品質を判別することで、判別精度を向上させることができる。 The reference elasticity information is based on the measured value obtained by measuring the elasticity when the fish is pressed. The elasticity of the fish may be measured via an elasticity sensor for measuring the elasticity of the object. Since the elasticity of such a fish is also a factor that affects the freshness of the fish, it is possible to improve the discrimination accuracy by combining this with the reference image information and discriminating the quality of the fish through the degree of association.
参照用脂肪率情報、脂肪率情報は、既存の脂肪率計測器を用いてもよい。かかる場合には、電極から魚に微弱な電流を流し、体内に含まれる水分と脂肪分の割合を計測して脂肪率を求めるようにしてもよい。 An existing fat ratio measuring device may be used for the reference fat ratio information and the fat ratio information. In such a case, a weak electric current may be passed from the electrode to the fish, and the ratio of water and fat contained in the body may be measured to obtain the fat ratio.
参照用臭気情報は、その魚の臭気に基づくものである。魚の臭気は、魚から発せられる臭い、臭みを計測するための臭気計、臭気センサを介して計測されたものであってもよい。このような魚の臭気も魚の鮮度や品質に影響を及ぼすファクターであることから、これを参照用画像情報と組み合わせ、連関度を通じて魚の品質を判別することで、判別精度を向上させることができる。 The reference odor information is based on the odor of the fish. The odor of the fish may be measured through an odor emitted from the fish, an odor meter for measuring the odor, or an odor sensor. Since such a fish odor is also a factor that affects the freshness and quality of the fish, the discrimination accuracy can be improved by combining this with the reference image information and discriminating the quality of the fish through the degree of association.
参照用成長環境情報は、その魚の成長環境に基づくものである。魚の成長環境は、魚が成長する環境に関するあらゆる情報を含むものであり、例えば、天然か、養殖かを示すものであってもよいし、養殖であればその成長環境を示すものであってもよい。特に養殖の場合には、その養殖の環境(例えば、餌の内容や頻度、養殖場の環境、水質、糞尿の処理状況等)を示すあらゆる情報を含めるようにしてもよい。このような魚の成長環境も魚の鮮度や品質に影響を及ぼすファクターであることから、これを参照用画像情報と組み合わせ、連関度を通じて魚の品質を判別することで、判別精度を向上させることができる。 The reference growth environment information is based on the growth environment of the fish. The growth environment of a fish contains all the information about the environment in which the fish grows, for example, it may indicate whether it is natural or farmed, or if it is farmed, it may indicate its growth environment. good. In particular, in the case of aquaculture, all information indicating the environment of the aquaculture (for example, the content and frequency of food, the environment of the aquaculture, water quality, the treatment status of manure, etc.) may be included. Since such a fish growth environment is also a factor that affects the freshness and quality of fish, it is possible to improve the discrimination accuracy by combining this with reference image information and discriminating the quality of fish through the degree of association.
また食肉の場合、参照用情報として、参照用画像情報、参照用超音波画像情報、参照用分析情報、参照用産地情報、参照用生体情報、参照用飼育環境情報、参照用餌情報が挙げられる。 In the case of meat, reference information includes reference image information, reference ultrasonic image information, reference analysis information, reference production area information, reference biological information, reference breeding environment information, and reference food information. ..
参照用画像情報とは、食肉の外観について、画像を撮像することにより得られた画像情報から得られるものであり、画像情報を解析することで得ることができる。この画像は静止画のみならず動画であってもよい。この参照用画像情報は、食肉について撮像した画像を解析することで、肉質を特定するようにしてもよい。参照用画像情報は、食肉用に解体した、いわば屠畜時の食肉を撮像した画像データで構成されていることを前提としているが、食肉を提供する家畜の生体からの画像データで構成してもよい。 The reference image information is obtained from the image information obtained by capturing an image of the appearance of the meat, and can be obtained by analyzing the image information. This image may be a moving image as well as a still image. This reference image information may be used to identify the meat quality by analyzing an image captured of the meat. The reference image information is premised on being composed of image data obtained by capturing the meat at the time of slaughter, which is disassembled for meat, but is composed of image data from the living body of the livestock that provides the meat. May be good.
参照用超音波画像情報は、食肉を提供する家畜の生体において予め撮像した肉の部分における超音波画像データである。 The reference ultrasonic image information is ultrasonic image data of a meat portion imaged in advance in a living body of a livestock that provides meat.
参照用分析情報は、食肉に対して行った化学的、物理的分析結果に関するあらゆる情報である。この参照用分析情報は、遊離アミノ酸分析、脂肪酸組成、オレイン酸、イノシン酸、グアニル酸、ビタミンEの何れか1以上を分析した分析情報を含むものであっても良い。遊離アミノ酸分析では、うま味成分であるグルタミン酸など様々なアミノ酸の割合を分析する。脂肪酸組成の分析では、まろやかさや口どけといった食感の評価基準として、脂肪組織に含まれるオレイン酸など、様々な脂肪酸の定量分析の分析結果を示す。オレイン酸の分析は、単価の不飽和脂肪酸が多く含まれるほど柔らかくおいしいと評価されることから、これを分析する。イノシン酸の分析は、有機化合物の一種、イノシン酸は鰹節のうま味成分で、解体処理後の熟成などで増加するといわれているため、これを分析する。グアニル酸の分析は、グアニン酸はシイタケのうま味成分を引き出すため、これを分析する。またビタミンEもうま味に影響を及ぼすことからこれを分析する。 Reference analysis information is any information regarding the results of chemical and physical analysis performed on meat. This reference analysis information may include analysis information obtained by analyzing any one or more of free amino acid analysis, fatty acid composition, oleic acid, inosinic acid, guanylic acid, and vitamin E. In free amino acid analysis, the proportion of various amino acids such as glutamic acid, which is an umami component, is analyzed. In the analysis of fatty acid composition, the analysis results of quantitative analysis of various fatty acids such as oleic acid contained in adipose tissue are shown as evaluation criteria for texture such as mellowness and melting in the mouth. In the analysis of oleic acid, the more the unit price of unsaturated fatty acid is contained, the softer and tastier it is evaluated, so this is analyzed. The analysis of inosinic acid is performed because inosinic acid, which is a kind of organic compound, is an umami component of dried bonito and is said to increase by aging after disassembly treatment. The analysis of guanylic acid analyzes guanylic acid because it elicits the umami component of shiitake mushrooms. Vitamin E also affects umami, so this is analyzed.
参照用産地情報は、その食肉の産地に関する情報であり、例えば、米国、日本といった国レベル、東北地方や九州地方といった地方レベル、北海道や鹿児島県といった都道府県レベル、更には北海道の群や町、更には牧場レベルで示されていてもよい。このような参照用産地情報に含まれる肉の産地も肉の味に影響を及ぼすことから、参照用画像情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。 The reference production area information is information on the production area of the meat, for example, the national level such as the United States and Japan, the regional level such as the Tohoku region and the Kyushu region, the prefectural level such as Hokkaido and Kagoshima prefecture, and the group and town of Hokkaido. Furthermore, it may be indicated at the ranch level. Since the meat production area included in the reference production area information also affects the taste of the meat, the discrimination accuracy can be improved by combining the meat quality with the reference image information and discriminating the meat quality through the degree of association.
参照用生体情報は、その食肉を提供する家畜の生体に関して計測したあらゆる生体データを含むものである。この家畜の生体データの種類としては、家畜の心拍数、体温、心電図、血圧、血液検査結果、体重等、あらゆる生体データを含む。参照用生体情報に含まれる生体に関するデータも肉の味に影響を及ぼすことから、参照用画像情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。 Reference biometric information includes all biometric data measured with respect to the living body of the livestock that provides the meat. The types of biometric data of livestock include all biometric data such as heart rate, body temperature, electrocardiogram, blood pressure, blood test results, and weight of livestock. Since the data on the living body included in the reference biological information also affects the taste of the meat, the discrimination accuracy can be improved by discriminating the meat quality through the degree of association in combination with the reference image information.
参照用飼育環境情報は、その食肉を提供する家畜を飼育する環境に関するあらゆるデータを含むものである。この参照用飼育環境情報のデータの種類としては、家畜を飼育する厩舎の温度、湿度、風向き、日照度合、室内照明の度合、音声データ、害虫の駆除状況、清掃状況、糞尿の処理状況等、飼育環境に関するあらゆる情報を含むものである。参照用飼育環境情報に含まれるデータも肉の味に影響を及ぼすことから、参照用画像情報と組み合わせ、連関度を通じて肉質を判別することで、判別精度を向上させることができる。 The reference breeding environment information includes all data regarding the environment in which the livestock that provide the meat are raised. The types of data for this reference breeding environment information include temperature, humidity, wind direction, diurnal illumination, indoor lighting, voice data, pest control status, cleaning status, manure processing status, etc. It contains all the information about the breeding environment. Since the data included in the reference breeding environment information also affects the taste of the meat, the discrimination accuracy can be improved by discriminating the meat quality through the degree of association in combination with the reference image information.
参照用餌情報は、食肉を提供する家畜の餌に関する情報である。 Reference feed information is information about the feed of livestock that provide meat.
このような各参照用情報の何れか1以上と、参照用設備データの組み合わせと、魚肉類の品質とを学習させておき、新たに品質を探索した魚肉類についてそれが保存されている保存環境の設備データを取得するとともに、学習させた参照用情報に応じた情報を新たに取得する。仮に学習させた参照用情報が参照用分析情報であれば、これに応じて魚や肉について分析した情報を新たに取得し、入力する。これにより、同様に魚肉類の品質を探索することが可能となる。いずれの場合も、その連関度の参照情報に合わせたデータの入力がなされ、その連関度を利用して魚の品質を求める。 A storage environment in which any one or more of such reference information, a combination of reference equipment data, and the quality of fish meat are learned, and the fish meat for which quality is newly searched is stored. In addition to acquiring the equipment data of the above, new information corresponding to the learned reference information is acquired. If the learned reference information is reference analysis information, the information analyzed for fish and meat is newly acquired and input accordingly. This makes it possible to search for the quality of fish meat as well. In either case, data is input according to the reference information of the degree of association, and the quality of the fish is obtained using the degree of association.
なお、上述した保存環境は、あくまで食肉類を保存する環境に限定されるものではない。例えば、住空間の各室内や屋内施設、オフィス、遊戯施設、学校や病院等の建築構造物内、イベント会場等の屋内環境についても適用可能である。出力解としての保存環境の代替として、住空間やオフィス空間としての生活環境、仕事環境に置き換えて学習させることで、同様の判断を行うことが可能となり、また同様の方法で環境の改善制御を行うことが可能となる。 The above-mentioned storage environment is not limited to the environment for storing meat. For example, it can be applied to each indoor or indoor facility of a living space, an office, an amusement facility, a building structure such as a school or a hospital, or an indoor environment such as an event venue. As an alternative to the storage environment as an output solution, it is possible to make the same judgment by substituting the living environment and work environment as a living space or office space for learning, and the improvement control of the environment can be performed in the same way. It becomes possible to do.
1 栽培環境判別システム
2 推定装置
21 内部バス
23 表示部
24 制御部
25 操作部
26 通信部
27 推定部
28 記憶部
61 ノード
1 Cultivation
Claims (8)
食肉を保存する保存環境を作り出す設備から取得した参照用設備データと、食肉の外観について撮像することにより得られた参照用画像情報とを有する組み合わせと、食肉の品質との3段階以上の連関度を予め取得する連関度取得ステップと、
食肉の品質を新たに判別する際に、食肉を保存する保存環境を作り出す設備から設備データと、判別対象の食肉の外観について撮像することにより得られた画像情報とを取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと画像情報とに基づき、食肉の品質を判別する判別ステップとをコンピュータに実行させること
を特徴とする食肉の品質判別プログラム。 In the meat quality determination program that determines the quality of meat stored in the storage environment
A combination of reference equipment data acquired from equipment that creates a storage environment for storing meat and reference image information obtained by imaging the appearance of meat, and the degree of association between meat quality and three levels or more. The degree of association acquisition step to acquire in advance and
When newly discriminating the quality of meat, an information acquisition step of acquiring equipment data from equipment that creates a storage environment for storing meat and image information obtained by imaging the appearance of the meat to be discriminated, and
Using the degree of association acquired in the above-mentioned degree of association acquisition step, the computer is made to execute a determination step of determining the quality of meat based on the equipment data and image information acquired through the above-mentioned information acquisition step. Meat quality determination program.
食肉を保存する保存環境を作り出す設備から取得した参照用設備データと、食肉を提供する家畜の生体において予め撮像した肉の部分における参照用超音波画像データとを有する組み合わせと、食肉の品質との3段階以上の連関度を予め取得する連関度取得ステップと、
食肉の品質を新たに判別する際に、食肉を保存する保存環境を作り出す設備から設備データと、食肉を提供する家畜の生体において予め撮像した肉の部分における超音波画像データとを取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと超音波画像データとに基づき、食肉の品質を判別する判別ステップとをコンピュータに実行させること
を特徴とする食肉の品質判別プログラム。 In the meat quality determination program that determines the quality of meat stored in the storage environment
A combination of reference equipment data acquired from equipment for creating a storage environment for storing meat and ultrasonic image data for reference in the meat part imaged in advance in the living body of the livestock that provides the meat, and the quality of the meat. The degree of association acquisition step to acquire the degree of association of 3 or more levels in advance, and
When newly determining the quality of meat, information acquisition of equipment data from equipment that creates a storage environment for storing meat and ultrasonic image data of the meat part imaged in advance in the living body of the livestock that provides the meat. Steps and
Using the degree of association acquired in the above-mentioned degree of association acquisition step, the computer is made to execute the determination step of determining the quality of meat based on the equipment data acquired through the above-mentioned information acquisition step and the ultrasonic image data. A characteristic meat quality determination program.
食肉を保存する保存環境を作り出す設備から取得した参照用設備データと、食肉に対して行った化学的、物理的分析結果に関する参照用分析情報とを有する組み合わせと、食肉の品質との3段階以上の連関度を予め取得する連関度取得ステップと、
食肉の品質を新たに判別する際に、食肉を保存する保存環境を作り出す設備から設備データと、判別対象の食肉に対して行った化学的、物理的分析結果に関する分析情報とを取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと分析情報とに基づき、食肉の品質を判別する判別ステップとをコンピュータに実行させること
を特徴とする食肉の品質判別プログラム。 In the meat quality determination program that determines the quality of meat stored in the storage environment
A combination of reference equipment data obtained from equipment that creates a storage environment for storing meat, reference analysis information on the results of chemical and physical analysis performed on meat, and meat quality in three or more stages. The degree of association acquisition step to acquire the degree of association in advance, and
When newly discriminating the quality of meat, information acquisition to acquire equipment data from equipment that creates a storage environment for storing meat and analysis information on the results of chemical and physical analysis performed on the meat to be discriminated. Steps and
Using the degree of association acquired in the above-mentioned degree of association acquisition step, the computer is made to execute a determination step for determining the quality of meat based on the equipment data and analysis information acquired through the above-mentioned information acquisition step. Meat quality determination program.
食肉を保存する保存環境を作り出す設備から取得した参照用設備データと、食肉の産地に関する参照用産地情報とを有する組み合わせと、食肉の品質との3段階以上の連関度を予め取得する連関度取得ステップと、
食肉の品質を新たに判別する際に、食肉を保存する保存環境を作り出す設備から設備データと、判別対象の食肉の産地に関する産地情報とを取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと産地情報とに基づき、食肉の品質を判別する判別ステップとをコンピュータに実行させること
を特徴とする食肉の品質判別プログラム。 In the meat quality determination program that determines the quality of meat stored in the storage environment
A combination of reference equipment data acquired from equipment that creates a storage environment for storing meat and reference production area information regarding the meat production area, and a degree of association acquisition that obtains three or more levels of association with meat quality in advance. Steps and
When newly determining the quality of meat, the information acquisition step to acquire the equipment data from the equipment that creates the storage environment for storing the meat and the production area information about the production area of the meat to be discriminated.
Using the degree of association acquired in the above-mentioned degree of association acquisition step, the computer is made to execute a determination step of determining the quality of meat based on the equipment data acquired through the above-mentioned information acquisition step and the production area information. Meat quality determination program.
食肉を保存する保存環境を作り出す設備から取得した参照用設備データと、食肉を提供する家畜の生体に関して計測した生体データからなる参照用生体情報とを有する組み合わせと、食肉の品質との3段階以上の連関度を予め取得する連関度取得ステップと、
食肉の品質を新たに判別する際に、食肉を保存する保存環境を作り出す設備から設備データと、判別対象の食肉を提供する家畜の生体に関して計測した生体データからなる生体情報とを取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと生体情報とに基づき、食肉の品質を判別する判別ステップとをコンピュータに実行させること
を特徴とする食肉の品質判別プログラム。 In the meat quality determination program that determines the quality of meat stored in the storage environment
A combination of reference equipment data acquired from equipment that creates a storage environment for storing meat and reference biometric information consisting of biometric data measured for the living body of livestock that provides meat, and meat quality in three or more stages. The degree of association acquisition step to acquire the degree of association in advance, and
When newly determining the quality of meat, information acquisition that acquires equipment data from equipment that creates a storage environment for storing meat and biological information consisting of biological data measured for the living body of livestock that provides the meat to be identified. Steps and
Using the degree of association acquired in the above-mentioned degree of association acquisition step, the computer is made to execute a determination step of determining the quality of meat based on the equipment data acquired through the above-mentioned information acquisition step and the biological information. Meat quality determination program.
食肉を保存する保存環境を作り出す設備から取得した参照用設備データと食肉を提供する家畜を飼育する環境に関する参照用飼育環境情報とを有する組み合わせと、食肉の品質との3段階以上の連関度を予め取得する連関度取得ステップと、
食肉の品質を新たに判別する際に、食肉を保存する保存環境を作り出す設備から設備データと、判別対象の食肉を提供する家畜を飼育する環境に関する飼育環境情報とを取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと飼育環境情報とに基づき、食肉の品質を判別する判別ステップとをコンピュータに実行させること
を特徴とする食肉の品質判別プログラム。 In the meat quality determination program that determines the quality of meat stored in the storage environment
A combination of reference equipment data obtained from equipment that creates a storage environment for storing meat and reference breeding environment information regarding the environment for raising livestock that provides meat, and a degree of association with meat quality on a three-point or higher level. The association degree acquisition step to be acquired in advance and
When newly determining the quality of meat, the information acquisition step to acquire the equipment data from the equipment that creates the storage environment for storing the meat and the breeding environment information regarding the environment for raising the livestock that provides the meat to be identified, and the information acquisition step.
Using the degree of association acquired in the above-mentioned degree of association acquisition step, the computer is made to execute a determination step for determining the quality of meat based on the equipment data acquired through the above-mentioned information acquisition step and the breeding environment information. Meat quality determination program.
食肉を保存する保存環境を作り出す設備から取得した参照用設備データと、食肉を提供する家畜の餌に関する参照用餌情報とを有する組み合わせと、食肉の品質との3段階以上の連関度を予め取得する連関度取得ステップと、
食肉の品質を新たに判別する際に、食肉を保存する保存環境を作り出す設備から設備データと、判別対象の食肉を提供する家畜の餌に関する餌情報とを取得する情報取得ステップと、
上記連関度取得ステップにおいて取得した連関度を利用し、上記情報取得ステップを介して取得した設備データと餌情報とに基づき、食肉の品質を判別する判別ステップとをコンピュータに実行させること
を特徴とする食肉の品質判別プログラム。 In the meat quality determination program that determines the quality of meat stored in the storage environment
A combination of reference equipment data acquired from equipment that creates a storage environment for storing meat and reference feed information regarding the feed of livestock that provides meat, and the degree of association with meat quality at three levels or more are acquired in advance. Steps to acquire the degree of association and
When newly determining the quality of meat, an information acquisition step of acquiring equipment data from equipment that creates a storage environment for storing meat and feed information on the feed of livestock that provides the meat to be identified, and
The feature is that the computer is made to execute a discrimination step for determining the quality of meat based on the equipment data and the bait information acquired through the information acquisition step by using the association degree acquired in the above-mentioned association degree acquisition step. Meat quality determination program.
を特徴とする請求項1〜7のうち何れか1項記載の食肉の品質判別プログラム。 The meat quality determination program according to any one of claims 1 to 7, wherein the degree of association is composed of nodes of a neural network in artificial intelligence.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020024382 | 2020-02-17 | ||
JP2020024382 | 2020-02-17 | ||
JP2020126145A JP2021128736A (en) | 2020-02-17 | 2020-07-27 | Cultivation environment discrimination program |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020126145A Division JP2021128736A (en) | 2020-02-17 | 2020-07-27 | Cultivation environment discrimination program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021128167A true JP2021128167A (en) | 2021-09-02 |
Family
ID=77488770
Family Applications (8)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020126145A Pending JP2021128736A (en) | 2020-02-17 | 2020-07-27 | Cultivation environment discrimination program |
JP2020127959A Active JP6964851B2 (en) | 2020-02-17 | 2020-07-29 | Storage environment determination program |
JP2021065985A Pending JP2021128781A (en) | 2020-02-17 | 2021-04-08 | Storage environment discrimination program |
JP2021065986A Pending JP2021128782A (en) | 2020-02-17 | 2021-04-08 | Fish quality discrimination program |
JP2021065987A Pending JP2021128167A (en) | 2020-02-17 | 2021-04-08 | Meat quality discrimination program |
JP2021065984A Pending JP2021128780A (en) | 2020-02-17 | 2021-04-08 | Atmosphere information discrimination program |
JP2021065988A Pending JP2021128783A (en) | 2020-02-17 | 2021-04-08 | Indoor environment discrimination program |
JP2021143978A Pending JP2021192285A (en) | 2020-02-17 | 2021-09-03 | Storage environment determination program |
Family Applications Before (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020126145A Pending JP2021128736A (en) | 2020-02-17 | 2020-07-27 | Cultivation environment discrimination program |
JP2020127959A Active JP6964851B2 (en) | 2020-02-17 | 2020-07-29 | Storage environment determination program |
JP2021065985A Pending JP2021128781A (en) | 2020-02-17 | 2021-04-08 | Storage environment discrimination program |
JP2021065986A Pending JP2021128782A (en) | 2020-02-17 | 2021-04-08 | Fish quality discrimination program |
Family Applications After (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021065984A Pending JP2021128780A (en) | 2020-02-17 | 2021-04-08 | Atmosphere information discrimination program |
JP2021065988A Pending JP2021128783A (en) | 2020-02-17 | 2021-04-08 | Indoor environment discrimination program |
JP2021143978A Pending JP2021192285A (en) | 2020-02-17 | 2021-09-03 | Storage environment determination program |
Country Status (1)
Country | Link |
---|---|
JP (8) | JP2021128736A (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7209121B1 (en) | 2022-03-23 | 2023-01-19 | 旭化成エレクトロニクス株式会社 | Authentication system and authentication server |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08117694A (en) * | 1994-08-31 | 1996-05-14 | Takaaki Satake | Method and device for selecting vegetables and fruits |
JP4774631B2 (en) * | 2001-05-31 | 2011-09-14 | 株式会社Ihi | Fresh food management system |
JP2005330056A (en) * | 2004-05-19 | 2005-12-02 | Seiko Epson Corp | Article delivery system |
JP5051570B2 (en) * | 2006-10-16 | 2012-10-17 | 福岡県 | Transportation quality control system |
JP2012093963A (en) * | 2010-10-27 | 2012-05-17 | Seiko Epson Corp | Display processor and display processing system |
JP2017083378A (en) * | 2015-10-30 | 2017-05-18 | パナソニックIpマネジメント株式会社 | Method and device for presenting fish information |
JP6019303B1 (en) * | 2015-12-21 | 2016-11-02 | ジャパンモード株式会社 | Problem solving support system |
EP3579173A4 (en) * | 2017-04-19 | 2020-11-18 | Furusawa, Yosuke | Transaction system and transaction method |
JP6260979B1 (en) * | 2017-06-05 | 2018-01-17 | クリスタルメソッド株式会社 | Event evaluation support system, event evaluation support device, and event evaluation support program |
JP6401411B1 (en) * | 2018-02-13 | 2018-10-10 | 株式会社Aiハヤブサ | Artificial intelligence catch identification system, management system and logistics system |
-
2020
- 2020-07-27 JP JP2020126145A patent/JP2021128736A/en active Pending
- 2020-07-29 JP JP2020127959A patent/JP6964851B2/en active Active
-
2021
- 2021-04-08 JP JP2021065985A patent/JP2021128781A/en active Pending
- 2021-04-08 JP JP2021065986A patent/JP2021128782A/en active Pending
- 2021-04-08 JP JP2021065987A patent/JP2021128167A/en active Pending
- 2021-04-08 JP JP2021065984A patent/JP2021128780A/en active Pending
- 2021-04-08 JP JP2021065988A patent/JP2021128783A/en active Pending
- 2021-09-03 JP JP2021143978A patent/JP2021192285A/en active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2021128780A (en) | 2021-09-02 |
JP2021128736A (en) | 2021-09-02 |
JP2021128781A (en) | 2021-09-02 |
JP2021192285A (en) | 2021-12-16 |
JP2021128782A (en) | 2021-09-02 |
JP6964851B2 (en) | 2021-11-10 |
JP2021128737A (en) | 2021-09-02 |
JP2021128783A (en) | 2021-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6753936B2 (en) | Information processing equipment and information processing system | |
JP6551943B2 (en) | Growth management device, growth management method, and program | |
JP2021057071A (en) | Program and system for proposing crop cultivation method | |
WO2020184241A1 (en) | Crop yield amount prediction program and cultivation environment assessment program | |
De Abreu et al. | The application of artificial intelligence (AI) and internet of things (IoT) in agriculture: A systematic literature review | |
JP2018007630A (en) | Cultivation support device | |
JP6964851B2 (en) | Storage environment determination program | |
JP2023501123A (en) | Crop monitoring and protection | |
Das et al. | Artificial Intelligence and Internet of Things Based Technological Advancement in Domain of Horticulture 4.0 | |
Arko et al. | IOT based smart water and environment management system of paddy rice at different growth stages | |
Thalwatte et al. | Fully automatic hydroponic cultivation growth system | |
JP6696651B1 (en) | Cultivation environment discrimination program | |
Raja et al. | Machine Learning in Smart Agriculture | |
JP2021128689A (en) | Animal breeding method proposal program and system | |
Radha et al. | Indoor Agricultural Farming and Plant Disease Detections-A Comprehensive Survey | |
Ramteke et al. | The Role of Machine Intelligence in Agriculture: A Case Study | |
WO2023188845A1 (en) | Information processing device, inference device, machine learning device, information processing method, inference method, and machine learning method | |
Priya et al. | IoT based agriculture robot using neural networks | |
JP2021128688A (en) | Breeding environment discrimination program | |
JP2021128686A (en) | Cultivation environment discrimination program | |
ADEYEMO | LEVERAGING ICT TO | |
Subashini et al. | A dynamic controlled environment model for sustainable mushroom cultivation by using machine learning methods | |
Goh | Indoor hydroponics farming system monitoring via internet of things (IoT) | |
Rajendiran et al. | IoT-Integrated Machine Learning-Based Automated Precision Agriculture-Indoor Farming Techniques | |
WO2021197557A1 (en) | Method and quality system for determining a quality parameter of an agricultural group |