JP2022528389A - 農地の農作物処理のための方法 - Google Patents
農地の農作物処理のための方法 Download PDFInfo
- Publication number
- JP2022528389A JP2022528389A JP2021557794A JP2021557794A JP2022528389A JP 2022528389 A JP2022528389 A JP 2022528389A JP 2021557794 A JP2021557794 A JP 2021557794A JP 2021557794 A JP2021557794 A JP 2021557794A JP 2022528389 A JP2022528389 A JP 2022528389A
- Authority
- JP
- Japan
- Prior art keywords
- processing
- processing device
- parameterization
- data
- crop
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 267
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000000203 mixture Substances 0.000 claims abstract description 90
- 241000196324 Embryophyta Species 0.000 claims description 67
- 239000002689 soil Substances 0.000 claims description 45
- 238000010801 machine learning Methods 0.000 claims description 34
- 244000052769 pathogen Species 0.000 claims description 30
- 241000238631 Hexapoda Species 0.000 claims description 27
- 230000012010 growth Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000010200 validation analysis Methods 0.000 claims description 16
- 230000001717 pathogenic effect Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 9
- 239000004615 ingredient Substances 0.000 claims description 2
- 239000000047 product Substances 0.000 description 151
- 239000004480 active ingredient Substances 0.000 description 35
- 239000007921 spray Substances 0.000 description 14
- 239000004009 herbicide Substances 0.000 description 13
- 238000012549 training Methods 0.000 description 12
- 230000001276 controlling effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 235000015097 nutrients Nutrition 0.000 description 8
- 239000000575 pesticide Substances 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000005507 spraying Methods 0.000 description 7
- 239000002028 Biomass Substances 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000001105 regulatory effect Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000000417 fungicide Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 244000038559 crop plants Species 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 241000219318 Amaranthus Species 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 240000003176 Digitaria ciliaris Species 0.000 description 2
- 235000017898 Digitaria ciliaris Nutrition 0.000 description 2
- 231100000674 Phytotoxicity Toxicity 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 230000002363 herbicidal effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 239000005648 plant growth regulator Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 235000001602 Digitaria X umfolozi Nutrition 0.000 description 1
- 235000005476 Digitaria cruciata Nutrition 0.000 description 1
- 235000006830 Digitaria didactyla Nutrition 0.000 description 1
- 235000005804 Digitaria eriantha ssp. eriantha Nutrition 0.000 description 1
- 235000010823 Digitaria sanguinalis Nutrition 0.000 description 1
- 235000014716 Eleusine indica Nutrition 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 241000237852 Mollusca Species 0.000 description 1
- 241000244206 Nematoda Species 0.000 description 1
- 241000238814 Orthoptera Species 0.000 description 1
- 230000000895 acaricidal effect Effects 0.000 description 1
- 239000000642 acaricide Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 239000012752 auxiliary agent Substances 0.000 description 1
- CSGLCWIAEFNDIL-UHFFFAOYSA-O azanium;urea;nitrate Chemical compound [NH4+].NC(N)=O.[O-][N+]([O-])=O CSGLCWIAEFNDIL-UHFFFAOYSA-O 0.000 description 1
- 239000003899 bactericide agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 231100001041 changes in fertility Toxicity 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- -1 co-formulants Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000645 desinfectant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009683 detection of insect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000011785 micronutrient Substances 0.000 description 1
- 235000013369 micronutrients Nutrition 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000005871 repellent Substances 0.000 description 1
- 230000002940 repellent Effects 0.000 description 1
- 239000003381 stabilizer Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
- A01M7/0092—Adding active material
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U10/00—Type of UAV
- B64U10/10—Rotorcrafts
- B64U10/13—Flying platforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/40—UAVs specially adapted for particular uses or applications for agriculture or forestry operations
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Pest Control & Pesticides (AREA)
- Environmental Sciences (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Insects & Arthropods (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Mechanical Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Catching Or Destruction (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
農地の農作物処理のための方法は、処理デバイス(200)が処理デバイスを制御するためのパラメータ化(10)をフィールドマネージャシステム(100)から受信するステップであって、パラメータ化(10)が農地(300)に対して予想される状態に関するオフラインフィールドデータ(Doff)に依存する、ステップ(S10)と、農地の農作物の画像(20)を撮影するステップ(S20)と、撮影画像上の対象物(30)を認識するステップ(S30)と、随意に判定されたパラメータ化、オンラインフィールドデータ、および/または認識された対象物に応じて、またはそれらに基づいて、少なくとも1つの処理製品組成(40)を判定するステップ(S40)と、判定されたパラメータ化、認識された対象物、および判定された処理製品組成に基づいて、処理デバイスの処理構成(270)を制御するための制御信号(S)を判定するステップ(S50)とを含む。
Description
本発明は、農地(plantation field)の農作物(plantation)処理のための方法、および処理デバイス、ならびに、そのような処理デバイスおよび処理システム用のフィールド(field)管理システムに関する。
本発明の一般的な背景は、農耕地内の農作物の処理である。農作物、具体的には、栽培される実際の作物の処理はまた、農耕地内の雑草の処理、農耕地内の昆虫の処理、ならびに農耕地内の病原体の処理を含む。
農機具、またはスマート噴霧器のような自動処理デバイスは、生態学的および経済的規則に基づいて、農耕地内の雑草、昆虫、および/または病原体を処理する。処理されることになる異なる対象物を自動的に検出および識別するために、画像認識が使用される。
現代の農機具はますます多くのセンサを装備している。作物保護は、主に農作物、具体的には、雑草、作物、昆虫、および/または病原体をリアルタイムで検出するカメラシステムを備えたスマート噴霧器を用いて実行されることになる。農学的で実用的なアクチュエータコマンドを導出するために、例えば、農作物を処理するためにスプレーノズルまたは雑草ロボットをトリガするために、さらなる知識および入力データが必要とされる。特に困難なのは、かなりの収穫高または作物に対する品質上の影響により、病原体または雑草がいつ処理されるべきか、または処理製品の生態学的影響またはコストにより、農地の特定のエリアにおいて、いつ処理をしないことがさらに適切になるかを定義することである。
このリンクの欠落は、農業経営者らの直観に基づいて農作物を処理するための閾値を手動で設定しなければならないというかなりの不確実性を彼らに与えている。これは、一般に、フィールド(field)レベルで行われるが、多くの影響要因はフィールドにより変化する。
投資の経済的利益を改善し、生態系への影響を改善する、農地の農作物処理のための改善された方法を有することが有利であろう。
本発明の目的は、独立請求項の主題で解決され、ここでは、さらなる実施形態が従属請求項に組み込まれる。本発明の以下に説明する態様および例は、この方法、処理デバイス、およびフィールド管理システムにも適用される。
処理製品を用いた農地の処理または農作物処理のための方法の第1の態様によれば、この方法は、
処理デバイスが処理デバイスを制御するためのパラメータ化をフィールドマネージャシステムから受信するステップであって、パラメータ化が、農地に対して予想される状態に関するオフラインフィールドデータに依存するかまたはそれに基づいて判定される、受信するステップと、随意に、パラメータ化にさらに随意に応じて、農作物を処理するために使用されることが予想される処理製品組成を受信するステップと、
農地の農作物の画像を撮影するステップと、
撮影画像上の対象物を認識するステップと、
随意に判定されたパラメータ化、オンラインフィールドデータ、および/または認識された対象物に応じて、またはそれらに基づいて、処理製品組成を判定するステップと、
受信されたパラメータ化、認識された対象物、および判定された処理製品組成に基づいて、処理デバイスを制御するための制御信号を判定するステップと
を含む。
処理デバイスが処理デバイスを制御するためのパラメータ化をフィールドマネージャシステムから受信するステップであって、パラメータ化が、農地に対して予想される状態に関するオフラインフィールドデータに依存するかまたはそれに基づいて判定される、受信するステップと、随意に、パラメータ化にさらに随意に応じて、農作物を処理するために使用されることが予想される処理製品組成を受信するステップと、
農地の農作物の画像を撮影するステップと、
撮影画像上の対象物を認識するステップと、
随意に判定されたパラメータ化、オンラインフィールドデータ、および/または認識された対象物に応じて、またはそれらに基づいて、処理製品組成を判定するステップと、
受信されたパラメータ化、認識された対象物、および判定された処理製品組成に基づいて、処理デバイスを制御するための制御信号を判定するステップと
を含む。
本明細書で使用するように、農作物処理は、好ましくは、農地上で栽培された農作物である作物を保護するステップと、栽培されたものではなく、作物にとって有害であり得る、雑草を、具体的には除草剤で、除草するステップと、作物および/または雑草の上の昆虫を、具体的は殺虫剤で、除去するステップと、病害など、作物および/またはいかなる病原体をも、具体的には殺菌剤で、破壊するステップと、植物の成長を、具体的には植物成長調整剤で、調整するステップとを含む。本明細書で使用するように、「殺虫剤」という用語は、殺線虫剤、ダニ駆除剤、および軟体動物駆除剤を包含する。さらに、除草剤と組み合わせて薬害軽減剤(safener)が使用され得る。
1つの実施形態では、画像を撮影するステップは、処理されることになる農地上または現場の特定のロケーションに関連する画像をリアルタイムで撮影するステップを含む。このようにして、処理は、処理が実行される間に準リアルタイムでフィールドの異なる状況に合わせて密に調整され得る。加えて、処理は極めてターゲットを絞った方法で施されることが可能であり、より効率的かつ持続可能な農業につながる。好ましい一実施形態では、処理デバイスは、処理デバイスが農地を横断するにつれて、農地の画像を撮影するように構成されている複数の画像キャプチャデバイスを備える。そのような方法で撮影された各画像は、ロケーションに関連付けられることが可能であり、したがって、処理されることになる農地のロケーション内のリアルタイム状況のスナップショットを提供し得る。処理デバイスの、リアルタイムのロケーション固有制御を可能にするために、処理に先立って受信されるパラメータ化は、処理デバイスの状況固有制御を加速する方法を提供する。このようにして、処理デバイスがフィールドを横切り、処理されることになるフィールドのロケーションのロケーション固有画像をキャプチャする間に、決定がオンザフライで下され得る。
好ましくは、画像を撮影するステップ、処理製品組成を判定するステップ、制御信号を判定するステップ、および随意に、処理を開始するための制御信号を制御ユニットに提供するステップは、処理デバイスがフィールドを通過する間、またはフィールド処理の間に、リアルタイムで実行される。随意に、制御信号は、農地の処理を開始するために、処理デバイスの制御ユニットに提供され得、処理製品組成または処理製品組成の少なくとも1つの活性成分は、処理デバイスがフィールドを通過する間、またはフィールド処理の間に、切り替えられまたは変更され得る。したがって、制御信号は、処理デバイスがフィールドを通過する間、またはフィールド処理の間に、処理製品組成または処理製品組成の少なくとも1つの活性成分を切り替えるように、適合するように、または変更するように構成され得る。処理製品組成は、例えば、対象物の種類および対象物の成長段階を含み得る、対象物認識に基づいて、切り替えられ、適合され、または変更され得る。
本明細書で使用するように、「対象物」という用語は、農地内の対象物を含む。対象物は、雑草または作物のような農作物、昆虫、および/または病原体など、処理デバイスによって処理されることになる対象物に関係し得る。対象物は、作物保護製品など、処理製品を用いて処理され得る。対象物は、ロケーション固有処理を可能にするためにフィールド内のロケーションに関連付けられ得る。
好ましくは、処理デバイスを制御するための制御信号は、受信されたパラメータ、認識された対象物、およびオンラインフィールドデータに基づいて判定され得る。1つの実施形態では、オンラインフィールドデータは、具体的には、農作物処理デバイスによってリアルタイムで収集される。オンラインフィールドデータを収集するステップは、処理デバイスにアタッチされた、または農地内に配置されたセンサからのセンサデータを、処理デバイスがフィールドを通過するにつれて、具体的にはオンザフライでまたはリアルタイムで、収集するステップを含み得る。オンラインフィールドデータを収集するステップは、現在の土壌状態、例えば、栄養分または土壌の水分、および/もしく土壌組成など、土壌の特性に関連するフィールド内の土壌センサを介して収集された土壌データ、フィールドに配置されたもしくは近接する、または処理デバイスにアタッチされ、現在の天候状態に関連付けられた、天候センサを介して収集された天候データ、または土壌と天候センサの両方を介して収集されたデータを収集するステップを含み得る。
本明細書で使用するように、「オフラインフィールドデータ」という用語は、パラメータ化の判定前に生成、収集、アグリゲート、または処理される任意のデータを指す。オフラインフィールドデータは、農作物処理デバイスから外部的に収集され得る。オフラインフィールドデータは、処理デバイスが使用される前に収集されたデータであり得る。オフラインフィールドデータは、処理が受信されたパラメータ化に基づいてフィールド内で実行される前に収集されたデータであり得る。オフラインフィールドデータは、例えば、処理の時点で予想される天候状態に関連する天候データ、予想される土壌状態に関連して予想される土壌データ、例えば、栄養分、土壌水分、および/または処理の時点における土壌組成、例えば、処理の時点における雑草または作物の成長段階に関連する成長段階データ、および/または処理の時点における作物の病期に関連する病害データを含む。オフラインフィールドデータは、作物サイズ、作物の健康状態、またはフィールド内の他の対象物のサイズ、例えば、雑草サイズ、と比較した作物サイズをさらに含み得る。
本明細書で使用するように、「空間分解能」という用語は、サブフィールドスケール(sub-field scale)の任意の情報を指す。そのような分解能は、農地上の2つ以上のロケーション座標に、またはサブフィールドスケールのグリッド要素を有する農地の空間グリッドに、関連付けられ得る。具体的には、農地に関する情報は、農地上の2つ以上のロケーションまたはグリッド要素に関連付けられ得る。サブフィールドスケールのそのような空間分解能は、より整合されよりターゲットを絞った農地の処理を可能にする。
「農地状態」という用語は、農作物の処理に影響を及ぼす、農地の何らかの状態または農地内の環境条件に関する。そのような状態は、土壌または天候状態に関連付けられ得る。土壌状態は、土壌の現在のまたは予想される状態に関する土壌データによって指定され得る。天候状態は、天候の現在のまたは予想される状態に関する天候データに関連付けられ得る。成長状態は、例えば、作物または雑草の成長段階に関連付けられ得る。病害状態は、病害の現在のまたは予想される状態に関する病害データに関連付けられ得る。
本明細書で使用するように、または制御技術とも呼ばれる、「処理デバイス」という用語は、化学物質制御(chemical control)技術を含んでもよい。化学物質制御技術は、好ましくは、処理製品、詳細には、殺虫剤および/または除草剤および/または殺菌剤のような作物保護製品の散布のための少なくとも1つの手段を含む。そのような手段は、農地の中を誘導するための農業機械、ドローンまたはロボット上に構成された1つもしくは複数のスプレーガンまたはスプレーノズルの処理構成を含み得る。好ましい一実施形態では、処理デバイスは、1以上のスプレーガン、および関連する画像キャプチャデバイスを備える。画像キャプチャデバイスは、画像が1以上のスプレーガンによって処理されることになるエリアに関連付けられるように構成され得る。画像キャプチャデバイスは、例えば、それぞれのスプレーガンによって処理されることになるエリアを網羅する画像が処理デバイスの横断方向で撮影されるように取り付けられ得る。各画像は、ロケーションに関連付けられることが可能であり、したがって、処理に先立って、農地内のリアルタイム状況のスナップショットを提供し得る。したがって、画像キャプチャデバイスは、処理デバイスがフィールドを横断するにつれて、農地の特定のロケーションの画像を撮影することができ、制御信号は、処理されることになるエリアの撮影画像に基づいて、相応に適合され得る。制御信号は、したがって、フィールドの特定のロケーション内の処理の時点で画像によってキャプチャされる状況に適合され得る。
本明細書で使用するように、「認識する」という用語は、対象物を検出する状態、言い換えれば、一定のロケーションにおいて、ある対象物であることを知っているが、その対象物が厳密に何であるかを知らない状態、および対象物を識別する状態、言い換えれば、検出されている対象物のタイプ、具体的には、作物または雑草のような農作物、昆虫および/または病原体の種、を知る状態を含む。認識は、作物サイズ、作物の健康状態、例えば、雑草サイズと比較した作物サイズのような、空間パラメータの判定を含み得る。そのような判定は、処理デバイスがフィールドを通過するにつれて局所的に行われ得る。具体的には、認識は、畳み込みニューラルネットワークまたは当技術分野で知られている他のものなど、画像認識および分類アルゴリズムに基づき得る。具体的には、対象物の認識は、処理デバイスのロケーションに応じて、ロケーション固有である。このように、処理は、フィールド内の局所的状況にリアルタイムで適合され得る。
本明細書で使用するように、「パラメータ化」という用語は、農作物を処理する処理デバイスを制御するために処理デバイスに提供されるパラメータのセットに関する。処理デバイスを制御するためのパラメータ化は、農地に対して少なくとも部分的に空間分解され得るか、または少なくとも部分的にロケーション固有であり得る。そのような空間分解またはロケーション固有性は、空間分解されたオフラインフィールドデータに基づいてよい。空間分解されるオフラインデータは、農地の空間分解された履歴データまたはモデリングデータを含み得る。代替または追加として、空間分解されたオフラインデータは、農地に関するリモートセンシングデータまたは農地内の限定された数のロケーションにおいて検出された観測データに基づいてよい。そのような観測データは、例えば、モバイルデバイスを介してフィールドの一定のロケーション内で検出された画像、および画像分析を介して導出された随意の結果を含み得る。
パラメータ化は、処理デバイスのメモリ内に記憶され、処理デバイスの制御ユニットによってアクセスされ得る、処理デバイスに関する構成ファイルに関し得る。言い換えれば、パラメータ化は、測定可能な入力変数、例えば、撮影画像および/またはオンラインフィールドデータに応じて、処理デバイスを制御するための制御信号を判定するために使用される、論理、例えば、1以上のレイヤを備えた決定木であってよい。パラメータ化は、オン/オフ決定に関する1つのレイヤ、および随意に、使用されることが予想される処理製品の組成に関する第2のレイヤ、ならびにさらに随意に、使用されることが予想される処理製品の投与に関する第3のレイヤを含み得る。パラメータ化のこれらのレイヤのうち、オン/オフ決定、処理製品の組成、および/または処理製品の投与は、空間分解され得るか、または農地に対してロケーション固有であり得る。そのような方法で、処理に関する状況に応じたリアルタイム決定は、処理デバイスがフィールドを通過する間に収集される、リアルタイム画像および/またはオンラインフィールドデータに基づく。処理の実行に先立ってパラメータ化を提供することは、計算時間を削減し、同時に、処理のための制御信号の信頼できる判定を可能にする。パラメータ化または構成ファイルは、制御信号を判定するために使用され得る、処理デバイスに提供されるロケーション固有パラメータを含み得る。
1つのレイヤ内で、オン/オフ決定に対するパラメータ化は、撮影画像および/または対象物認識から導出されたパラメータに関する閾値を含み得る。そのようなパラメータは、認識された対象物に関連付けられ、処理決定にとって決定的な画像から導出され得る。好ましい実施形態では、撮影画像および/または対象物認識から導出されたパラメータは、対象物の対象範囲に関する。処理決定にとって決定的なオンラインフィールドデータからさらなるパラメータが導出され得る。導出されたパラメータが、例えば、閾値未満である場合、決定はオフ、すなわち処理なしである。導出されたパラメータが、例えば、閾値を超える場合、決定は、オン、すなわち処理である。パラメータ化は、閾値の空間分解されたセットを含み得る。そのような方法で、制御信号は、パラメータ化および認識された対象物に基づいて判定される。雑草の場合、画像および/または画像内で認識された雑草から導出されたパラメータは、雑草対象範囲を指定するパラメータに基づき得る。同様に、病原体の場合、画像および/または画像内の認識された病原体から導出されたパラメータは、病原体侵入を指定するパラメータに基づき得る。さらに同様に、昆虫の場合、画像および/または画像内の認識された昆虫から導出されたパラメータは、画像内に存在する昆虫の数を指定するパラメータに基づき得る。
好ましくは、それに基づいて、処理デバイスが処理構成を制御する、パラメータ化または構成ファイルが処理デバイスに提供される。さらなる実施形態では、構成ファイルまたはパラメータ化の判定は、処理製品が適用されるべき投与レベルの判定を含む。パラメータ化は、したがって、処理製品の投与レベルに対するさらなるレイヤを含み得る。そのような投与レベルは、画像および/または対象物認識から導出されたパラメータに関し得る。さらなるパラメータは、オンラインフィールドデータから導出され得る。言い換えれば、構成ファイルまたはパラメータ化に基づいて、処理製品のどの投与量が適用されるべきかに関して、撮影画像および/またはオンラインフィールドデータなど、農地のリアルタイムパラメータに基づいて、処理デバイスが制御される。好ましい一実施形態では、パラメータ化は、画像および/または対象物認識から導出された1以上のパラメータに応じた可変または漸進的投与レベルを含む。さらなる好ましい一実施形態では、認識された対象物に基づいて投与レベルを判定するステップは、対象物の種、対象物の成長段階、および/または対象物の密度を判定するステップを含む。ここで、対象物の密度は、一定のエリア内で識別された対象物の密度を指す。対象物の種、対象物の成長段階、および/または対象物の密度は、それに従って可変または漸進的投与レベルが判定され得る、画像および/または対象物認識から導出されるパラメータであり得る。パラメータ化は、投与レベルの空間分解されたセットを含み得る。
「投与レベル」という用語は、好ましくは、エリア当たりの処理製品量、例えば、1ヘクタール当たり処理製品1リットルを指し、好ましくは、エリア当たりの(処理製品内に含まれた)活性成分量として示されてよい。さらに好ましくは、投与レベルは、上限を超えてはならず、この上限は、処理製品の対応する活性成分に対して、適用可能な規制法および規則に従って法的に容認される最大投与レベルによって判定される。
パラメータ化は、使用されることが予想される処理製品組成に対するさらなるレイヤを含み得る。そのような場合、パラメータ化は、予想されるかなりの収穫高もしくは作物に対する品質上の影響、処理製品組成の生態学的影響および/またはコストに応じて判定され得る。したがって、パラメータ化に基づいて、フィールドが処理されるか否か、また効率および/または効力に関して最も可能性のある結果のために、どの処理製品組成を用いて、どの投与レベルで、処理されるべきかの決定が行われる。パラメータ化は、処理デバイスの処理製品タンクシステムに対するタンクレシピ(tank recipe)を含み得る。言い換えれば、処理製品組成は、処理の実行に先立って、処理デバイスの1以上のタンク内に提供された処理製品組成を表し得る。処理製品を形成する1以上のタンクからの混合物は、処理製品の判定された組成に応じて、オンザフライで制御され得る。処理製品組成は、例えば、対象物の種および/または対象物の成長段階を含み得る、対象物認識に基づいて判定され得る。追加または代替として、パラメータ化は、使用されることが予想される処理製品組成の空間分解されたセットを含み得る。
「効率」という用語は、散布される処理製品の量と、農地内の農作物を効果的に処理するために必要とされる処理製品の量とのバランスに関する。処理がどの程度効率的に実行されるかは、天候および土壌など、環境要因に左右される。
「効力」という用語は、処理製品の正の効果および負の効果のバランスに関する。言い換えれば、効力は、特定の農作物を効果的に処理するために必要とされる処理製品の最適な投与に関する。投与は、処理製品が無駄になり、このことがコストおよび環境に対する悪影響をやはり高めることにならないように、多すぎるべきではないが、処理製品が効果的に処理されず、このことが処理製品に対する農作物の免疫化をもたらすことにならないように、少なすぎることはない。処理製品の効力も、天候および土壌などの環境要因に左右される。
本明細書で使用するように、「処理製品」という用語は、除草剤、殺虫剤、殺菌剤、植物成長調整剤、栄養製品、および/またはそれらの混合物など、農作物処理のための製品を指す。処理製品は、異なる除草剤、異なる殺菌剤、異なる殺虫剤、異なる栄養製品、異なる栄養素など、異なる活性成分を含む、異なる組成、ならびに薬害軽減剤(詳細には、除草剤と組み合わせて使用される)、補助剤、肥料、補助成分(co-formulants)、安定剤、および/またはそれらの混合物など、さらなる組成を含み得る。処理製品組成は、1つ、もしくは2つ、またはそれ以上の処理製品を含む組成である。したがって、それぞれ、異なる活性成分に基づく、異なるタイプの、例えば、除草剤、殺虫剤、および/または殺菌剤が存在する。処理製品によって保護されることになる農作物は、好ましくは、作物であるため、処理製品は、作物保護製品と呼ばれることがある。処理製品組成は、具体的には、処理製品および/もしくは栄養溶液を希薄ならびに/または希釈するために、具体的には、処理製品の効力を強化するために、例えば、水のような、混合されて処理製品にされる追加の物質をやはり含み得る。好ましくは、栄養溶液は、窒素含有溶液、例えば、液体尿素硝安(UAN)である。
本明細書で使用するように、「栄養製品」という用語は、肥料、主要栄養素および微量栄養素を含むが、これらに限定されない、植物の栄養および/または植物の健康にとって有益な任意の製品を指す。
説明した方法を実行する間、または農地の処理を実行する間、判定されたパラメータ化に基づいて、農地の各ロケーションに対して、別の処理製品組成が最も有望であることがある。好ましくは、農作物、昆虫、および/または病原体を処理するために使用される処理製品組成は、別の処理製品組成に切り替えられ、適合され、または変更され得る。このようにして、農地内の異なるロケーションを処理するために、複数の異なるタイプの処理製品組成が使用され得る。
一実施形態では、制御信号を判定するステップは、判定された処理製品組成の放出を制御するためのタンクアクチュエータ信号および処理構成信号を生成するステップを含む。制御信号の判定または生成時に、タンクシステムから処理製品組成を放出するための処理デバイスのアクチュエータを制御するタンクアクチュエータ信号が生成され得る。加えて、制御信号の生成時に、フィールドで、好ましくは、定義された投与レベルで、処理製品組成の放出を制御する処理構成またはノズル信号が生成され得る。
さらなる実施形態では、処理デバイスは、2つ以上のノズルを備えた処理構成を含み、処理構成信号は、1以上のノズルを別々にトリガする。このようにして、個々のノズルベースで、例えば、パラメータ化において指定されたように処理するか処理しないかの決定が閾値に基づいて行われ得る。
一実施形態では、処理デバイスは、2つ以上のタンクを備えたタンクシステムを含む。個々のタンクは、水または調合物の部分など、1以上の活性成分および/または追加の成分を含み得る。そのようなシステムは、処理の間に、活性成分または処理製品組成の切替えまたは変更を可能にする。タンクは、例えば、投与レベルに必要とされる、タンク内容物の少なくとも一部分または一定量のタンク内容物を放出するために制御可能なアクチュエータを装備し得る。タンクアクチュエータ信号は、個々のタンクが処理製品組成を形成するために個々のタンクからの放出を制御するためのアクチュエータ信号を含み得る。したがって、タンクアクチュエータ信号は、判定された処理製品組成から導出され得る。
処理製品組成を判定するステップは、撮影画像および/またはオンラインフィールドデータに基づいて、処理製品組成を判定するステップを含み得る。代替として、処理製品組成を判定するステップは、撮影画像および/またはオンラインフィールドデータに基づいて、パラメータ化を介して提供される処理製品組成を調整するステップを含み得る。
所定のパラメータ化を処理デバイス制御に含めることは、意思決定を改善し、したがって、処理の効率および/または処理製品の効力を改善する。これにより、投資の経済利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
好ましい実施形態では、この方法は、
フィールドマネージャシステムがオフラインフィールドデータを受信するステップと、
オフラインフィールドデータに応じて、処理デバイスのパラメータ化を判定し、随意に、少なくとも1つの処理製品組成を判定するステップと、
判定されたパラメータ化、および随意に、判定された処理製品組成を処理デバイスに提供するステップと
を含む。
フィールドマネージャシステムがオフラインフィールドデータを受信するステップと、
オフラインフィールドデータに応じて、処理デバイスのパラメータ化を判定し、随意に、少なくとも1つの処理製品組成を判定するステップと、
判定されたパラメータ化、および随意に、判定された処理製品組成を処理デバイスに提供するステップと
を含む。
パラメータ化を判定するステップは、比較的多くのリソースを必要とする。処理デバイスは、特に、決定が処理中にリアルタイムで計算される必要があるとき、概して、比較的低い計算能力のみを有する。このために、計算量の多いプロセスは、好ましくは、処理デバイスから外部的に、オフラインで行われる。加えて、フィールドマネージャシステムは、クラウドコンピューティングシステム内に組み込まれ得る。そのようなシステムは、ほとんど常にオンラインであり、概して、処理デバイス内部制御システムよりも高い計算能力を有する。
このようにして、処理の効率および/または処理製品の効力が改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
1つの実施形態では、オフラインフィールドデータは、局所的収穫高予想データ、処理製品に対する農作物の耐性の可能性に関する耐性データ、予想される天候データ、予想される農作物成長データ、予想される雑草成長データ、例えば、バイオマスに基づいて判定されるような、農地の異なるゾーンに関するゾーン情報データ、予想される土壌データ、および/または法規制データを含む。
さらなる一実施形態では、予想される天候データは、予測された天候状態を反映するデータを指す。処理製品に対する効力の影響がアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、散布のための処理構成に対するパラメータ化または構成ファイルの判定が強化される。例えば、高い湿度を伴う天候が存在する場合、処理製品の散布はそのような状態において非常に効果的であるため、処理製品を散布する決定が下され得る。予想される天候データは、空間分解されて、処理決定が下されることになる農地内の異なるゾーン内のまたは異なるロケーションにおける天候状態を提供し得る。
さらなる一実施形態では、予想される天候データは、温度、UV強度、湿度、雨の予報、蒸気、露など、様々なパラメータを含む。処理製品に対する効力の影響がアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、散布のための処理構成に対するパラメータ化または構成ファイルの決定が強化される。例えば、高温および高いUV強度が存在する場合、処理製品の投与を増大させて、より速い蒸気を補うことができる。他方で、例えば、温度およびUV強度が適度である場合、植物の代謝はさらにアクティブ化し、処理製品の投与は低減され得る。
さらなる実施形態では、予想される土壌データ、例えば、土壌水分データ、土壌養分データ、または土壌組成データは、外部リポジトリからアクセスされ得る。処理製品に対する効力影響がアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、散布のための処理構成に対するパラメータ化または構成ファイルの決定が強化される。例えば、高い土壌水分が存在する場合、大きな効果により、処理製品を散布しない判定が行われ得る。予想される土壌データは、空間分解されて、処理決定が下されることになる農地内の異なるゾーン内のまたは異なるロケーションにおける土壌水分特性を提供し得る。
さらなる一実施形態では、オフラインフィールドデータの少なくとも一部分は、履歴収穫高マップ、履歴衛星画像、および/または空間個別的な作物成長モデルを含む。1つの例では、複数の季節に対してある季節の異なる時点におけるフィールドの画像を含む、履歴衛星画像に基づいて、性能マップが生成され得る。そのような性能マップは、例えば、複数の季節にわたってより肥沃であったまたはあまり肥沃でなかったマッピングゾーンによってフィールド内の肥沃度の変化を識別することを可能にする。
好ましくは、農地の土壌内で依然として利用可能な水の量および/または予想される天候データに応じて、予想される農作物成長データが判定される。
このようにして、処理の効率および/または処理製品の効力が改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
好ましい実施形態では、法規制データは、具体的には、地下水の中への浸出リスク、および/もしくは、具体的には、地上配水をもたらすフィールド傾斜、ならびに/またはセンシティブゾーンに対するバッファゾーンの必要性を含む。
好ましくは、法規制は、特定の条件の農地において特定の処理製品の使用を禁じる。好ましくは、農地の境界の周囲に広がる境界ゾーンは、例えば、人間および彼らのペットに対する暴露の増大により、センシティブゾーンである。したがって、他の生命体に対して増大した悪影響を有し得る効果的な処理製品は、センシティブゾーン自体、およびセンシティブゾーンと処理製品の散布ゾーンとの間のバッファゾーンにおいて禁じられる可能性がある。
このようにして、処理の効率および/または処理製品の効力は改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
好ましい実施形態では、この方法は、
農地の既存のゾーンマップに基づいて、ゾーン情報データを判定するステップ
を含む。
農地の既存のゾーンマップに基づいて、ゾーン情報データを判定するステップ
を含む。
好ましくは、ゾーンマップは、少なくとも境界ゾーン、バッファゾーン、および/またはセンシティブゾーンを含む。
ゾーン情報は、好ましくは、画像が撮影された、したがって、処理されることになる農作物が位置する、ゾーンマップのゾーンに関する。ゾーン情報は、例えば、処理されることになる農作物が境界ゾーンの中に位置するという情報を含む。境界ゾーンは、処理製品に関する特定の法規制を受ける。特定のゾーンに対して判定される処理製品組成が農作物のゾーンの法規制を犯す場合、農作物を処理するために、別の処理製品が判定されなければならない。
これにより、投資の経済的利益および生態系に対する影響を改善する、異なるタイプの処理製品を用いて農地の農作物を処理することが可能である。
このようにして、処理の効率および/または処理製品の効力が改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
好ましい一実施形態では、この方法は、
対象物を認識するステップは、農作物、好ましくは、農作物のタイプおよび/もしくは農作物のサイズ、昆虫、好ましくは、昆虫のタイプおよび/もしくは昆虫サイズ、ならびに/または病原体、好ましくは、病原体のタイプおよび/もしくは病原体サイズを認識するステップ
を含む。
対象物を認識するステップは、農作物、好ましくは、農作物のタイプおよび/もしくは農作物のサイズ、昆虫、好ましくは、昆虫のタイプおよび/もしくは昆虫サイズ、ならびに/または病原体、好ましくは、病原体のタイプおよび/もしくは病原体サイズを認識するステップ
を含む。
このようにして、処理の効率および/または処理製品の効力が改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
好ましい実施形態では、この方法は、
処理デバイスが農地に関する現状に関するオンラインフィールドデータを受信するステップと、
判定されたパラメータ化、判定された処理製品組成、および判定された、認識された対象物、ならびに/または判定されたオンラインフィールドデータに応じて、制御信号を判定するステップと
を含む。
処理デバイスが農地に関する現状に関するオンラインフィールドデータを受信するステップと、
判定されたパラメータ化、判定された処理製品組成、および判定された、認識された対象物、ならびに/または判定されたオンラインフィールドデータに応じて、制御信号を判定するステップと
を含む。
このようにして、処理の効率および/または処理製品の効力が改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
処理デバイスがオンラインフィールドデータを判定するステップは、処理デバイス上に取り付けられた、またはフィールド内に配置され、処理デバイスによって受信される、センサを含み得る。
好ましい一実施形態では、
オンラインフィールドデータは、現在の天候データ、現在の農作物成長データ、および/または現在の土壌データ、例えば、土壌水分データに関する。
オンラインフィールドデータは、現在の天候データ、現在の農作物成長データ、および/または現在の土壌データ、例えば、土壌水分データに関する。
1つの実施形態では、現在の天候データは、オンザフライでまたは現場で記録される。そのような現在の天候データは、処理デバイス、またはそのフィールド内またはその付近に配置された1以上の測候所の上に取り付けられた異なるタイプの天候センサによって生成され得る。したがって、現在の天候データは、農地上の処理デバイスの移動中に測定され得る。現在の天候データは、処理決定が下されることになる農地内のロケーションにおける天候状態を反映するデータを指す。天候センサは、例えば、雨センサ、UVセンサ、または風センサである。
さらなる一実施形態では、現在の天候データは、温度、UV強度、湿度、雨の予報、蒸気、露など、様々なパラメータを含む。処理製品に対する効力影響がアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、散布のための処理デバイスの構成の判定が拡張される。例えば、高温および高いUV強度が存在する場合、処理製品の投与を増大させて、より早い蒸気を補うことができる。
さらなる一実施形態では、オンラインフィールドデータは、現在の土壌データを含む。そのようなデータは、フィールド内に配置された土壌センサを通して提供され得るか、またはそのようなデータは、例えば、リポジトリからアクセスされ得る。後者の場合、現在の土壌データは、処理ガンを含めて、農業機械の記憶媒体上にダウンロードされ得る。処理製品に対する効力影響がアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、散布のための処理配分の構成の判定は強化される。例えば、高い土壌水分が存在する場合、大きな効果により、処理製品を散布しない判定が下され得る。
さらなる一実施形態では、現在のもしくは予想される天候データ、および/または現在のもしくは予想される土壌データは、農作物、雑草、または作物植物の成長段階をさらに判定するために、成長段階モデルに提供され得る。追加または代替として、天候データおよび土壌データは、病害モデルに提供され得る。例えば、その時間中および散布後に雑草および作物が異なる速度で成長するにつれて処理製品に対する効力影響はアクティブ化決定および投与に含まれ得るため、そのようなデータに基づいて、処理デバイスの構成、具体的には、散布のためのシングルノズルのような処理構成の部分の判定は強化される。したがって、例えば、散布時点における(モデル内で感染事象から理解または導出される)雑草のサイズまたは病原体の感染段階がアクティブ化決定および投与に含まれ得る。
このようにして、処理の効率および/または処理製品の効力が改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
好ましい実施形態では、この方法は、
農作物の処理の性能審査に応じて、検証データを判定または提供するステップと、
検証データに応じて、パラメータ化および/または少なくとも1つの処理製品組成を調整するステップと、
を含む。
農作物の処理の性能審査に応じて、検証データを判定または提供するステップと、
検証データに応じて、パラメータ化および/または少なくとも1つの処理製品組成を調整するステップと、
を含む。
検証データは、農地に対して少なくとも部分的に空間分解され得る。検証データは、例えば、農地の特定のロケーションにおいて測定され得る。
好ましくは、性能審査は、パラメータ化および/もしくは少なくとも1つの処理製品組成の手動制御、ならびに/またはパラメータ化および/もしくは少なくとも1つの処理製品組成の自動制御を含む。例えば、手動制御は、農業経営者が、農地を観察し、アンケートに回答することに関する。さらなる一例では、性能審査は、すでに処理されている農地の一部分の画像を撮影し、撮影画像を分析することによって実行される。言い換えれば、性能審査は、処理の効率および/または農作物が処理された後の処理製品の効力を評価する。例えば、雑草が処理されているにもかかわらず、処理されている雑草が依然として存在する場合、性能審査は、この処理のために使用されたパラメータ化および/または少なくとも1つの処理製品組成が雑草を除去する目標を達成しなかったことを記述する情報を含むことになる。
このようにして、処理の効率および/または処理製品の効力が改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
好ましい実施形態では、この方法は、
機械学習アルゴリズムを使用して、パラメータ化および/または少なくとも1つの処理製品組成を調整するステップ
を含む。
機械学習アルゴリズムを使用して、パラメータ化および/または少なくとも1つの処理製品組成を調整するステップ
を含む。
機械学習アルゴリズムは、決定木、単純ベイズ分類器、最近傍、ニューラルネットワーク、畳み込みまたはリカレントニューラルネットワーク、敵対的生成ネットワーク、サポートベクターマシン、線形回帰、ロジスティック回帰、ランダムフォレスト、および/または勾配ブースティングアルゴリズムを含み得る。好ましくは、機械学習アルゴリズムの結果は、パラメータ化を調整するために使用される。
好ましくは、機械学習アルゴリズムは、高次元性を有する入力を処理して、さらにより低い次元性の出力にするように編成される。そのような機械学習アルゴリズムは「トレーニング」されることが可能であるため、そのような機械学習アルゴリズムは、「インテリジェント」と呼ばれる。このアルゴリズムは、トレーニングデータの記録を使用してトレーニングされ得る。トレーニングデータの記録は、トレーニング入力データおよび対応するトレーニング出力データを含む。トレーニングデータの記録のトレーニング出力データは、入力と同じトレーニングデータの記録のトレーニング入力データが与えられているとき、機械学習アルゴリズムによって生み出されることが予想される結果である。この予想される結果とアルゴリズムが生み出す実際の結果との間の偏差は、「損失関数」によって観察され、評価される。この損失関数は、機械学習アルゴリズムの内部処理チェーンのパラメータを調整するためのフィードバックとして使用される。例えば、パラメータは、すべてのトレーニング入力データが機械学習アルゴリズムにフィードされ、出力が対応するトレーニング出力データと比較されるときに生じる損失関数の値を最小限に抑える最適化目標で調整され得る。このトレーニングの結果は、「グラウンドトゥルース」として比較的少数のトレーニングデータ記録が与えられると、機械学習アルゴリズムは、桁違いに大きな数の入力データ記録に対して、その仕事を十分に実行することが可能にされることである。
このようにして、処理の効率および/または処理製品の効力が改善され得る。これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
さらなる態様によれば、農地の農作物処理のための処理デバイス用のフィールドマネージャシステムは、本明細書で説明するような、農地に対して予想される状態に関連するオフラインフィールドデータを受信するように適合されているオフラインフィールドデータインターフェース、検証データを受信するように適合されている検証データインターフェース、オフラインフィールドデータに応じて、処理デバイスのパラメータ化を判定するように適合され、かつ検証データに応じて、パラメータ化を調整するように適合されている機械学習ユニット、およびパラメータ化を処理デバイスに提供するように適合されているパラメータ化インターフェースを備える。
好ましい実施形態では、この方法は、
パラメータ化を判定するステップは、処理デバイスの処理製品タンクに対するタンクレシピを判定するステップを含む。
パラメータ化を判定するステップは、処理デバイスの処理製品タンクに対するタンクレシピを判定するステップを含む。
好ましくは、タンクレシピは、処理されることになる農地に適した、農作物処理製品の異なる成分の絶対量または相対量を含む。
さらなる態様によれば、農地の農作物処理のための処理デバイス用のフィールドマネージャシステムは、本明細書で説明するような、農地に対して予想される状態に関するオフラインフィールドデータを受信し、それにより、農作物を処理するために使用されることが予想される少なくとも1つの処理製品組成を判定するように適合されているオフラインフィールドデータインターフェース、オフラインフィールドデータに応じて、処理デバイスのパラメータ化を判定するように適合されている機械学習ユニット、およびパラメータ化を処理デバイスに提供するように適合されているパラメータ化インターフェースを備える。
好ましい実施形態では、フィールドマネージャシステムは、検証データを受信するように適合されている検証データインターフェースを備え、機械学習ユニットは、検証データに応じて、パラメータ化を調整するように適合される。検証データは、農地に対して少なくとも部分的に空間分解され得る。検証データは、例えば、農地の特定のロケーションにおいて測定され得る。
好ましい実施形態では、機械学習ユニットは、撮影画像およびオンラインフィールドデータに基づいて、機械学習アルゴリズムによってパラメータ化を判定するように適合される。
さらなる態様によれば、植物の農作物処理のための処理デバイスは、本明細書で説明するような、農作物の画像を撮影するように適合されている画像キャプチャデバイス、フィールドマネージャシステムからパラメータ化を受信するように適合されているパラメータ化インターフェース、受信されたパラメータ化に応じて、農作物を処理するように適合されている処理構成、撮影画像上の対象物を認識するように適合されている画像認識ユニット、ならびに、随意に、判定されたパラメータ化、オンラインフィールドデータ、および/または認識された対象物に応じて、またはそれらに基づいて、処理製品組成を判定するように適合され、かつ判定されたパラメータ化、認識された対象物、および判定された処理製品組成に基づいて、処理デバイスの処理構成を制御するための制御信号を判定するように適合されている、処理制御ユニットを備え、処理デバイスのパラメータ化インターフェースは、本明細書で説明するように、フィールドマネージャシステムのパラメータ化インターフェースに接続可能であり、処理デバイスは、処理制御ユニットの制御信号に基づいて、処理構成をアクティブ化するように適合される。
好ましい実施形態では、処理デバイスは、農地に関する現状に関するオンラインフィールドデータを受信するように適合されているオンラインフィールドデータインターフェースを備え、処理制御ユニットは、判定されたパラメータ化、認識された対象物、および判定された処理製品組成、ならびに/またはオンラインフィールドデータに基づいて、処理デバイスの処理構成を制御する。
好ましい実施形態では、画像キャプチャデバイスは、1以上のカメラを、具体的には、処理デバイスのブーム上に備え、画像認識ユニットは、例えば、赤緑青RGBデータおよび/または近赤外NIRデータを使用して、対象物、例えば、雑草、昆虫、病原体、および/または農作物を認識するように適合される。
好ましい一実施形態では、本明細書で説明するように、処理デバイスは、本明細書で説明するような制御デバイスをさらに備える。
好ましい一実施形態では、処理デバイスは、スマート噴霧器として設計され、処理構成は、ノズル構成である。
ノズル構成は、好ましくは、独立して制御され得る、いくつかの独立したノズルを備える。
さらなる一態様によれば、処理システムは、本明細書で説明するようなフィールドマネージャシステム、および本明細書で説明するような処理デバイスを備える。
有利には、上記の態様のうちのいずれかによって提供される利点は、他の態様のすべてに等しく適用され、逆も同様である。上記の態様および例は、以下で説明する実施形態から明らかになり、それらの実施形態を参照することにより明らかになる。
以下で、以下の図面を参照しながら、例示的な実施形態について説明する。
図1は、フィールドマネージャシステム100によって制御される、少なくとも1つの処理デバイス200による農地300の農作物を処理するための農作物処理システム400を示す。
処理デバイス200、好ましくは、スマート噴霧器は、処理制御ユニット210、画像キャプチャデバイス220、画像認識ユニット230、および処理構成270、ならびにパラメータ化インターフェース240およびオンラインフィールドデータインターフェース250を備える。
画像キャプチャデバイス220は、農地300の画像20を撮影するように構成された、少なくとも1つのカメラを備える。撮影画像20は、処理デバイス200の画像認識ユニット230に提供される。
フィールドマネージャシステム100は、機械学習ユニット110を備える。加えて、フィールドマネージャシステム100は、オフラインフィールドデータインターフェース150、パラメータ化インターフェース140、および検証データインターフェース160を備える。フィールドマネージャシステム100は、例えば、ユニバーサルシリアルバス(USB)、物理ケーブル、Bluetooth、または別の形態のデータ接続を介して、フィールドデータを受信することが可能なマイクロプロセッサ、マイクロコントローラ、フィールドプログラマブルゲートアレイ(FPGA)、中央処理装置(CPU)、デジタル信号プロセッサ(DSP)など、データ処理要素を指し得る。フィールドマネージャシステム100は、各処理デバイス200に対して提供され得る。代替として、フィールドマネージャシステムは、フィールド300内で複数の処理デバイス200を制御するための中央フィールドマネージャシステム、例えば、クラウドコンピューティング環境またはパーソナルコンピュータ(PC)であってよい。
農地300の予想される状態データに関するオフラインフィールドデータDoffがフィールドマネージャシステム100に提供される。好ましくは、オフラインフィールドデータDoffは、局所的収穫高予想データ、処理製品に対する農作物の耐性の可能性に関する耐性データ、予想される天候状態データ、予想される農作物成長データ、農地の異なるゾーンに関するゾーン情報データ、予想される土壌データ、例えば、土壌水分データ、および/または法規制データを含む。
オフラインフィールドデータDoffは、外部リポジトリから提供される。例えば、予想される天候データは、天候を予測するための衛星データまたは観測された天候データに基づいてもよい。予想される農作物成長データは、例えば、異なる農作物成長段階を記憶したデータベースによって、または過去のフィールドの状態データに応じて、作物植物、雑草、および/または病原体の予想される成長段階に関して記述する農作物成長段階モデルから提供される。予想される農作物成長データは、農作物モデルによって提供されてよく、農作物モデルは、基本的に、それぞれの農作物のデジタルツインであり、具体的には、前のフィールドデータに応じて、農作物の成長段階を推定する。さらに、例えば、予想される土壌水分データは、過去、現在、および予想される天候状態データに応じて判定されてよい。オフラインフィールドデータDoffはまた、外部サービスプロバイダによって提供され得る。
オフラインフィールドデータDoffに応じて、機械学習ユニット110は、パラメータ化10を判定する。好ましくは、機械学習ユニット110は、農作物の計画された処理時間を知る。例えば、農業経営者は、その経営者が、翌日、一定のフィールド内で農作物の処理を計画しているという情報をフィールドマネージャシステム100に提供する。パラメータ化10は、好ましくは、フィールドマネージャシステム100のパラメータ化インターフェース140に提供される構成ファイルとして表される。理想的には、パラメータ化10は、処理デバイス200がパラメータ化10を使用している同じ日に機械学習ユニット110によって判定される。ここでは、機械学習ユニット110は、トレーニングされた機械学習アルゴリズムを含んでよく、機械学習アルゴリズムの出力は、パラメータ化のために使用され得る。パラメータ化の判定は、何の機械学習アルゴリズムも関与せずに実行されることも可能である。パラメータ化インターフェース140を介して、パラメータ化10が処理デバイス200、具体的には、処理デバイス200のパラメータ化インターフェース240に提供される。例えば、構成ファイルの形態のパラメータ化10が転送され、処理デバイス200のメモリ内に記憶される。
加えて、機械学習ユニットは、フィールド300内の農作物を処理するために使用されることが予想される、少なくとも処理製品組成40を判定する。この判定は、農地300全体または農地300の、処理されることが計画される少なくとも一部分を考慮して行われる。少なくとも1つの製品組成40は、異なる除草剤、病原体および/または殺虫剤、ならびに、処理製品と混合させるための、水のような混合溶液または窒素溶液のような栄養溶液に関する。例えば、機械学習ユニットは、両方とも異なる除草剤である、第1の活性成分AI1および第2の活性成分AI2を判定する。処理製品組成40は、好ましくは、フィールドマネージャシステム100のパラメータ化インターフェース140に提供される構成ファイル内でパラメータ化の一部分として表される。理想的には、処理製品組成40は、処理デバイス200が処理製品組成40を使用している同じ日に機械学習ユニット110によって判定される。パラメータ化インターフェース140を介して、処理製品組成40は、処理デバイス200、具体的には、処理デバイス200のパラメータ化インターフェース240に提供される。例えば、構成ファイルの形態の処理製品組成40が、処理デバイス200のメモリにアップロードされる。
処理製品組成40を含むパラメータ化10が処理デバイス200、具体的には、処理制御ユニット210によって受信されるとき、農地300内の農作物の処理が開始し得る。理想的には、ユーザ、具体的には、農業経営者には、フィールドマネージャシステム100によってタンクレシピがさらに提供される。タンクレシピは、判定された処理製品組成40を含むパラメータ化10に応じて判定される。したがって、農業経営者は、農地300内の農作物を処理するために、どの処理製品組成40のおよそどの程度の処理製品が必要とされるかを知る。
処理デバイス200は、農地300をほうぼう移動し、対象物30、具体的には、農地300上の作物植物、雑草、病原体、および/または昆虫を検出および認識する。
したがって、画像キャプチャデバイス200は、農地300の画像20を絶えず撮影する。画像20は画像認識ユニット230に提供され、画像認識ユニット230は、画像20に対して画像分析を実行し、画像20上の対象物30を検出および/または認識する。検出すべき対象物30は、好ましくは、作物、雑草、病原体、および/または昆虫である。対象物を認識するステップは、農作物、好ましくは、農作物のタイプおよび/もしくは農作物のサイズ、昆虫、好ましくは、昆虫のタイプおよび/もしくは昆虫のサイズ、ならびに/または病原体、好ましくは、病原体のタイプおよび/もしくは病原体のサイズを認識するステップを含む。例えば、アオゲイトウとメヒシバとの間の差異、または蜂とイナゴとの間の差異が、例えば、認識される。対象物30は、処理制御ユニット210に提供される。
処理製品組成、第1の活性成分AI1、および第2の活性成分AI2を含むパラメータ化10が構成ファイルの形態で処理制御ユニット210に提供された。パラメータ化10は、決定木として示されてよく、ここでは、入力データに基づいて、異なる決定レイヤを介して、農作物の処理が決定され、随意に、処理製品の投与および組成が決定される。例えば、第1のステップにおいて、検出された雑草のバイオマスがパラメータ化10によって設定された所定の閾値を超えるかどうかが検査される。雑草のバイオマスは、概して、撮影画像20内の雑草の対象範囲の程度に関する。例えば、雑草のバイオマスが4%未満である場合、雑草はまったく処理されないと決定する。雑草のバイオマスが4%を超える場合、さらなる決定が下される。例えば、第2のステップにおいて、雑草のバイオマスが4%を超える場合、土壌の水分に応じて、雑草が処理されるかどうかが決定される。土壌の水分が所定の閾値を超える場合、雑草を処理することが依然として決定され、さもなければ、雑草を処理しないと決定される。これは、雑草が、高い土壌水分によってトリガされる成長段階にあるとき、雑草を処理するために使用される除草剤がより効果的であり得ることによる。パラメータ化10は、予想される土壌水分に関する情報をすでに含む。これまで雨が降っていたため、予想される土壌水分は所定の閾値を超え、雑草を処理すると決定することになる。しかしながら、処理制御ユニット210はまた、オンラインフィールドデータDonによって、この場合、土壌水分センサから提供され、処理制御ユニット210に追加データを提供する。構成ファイルの決定木は、したがって、オンラインフィールドデータDonに基づいて決定されることになる。例示的な一実施形態では、オンラインフィールドデータDonは、土壌水分が所定の閾値未満であるという情報を含む。したがって、雑草を処理しないと決定する。
処理制御ユニット210は、パラメータ化10、認識された対象物、および/またはオンラインフィールドデータDonに基づいて、処理制御信号Sを生成する。処理制御信号Sは、したがって、認識された対象物30が処理されるべきか否かの情報を含む。処理制御ユニット210は、次いで、処理制御信号Sを処理構成270に提供し、処理構成270は、制御信号Sに基づいて農作物を処理する。処理構成270は、具体的には、異なるノズルを備えた化学物質スポットスプレーガン(spot spray gun)を備え、それらのノズルは、そのスプレーガンが、除草剤、殺虫剤、および/または殺菌剤を高い精度で噴霧することを可能にする。
このようにして、パラメータ化10は、予想されるフィールドの状態に関するオフラインフィールドデータDoffに応じて提供される。パラメータ化10に基づいて、処理デバイス200は、フィールド内で上京に応じて認識された対象物に基づいてのみ、どの農作物が処理されるべきかを決定し得る。このようにして、処理の効率および/または処理製品の効力が改善され得る。処理の効率および/または処理製品の効力をさらに改善するために、農地の現在の測定可能状態を含めるためにオンラインフィールドデータDonが使用され得る。
提供される処理構成400は、加えて、学習が可能である。機械学習ユニット110は、所与のヒューリスティックに応じてパラメータ化10を判定する。提供されたパラメータ化10に基づく農作物処理の後、処理の効率および処理製品の効力を検証することが可能である。例えば、農業経営者は、パラメータ化10に基づいて前に処理されている農地の一部分のフィールドデータをフィールドマネージャシステム100に提供し得る。この情報は、検証データVと呼ばれる。検証データVは、検証データインターフェース160を介してフィールドマネージャシステム100に提供され、検証データVを機械学習ユニット110に提供する。機械学習ユニット110は、次いで、パラメータ化10、または検証データVに従ってパラメータ化10を判定するために使用されるヒューリスティックを調整する。例えば、検証データVが、パラメータ化10に基づいて処理されている雑草が除去されていないことを示す場合、調整されたパラメータ化10は、閾値を下げて、基本的な決定木の分岐のうちの1つの中で農作物を処理する。
フィールドマネージャシステム100によって処理デバイス200に提供される構成ファイルの形態のパラメータ化10および/または処理製品組成40の一代替として、フィールドマネージャシステム100の機能性が処理デバイス200内に埋め込まれてもよい。例えば、比較的高い計算能力を備えた処理デバイスは、フィールドマネージャシステム100を処理デバイス200内に組み込むことができる。代替として、フィールドマネージャシステム100の説明される機能性全体および処理デバイス200による制御信号Sの判定に至るまでの機能性は、処理デバイス200の外部で、好ましくは、クラウドサービスを介して、計算され得る。処理デバイス200は、したがって、提供される制御信号Sに応じて農作物を処理する、単なる「ダム」デバイスである。
図2は、農作物処理方法の流れ図を示す。
ステップS10において、処理デバイス200を制御するためのパラメータ化10が処理デバイス200によってフィールドマネージャシステム100から受信され、パラメータ化10は、農地300に対して予想される状態に関するオフラインフィールドデータDoffに依存し、パラメータ化10に応じて、農作物を処理するために使用されることが予想される少なくとも1つの処理製品組成40が受信される。ステップS20において、農地300の農作物の画像20が撮影される。ステップS30において、撮影画像20上の対象物30が検出される。ステップS40において、判定されたパラメータ化10および認識された対象物30に応じて、農作物を処理するための少なくとも1つの処理製品組成40のうちの少なくとも1つが選定される。ステップS50において、判定されたパラメータ化10、認識された対象物30、および選定された処理製品組成40に基づいて、処理デバイス200の処理構成270を制御するための制御信号Sが判定される。
図3は、農地300のゾーンマップ33を示す。ゾーンマップ33は、ゾーンマップ33のタイプに応じて、農地300を異なるゾーンZB、ZCに分割する。この場合、ゾーンマップ33は、農地300を中央ゾーンZCおよび境界ゾーンZBに分割する。境界ゾーンZBは農地300の縁の周囲に広がる。境界ゾーンZBは、無許可の人物にとって容易にアクセス可能であり、したがって、中央ゾーンZCよりも厳しい法規制が基礎にある。ゾーンマップ33に基づいて、異なるゾーンZB、ZCの特殊な法規制を示すゾーン情報が判定される。
図4は、作物410を含む農地300の上空を飛行する、無人航空機(UAV)の形態の処理デバイス200を示す。作物410の間に、いくつかの雑草421、422がやはり存在する。雑草421、422は、具体的には毒性であり、多数の種子を生み出し、作物収穫高に著しい影響を及ぼし得る。この雑草421、422は、この作物410を含む農地300内で容認されるべきではない。
UAV200は、1以上のカメラを備え、UAV200が農地300の上空を飛行するにつれて、画像が取得される、画像キャプチャデバイス220を有する。UAV200はまた、UAV200の位置が判定されること、およびカメラ220の配向がやはり判定されることの両方を可能にする、GPSおよび慣性ナビゲーションシステムを有する。この情報から、作物、雑草、昆虫、および/または病原体のタイプの例など、その画像内の特定の部分が絶対地球空間座標に対して位置特定され得るように、地上の画像のフットプリントが判定され得る。画像キャプチャデバイス220によって取得された画像データは、画像認識ユニット120に転送される。
画像キャプチャデバイス220によって取得された画像は、あるタイプの作物が別のタイプの作物と区別されることを可能にする分解能においてであり、かつあるタイプの雑草が別のタイプの雑草と区別されることを可能にする分解能においてであり、かつ昆虫が検出されることのみではなく、あるタイプの昆虫を別のタイプの昆虫と区別されることを可能にする分解能においてであり、かつあるタイプの病原体が別のタイプの病原体と区別されることを可能にする分解能においてである。
画像認識ユニット120は、UAV200の外部であってよいが、UAV200自体が作物、雑草、昆虫、および/または病原体を検出ならびに識別するために必要な処理能力を有し得る。画像認識ユニット120は、例えば、異なるタイプの作物、雑草、昆虫、および/または病原体の多数の画像例に対してトレーニングされている人工ニューラルネットワークに基づいて、機械学習アルゴリズムを使用して画像を処理して、どの対象物が存在するかを判定し、対象物のタイプをやはり判定する。
UAVはまた、異なるノズルを備えた、処理構成260、具体的には、化学物質スポットスプレーガンを有し、これらのノズルは、UAVが除草剤、殺虫剤、および/または殺菌剤を高い精度で噴霧することを可能にする、
雑草421、422を処理するために、UAV200は、2つの異なる処理製品組成、すなわち、第1の活性成分AI1および第2の活性成分AI2を使用することができる。例えば、雑草421、422は、フィールド内で処理されることが予想されるアオゲイトウおよびメヒシバである。両方の雑草は、特に第1の活性成分AI1で十分に処理される。第1の活性成分AI1は、第2の活性成分AI2よりも安価かつより効率的であるが、生態学的にはより有害であると考えられてもいる。フィールドマネージャシステム100は、タンクレシピを農業経営者に提供する。この場合、フィールド300は、図3に示すように、比較的大きな中央ゾーンZCおよび比較的小さな境界ゾーンZBを備える。法規制に鑑みて、第1の活性成分AI1は、第2の活性成分AI2よりも法的に規制される。この場合、これは、境界ゾーンZB内で、第1の活性成分AI1は使用されることが法的に可能にされないことを意味する。したがって、提供されるタンクレシピは、通常、比較的大きな中央ゾーンZC内で使用され得る第1の活性成分AI1が比較的小さな境界ゾーンZB内で可能にされる第2の活性成分AI2よりも多い量で必要とされることを示す。農業経営者は、その場合、処理デバイスにそれぞれの処理製品を装備させることができる。第1の活性成分AI1は、第1の活性成分タンク271内に格納され、第2の活性成分AI2は、第2の活性成分タンク272内に格納される。処理構成270は、第1の活性成分タンク271および/または第2の活性成分タンク272から農地内の農作物を処理することができる。
図5に示すように、画像キャプチャデバイス220は、フィールド300の画像20を撮影する。画像認識分析は、4つの対象物30を検出し、2つの作物410(三角形)、第1の望まれない雑草421(円)、および第2の望まれない雑草422(円)を識別する。したがって、UAV200は、望まれない雑草421、422を処理するように制御される。しかしながら、第1の雑草421は、農地の中央ゾーンZC内に配置され、第2の雑草422は農地のバッファゾーンZB内に配置されている。オンラインフィールドデータDon、撮影画像20、および処理製品組成に基づいて、より安価かつより効率的な第1の活性成分AI1を用いて雑草421、422を処理すると判定される。しかしながら、第1の活性成分AI1は、境界ゾーンZB内で使用されることが可能にされない。したがって、境界ゾーンZB内の第2の雑草422は、第2の活性成分AI2によって処理されると判定されることになる。異なる処理製品AI1、AI2の判定なしに、UAV200のみで、境界ゾーンZBの特定の法規制を犯さないために、第2の活性成分AI2で農地300全体を処理することが可能である。
これにより、投資の経済的利益を改善し、かつ生態系に対する影響を改善する、農地の農作物処理のための改善された方法が提供される。
10 パラメータ化、20 画像、30 画像上の対象物、40 処理製品組成、100 フィールドマネージャシステム、110 機械学習ユニット、140 パラメータ化インターフェース、150 オフラインフィールドデータインターフェース、160 検証データインターフェース、200 処理デバイス(UAV)、210 処理制御ユニット、220 画像キャプチャデバイス、230 画像認識ユニット、240 パラメータ化インターフェース、250 オンラインフィールドデータインターフェース、270 処理構成、271 第1の活性成分タンク、272 第2の活性成分タンク、300 農地、400 処理システム、410 作物、421 第1の雑草、422 第2の雑草、S 処理制御信号、Don オンラインフィールドデータ、Doff オフラインフィールドデータ、V 検証データ、ZC 中央ゾーン、ZB 境界ゾーン、AI1 処理製品(第1の活性成分)、AI2 処理製品(第2の活性成分)、S10 パラメータ化および処理製品組成を受信するステップ、S20 画像を撮影するステップ、S30 対象物を認識するステップ、S40 処理製品を選定するステップ、S50 制御信号を判定するステップ
Claims (20)
- 処理製品を用いた農地の農作物処理のための方法であって、
処理デバイス(200)が前記処理デバイス(200)を制御するためのパラメータ化(10)をフィールドマネージャシステム(100)から受信するステップであって、前記パラメータ化(10)が、前記農地(300)に対して予想される状態に関するオフラインフィールドデータ(Doff)に依存する、受信するステップ(S10)と、
前記農地(300)の農作物の画像(20)を撮影するステップ(S20)と、
撮影した前記画像(20)上の対象物(30)を認識するステップ(S30)と、
随意に受信された前記パラメータ化、オンラインフィールドデータ、および/または認識された前記対象物(30)に基づいて、処理製品組成を判定するステップ(S40)と、
受信された前記パラメータ化(10)、認識された前記対象物(30)、および判定された前記処理製品組成(40)に基づいて、前記処理デバイス(200)の処理構成(270)を制御するための制御信号(S)を判定するステップ(S50)と
を含む、方法。 - 前記農地(300)の前記農作物の前記画像(20)を撮影する前記ステップ(S20)、撮影した前記画像(20)上の前記対象物(30)を認識する前記ステップ(S30)、前記処理製品組成を判定する前記ステップ(S40)、および前記処理構成(270)を制御するための前記制御信号(S)を判定する前記ステップが、前記処理デバイス(200)が前記処理デバイスがフィールドの特定のロケーション内の処理時点において前記フィールドを横断するにつれて、前記農地の撮影した前記画像に基づいて瞬時に制御可能であるように、リアルタイムプロセスとして実行される、請求項1に記載の方法。
- 前記フィールドマネージャシステム(100)が前記オフラインフィールドデータ(Doff)を受信するステップと、
前記オフラインフィールドデータ(Doff)に応じて、前記処理デバイス(200)の前記パラメータ化(10)を判定するステップと、
判定された前記パラメータ化(10)を前記処理デバイス(200)に提供するステップと、
を含む、請求項1または2に記載の方法。 - 前記制御信号(S)を判定する前記ステップが、判定された前記処理製品組成の放出を制御するためのタンクアクチュエータ信号および処理構成信号を生成するステップを含む請求項1から3のいずれか一項に記載の方法。
- 前記処理デバイスが、2つ以上のノズルを備えた処理構成を含み、
前記処理構成信号が、1以上のノズルを別々にトリガする請求項4に記載の方法。 - 前記制御信号が、前記農地の処理を開始するために、前記処理デバイスの制御ユニットに提供され、前記制御信号が、フィールド処理の間に、前記処理製品組成または前記処理製品組成の少なくとも1つの活性成分を変更するように構成される
請求項1から5のいずれか一項に記載の方法。 - 前記対象物(30)を認識する前記ステップ(S20)が、前記農作物、好ましくは、農作物のタイプおよび/もしくは農作物のサイズ、昆虫、好ましくは、昆虫のタイプおよび/もしくは昆虫サイズ、ならびに/または病原体、好ましくは、病原体のタイプおよび/もしくは病原体サイズを認識するステップを含む、請求項1から6のいずれか一項に記載の方法。
- 前記処理デバイス(200)が前記農地(300)に関する現状に関するオンラインフィールドデータ(Don)を受信するステップと、
判定された前記パラメータ化(10)、判定された前記処理製品組成(40)、および前記判定された、認識された前記対象物(30)、ならびに/または判定された前記オンラインフィールドデータ(Don)に応じて、前記制御信号(S)を判定するステップと
を含む、請求項1から7のいずれか一項に記載の方法。 - 前記オンラインフィールドデータ(Don)が、現在の天候状態データ、現在の農作物の成長データ、および/または現在の土壌水分データに関する、請求項8に記載の方法。
- 前記農作物の前記処理の性能審査に応じて、検証データ(V)を提供するステップと、
前記検証データ(V)に応じて、前記パラメータ化(10)を調整するステップと
を含む、請求項1から9のいずれか一項に記載の方法。 - 機械学習アルゴリズムを使用して、前記パラメータ化(10)を調整するステップを含む、請求項1から10のいずれか一項に記載の方法。
- 前記パラメータ化(10)を判定する前記ステップが、前記処理デバイス(200)の処理製品タンクに対するタンクレシピを判定するステップを含む、請求項1から11のいずれか一項に記載の方法。
- 農地(300)の処理のための処理デバイス(200)用のフィールドマネージャシステム(100)であって、
前記農地(300)に対して予想される状態に関するオフラインフィールドデータ(Doff)を受信するように適合されているオフラインフィールドデータインターフェース(150)と、
前記オフラインフィールドデータ(Doff)に応じて、前記処理デバイス(200)のパラメータ化(10)を判定するように適合されている機械学習ユニット(110)と、
前記パラメータ化(10)を前記処理デバイス(200)に提供するように適合されているパラメータ化インターフェース(140)と
を備える、フィールドマネージャシステム(100)。 - 検証データ(V)を受信するように適合されている検証データインターフェース(160)を備え、
前記機械学習ユニット(110)が、前記検証データ(V)に応じて、前記パラメータ化(10)を調整するように適合される、請求項13に記載のフィールドマネージャシステム(100)。 - 農作物の農作物処理のための処理デバイス(200)であって、
前記農作物の画像(20)を撮影するように適合されている画像キャプチャデバイス(220)と、
パラメータ化(10)をフィールドマネージャシステム(100)から受信するように適合されているパラメータ化インターフェース(240)と、
受信された前記パラメータ化(10)に応じて、前記農作物を処理するように適合されている処理構成(270)と、
撮影した前記画像(20)上の対象物(30)を認識するように適合されている画像認識ユニット(230)と
随意に判定された前記パラメータ化(10)、オンラインフィールドデータ、および/または認識された前記対象物(30)に基づいて、処理製品組成(40)を判定する(S40)ように適合され、かつ判定された前記パラメータ化(10)、認識された前記対象物(30)、および判定された前記処理製品組成(40)に基づいて、前記処理デバイス(200)の前記処理構成(270)を制御するための制御信号(S)を判定するように適合されている処理制御ユニット(210)と
を備え、
前記処理デバイス(200)の前記パラメータ化インターフェース(240)が、前記フィールドマネージャシステム(100)のパラメータ化インターフェース(140)に接続可能であり、
前記処理デバイス(200)が、前記処理制御ユニット(210)の前記制御信号(S)に基づいて、前記処理構成(270)をアクティブ化するように適合される、処理デバイス(200)。 - 農地(300)に関する現状に関するオンラインフィールドデータ(Don)を受信するように適合されているオンラインフィールドデータインターフェース(250)を備え、
前記処理制御ユニットが、判定された前記パラメータ化(10)、認識された前記対象物(30)、および判定された前記処理製品組成(40)、ならびに/または前記オンラインフィールドデータに基づいて、前記処理デバイス(200)の前記処理構成(270)を制御する、請求項15に記載の処理デバイス(200)。 - 前記画像キャプチャデバイス(220)が、1以上のカメラを、具体的には前記処理デバイス(200)のブーム上に備え、前記画像認識ユニット(230)が、赤緑青RGBデータおよび/または近赤外線NIRデータを使用して、昆虫、雑草、および/または農作物を認識するように適合される、請求項15または16に記載の処理デバイス(200)。
- 前記処理デバイス(200)が、スマート噴霧器として設計され、前記処理構成(270)が、ノズル構成である、請求項15から17のいずれか一項に記載の処理デバイス(200)。
- 前記画像キャプチャデバイス(220)が、複数のカメラを備え、
前記処理構成(270)が、前記カメラによってキャプチャされた画像がそれぞれのノズル構成によって処理されることになるエリアに関連付けられるように、複数の前記カメラのうちの1つに関連付けられる複数の前記ノズル構成を各別に備える、請求項15から18のいずれか一項に記載の処理デバイス(200)。 - 請求項13または14に記載のフィールドマネージャシステムおよび請求項15から19のいずれか一項に記載の処理デバイスを備える処理システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19166297.2 | 2019-03-29 | ||
EP19166297 | 2019-03-29 | ||
PCT/EP2020/058860 WO2020201160A1 (en) | 2019-03-29 | 2020-03-27 | Method for plantation treatment of a plantation field |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022528389A true JP2022528389A (ja) | 2022-06-10 |
Family
ID=66041290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021557794A Pending JP2022528389A (ja) | 2019-03-29 | 2020-03-27 | 農地の農作物処理のための方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220167606A1 (ja) |
EP (1) | EP3945804A1 (ja) |
JP (1) | JP2022528389A (ja) |
CN (1) | CN113645843A (ja) |
BR (1) | BR112021017179A2 (ja) |
CA (1) | CA3135259A1 (ja) |
WO (1) | WO2020201160A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024052317A1 (en) * | 2022-09-05 | 2024-03-14 | Basf Se | A modular agricultural treatment system and a method for operating a modular agricultural treatment system |
WO2024052316A1 (en) * | 2022-09-05 | 2024-03-14 | Basf Se | A modular agricultural treatment system and a method for operating said modular agricultural treatment system |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
HUE060153T2 (hu) * | 2019-03-26 | 2023-01-28 | Basf Agro Trademarks Gmbh | Kameraalapú kártevõírtó permetezõ |
US11076589B1 (en) * | 2020-10-16 | 2021-08-03 | Verdant Robotics, Inc. | Autonomous agricultural treatment system using map based targeting of agricultural objects |
US20230020432A1 (en) * | 2021-07-19 | 2023-01-19 | Sprayer Mods, Inc. | Herbicide spot sprayer |
CN114401296B (zh) * | 2022-03-24 | 2022-07-15 | 泰山学院 | 一种基于物联网的城市环境下田园管理远程光信号处理方法、***和可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10219449B2 (en) * | 2013-03-07 | 2019-03-05 | Blue River Technology Inc. | System and method for plant dislodgement |
CA2947817C (en) * | 2014-05-05 | 2022-05-24 | Horticulture Innovation Australia Limited | Methods, systems, and devices relating to real-time object identification |
WO2016025848A1 (en) * | 2014-08-15 | 2016-02-18 | Monsanto Technology Llc | Apparatus and methods for in-field data collection and sampling |
CN104521936B (zh) * | 2015-01-15 | 2016-09-07 | 南通市广益机电有限责任公司 | 杂草自动清理*** |
BR112017024174B1 (pt) * | 2015-05-11 | 2023-01-10 | Basf Se | Combinações de herbicida que compreendem l-glufosinato e indaziflam |
DK3316673T3 (da) * | 2015-07-02 | 2020-12-21 | Ecorobotix Sa | Robotkøretøj og fremgangsmåde til anvendelse af en robot til automatisk behandling af grøntsagsorganismer |
US10758926B2 (en) * | 2015-11-04 | 2020-09-01 | Nordson Corporation | Method and system for controlling a fluid pattern of a dispensed fluid |
US10531603B2 (en) * | 2017-05-09 | 2020-01-14 | Cnh Industrial America Llc | Agricultural system |
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
-
2020
- 2020-03-27 WO PCT/EP2020/058860 patent/WO2020201160A1/en unknown
- 2020-03-27 CA CA3135259A patent/CA3135259A1/en active Pending
- 2020-03-27 BR BR112021017179A patent/BR112021017179A2/pt unknown
- 2020-03-27 JP JP2021557794A patent/JP2022528389A/ja active Pending
- 2020-03-27 CN CN202080024178.3A patent/CN113645843A/zh active Pending
- 2020-03-27 US US17/599,082 patent/US20220167606A1/en active Pending
- 2020-03-27 EP EP20713661.5A patent/EP3945804A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024052317A1 (en) * | 2022-09-05 | 2024-03-14 | Basf Se | A modular agricultural treatment system and a method for operating a modular agricultural treatment system |
WO2024052316A1 (en) * | 2022-09-05 | 2024-03-14 | Basf Se | A modular agricultural treatment system and a method for operating said modular agricultural treatment system |
Also Published As
Publication number | Publication date |
---|---|
CN113645843A (zh) | 2021-11-12 |
CA3135259A1 (en) | 2020-10-08 |
US20220167606A1 (en) | 2022-06-02 |
BR112021017179A2 (pt) | 2021-11-09 |
WO2020201160A1 (en) | 2020-10-08 |
EP3945804A1 (en) | 2022-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022528389A (ja) | 農地の農作物処理のための方法 | |
EP3741214A1 (en) | Method for plantation treatment based on image recognition | |
CN111246735B (zh) | 用于植物管理的设备 | |
US20220167546A1 (en) | Method for plantation treatment of a plantation field with a variable application rate | |
US20220167605A1 (en) | Method for plantation treatment of a plantation field | |
Esau et al. | Machine vision smart sprayer for spot-application of agrochemical in wild blueberry fields | |
CA3068093A1 (en) | Method for applying a spray to a field | |
CN110461148A (zh) | 作物保护剂的施用期间的漂移校正 | |
CA3195616A1 (en) | Treatment system for plant specific treatment | |
US20240049697A1 (en) | Control file for a treatment system | |
KR20210008711A (ko) | 인공지능을 활용한 식물병충해방지 로봇시스템 | |
Auernhammer et al. | 10 State of the Art and Future Requirements | |
EP4358711A1 (en) | Multi-device agricultural field treatment | |
Gupta et al. | DRONES: The Smart Technology In Modern Agriculture | |
CA3195619A1 (en) | Treatment system for weed specific treatment | |
Kanchan et al. | Automatic Seed Dispensing System Using Drone Technology | |
EP4230037A1 (en) | Multi-device agricultural field treatment | |
US20240000002A1 (en) | Reduced residual for smart spray | |
JP2024528460A (ja) | マルチ装置圃場処理 | |
JP2024504113A (ja) | 圃場を処置するための処置スケジュールを決定する方法 | |
CN118278593A (zh) | 基于植保无人机的害虫治理路线规划方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230324 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240219 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240509 |