JP6704148B1

JP6704148B1 - 農作物の収穫量予測プログラム及び農作物の品質予測プログラム

Info

Publication number: JP6704148B1
Application number: JP2019043082A
Authority: JP
Inventors: 綾子澤田
Original assignee: Assest Co Ltd
Current assignee: Assest Co Ltd
Priority date: 2019-03-08
Filing date: 2019-03-08
Publication date: 2020-06-03
Anticipated expiration: 2039-03-08
Also published as: JP2020144810A

Abstract

【課題】現在育成中の農作物の収穫量や品質を高精度に予測することが可能な農作物の収穫量予測プログラム及び農作物の品質予測プログラムを提供する。【解決手段】農作物の収穫量を予測する農作物の収穫量予測プログラムにおいて、育成中の農作物を撮像した参照用画像情報と当該農作物が作付けされている土壌に関する参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との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、農作物の収穫量を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより画像情報を取得するとともに、当該農作物が作付けされている土壌に関する土壌情報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参照し、上記情報取得ステップを介して取得した画像情報と土壌情報とに基づき、新たに育成中の農作物の収穫量を予測する予測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。【選択図】図３

Description

本発明は、農作物の収穫量を予測する農作物の収穫量予測を自動的に行う農作物の収穫量予測プログラム及び農作物の品質予測プログラムに関する。

農業人口の高齢化に伴い、農作業のスキルを持つベテランの農家の減少、ひいてはスキル伝承する若手の農家の不足が昨今において問題になっている。このような中で、ベテランの農家によるスキル伝承を行う代わりに、農作業の作業計画を人工知能によりアシストさせる考えが提唱されている。

農作業の作業計画を人工知能によりアシストするためには、育成中の農作物の将来の収穫量や品質を予測する必要がある。この収穫量や品質が予測できれば、これをより向上させるための作業計画にフィードバックさせることができる。しかしながら、従来において、この農作物の収穫量や品質を高精度に予測する技術が特段提案されていないのが現状であった。

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、現在育成中の農作物の収穫量や品質を高精度に予測することが可能な農作物の収穫量予測プログラム及び農作物の品質予測プログラムを提供することにある。

本発明に係る農作物の収穫量予測プログラムは、農作物の収穫量を予測する農作物の収穫量予測プログラムにおいて、育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物が作付けされている土壌の成分の調査結果が反映された参照用土壌情報とを取得する参照用情報取得ステップと、上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得する連関度取得ステップと、農作物の収穫量を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、当該農作物が作付けされている土壌に関する土壌情報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参照し、上記情報取得ステップを介して取得した画像情報と土壌情報とに基づき、新たに育成中の農作物の収穫量を予測する予測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。

本発明に係る農作物の収穫量予測プログラムは、農作物の収穫量を予測する農作物の収穫量予測プログラムにおいて、育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、その農作物の育成過程における洪水、旱魃を含む災害状況を検知した参照用外部環境情報とを取得する参照用情報取得ステップと、上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得する連関度取得ステップと、農作物の収穫量を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程における洪水、旱魃を含む災害状況に関する外部環境情報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参照し、上記情報取得ステップを介して取得した画像情報と外部環境情報とに基づき、新たに育成中の農作物の収穫量を予測する予測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。

本発明に係る農作物の収穫量予測プログラムは、農作物の収穫量を予測する農作物の収穫量予測プログラムにおいて、育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物に対して実際に行った農作業の履歴に関する参照用履歴情報とを取得する参照用情報取得ステップと、上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用履歴情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得する連関度取得ステップと、農作物の収穫量を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程において当該農作物に対して実際に行った農作業の履歴に関する履歴情報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参照し、上記情報取得ステップを介して取得した画像情報と履歴情報とに基づき、新たに育成中の農作物の収穫量を予測する予測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。

本発明に係る農作物の品質予測プログラムは、農作物の品質を予測する農作物の品質予測プログラムにおいて、育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物が作付けされている土壌の成分の調査結果が反映された参照用土壌情報とを取得する参照用情報取得ステップと、上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の品質との３段階以上の連関度を取得する連関度取得ステップと、農作物の品質を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、当該農作物が作付けされている土壌に関する土壌情報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参照し、上記情報取得ステップを介して取得した画像情報と土壌情報とに基づき、新たに育成中の農作物の品質を予測する予測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。

本発明に係る農作物の品質予測プログラムは、農作物の品質を予測する農作物の品質予測プログラムにおいて、育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、その農作物の育成過程における洪水、旱魃を含む災害状況を検知した参照用外部環境情報とを取得する参照用情報取得ステップと、上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の品質との３段階以上の連関度を取得する連関度取得ステップと、農作物の品質を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程における洪水、旱魃を含む災害状況に関する外部環境情報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参照し、上記情報取得ステップを介して取得した画像情報と外部環境情報とに基づき、新たに育成中の農作物の品質を予測する予測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。

本発明に係る農作物の品質予測プログラムは、農作物の品質を予測する農作物の品質予測プログラムにおいて、育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物に対して実際に行った農作業の履歴に関する参照用履歴情報とを取得する参照用情報取得ステップと、上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用履歴情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の品質との３段階以上の連関度を取得する連関度取得ステップと、農作物の品質を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程において当該農作物に対して実際に行った農作業の履歴に関する履歴情報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参照し、上記情報取得ステップを介して取得した画像情報と履歴情報とに基づき、新たに育成中の農作物の品質を予測する予測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。

現在育成中の農作物の収穫量や品質を高精度に予測することが可能となる。

本発明を適用したシステムの全体構成を示すブロック図である。予測装置の具体的な構成例を示す図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。本発明の動作について説明するための図である。

以下、本発明を適用した農作物の収穫量予測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。

図１は、本発明を適用した農作物の収穫量予測プログラムが実装される収穫量予測システム１の全体構成を示すブロック図である。収穫量予測システム１は、情報取得部９と、情報取得部９に接続された予測装置２と、予測装置２に接続されたデータベース３とを備えている。

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、後述する予測装置２と一体化されていてもよい。情報取得部９は、検知した情報を予測装置２へと出力する。また温度センサ、湿度センサ、雨量センサ等、外部環境を計測するための各種センサにより構成されていてもよい。

データベース３は、過去の農作物の育成に関する様々な情報が蓄積されている。例えば農作物の生育状況を撮影した画像データ、農作物の害虫による被害状況や農作物の病気による被害状況を示す画像データ、農作物を作付けする土壌を分析した土壌データ、その農作物の育成過程において検知した外部環境データ（例えば、日射量、温度、湿度、風向、雨量等の天候状況に関するデータ、台風、洪水、旱魃、日照り等の災害状況に関するデータ）、過去の農作業履歴に関するデータ、農作物の育成時期に関するデータ、農作物の種類に関するデータ等が記録されている。

予測装置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、この予測装置２による探索解を得ることにより、現在育成中の農作物の収穫量や品質を高精度に予測することができる。

図２は、予測装置２の具体的な構成例を示している。この予測装置２は、予測装置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、各種判断を行う判断部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。

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、予測装置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。

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、判断部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。

判断部２７は、農作物の収穫量、農作物の品質の判断を担う。この判断部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。この判断部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。

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。

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。

上述した構成からなる農作物の収穫量予測システム１における動作について説明をする。

収穫量予測システム１では、例えば図３に示すように、参照用画像情報と、参照用土壌情報との組み合わせが形成されていることが前提となる。参照用画像情報とは、育成過程にある農作物をカメラにより撮影した画像である。農作物の撮影画像は、種まき、苗を作る段階から収穫に至るまで時系列的に順次撮影されたものであってもよい。また農作物の撮影画像は、畑や水田を全体的に捉えた撮影範囲の画像で構成してもよいし、畑や水田における農作物の葉や茎、実などを至近距離で撮影した画像も含まれる。また撮影画像は、ドローン等のような無人航空機を介して撮影されたものであってもよいし、地上に設置されたカメラにより撮影されたものであってもよい。このようなカメラにより、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気等を検知することができる。ちなみに、この参照用画像情報は、カメラにより撮影した生の画像をそのまま画像情報として取得するようにしてもよいし、周知のディープラーニング技術を活用し、画像の特徴的な部分のみを抽出してこれを参照用画像情報としてもよい。

また参照用土壌情報は、農作物が作付けされる土壌に関するあらゆる情報が含まれる。この参照用土壌情報の例としては、土壌の成分、ｐＨ、含水量、温度等が含まれる。実際に土壌の成分を採取し、化学的分析手法に基づいて分析された結果を用いてもよいし、周知の土壌センサにより検知されたデータを用いてもよい。また土壌をカメラにより撮像した画像、更にこれを周知のディープラーニング技術を活用し、画像の特徴的な部分のみを抽出したものも用いてもよい。

図３の例では、入力データとして例えば参照用画像情報Ｐ１１〜Ｐ１３、参照用土壌情報Ｐ１４〜１７であるものとする。このような入力データとしての、参照用画像情報に対して、参照用土壌情報が組み合わさったものが、図３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、収穫量が表示されている。

参照用画像情報と参照用土壌情報との各組み合わせ（中間ノード）は、この出力解としての、農作物の収穫量に対して３段階以上の連関度を通じて互いに連関しあっている。参照用画像情報と参照用土壌情報がこの連関度を介して左側に配列し、各農作物の収穫量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画像情報と参照用土壌情報に対して、何れの農作物の収穫量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、各参照用画像情報と参照用土壌情報が、いかなる農作物の収穫量に紐付けられる可能性が高いかを示す指標であり、参照用画像情報と参照用土壌情報から最も確からしい農作物の収穫量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〜ｗ２２が示されている。このｗ１３〜ｗ２２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農作物の収穫量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農作物の収穫量と互いに関連度合いが低いことを示している。

予測装置２は、このような図３に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり予測装置２は、実際の探索解の判別を行う上で、参照用画像情報と、参照用土壌情報、並びにその場合の農作物の収穫量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。

例えば、参照用画像情報Ｐ１１が外注による被害を受けている農作物の状態を映し出しているものとする。このとき、その農作物が実際に作付けされていた土壌の成分を調査したところ参照用土壌情報Ｐ１４に対応する「ｐＨ●●、成分○×」であったとき、以前のデータにおいて実際の農作物を収穫まで追跡調査したところ、どの程度の収穫量だったかを抽出する。収穫量は、どのような単位で構成されていてもよいが例えば単位面積当たりにおけるその農作物の収穫量を重さ（トン）で示すようにしてもよい。

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、例えば参照用画像情報Ｐ１１で、かつ参照用土壌情報Ｐ１６「ｐＨ▲▲、成分□○」である場合に、その農作物の実際の収穫量を過去のデータから分析する。収穫量が仮に９トンの事例が多い場合には、この収穫量９トンにつながる連関度をより高く設定し、収穫量が仮に３トンの事例が多く、収穫量の９トンの事例が少ない場合には、収穫量３トンにつながる連関度を高くし、収穫量９トン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、収穫量９トンと、収穫量３トンの出力にリンクしているが、以前の事例から収穫量９トンにつながるｗ１３の連関度を７点に、収穫量３トンにつながるｗ１４の連関度を２点に設定している。

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。

図３に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ１１に対して、参照用土壌情報Ｐ１４の組み合わせのノードであり、収穫量６トンの連関度がｗ１５、収穫量１トンの連関度がｗ１６となっている。ノード６１ｃは、参照用画像情報Ｐ１２に対して、参照用土壌情報Ｐ１５、Ｐ１７の組み合わせのノードであり、収穫量３トンの連関度がｗ１７、収穫量６トンの連関度がｗ１８となっている。

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農作物の収穫量を判別する際において、上述した学習済みデータを利用して農作物の収穫量を判別することとなる。かかる場合には、画像情報を新たに取得するとともに、土壌情報を取得する。

新たに取得する画像情報は、上述した情報取得部９によるカメラにより画像を撮影する。この撮影は、これから新たに育成しようとする農作物を対象とする。

土壌情報の取得は、実際にその新たに育成しようとする農作物が作付けされた土壌であり、その取得方法は、上述した参照用土壌情報を取得する際と同様である。

このようにして新たに取得した画像情報と、土壌情報に基づいて、実際にその新たに画像情報と土壌情報とを取得した農作物の収穫量を予測する。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、新たに取得した画像情報がＰ１２と同一かこれに類似するものである場合であって、土壌情報が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、「収穫量６トン」がｗ１９、「収穫量７トン」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「収穫量６トン」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「収穫量７トン」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。

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。

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。

図４は、同様の方法で、出力を収穫量ではなく、農作物の品質を出力するものである。かかる場合も同様に、参照用画像情報と、参照用土壌情報に対する、農作物の品質を過去のデータから予め調査し、同様に連関度を設定して学習済みモデルを構築しておく。そして、育成中の農作物から画像情報と土壌方法を同様に取得し、これらから学習済みモデル（連関度）を参照することで農作物の品質を予測するものである。これにより、農作物の品質も収穫量と同様に予測することが可能となる。

図５は、上述した参照用画像情報と、参照用外部環境情報との組み合わせと、当該組み合わせに対する農作物の収穫量との３段階以上の連関度が設定されている例を示している。

入力データとしては、このような参照用画像情報と、参照用外部環境情報が並んでいる。このような入力データとしての、参照用画像情報に対して、参照用外部環境情報が組み合わさったものが、図５に示す中間ノードである。

参照用外部環境情報とは、その農作物の育成過程において検知した外部環境データであり、例えば、日射量、温度、湿度、風向、雨量等の天候状況に関するデータ、台風、洪水、旱魃、日照り等の災害状況に関するデータ等である。実際にこの参照用外部環境情報は、参照用画像情報の取得時点における外部環境を取得することが望ましいがこれに限定されるものではない。これらの参照用外部環境情報は、温度センサ、湿度センサ、光量センサ、風向計、雨量計等リアルタイムなデータを取得するためのセンシング手段で構成されていてもよいが、台風や洪水の被害状況や旱魃、日照り等の状況を事後的に解析するものであってもよい。

予測装置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。つまり予測装置２は、実際の農作物の収穫量の予測を行う上で、参照用画像情報と、参照用外部環境情報、並びにその場合の収穫量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。

図５に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ１１に対して、参照用外部環境情報Ｐ１８「雨量●●、温度○×」の組み合わせのノードであり、収穫量６トンの連関度がｗ１５、収穫量１トンの連関度がｗ１６となっている。

このような連関度が設定されている場合も同様に、画像情報を新たに取得するとともに、外部環境情報を取得する。画像情報は参照用画像情報に対応し、外部環境情報は、参照用外部環境情報に対応する。

外部環境情報の取得方法は、上述した参照用外部環境情報の取得方法と同様である。

収穫量を求める上では、予め取得した図５に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１２に同一又は類似で、取得した外部環境情報が、参照用外部環境情報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、収穫量３トンが連関度ｗ１７で、また収穫量７トンが連関度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、実際にその新たに画像情報と外部環境情報がとを取得した時点における農作物の収穫量を求めていくことになる。

図６は、同様の方法で、出力を収穫量ではなく、農作物の品質を出力するものである。かかる場合も同様に、参照用画像情報と、参照用外部環境情報に対する、農作物の品質を過去のデータから予め調査し、同様に連関度を設定して学習済みモデルを構築しておく。そして、育成中の農作物から画像情報と土壌方法を同様に取得し、これらから学習済みモデル（連関度）を参照することで農作物の品質を予測するものである。これにより、農作物の品質も収穫量と同様に予測することが可能となる。

図７は、上述した参照用画像情報と、参照用履歴情報との組み合わせと、当該組み合わせに対する農作物の収穫量との３段階以上の連関度が設定されている例を示している。

入力データとしては、このような参照用画像情報と、参照用履歴情報が並んでいる。このような入力データとしての、参照用画像情報に対して、参照用履歴情報が組み合わさったものが、図７に示す中間ノード６１である。

参照用履歴情報とは、その農作物の育成過程において実際に行ってきた農作業の履歴である。種まきから苗を植え、収穫に至るまで具体的にどのような農作業を行ってきたのかが整理されている。例えば、水を撒いたり、肥料を施したり、農薬を散布したり、雑草の駆除を行ったりする農作業を、いつ、どの程度、どのように行ったのかがこの参照用履歴情報として反映されている。実際にこの参照用履歴情報は、農家がつけた農作業日誌を電子データ化したもので構成しても良いし、実際に農作業を行った記録が記載されたPCやスマートフォン等を通じて取得したものであってもよい。

予測装置２は、このような図７に示す３段階以上の連関度ｗ１３〜ｗ２２を予め取得しておく。つまり予測装置２は、実際の農作物の収穫量の予測を行う上で、参照用画像情報と、参照用履歴情報、並びにその場合の収穫量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７に示す連関度を作り上げておく。

図７に示す連関度の例で、ノード６１ｂは、参照用画像情報Ｐ１１に対して、参照用外部環境情報Ｐ２２の組み合わせのノードであり、収穫量６トンの連関度がｗ１５、収穫量１トンの連関度がｗ１６となっている。

このような連関度が設定されている場合も同様に、画像情報を新たに取得するとともに、履歴情報を取得する。画像情報は参照用画像情報に対応し、履歴情報は、参照用履歴情報に対応する。

履歴情報の取得方法は、上述した参照用履歴情報の取得方法と同様である。

収穫量を求める上では、予め取得した図７に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１２に同一又は類似で、取得した履歴情報が、参照用履歴情報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、収穫量３トンが連関度ｗ１７で、また収穫量７トンが連関度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、実際にその新たに画像情報と履歴情報とを取得し、農作物の収穫量を求めていくことになる。

図８は、同様の方法で、出力を収穫量ではなく、農作物の品質を出力するものである。かかる場合も同様に、参照用画像情報と、参照用履歴情報に対する、農作物の品質を過去のデータから予め調査し、同様に連関度を設定して学習済みモデルを構築しておく。そして、育成中の農作物から画像情報と土壌方法を同様に取得し、これらから学習済みモデル（連関度）を参照することで農作物の品質を予測するものである。これにより、農作物の品質も収穫量と同様に予測することが可能となる。

図９は、上述した参照用画像情報と、参照用土壌情報に加えて、更に参照用時期情報との組み合わせと、当該組み合わせに対する収穫量との３段階以上の連関度が設定されている例を示している。

参照用時期情報とは、実際にこの参照用画像情報を取得している時点がいつであるかを示す情報である。

かかる場合において、連関度は、図９に示すように、参照用画像情報と、参照用土壌情報と、参照用時期情報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。

例えば、図９において、ノード６１ｃは、参照用画像情報Ｐ１２が連関度ｗ３で、参照用土壌情報Ｐ１５が連関度ｗ７で、参照用時期情報Ｐ２７が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用画像情報Ｐ１３が連関度ｗ５で、参照用土壌情報Ｐ１５が連関度ｗ８で、参照用時期情報Ｐ２６が連関度ｗ１０で連関している。

このような連関度が設定されている場合も同様に、新たに取得した画像情報と、土壌情報に加え、その画像情報の取得時点における時期情報に基づいて、収穫量を予測する。

この収穫量を求める上で予め取得した図９に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１２に同一又は類似で、取得した土壌情報が参照用土壌情報Ｐ１５に対応し、更に取得した時期情報が参照用時期情報Ｐ２７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、収穫量３トンが連関度ｗ１７で、また収穫量７トンが連関度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。

このような参照用時期情報を更に組み合わせる場合には、上述した参照用画像情報と、参照用土壌情報との組み合わせ以外に、参照用画像情報と参照用外部環境情報との組み合わせ、参照用画像情報と参照用履歴情報との組み合わせにおいても適用可能である。

また、参照用時期情報を更に組み合わせることにより、出力解として農作物の品質を出力する場合も同様に適用可能である。

図１０は、上述した参照用画像情報と、参照用土壌情報に加えて、更に参照用種類情報との組み合わせと、当該組み合わせに対する収穫量との３段階以上の連関度が設定されている例を示している。

参照用種類情報とは、農作物の種類、品種に関する情報である。農作物の種類は、農作物を育成する農家等から聴取したり画像から判別することで取得する。

かかる場合において、連関度は、図１０に示すように、参照用画像情報と、参照用土壌情報と、参照用種類情報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。

例えば、図１０において、ノード６１ｃは、参照用画像情報Ｐ１２が連関度ｗ３で、参照用土壌情報Ｐ１５が連関度ｗ７で、参照用種類情報Ｐ２９が連関度ｗ１１で連関している。同様にノード６１ｅは、参照用画像情報Ｐ１３が連関度ｗ５で、参照用土壌情報Ｐ１５が連関度ｗ８で、参照用種類情報Ｐ２８が連関度ｗ１０で連関している。

このような連関度が設定されている場合も同様に、新たに取得した画像情報と、土壌情報に加え、その画像情報の取得対象といえる農作物の種類に基づいて、収穫量を予測する。

この収穫量を求める上で予め取得した図１０に示す連関度を参照する。例えば、取得した画像が参照用画像情報Ｐ１２に同一又は類似で、取得した土壌情報が参照用土壌情報Ｐ１５に対応し、更に取得した種類情報が参照用種類情報Ｐ２９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、収穫量３トンが連関度ｗ１７で、また収穫量７トンが連関度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。

このような参照用種類情報を更に組み合わせる場合には、上述した参照用画像情報と、参照用土壌情報との組み合わせ以外に、参照用画像情報と参照用外部環境情報との組み合わせ、参照用画像情報と参照用履歴情報との組み合わせ、更にこれらに参照用時期情報を組み合わせる場合においても適用可能である。

また、参照用種類情報を更に組み合わせることにより、出力解として農作物の品質を出力する場合も同様に適用可能である。

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。

上述した構成からなる本発明によれば、収穫量や、品質の予測を、特段の熟練を要することなく、少ない労力で容易に行うことが可能となる。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。

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物性や生成機構の探索を行う点に特徴がある。連関度は、上述した５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。

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収穫量や品質を探索することで、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。

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。

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。

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。また農作物の画像を撮像し、これ以外に土壌情報、外部環境情報、履歴情報、時期情報、種類情報と、これらに対する収穫量や品質に関する知見、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。

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。

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。

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。

１収穫量予測システム
２予測装置
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

Claims

農作物の収穫量を予測する農作物の収穫量予測プログラムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物が作付けされている土壌の成分の調査結果が反映された参照用土壌情報とを取得する参照用情報取得ステップと、
上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得する連関度取得ステップと、
農作物の収穫量を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、当該農作物が作付けされている土壌に関する土壌情報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参照し、上記情報取得ステップを介して取得した画像情報と土壌情報とに基づき、新たに育成中の農作物の収穫量を予測する予測ステップとをコンピュータに実行させること
を特徴とする農作物の収穫量予測プログラム。
農作物の収穫量を予測する農作物の収穫量予測プログラムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、その農作物の育成過程における洪水、旱魃を含む災害状況を検知した参照用外部環境情報とを取得する参照用情報取得ステップと、
上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得する連関度取得ステップと、
農作物の収穫量を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程における洪水、旱魃を含む災害状況に関する外部環境情報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参照し、上記情報取得ステップを介して取得した画像情報と外部環境情報とに基づき、新たに育成中の農作物の収穫量を予測する予測ステップとをコンピュータに実行させること
を特徴とする農作物の収穫量予測プログラム。
農作物の収穫量を予測する農作物の収穫量予測プログラムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物に対して実際に行った農作業の履歴に関する参照用履歴情報とを取得する参照用情報取得ステップと、
上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用履歴情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得する連関度取得ステップと、
農作物の収穫量を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程において当該農作物に対して実際に行った農作業の履歴に関する履歴情報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参照し、上記情報取得ステップを介して取得した画像情報と履歴情報とに基づき、新たに育成中の農作物の収穫量を予測する予測ステップとをコンピュータに実行させること
を特徴とする農作物の収穫量予測プログラム。
上記連関度取得ステップでは、更に上記農作物の育成時期に関する参照用時期情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得し、
情報取得ステップでは、新たに育成中の農作物の育成時期に関する時期情報を更に取得し、
上記予測ステップでは、更に上記情報取得ステップを介して取得した時期情報に基づき、上記収穫量を予測すること
を特徴とする請求項１〜３のうち何れか１項記載の農作物の収穫量予測プログラム。
上記連関度取得ステップでは、更に上記農作物の種類に関する参照用種類情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得し、
情報取得ステップでは、新たに育成中の農作物の種類に関する種類情報を更に取得し、
上記予測ステップでは、更に上記情報取得ステップを介して取得した種類情報に基づき、上記収穫量を予測すること
を特徴とする請求項１〜４のうち何れか１項記載の農作物の収穫量予測プログラム。
上記連関度取得ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を取得すること
を特徴とする請求項１〜５のうち何れか１項記載の農作物の収穫量予測プログラム。
農作物の品質を予測する農作物の品質予測プログラムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物が作付けされている土壌の成分の調査結果が反映された参照用土壌情報とを取得する参照用情報取得ステップと、
上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の品質との３段階以上の連関度を取得する連関度取得ステップと、
農作物の品質を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、当該農作物が作付けされている土壌に関する土壌情報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参照し、上記情報取得ステップを介して取得した画像情報と土壌情報とに基づき、新たに育成中の農作物の品質を予測する予測ステップとをコンピュータに実行させること
を特徴とする農作物の品質予測プログラム。
農作物の品質を予測する農作物の品質予測プログラムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、その農作物の育成過程における洪水、旱魃を含む災害状況を検知した参照用外部環境情報とを取得する参照用情報取得ステップと、
上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の品質との３段階以上の連関度を取得する連関度取得ステップと、
農作物の品質を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程における洪水、旱魃を含む災害状況に関する外部環境情報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参照し、上記情報取得ステップを介して取得した画像情報と外部環境情報とに基づき、新たに育成中の農作物の品質を予測する予測ステップとをコンピュータに実行させること
を特徴とする農作物の品質予測プログラム。
農作物の品質を予測する農作物の品質予測プログラムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物に対して実際に行った農作業の履歴に関する参照用履歴情報とを取得する参照用情報取得ステップと、
上記参照用情報取得ステップにおいて取得された上記参照用画像情報と上記参照用履歴情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の品質との３段階以上の連関度を取得する連関度取得ステップと、
農作物の品質を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程において当該農作物に対して実際に行った農作業の履歴に関する履歴情報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参照し、上記情報取得ステップを介して取得した画像情報と履歴情報とに基づき、新たに育成中の農作物の品質を予測する予測ステップとをコンピュータに実行させること
を特徴とする農作物の品質予測プログラム。
上記連関度取得ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を取得すること
を特徴とする請求項１〜９のうち何れか１項記載の農作物の品質予測プログラム。
農作物の収穫量を予測する農作物の収穫量予測システムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物が作付けされている土壌の成分の調査結果が反映された参照用土壌情報とを取得する参照用情報取得手段と、
上記参照用情報取得手段により取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得する連関度取得手段と、
農作物の収穫量を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、当該農作物が作付けされている土壌に関する土壌情報を取得する情報取得手段と、
上記連関度取得手段により取得された連関度を参照し、上記情報取得手段を介して取得した画像情報と土壌情報とに基づき、新たに育成中の農作物の収穫量を予測する予測手段とを備えること
を特徴とする農作物の収穫量予測システム。
農作物の収穫量を予測する農作物の収穫量予測システムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、その農作物の育成過程における洪水、旱魃を含む災害状況を検知した参照用外部環境情報とを取得する参照用情報取得手段と、
上記参照用情報取得手段により取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得する連関度取得手段と、
農作物の収穫量を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程における洪水、旱魃を含む災害状況に関する外部環境情報を取得する情報取得手段と、
上記連関度取得手段により取得された連関度を参照し、上記情報取得手段を介して取得した画像情報と外部環境情報とに基づき、新たに育成中の農作物の収穫量を予測する予測手段とを備えること
を特徴とする農作物の収穫量予測システム。
農作物の収穫量を予測する農作物の収穫量予測システムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物に対して実際に行った農作業の履歴に関する参照用履歴情報とを取得する参照用情報取得手段と、
上記参照用情報取得手段により取得された上記参照用画像情報と上記参照用履歴情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の収穫量との３段階以上の連関度を取得する連関度取得手段と、
農作物の収穫量を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程において当該農作物に対して実際に行った農作業の履歴に関する履歴情報を取得する情報取得手段と、
上記連関度取得手段により取得された連関度を参照し、上記情報取得手段を介して取得した画像情報と履歴情報とに基づき、新たに育成中の農作物の収穫量を予測する予測手段とを備えること
を特徴とする農作物の収穫量予測システム。
農作物の品質を予測する農作物の品質予測システムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物が作付けされている土壌の成分の調査結果が反映された参照用土壌情報とを取得する参照用情報取得手段と、
上記参照用情報取得手段により取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の品質との３段階以上の連関度を取得する連関度取得手段と、
農作物の品質を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、当該農作物が作付けされている土壌に関する土壌情報を取得する情報取得手段と、
上記連関度取得手段により取得された連関度を参照し、上記情報取得手段を介して取得した画像情報と土壌情報とに基づき、新たに育成中の農作物の品質を予測する予測手段とを備えること
を特徴とする農作物の品質予測システム。
農作物の品質を予測する農作物の品質予測システムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、その農作物の育成過程における洪水、旱魃を含む災害状況を検知した参照用外部環境情報とを取得する参照用情報取得手段と、
上記参照用情報取得手段により取得された上記参照用画像情報と上記参照用土壌情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の品質との３段階以上の連関度を取得する連関度取得手段と、
農作物の品質を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程における洪水、旱魃を含む災害状況に関する外部環境情報を取得する情報取得手段と、
上記連関度取得手段により取得された連関度を参照し、上記情報取得手段を介して取得した画像情報と外部環境情報とに基づき、新たに育成中の農作物の品質を予測する予測手段とを備えること
を特徴とする農作物の品質予測システム。
農作物の品質を予測する農作物の品質予測システムにおいて、
育成中の農作物を撮像した画像から、農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した参照用画像情報と、当該農作物に対して実際に行った農作業の履歴に関する参照用履歴情報とを取得する参照用情報取得手段と、
上記参照用情報取得手段により取得された上記参照用画像情報と上記参照用履歴情報との組み合わせと、当該組み合わせに対する上記育成中の農作物を収穫した際の品質との３段階以上の連関度を取得する連関度取得手段と、
農作物の品質を新たに予測する際に、新たに育成中の農作物の画像を撮影することにより、上記農作物の生育状況、農作物に発生した害虫被害、農作物に発生した病気の何れかを抽出した画像情報を取得するとともに、その農作物の育成過程において当該農作物に対して実際に行った農作業の履歴に関する履歴情報を取得する情報取得手段と、
上記連関度取得手段により取得された連関度を参照し、上記情報取得手段を介して取得した画像情報と履歴情報とに基づき、新たに育成中の農作物の品質を予測する予測手段とを備えること
を特徴とする農作物の品質予測システム。