JP7438516B2 - Planting support methods and field work support systems, etc. - Google Patents
Planting support methods and field work support systems, etc. Download PDFInfo
- Publication number
- JP7438516B2 JP7438516B2 JP2023110992A JP2023110992A JP7438516B2 JP 7438516 B2 JP7438516 B2 JP 7438516B2 JP 2023110992 A JP2023110992 A JP 2023110992A JP 2023110992 A JP2023110992 A JP 2023110992A JP 7438516 B2 JP7438516 B2 JP 7438516B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- soil
- operator
- field
- machine
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 64
- 239000002689 soil Substances 0.000 claims description 218
- 230000006872 improvement Effects 0.000 claims description 102
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 61
- 238000010801 machine learning Methods 0.000 claims description 36
- 238000012544 monitoring process Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 18
- 244000005700 microbiome Species 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 15
- 235000015097 nutrients Nutrition 0.000 claims description 11
- 238000012876 topography Methods 0.000 claims description 10
- 230000001976 improved effect Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000004297 night vision Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 241001465754 Metazoa Species 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 119
- 238000013473 artificial intelligence Methods 0.000 description 111
- 238000003066 decision tree Methods 0.000 description 85
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 44
- 229910052757 nitrogen Inorganic materials 0.000 description 22
- 240000007594 Oryza sativa Species 0.000 description 19
- 235000007164 Oryza sativa Nutrition 0.000 description 19
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 19
- 235000019645 odor Nutrition 0.000 description 19
- 229910052698 phosphorus Inorganic materials 0.000 description 19
- 239000011574 phosphorus Substances 0.000 description 19
- 235000009566 rice Nutrition 0.000 description 19
- 238000007637 random forest analysis Methods 0.000 description 18
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 17
- 229910052700 potassium Inorganic materials 0.000 description 17
- 239000011591 potassium Substances 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000012706 support-vector machine Methods 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 14
- 230000005856 abnormality Effects 0.000 description 14
- 239000005416 organic matter Substances 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 239000007789 gas Substances 0.000 description 10
- 235000003715 nutritional status Nutrition 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 9
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 9
- 240000003768 Solanum lycopersicum Species 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000003306 harvesting Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000003337 fertilizer Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 239000001301 oxygen Substances 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 7
- 235000014102 seafood Nutrition 0.000 description 7
- 241000209140 Triticum Species 0.000 description 6
- 235000021307 Triticum Nutrition 0.000 description 6
- 238000009360 aquaculture Methods 0.000 description 6
- 244000144974 aquaculture Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000011022 operating instruction Methods 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 239000003403 water pollutant Substances 0.000 description 6
- 244000068988 Glycine max Species 0.000 description 5
- 235000010469 Glycine max Nutrition 0.000 description 5
- 230000002378 acidificating effect Effects 0.000 description 5
- 239000004927 clay Substances 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 4
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 4
- 235000011941 Tilia x europaea Nutrition 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 4
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 4
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 4
- 229910052791 calcium Inorganic materials 0.000 description 4
- 239000011575 calcium Substances 0.000 description 4
- 235000005822 corn Nutrition 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000009313 farming Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 239000004571 lime Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 235000021049 nutrient content Nutrition 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 240000007124 Brassica oleracea Species 0.000 description 3
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 3
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 3
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 3
- 244000061456 Solanum tuberosum Species 0.000 description 3
- 235000002595 Solanum tuberosum Nutrition 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000002361 compost Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012364 cultivation method Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 235000020188 drinking water Nutrition 0.000 description 3
- 239000003651 drinking water Substances 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000813 microbial effect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 230000032258 transport Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 240000008067 Cucumis sativus Species 0.000 description 2
- 241000255925 Diptera Species 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000000220 Panda oleosa Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 244000061458 Solanum melongena Species 0.000 description 2
- 235000002597 Solanum melongena Nutrition 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- UORVGPXVDQYIDP-UHFFFAOYSA-N borane Chemical compound B UORVGPXVDQYIDP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000003864 humus Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 235000012015 potatoes Nutrition 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 235000008534 Capsicum annuum var annuum Nutrition 0.000 description 1
- 240000008384 Capsicum annuum var. annuum Species 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 244000132059 Carica parviflora Species 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 244000007645 Citrus mitis Species 0.000 description 1
- 102100035932 Cocaine- and amphetamine-regulated transcript protein Human genes 0.000 description 1
- 235000013162 Cocos nucifera Nutrition 0.000 description 1
- 244000060011 Cocos nucifera Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010019345 Heat stroke Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 101000715592 Homo sapiens Cocaine- and amphetamine-regulated transcript protein Proteins 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 241000320508 Pentatomidae Species 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 241001291279 Solanum galapagense Species 0.000 description 1
- 241000255628 Tabanidae Species 0.000 description 1
- 229910021536 Zeolite Inorganic materials 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 239000003463 adsorbent Substances 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 229910000085 borane Inorganic materials 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- HNPSIPDUKPIQMN-UHFFFAOYSA-N dioxosilane;oxo(oxoalumanyloxy)alumane Chemical compound O=[Si]=O.O=[Al]O[Al]=O HNPSIPDUKPIQMN-UHFFFAOYSA-N 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000002631 hypothermal effect Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000011499 joint compound Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 239000011785 micronutrient Substances 0.000 description 1
- 235000013369 micronutrients Nutrition 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000009335 monocropping Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 239000002362 mulch Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- -1 pH value Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 230000007096 poisonous effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 244000000000 soil microbiome Species 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 239000010920 waste tyre Substances 0.000 description 1
- 239000008207 working material Substances 0.000 description 1
- 239000010457 zeolite Substances 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Guiding Agricultural Machines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Description
本発明は、作付け支援方法と圃場作業支援システムとＡＩを用いた水産物養殖の支援方法等に関する。 The present invention relates to a cropping support method, a field work support system, and a method of supporting aquaculture using AI.
農業基本法（のうぎょうきほんほう、昭和３６年６月１２日法律１２７号施行の法律は農業生産性の引き上げと農家所得の増大を謳った法であり、高度経済成長とともに広がった農工間の所得格差の是正が最大の目的であった。この法律によって農業の構造改善政策や大型農機具の投入による日本農業の近代化を進めた。結果として生産性を飛躍的に伸ばすことと農家の所得を伸ばすことには成功したが、大部分の農家が兼業化したことや、農業の近代化政策による労働力の大幅削減で農村の労働力が東京、大阪などの都市部へ流失し、農業の担い手不足問題の引き金となり、食料自給率低下の要要因を作ってしまった。現在も新規農業参入者のうち３５％が離農していくという現実の中、本件特許は新たな一次産業等への就労意欲を注ぐためにＶＲ（Virtual Reality／仮想現実）・ＡＲ（Augmented Reality／拡張現実）・ＭＲ（Mixed Reality／複合現実）などの仮想空間デジタル情報網を実際の生産施設での機械作業をと環境管理などを遠隔で行うシステムを提供する。 The Basic Law on Agriculture (Act No. 127, enacted on June 12, 1960) is a law that aims to raise agricultural productivity and increase farmers' income. The main objective was to correct income disparities.This law promoted the modernization of Japanese agriculture through policies to improve the structure of agriculture and the introduction of large agricultural machinery.As a result, productivity increased dramatically and farmers' incomes increased. However, the majority of farmers became part-time farmers, and agricultural modernization policies led to a drastic reduction in the labor force, causing the rural labor force to flow to urban areas such as Tokyo and Osaka. This triggered the shortage problem and became a key factor in the decline in food self-sufficiency.In the current reality that 35% of new entrants to agriculture are leaving farming, this patent is intended to encourage employment in new primary industries, etc. In order to focus on motivation, we use virtual space digital information networks such as VR (Virtual Reality), AR (Augmented Reality), and MR (Mixed Reality) to perform machine work in actual production facilities and environmental management. We provide a system that allows you to do this remotely.
下記特許文献１には、土壌のサンプルなどを採取して分析する必要がなく、土壌から送出される気体を測定することで土壌の状態を推定する土壌診断システムを提供することを目的とし、植物が育成している土壌から送出される気体の種類及び量を走査手段により土壌全体を走査しながら測定する臭気センサ２１と、臭気センサ２１で測定された結果から測定対象となる土壌において発生している気体の分布を作成する分布作成部３３とを備え、必要に応じて連作障害の発生の有無や土壌菌の有無を推定する推定処理部３６を備える発明が開示されている。さらには、「測定装置２は、例えばトラクタやドローンなどの移動体の底部に装着され、移動体の移動に応じて図４（Ａ）の畑上を走査しながら気体を測定する。測定装置２又は移動体には位置を測定するためのＧＰＳ（図示しない）が設置されており、そのＧＰＳの位置情報と共に検出された気体の種類及び量の情報が送信部２２により演算装置３に送信される。演算装置３では、測定装置２から送信された測定結果を元に気体の分布図を作成する。」（段落［００２１］）と記載されている。
また、下記特許文献２には、作業計画と誤差が生じた場合にも、多くのドローンが長時間稼働し、効率良く作業を遂行できるシステムを提供することを目的とし、作業エリアにおいて作業を実行する複数のドローン100a、100bと、複数のドローンの位置および状態を把握し、複数のドローンの動作を決定する動作決定装置40と、が互いに接続されているドローンシステム500であって、複数のドローンは、第１作業を行う第１ドローン100aと、第２作業を行う第２ドローン100bと、を含み、動作決定装置は、第１ドローンが第１作業を完了したことを検知する作業完了検知部42と、作業完了検知部による検知に基づいて、第２作業のうち少なくとも一部を第１ドローンの次作業に決定する、再分担部44と、を備える発明が開示されている。この発明においては、複数のドローンが協調して作業ができるように、基地局を備える移動体が当該複数のドローンを搭載して現場にまで運ぶとともに、複数のドローンの動作を決定する動作決定装置40を備えるシステムとすることが説明されている。また、複数のドローンには、６軸ジャイロセンサ505や磁気センサ506，気圧センサ507，レーザーセンサ508，ソナー509等の種々のセンサ（段落［００５４］［００５５］）を備えても良いことが記載されている。
In addition,
また、特許文献３には、圃場間移動を効率良く行うことができる作業車両の制御システムを提供することを目的とし、作業車両（１）の制御システム（１００）が、測位装置（１２０）により測位しながら複数の圃場（Ｆ）を自律走行する複数の作業車両（１）と、複数の作業車両（１）それぞれの自律走行を制御する情報処理装置（１３０）と、を備え、作業車両（１）は、圃場間を移動する第１モードと、圃場（Ｆ）の出口（Ｆｏｕｔ）において第１モードへの切り換わりを待機する第２モードとを有し、情報処理装置（１３０）は、第２モードである作業車両（１）が複数存在する場合、第１モードに切り換わった場合に走行予定の走行ルートの所要時間が短い作業車両（１）から順に第１モードに切り換える技術思想が開示されている。この発明によれば、自律走行や自動走行をする作業車両が説明されているものの、オペレータはその走行状態を体感ゲーム間隔で体感できるような技術思想については一切言及されていない。 Further, in Patent Document 3, the purpose is to provide a control system for a work vehicle that can efficiently move between fields, and a control system (100) for a work vehicle (1) uses a positioning device (120). The work vehicle ( 1) has a first mode of moving between fields and a second mode of waiting for switching to the first mode at the exit (Fout) of the field (F), and the information processing device (130) When there are multiple work vehicles (1) in the second mode, the technical idea is to switch to the first mode in order from the work vehicle (1) with the shortest travel time required for the planned travel route when switching to the first mode. Disclosed. According to this invention, although a work vehicle that runs autonomously or automatically is described, there is no mention of a technical idea that allows the operator to experience the running state of the vehicle at intervals of a physical experience game.
また、下記特許文献４には、作業資材の補給を容易に行うと共に、自動走行可能な機体の制御をより簡略化できる圃場作業機を提供することを目的とする発明であって、走行可能な走行車体（１）と、自車両の位置を示す位置情報を取得する位置情報取得装置（５）とを備え、前記位置情報取得装置（５）が取得した位置情報に基づいて前記走行車体（１）を自動走行させる制御装置（３）を備えた圃場作業機において、前記走行車体（１）が走行した経路を追従すると共に、前記圃場（１００）に散布対象物を散布する散布装置（Ｘ）を設け、散布装置（Ｘ）は、走行車体（１）の進行方向に対して左右幅内に散布対象物を散布する技術思想が開示されている。 In addition, Patent Document 4 below discloses an invention that aims to provide a field working machine that can easily replenish working materials and further simplify the control of an automatically running machine. It includes a running vehicle body (1) and a position information acquisition device (5) that acquires position information indicating the position of the own vehicle, and the vehicle body (1) ), the field working machine is equipped with a control device (3) that automatically travels, and a spreading device (X) that follows the route traveled by the traveling vehicle body (1) and that spreads a material to be sprayed on the field (100). A technical concept is disclosed in which the dispersion device (X) is provided with a dispersion device (X) that disperses the object to be disseminated within the left and right width with respect to the traveling direction of the traveling vehicle body (1).
一次産業の就労は肉体労働を伴うほか、知識や豊富な経験が必要とされる。また、自然相手の産業であることから気候や天候に収穫が作用されるほか、作業施設において機械などの誤操作による労働災害などがリスクとなることから、熟練していない労働者にとっての過酷な環境下に起因する担い手となる労働者が不足してしまっている。 Working in the primary industry involves physical labor and requires knowledge and extensive experience. In addition, since it is an industry that relies on nature, the harvest is affected by the climate and weather, and there is a risk of occupational accidents due to incorrect operation of machinery in work facilities, creating a harsh environment for unskilled workers. There is a shortage of workers who can take on the burden of the situation.
特許文献１では、臭気センサで測定した気体の種類と量に関するマップ（分布図）を作成する技術思想が開示されているものの、そのような臭気マップデータを如何にして現実の作業に活用するのかについての技術思想については、従来の作業領域・方法の範囲内に留まるものである。
特許文献２では、重量のある肥料などを１機のドローンではなく複数のドローンを使用しながら散布したり、その運行・発着を管理することが開示されているところ、害虫駆除用の農薬散布などにはドローンは使えるものの、農作業機械等の遠隔操作をサポートするため、地形や高低差を測量したり、そのデータを３Ｄ図形化してデータを蓄えて将来圃場内での任意箇所での自動運転に必要なデータベースを作成すること等については何ら言及されていない。
さらに、特許文献３，４に開示される発明では、自律走行する車両の傾きや方向転換・振動、障害物・土壌の肥沃度等について、仮に電気的なデータとして各種センサが検知してデータ取得され得るものとしても当該データをオペレータが体感できるものではない。 Furthermore, in the inventions disclosed in Patent Documents 3 and 4, various sensors temporarily detect and acquire electrical data regarding the tilt, direction change, vibration, obstacles, soil fertility, etc. of an autonomous vehicle. Even if it is possible, the operator cannot experience the data.
本発明は上述の問題点を解することを目的とし、作業車が作業を遂行する過酷な現場環境下とは異なる空調が効いて快適なオペレータ室（操舵室）等に居ながら、作業車が現場で遭遇する環境状態のうち振動や傾き・音等についてはオペレータが体感ゲーム感覚で体感しながら、まるで現場に居るかのような感覚で、遠隔作業を遂行できる作業システムを提案することを目的とする。特に、仮想空間を活用した農業や漁業など一次産業運営システムを提案することを目的とする。
また、好ましくはＡＩが、オペレータによる作業機械の運転をアシストするのか自動操縦するのかについて、機械学習した結果等に基づいて、判定することでスムースな作業着手と作業遂行を行える一次産業運営システムを提案することを目的とする。
The purpose of the present invention is to solve the above-mentioned problems, and the present invention aims to solve the above-mentioned problem. The purpose is to propose a work system that allows operators to perform remote work as if they were actually at the site while experiencing environmental conditions such as vibration, tilt, and noise that they encounter on site as if they were playing a game. shall be. In particular, the aim is to propose a management system for primary industries such as agriculture and fishing that utilizes virtual space.
In addition, it is preferable to create a primary industry management system that allows AI to smoothly start and complete work by determining whether to assist an operator in operating a work machine or to operate it automatically based on machine learning results. The purpose is to make suggestions.
好ましくは労働者の身体的能力や本来時間をかけて培う経験・熟練に関係なく就労することが可能であるように、圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データを取得してＡＩに蓄積する工程と、ＡＩに蓄積された圃場データに基づいて、ＡＩが圃場土壌の改良要否を判定して通知する工程と、ＡＩが前記圃場土壌の改良が必要と判定した場合に、土壌改良作業機を用いて圃場土壌の改良を行った後に作付けする工程と、を有するＡＩを用いた作付け支援方法等とする。また、好ましくはＡＩは、有人オペレータ操作時の運行記録として前記モニタリング計装装置で取得されたデータを予め蓄積することでその操縦・操作を予め学習しており、学習した前記データに基づいて、前記オペレータによる遠隔操縦をアシストするのかまたは自動操縦をするのか、を判定するものとする。 Preferably, it is possible to work regardless of the physical ability of the worker or the experience/skills that are originally cultivated over time. A step of acquiring field data of at least one of the microorganisms and accumulating it in the AI, a step of the AI determining and notifying whether or not improvement of the field soil is necessary based on the field data accumulated in the AI, and a step of the AI If it is determined that the field soil needs to be improved, the method includes the step of improving the field soil using a soil improvement machine and then planting the crop. Preferably, the AI has learned the operation/operation in advance by storing in advance data acquired by the monitoring instrumentation device as a driving record during operation by a manned operator, and based on the learned data, It is assumed that it is determined whether to assist the remote control by the operator or to perform automatic control.
本発明により、作業車が作業を遂行する過酷な現場環境下とは異なる空調が効いて快適なオペレータ室（操舵室）等に居ながら、作業車が現場で遭遇する環境状態のうち振動や傾き・音等についてはオペレータが体感ゲーム感覚で体感しながら、まるで現場に居るかのような感覚で、遠隔作業を遂行できる作業システムを提案できる。また、仮想空間を活用した農業や漁業など一次産業運営システムを提案できる。
また、好ましくはＡＩが、オペレータによる作業機械の運転をアシストするのか自動操縦するのかについて、機械学習した結果等に基づいて、判定することでスムースな作業着手と作業遂行を行える一次産業運営システムを提案できる。
With the present invention, it is possible to prevent vibrations and tilting among the environmental conditions that the work vehicle encounters on the job site, while being in an air-conditioned and comfortable operator's room (wheelhouse), which is different from the harsh on-site environment where the work vehicle performs work.・We can propose a work system that allows operators to perform remote work as if they were actually at the site while experiencing sounds and other sounds as if they were playing a hands-on game. It is also possible to propose primary industry management systems such as agriculture and fishing that utilize virtual space.
In addition, it is preferable to create a primary industry management system where AI can smoothly start and complete work by determining whether to assist an operator in operating a work machine or to operate it automatically, based on the results of machine learning. I can make suggestions.
本発明では、日進月歩で進化をし続けるロボット技術、ドローン技術と水や土の成分を分析する機器を一次産業生産施設で使用し、モニタリングによる管理と飼育や栽培ノウハウを有するデータベース（ＡＩ等を含む）を用いて、仮想空間デジタル情報技術を利用しゲーム感覚でロボットやドローン等を遠隔操作するシステムを構築し、身体的能力、作業経験値や熟練度に関係なく就労することが可能とする支援システムを提案する。また、オペレータ席に着座しているオペレータによる遠隔操作での管理となる事から作業従事者の労働災害のリスクも低減する。 The present invention utilizes ever-evolving robot technology, drone technology, and equipment that analyzes the components of water and soil in primary industry production facilities, and uses a database (including AI, etc.) for management through monitoring and breeding and cultivation know-how. ), we will build a system that remotely controls robots, drones, etc. in a game-like manner using virtual space digital information technology, and will enable employment regardless of physical ability, work experience, or skill level. Propose a system. Additionally, since the system is managed remotely by an operator seated at the operator's seat, the risk of occupational accidents for workers is also reduced.
例えば、生産土壌に含まれる有害物質、栄養素、ＰＨ、水分濃度、土質、在来する微生物などを生産地で分析を行い、モニタリング結果を生産基本データとし蓄積しながら土壌の改良や作付けの品種の判定を行うものとできる。そして、判定結果に基づき異常であった場合土壌は補正計画を行うものとしても良い。 For example, we analyze the harmful substances, nutrients, pH, water concentration, soil quality, native microorganisms, etc. contained in the produced soil at the production site, and accumulate the monitoring results as basic production data to improve the soil and improve the variety of crops. It can be used to make judgments. Then, if the soil is found to be abnormal based on the determination result, a correction plan may be implemented.
また、土壌の改良のデータが蓄積した場合、ＡＩによる対策や補正の提案を受けて、オペレータは作業にはいることができる。農作業機械や水産物生産機械（ドローンを含む）に３６０度カメラ、傾斜計、振動計、ＧＰＳ、ＧＩＳ、ソナー、臭気計や温度計、湿度計、夜間作業に適した暗視カメラなどのモニタリングに必要な計装装置を備え付け、更にドローンにて地形や高低差を測量しデータを３Ｄ（立体）化した上で農作業機械等が接地する地面を把握してからオペレータが機械操縦を行うことを可能とする。ここで、地理情報システム（ＧＩＳ：Geographic Information System）は、地理的位置を手がかりに、位置に関する情報を持ったデータ（空間データ）を総合的に管理・加工し、視覚的に表示し、高度な分析や迅速な判断を可能にする技術である。 Additionally, when soil improvement data is accumulated, the operator can begin work after receiving recommendations for countermeasures and corrections from AI. Necessary for monitoring agricultural machinery and seafood production machinery (including drones) with 360-degree cameras, inclinometers, vibration meters, GPS, GIS, sonar, odor meters, thermometers, hygrometers, night vision cameras suitable for night work, etc. The equipment is equipped with a variety of instrumentation equipment, and a drone is used to survey the topography and elevation differences, converting the data into 3D (3D) data, which enables operators to understand the ground on which agricultural machinery and other machinery will touch before operating the machinery. do. Geographic Information System (GIS) is a system that comprehensively manages and processes data (spatial data) that has location information using geographic location as a clue, displays it visually, and uses advanced technology. It is a technology that enables analysis and quick decisions.
また、遠隔操作される農業用機械の状態が把握できるよう傾斜や振動が体感できるようアクチュエータ等を備えるオペレータ席にリンクされ農業機械や周辺環境に異常事態の有無が把握できるよう監視することができる。またソナーにより目視ができない箇所の障害物や動物や人を感知し、危険があれば農作業機械は自動停止を行い、オペレータに警告を通知する。 In addition, it is linked to the operator's seat, which is equipped with actuators, etc. so that you can feel the tilt and vibration so that you can grasp the status of remotely controlled agricultural machinery, and monitor the agricultural machinery and the surrounding environment to see if there are any abnormalities. . In addition, sonar can detect obstacles, animals, and people in areas that cannot be seen with the naked eye, and if there is any danger, the agricultural machinery will automatically stop and a warning will be sent to the operator.
この時、周囲の安全確認のためのドローンによる監視を行うのも良い。また、安定した作業箇所では農作業を行う機械がＡＩを搭載することで無人で動作するとも可能であり、この場合、有人オペレータ操作の運行記録を蓄積させてＡＩに操縦操作を学習させる。ドローンは農業機械と一体化された充電施設からの離発着により、長時間の運行が可能となる。更に作付けの種や苗の運搬、収穫した作物の運搬にドローンを活用し、人的労力の削減を行う事で、就労者の労力を削減する。 At this time, it is also a good idea to use a drone to monitor the surrounding area to ensure safety. Furthermore, in stable work areas, agricultural machines can be equipped with AI to operate unmanned. In this case, the operation records of manned operator operations are accumulated and the AI is trained to operate. Drones can take off and land from charging facilities integrated with agricultural machinery, allowing them to operate for long periods of time. Furthermore, by using drones to transport seeds and seedlings for planting and transporting harvested crops, human labor will be reduced, thereby reducing the labor of workers.
通信システムについては第五世代移動式通信など高速回線を使用し、このシステムを活用し農耕地の耕し、植付けや種まき、メンテナンス、収穫や収集作業を行うことで担い手の少ない農業などの一次産業への就労の推進を図るものとする。 The communication system uses high-speed lines such as fifth-generation mobile communication, and by utilizing this system to cultivate agricultural land, perform planting, sowing, maintenance, harvesting, and collection work, it is possible to support primary industries such as agriculture where there are few workers. The aim is to promote the employment of people.
上記支援システムは農業、漁業、建設業、災害復旧時の人が入れない場所への作業や競技などのエンターテインメントゲームなどに広範囲に使用することができる。例えば、水産物養殖場の水に含まれる有害物質または栄養素またはＰＨまたは塩分濃度または水質または在来微生物の少なくともいずれか一つの水産物養殖場データを取得してＡＩに蓄積する工程と、ＡＩに蓄積された水産物養殖場データに基づいて、ＡＩが水産物養殖場水質の改良要否を判定して通知する工程と、ＡＩが水産物養殖場の水質改良が必要と判定した場合に、水質改良作業機を用いて水産物養殖場水質の改良を行った後に水産物の養殖を開始または再開する工程と、を有するＡＩを用いた水産物養殖の支援方法として展開することも可能である。ここで、水質改良作業機とは、漁船やボートに水質改良剤散布機械を搭載して実現することも可能であるし、養殖場に隣接して設置された水質改良剤散布装置とすることも可能である。水質改良剤とは、塩素を除去する活性炭であっても良いし、カルキ抜きであっても良いし、各種中和剤やゼオライト・ヤシガラ・粉末貝殻等の各種吸着剤であってもよいし、サンゴや多孔質の微生物定着を促す岩石等のバルク固体であっても良い。また、薬剤等の散布をするのみではなく、養殖場の水を吸い上げて物理ろ過や生物ろ過や各種吸着作用を施したのちに養殖場に戻すような水質浄化装置であっても良い。 The support system described above can be widely used in agriculture, fishing, construction, work in inaccessible areas during disaster recovery, and entertainment games such as competitions. For example, there is a step in which data on at least one of harmful substances or nutrients, PH, salinity, water quality, or native microorganisms contained in the water of a seafood farm is acquired and accumulated in AI; A process in which AI determines and notifies whether or not water quality improvement is necessary at a seafood farm based on data on the seafood farm, and a process in which a water quality improvement work machine is used It is also possible to develop this method as a support method for aquaculture using AI, which includes a step of starting or restarting aquaculture after improving the water quality of the aquaculture farm. Here, the water quality improvement machine can be realized by mounting a water quality improver spraying machine on a fishing boat or boat, or it can be a water quality improver spraying device installed adjacent to a fish farm. It is possible. The water quality improver may be activated carbon that removes chlorine, descaling, various neutralizing agents, or various adsorbents such as zeolite, coconut shell, powdered shell, etc. It may also be a bulk solid such as coral or rock that promotes microbial colonization in porous structures. In addition, it may be a water purification device that not only sprays chemicals, but also sucks up water from a farm, performs physical filtration, biological filtration, or various adsorption actions, and then returns it to the farm.
臭気の分析には、例えばガスクロマトグラフィー等の検査機を使用してソフトウェアを通して分析した結果をデータベース化してＡＩが判断するものとしても良い。しかし、臭気分析は公知の光による分析としてもよく、土壌成分分析は作物の連作などの再現性には重要である。 For odor analysis, for example, an inspection device such as gas chromatography may be used, and the results of the analysis may be compiled into a database and determined by AI. However, odor analysis may be carried out using well-known light analysis, and soil component analysis is important for the reproducibility of continuous cropping.
また、農作業機械等の遠隔操作をサポートするため、地形や高低差を測量したり、そのデータを３Ｄ図形化してデータを蓄えて将来圃場内での任意箇所での自動運転に必要なデータベースを作成するものとしても良い。 In addition, in order to support remote operation of agricultural machinery, etc., we will survey the topography and height differences, convert the data into 3D figures, store the data, and create a database necessary for automatic operation at any location in the field in the future. It is also good as something to do.
また、労働者の身体能力に拘泥されることなく、例えば車いすに乗る障害者が遠隔操縦で農作業を行うことができるものとすれば、身障者が農場を経営することが可能になることが期待でき、農作業車が無人運転の時もあるが、オペレータ席でのコックピットの中で有人遠隔操作としても良い。 Furthermore, without being limited to the physical ability of the worker, for example, if a person with a disability in a wheelchair can perform agricultural work by remote control, it is expected that the person with a disability will be able to manage a farm. Although there are times when farm vehicles are operated unmanned, they may also be remotely operated by a man in the cockpit at the operator's seat.
図１は、本発明の圃場支援システムにおける遠隔操作可能農作業機械１５００に対する遠隔操作の構築概念を説明する概要図である。管理建屋や管理棟やオペレータ建屋の中に設けられたオペレータ室には、オペレータ席１６００が設置されており、オペレータコックピットのオペレータ１７００がモニター１３００を見ながら、遠隔操作可能農作業機械１５００を無線遠隔操縦できるように構成されている。モニター１３００には、遠隔操作可能農作業機械１５００が備える３６０度カメラの映像等が好ましくは３Ｄで描写されるものとできる。なお、モニター１３００に替えて、またはモニター１３００と共に、３ＤのＶＲゴーグルや３ＤのＶＲ眼鏡を使用することもできる。
FIG. 1 is a schematic diagram illustrating the construction concept of remote control for a remotely controllable
オペレータコックピットには、予めドローン１１００が測定した地形図や土壌の凹凸や遠隔操作可能農作業機械１５００が備えるモニタリング計装装置１５５０で検知した振動や音や加速度・傾斜・臭気等の環境データに基づいて、遠隔操作可能農作業機械１５００の動作状態・動作環境の少なくとも一つ以上の状態をリアルタイムでオペレータに体感的に伝えることが可能に構成されている。すなわち、オペレータ１７００は、ゲーム感覚でありながらモニター１３００を見ながら遠隔操作可能農作業機械１５００の遠隔操作を現実に実行することができるものとする。
The operator cockpit displays information based on environmental data such as topographic maps and soil irregularities measured by the
オペレータコックピットの態様については、従来公知の運転シミュレータや運転シミュレータゲームに近い態様であるものの、一方でオペレータ１７００の操作に基づいて、圃場等の現場では現実に遠隔操作可能農作業機械１５００が操縦されて作業可能に構成されており、さらに当該現場の例えば振動や加速度がリアルにオペレータコックピットに反映されるものとなるよう、オペレータコックピットはアクチュエータ等を備えるものとする。オペレータコックピットは、体験アミューズメントパークの３Ｄ映像乗り物アトラクションや３Ｄ体験映画館における仕組み構成の一部又は全部を採用することとしても良い。
Although the mode of the operator cockpit is similar to that of conventionally known driving simulators and driving simulator games, on the other hand, based on the operations of the
また、図２は、モニター１３００に表示される画面と圃場１０００の状態の典型的態様例について説明する図である。図２に示すように、圃場１０００において遠隔操作可能農作業機械１５００の一例であるトラクタ１０９０がＧＰＳや例えばモニタリング計装装置１５５０を備えて遠隔稼働される。トラクタ１０９０が収集した圃場データは別途の管理塔等に備えられるＡＩ１０８０に無線送信してデータ蓄積されるとともに、蓄積された圃場データ１０１０に基づいて、土壌改良の要否や作付けに適した作物・作付けに適した時期等がＡＩ１０８０で判断される。
Further, FIG. 2 is a diagram illustrating a typical example of the screen displayed on the
一方、圃場１０００の上空をドローン１１００が飛行して３Ｄ地形データを収集し、当該データを無線でＡＩ１０８０に送信し、ＡＩ１０８０に３Ｄ地形データ１２００が蓄積される。ＡＩ１０８０は、蓄積した３Ｄ地形データ１２００とトラクタ１０９０のカメラから送られてくる映像とから、モニター１３００上に、まるで仮想空間であるかのように３Ｄ映像として、トラクタ１０９０に現実に乗車しているかのような視野映像を作成する。オペレータ１７００にはまるで仮想空間であるかのように体感される映像であるが、現実のトラクタ１０９０の前方にある岩や圃場１０００の凹凸や状態及び周囲環境が忠実に反映された３Ｄ映像が、モニター１３００に映し出されるものとする。
On the other hand, a
作物１０５０は、ＡＩ１０８０が判断した最適作物をトラクタ１０９０等の農作業機で植え付けるものとしても良く、予め作付けが決まっている作物１０５０をＡＩ１０８０の最適作付け時期の提示に基づいて作付けするものとしても良い。図２において、１３００（１），１３００（２）はモニター１３００に表示される３Ｄ映像の一例をそれぞれ示すものである。
The
モニター映像１３００（１）では、圃場１０００の全体状態とトラクタ１０９０の位置と岩の位置などその場に居合わせるかのようなリアル映像が、ＡＩ１０８０により作成・表示されている。また、モニター映像１３００（１）では、圃場１０００の全体状態のみならず背景の山々や池等も含めた広い視野角で、岩の位置と背景の位置関係も含めてトラクタ１０９０に乗車しているかのようなリアル映像が、ＡＩ１０８０により作成・表示されている。また、モニター映像としては、３６０度カメラ１４００に対応して、図示していないが３６０度モニターとしてオペレータ１７００の周囲頭上に配置してもよい。例えば、プラネタリウムのようにオペレータ１７００の周囲・頭上に３６０度カメラ１４００から観察できる全ての景色が３Ｄで表示されるようにしてもよい。オペレータ１７００は、現実にはオペレータ席１６００に着座しながら、あたかもトラクタ１０９０や遠隔操作可能農作業機械１５００に乗車しているかのような視野を前後左右頭上の半球状に得られるものとなる。このようなドーム型シアターやドーム型モニターをオペレータ席１６００の周囲に備えるものとしても良い。
In the monitor image 1300(1), a real image is created and displayed by the
本発明のＡＩを用いた作付け支援方法は、圃場土壌に含まれる有害物質または栄養素またはＰＨまたは水分濃度または土質または在来微生物の少なくともいずれか一つの圃場データを取得してＡＩに蓄積する工程と、ＡＩに蓄積された圃場データに基づいて、ＡＩが圃場土壌の改良要否を判定して通知する工程と、ＡＩが圃場土壌の改良が必要と判定した場合に、土壌改良作業機を用いて圃場土壌の改良を行った後に作付けする工程と、を有することを特徴とする。 The cropping support method using AI of the present invention includes a step of acquiring field data on at least one of harmful substances, nutrients, PH, water concentration, soil quality, or native microorganisms contained in field soil and accumulating it in AI. , a process in which the AI determines and notifies the necessity of improving the field soil based on the field data accumulated in the AI, and a process in which the AI determines that the field soil needs improvement, using a soil improvement work machine. The method is characterized by comprising a step of planting after improving field soil.
これにより、取得されて好ましくは蓄積圃場データにより、作付けに最適な土壌であるか否かがＡＩにより判定されるので極めて迅速かつ信頼性の高い作付けが可能となる。従来、作業者が土壌の状態を把握して直感も含めた判断を行っていたところ、好ましくは過去の作付け・収穫の実績データ等も含めて最も状態の良い圃場の土壌状態をＡＩが判断することも可能となる。ＡＩは作付けするその年と季節の天候（気温や風の強弱・向き等を含む）や天気予報を勘案して判断することとしても良い。 As a result, it is determined by AI whether or not the soil is optimal for planting based on acquired and preferably accumulated field data, making it possible to plant extremely quickly and with high reliability. Traditionally, workers grasped the soil condition and made judgments based on intuition, but AI will preferably include past planting and harvest performance data to determine the soil condition of the field in the best condition. It also becomes possible. AI can also be determined by taking into account the weather (including temperature, wind strength, direction, etc.) and weather forecast for the year and season of planting.
また、本発明のＡＩを用いた作付け支援方法は、好ましくはＡＩが圃場土壌の改良要否を判定する工程において、ＡＩは圃場土壌で作付けする作物の種類を勘案して判定することを特徴とする。作付けする作物の種類や量によって、最適な土壌状態は異なるものと考えられる。このため、ＡＩが圃場土壌の改良要否を判定する場合に、予め入力設定された作付け予定作物の種類や量を勘案して判断するものとできる。 Further, the cropping support method using AI of the present invention is preferably characterized in that in the step in which the AI determines whether or not it is necessary to improve the field soil, the AI makes the determination in consideration of the type of crops to be planted in the field soil. do. Optimal soil conditions are thought to differ depending on the type and amount of crops planted. Therefore, when the AI determines whether field soil improvement is necessary, the AI can make the determination by taking into consideration the type and amount of crops to be planted that have been input and set in advance.
また、本発明のＡＩを用いた作付け支援方法は、好ましくはＡＩが圃場土壌の改良要否を判定する工程に替えて、ＡＩは、ＡＩに蓄積された圃場データに基づいて、圃場土壌での作付けに最適な作物の種類を決定して通知し、通知に基づいて作付けする工程を有することを特徴とする。作付けする作物が予め決まっておらず、土壌状態を見極めてから最適な作物を作付けすることを企図する場合も考えられる。このため、ＡＩは現実の圃場土壌の状態を圃場データに基づいて把握し、その土壌状態に最適な作物の作付けを提案するものとできる。この場合に、ＡＩはその年の気候や天気予報と共に作付け時期のデータを考慮して作付け作物を提案するものとしても良い。 In addition, in the cropping support method using AI of the present invention, preferably, instead of the step in which the AI determines whether or not improvement of the field soil is necessary, the AI performs soil improvement in the field based on the field data accumulated in the AI. The present invention is characterized by having a step of determining and notifying the type of crop most suitable for planting, and planting the crop based on the notification. There may also be a case where the crops to be planted are not decided in advance and the plan is to plant the most suitable crops after ascertaining the soil condition. For this reason, AI can grasp the actual field soil condition based on field data and suggest crop planting that is optimal for the soil condition. In this case, the AI may suggest crops to be planted by taking into consideration the climate and weather forecast for the year as well as data on the planting season.
また、本発明の圃場作業支援システムは、ドローンが測量した圃場の地形と高低差との地図データを受信して３Ｄ表示するモニターと、全方位カメラと、傾斜計と、振動計または／及び加速度センサと、ＧＰＳとＧＩＳと、ソナーと、ジャイロと、臭気計と、温度計と、湿度計と、暗視カメラと、音響マイクとを少なくとも含むモニタリング計装装置を備え、圃場に配置される遠隔操作可能農作業機械と、モニタリング計装装置から送信されるデータに基づいて、遠隔操作可能農作業機械の位置と向きとをリアルタイムで３Ｄ表示された地図データに示すモニター、を視認可能に配置されるとともに、遠隔操作可能農作業機械の振動または／及び加速度と、騒音と、傾きとをリアルタイムで反映するように、少なくとも複数のアクチュエータとスピーカとを備えるオペレータ席と、を備え、遠隔操作可能農作業機械は、オペレータ席に着席するオペレータによって遠隔操縦されるように構成されることを特徴とする。 In addition, the field work support system of the present invention includes a monitor that receives and displays map data of the topography and height difference of the field surveyed by the drone in 3D, an omnidirectional camera, an inclinometer, a vibration meter or/and an acceleration meter. A remote control device located in the field, comprising at least a sensor, a GPS, a GIS, a sonar, a gyro, an odor meter, a thermometer, a hygrometer, a night vision camera, and an acoustic microphone. The operable agricultural machinery and a monitor that shows the position and orientation of the remotely operable agricultural machinery on map data displayed in 3D in real time based on the data transmitted from the monitoring instrumentation device are arranged so as to be visible. , an operator seat equipped with at least a plurality of actuators and speakers so as to reflect vibration and/or acceleration, noise, and inclination of the remotely controllable farm machine in real time, the remotely controllable farm machine comprising: It is characterized in that it is configured to be remotely controlled by an operator seated at an operator seat.
オペレータ席は、遠隔操作可能農作業機械から離間した管理建屋等のオペレータ室に設けるものとできるので、遠隔操作可能農作業機械の作業現場の土埃や危険から回避しながら、リアルに限りなく近い体感遠隔操縦を実行することが可能となる。良く知られている体感ゲームや体感シミュレーション等においては、オペレータが画面（３Ｄ含む）を見ながら現実に操作しているかのような振動や音や加速度等をオペレータ席で体感できるように構成されているが、オペレータとしてはそのような操縦状態でありながら当該操縦によって現実のリアルの遠隔操作可能農作業機械が現実の圃場において遠隔操縦されることとなる。例えば、従来 農作業等が困難であって身体障害者等であってもオペレータ席に着席さえできればゲーム感覚で遠隔操縦することも可能となり、バリアフリーな作業環境を実現することも可能である。 The operator's seat can be installed in an operator's room in a management building, etc., which is separate from the remote-controllable agricultural machinery, so you can avoid the dust and dangers of the work site of the remote-controllable agricultural machinery, and enjoy a remote control experience that is as close to reality as possible. It becomes possible to execute. Well-known experience games and experience simulations are designed so that the operator can experience vibrations, sounds, acceleration, etc. from the operator's seat while looking at the screen (including 3D) as if they were actually operating the machine. However, even though the operator is in such a state of operation, the actual remote-controllable agricultural machine is remotely controlled in the actual field. For example, even a person with a physical disability who would otherwise have difficulty in agricultural work, etc., can remotely control the machine in a game-like manner as long as he or she can sit in the operator's seat, making it possible to create a barrier-free working environment.
また、本発明の支援方法は、圃場作業支援システムを用いた支援方法において、オペレータ席に着席するオペレータが、モニターを視認しながら、かつ遠隔操作可能農作業機械の状態のうち、振動または／及び加速度と、騒音と、傾きとを体感しながら体感シミュレーションゲーム感覚で現実の遠隔操作可能農作業機械を遠隔操作する工程を有することを特徴とする。 Further, the support method of the present invention is a support method using a field work support system, in which an operator seated at an operator seat visually checks a monitor and detects vibration and/or acceleration among the conditions of a remotely controllable agricultural machine. The present invention is characterized by having a step of remotely controlling a real remote-controllable agricultural machine in a hands-on simulation game-like manner while experiencing noise and tilting.
また、本発明のＡＩ判断に基づく圃場作業方法は、上述したいずれかに記載の作付け支援方法による土壌改良または作付けにおいて、上述のオペレータがモニターを視認しながら体感する体感シミュレーションゲーム感覚での遠隔操作の支援方法を用いることを特徴とする。これにより、圃場現場に居合わせることなく、遠隔で操作・操縦をするものとしながら、現場の遠隔操作可能農作業機械に乗車等してその場操縦しているようにアクチュエータ等で作成された環境下で遠隔操縦を遂行できるものとなる。ＡＩ（人工知能）は他のデータべースや制御部や通信部・モニター表示部等とともに管理塔やオペレータ室等が設置される建屋に設けるものとしても良い。 In addition, the field work method based on AI judgment of the present invention allows soil improvement or cropping using any of the cropping support methods described above, using remote control similar to an experiential simulation game in which the operator described above experiences the experience while visually viewing a monitor. It is characterized by using the following support method. As a result, it is possible to operate and operate remotely without being present at the field site, but in an environment created with actuators etc., as if riding on a remote-controllable agricultural machine on the field and operating it on the spot. It will be possible to carry out remote control. AI (artificial intelligence) may be installed in a building where a control tower, operator room, etc. are installed together with other databases, control units, communication units, monitor display units, etc.
一般に圃場現場においては、例えば予期せぬ毒蛇や害獣・害虫（蚊やアブやカメムシ等々）に出くわしたり、予期せぬ雷雨が発生したり、遠隔操作可能農作業機械の不具合や操縦ミス等による暴走や転倒が生じるリスクと常に隣り合わせである。さらには、真夏の炎天下での作業や真冬の氷点下での風雪内での作業など極めて過酷な環境下となる場合も少なくない。人にとって不可欠な飲料水の補給をしようにも、近くに飲料用水場が存在しないケースもあり、飲料水や食事や簡易トイレ等を別途持参したり麦わら防止を被ったり防寒着を着込んだりといった対応も必要となる。 In general, in the field, for example, you may come across unexpected poisonous snakes, vermin, or insect pests (mosquitoes, horseflies, stink bugs, etc.), unexpected thunderstorms may occur, or remote-controlled agricultural machinery may run out of control due to malfunction or operational error. There is always a risk of accidents or falls. Furthermore, it is not uncommon for workers to work under extremely harsh environments, such as working under the scorching sun in midsummer or in wind and snow at subzero temperatures in midwinter. In order to replenish drinking water, which is essential for people, there are cases where there are no drinking water sources nearby, so measures such as bringing drinking water, food, and a portable toilet separately, wearing straw protective clothing, and wearing winter clothes are necessary. is also required.
このように圃場や農場・田畑や牧場等々の屋外は、ビルや建屋内のような人に快適かつ優しく必要な設備が安定的に整っている人工的な環境とは異なり、時には極めて厳しい環境条件を突きつけられることもある。そして、そのような過酷な現場で一定程度の時間だけ作業継続が可能な人も、健康である等の人に限られてしまうことも考えられる。管理建屋等のオペレータ室に設けられたオペレータ席にオペレータが着席するだけで、目前の３Ｄモニターを視認しながら、かつ遠隔操作可能農作業機械の状態のうち、振動または／及び加速度と、騒音と、傾きとを体感しながら体感シミュレーションゲーム感覚で現実の遠隔操作可能農作業機械を遠隔操作することができるので、上記した過酷な外部自然環境から解き放たれてオペレータとして遠隔操縦できる人の幅が広がるバリアフリーにも繋がるものとする。オペレータが体感する振動等の強度は、アクチュエータ等の動作強弱レベルを設定変更することで任意に調整可能とすることが好ましい。これにより、遠隔操作可能農作業機械に現実に乗車等しなくても、乗車等しているかのような体感で、かつオペレータに危害が加わらない程度の調整された体感で、ゲーム感覚で遠隔操縦を可能にする。オペレータの熱中症や低体温症なども防ぐことができる。 In this way, outdoors such as fields, farms, fields, and pastures are different from artificial environments such as buildings and buildings where necessary facilities are stably provided that are comfortable and friendly to people, and sometimes the environmental conditions are extremely harsh. Sometimes I am faced with this. Furthermore, it is conceivable that only those who are able to continue working for a certain period of time in such harsh conditions may be in good health. Just by sitting in the operator's seat in the operator's room in the management building, the operator can visually check the 3D monitor in front of him and remotely control the condition of the agricultural machine, such as vibration and/or acceleration, noise, etc. Barrier-free technology allows you to remotely control real-world remote-controlled agricultural machinery in a hands-on simulation game-like manner while experiencing the inclination, freeing you from the harsh external natural environment mentioned above and expanding the range of people who can operate remotely as operators. It shall also be connected to It is preferable that the intensity of vibrations etc. experienced by the operator can be arbitrarily adjusted by changing the setting of the operating strength level of the actuator etc. As a result, even without actually riding a remote-controllable agricultural machine, you can remotely control it in a game-like manner, with the experience as if you were riding in it, and with the experience adjusted to the extent that it does not cause any harm to the operator. enable. It can also prevent operators from suffering heat stroke or hypothermia.
また、本発明の圃場作業支援システムは好ましくは、上述した圃場作業支援システムにおいて、遠隔操作可能農作業機械は、進行方向の目前にモニタリング計装装置により障害物または動物が検知された場合には自動停止するとともに、オペレータに通知することを特徴とする。これにより、オペレータ席のオペレータが気付かないような障害物であってもこれと衝突して遠隔操作可能農作業機械が破損することや事故の発生を自動的に抑止できる。障害物は木や岩などの自然物であっても良く、コンクリート塊や廃タイヤ・鉄筋等の人工物であってもよく、人や動物等の生物であっても良い。 Preferably, in the field work support system of the present invention, in the field work support system described above, the remotely controllable agricultural machine is automatically operated when an obstacle or an animal is detected by the monitoring instrumentation device in front of the moving direction. It is characterized by notifying the operator at the same time as stopping. As a result, even if the operator sitting at the operator's seat does not notice an obstacle, it is possible to automatically prevent damage to the remotely controllable agricultural machine due to collision with the obstacle and the occurrence of an accident. The obstacle may be a natural object such as a tree or rock, an artificial object such as a concrete block, a waste tire, or a reinforcing steel, or a living thing such as a person or an animal.
また、本発明の運搬方法は、上述のいずれかに記載の作付け支援方法を用いて作付けした後収穫された作物の運搬方法において、ドローンを用いて作物を運搬することを特徴とする。これにより、運搬スピードが上がって運搬効率が増大するとともに、より新鮮な作物を痛めることなく目的地まで届けることが可能となる。路面を走行する運搬車等を利用した運搬に比較すると、ドローンで空中を運搬すれば、畝や石や路面凹凸など路面状態の影響を受けないので振動や衝撃が比較的少なく、果物や野菜等の作物を痛める懸念が少ない。ドローンには小型カメラを実装することも好ましい。さらに、圃場の近隣に駐車した農業機械と一体化された充電施設により充電することも可能であるため、充電の為の行程も最小限とすることができる。ドローンを利用した収穫のみではなく、資材や薬剤の補充についてもドローンの有人遠隔操作で行うこととしても良い。 Further, the transportation method of the present invention is a method for transporting crops that have been planted and harvested using any of the planting support methods described above, and is characterized in that the crops are transported using a drone. This increases transportation speed and efficiency, and enables fresher crops to be delivered to their destinations without damaging them. Compared to transportation using transport vehicles that run on roads, aerial transportation by drones is not affected by road conditions such as ridges, stones, and uneven road surfaces, so there is relatively less vibration and shock, and fruits, vegetables, etc. There is little concern that it will damage other crops. It is also preferable to implement a small camera on the drone. Furthermore, since it is possible to charge the agricultural machinery using a charging facility integrated with the agricultural machinery parked near the field, the journey for charging can be minimized. In addition to harvesting using drones, replenishment of materials and medicines may also be carried out by manned remote control of drones.
また、本発明の運搬方法は、上述した運搬方法において、ドローンは充電設備を備える農作業機械から離発着することを特徴とする。これにより、圃場近隣にまで自走した農作業機械において充電できるとともに、ドローンへの積込みまでの移動距離を最短にして短時間で積見込み開始することが可能となる。この農作業機械は遠隔操作可能農作業機械として、オペレータ席のオペレータがドローンと共に遠隔操作できるように構成することも好ましい。 Further, the transportation method of the present invention is characterized in that, in the transportation method described above, the drone takes off from and lands on an agricultural machine equipped with a charging facility. This makes it possible to charge agricultural machinery that has driven itself to the vicinity of the field, and to minimize the travel distance before loading onto the drone, making it possible to start forecasting in a short time. It is also preferable that this agricultural machine is configured as a remotely controllable agricultural machine so that an operator sitting at an operator's seat can remotely control the drone.
また、本発明の圃場作業支援システムは、上述の圃場作業支援システムにおいて、遠隔操作可能農作業機械はＡＩを備え、有人操作された場合にモニタリング計装装置から取得されたデータを予め蓄積し、蓄積したデータに基づいて、ＡＩがオペレータによる遠隔操縦をアシストするか自動操縦をすることを特徴とする。これにより、ＡＩが圃場の作業現場に位置する遠隔操作可能農作業機械内に実装されるものとなるので、ＡＩに蓄積されるデータや各種センサにより取得される環境等データに基づくＡＩの判断が、より迅速かつ的確に行えるものとなる。通信インフラが何らかの理由により障害を受けたような場合であってもＡＩの学習及び判断それ自体は障害を受けることなく安定継続して行い得る。 In addition, in the field work support system of the present invention, in the field work support system described above, the remotely controllable agricultural machine is equipped with AI, and when the machine is operated by a man, the data acquired from the monitoring instrumentation device is stored in advance. Based on the data obtained, AI assists remote control by an operator or performs automatic control. As a result, AI will be implemented in remotely controllable agricultural machinery located at the work site in the field, so that AI decisions based on data accumulated in the AI and environmental data acquired by various sensors will be It will be possible to do it more quickly and accurately. Even if the communication infrastructure suffers from a failure for some reason, the AI's learning and judgment itself can be performed stably and continuously without any failure.
（ＡＩによる水産物養殖場の水質の改良要否判断等について）
ＡＩによる水産物養殖場の水質の判定には、水中の化学物質や微生物などを測定するための様々な技術が知られており、ＡＩを用いることで、膨大な量のデータを高速に処理し、より正確な判定を行うことができる。例えば、水中の溶存酸素量やｐＨ値などをリアルタイムにモニタリングし、ＡＩによってそれらのデータを解析することで、水質の変化を早期に検出することができる。また、水質に異常があった場合には、ＡＩが自動でアラートを発信したり、管理者に水質の改善必要性を報知することもできる。さらに、ＡＩを用いることで、水中の微生物や有害物質などを検出するためのセンサ技術の開発も進み広く知られているので、この技術によって、養殖場の水質管理をより効率的に行い、より安全で高品質な水産物の生産を実現することができる。
(Regarding the need for improvement of water quality in seafood farms using AI)
Various technologies are known for measuring water quality in seafood farms using AI, such as measuring chemicals and microorganisms in the water. More accurate judgment can be made. For example, changes in water quality can be detected early by monitoring the amount of dissolved oxygen and pH value in water in real time and analyzing this data using AI. Additionally, if there is an abnormality in the water quality, the AI can automatically issue an alert or notify the administrator of the need to improve the water quality. Furthermore, sensor technology that uses AI to detect microorganisms and harmful substances in water has been developed and is widely known, so this technology can be used to manage water quality in aquaculture farms more efficiently and improve the quality of water. It is possible to produce safe and high-quality seafood.
ＡＩが水質の異常や水質の変化を検知するためにデータを解析する場合において、ＡＩは具体的にどのようなアルゴリズム（エキスパートシステムやニューラルネットワーク等）により構築され、どのようなデータを用いて学習を行い、具体的にどのような入力情報を用いて水質判定を行うのかについては、水質の異常や変化を検知するためのＡＩのアルゴリズムは、様々なものがあり、例えば、ニューラルネットワーク、決定木、ランダムフォレスト、ＳＶＭ（サポートベクターマシン）などを用いることができる。これらのアルゴリズムは、多数の入力データから特定のパターンを見つけ出すことができるため、水質の異常や変化を検知するための学習に適しており、入力データとしては、例えば水中の温度、溶存酸素量、ｐＨ値、濁度、水質汚染物質濃度、微生物数などの情報が含まれる。 When AI analyzes data to detect abnormalities in water quality or changes in water quality, what kind of algorithm (expert system, neural network, etc.) is AI built and what kind of data is used for learning? Regarding the specific input information used to determine water quality, there are various AI algorithms for detecting abnormalities and changes in water quality, such as neural networks, decision trees, etc. , random forest, SVM (support vector machine), etc. can be used. These algorithms can find specific patterns from a large amount of input data, so they are suitable for learning to detect abnormalities and changes in water quality.The input data can include, for example, water temperature, dissolved oxygen content, It includes information such as pH value, turbidity, water pollutant concentration, and number of microorganisms.
ＡＩによる水質判定では、まずは適切な各センサを使って水中のデータを取得し、そのデータを基に、学習用のデータセットを作成する。このデータセットには、正常な水質のデータと異常な水質のデータが含まれるものとし、その後、ＡＩによる学習が行われ、該データセットを用いてモデルを訓練する。そして訓練されたモデルは、新たな水質データが入力された際に、正常な水質と異常な水質を判別することができる。 When determining water quality using AI, first, appropriate sensors are used to acquire underwater data, and a learning dataset is created based on that data. This data set includes normal water quality data and abnormal water quality data, and then AI learning is performed and a model is trained using this data set. The trained model can then distinguish between normal and abnormal water quality when new water quality data is input.
具体的には、水中の温度、溶存酸素量、ｐＨ値、濁度、水質汚染物質濃度、微生物数などのデータをＡＩに入力し、ＡＩがそれらのデータを解析して、水質が正常か異常かを判定し、ＡＩはこれらのデータの傾向や変化も学習し、異常が発生する前に異常を検知することができる。 Specifically, data such as water temperature, dissolved oxygen content, pH value, turbidity, water pollutant concentration, and number of microorganisms are input to AI, and AI analyzes this data to determine whether the water quality is normal or abnormal. AI can also learn trends and changes in this data and detect abnormalities before they occur.
ニューラルネットワークにおいては、脳の神経回路を模した機械学習の一種であり、水質データを複数のニューロンで処理し、異常検知のためのパターンを学習することができる。例えば、水中の溶存酸素量、ｐＨ値、濁度、水質汚染物質濃度、微生物数などのデータを入力し、異常検知を行うものとする。具体的には、ニューラルネットワークに使用されるアルゴリズムの一例として、多層パーセプトロン（ＭＬＰ）があり、ＭＬＰは複数の隠れ層を持つニューラルネットワークであり、入力層、中間層、出力層の３つの層で構成される。各ニューロンの重みとバイアスが学習され、出力層のニューロンから得られる結果が出力として提供される。 Neural networks are a type of machine learning that mimics the neural circuits of the brain, and can process water quality data using multiple neurons and learn patterns for detecting abnormalities. For example, assume that abnormality detection is performed by inputting data such as the amount of dissolved oxygen in water, pH value, turbidity, water pollutant concentration, and number of microorganisms. Specifically, an example of an algorithm used in neural networks is the multilayer perceptron (MLP), which is a neural network with multiple hidden layers, consisting of three layers: an input layer, a hidden layer, and an output layer. configured. The weights and biases of each neuron are learned, and the results from the neurons in the output layer are provided as output.
また、決定木では、データの分類に使用されるアルゴリズムの一種であり、水質データを複数の決定木で分割し、異常検知のためのパターンを学習する。例えば、水中の温度、溶存酸素量、ｐＨ値、濁度、水質汚染物質濃度、微生物数などのデータを入力し、異常検知を行うものとする。また、決定木に使用されるアルゴリズムの一例として、ＩＤ３やＣ４．５がある。ＩＤ３は、情報利得を最大化するように分割することで決定木を作成し、Ｃ４．５は、ＩＤ３の拡張版で、分割の精度を向上させ、欠損値の扱いや数値データの扱いにも対応している。 Decision trees are a type of algorithm used to classify data, and water quality data is divided into multiple decision trees to learn patterns for abnormality detection. For example, it is assumed that abnormality detection is performed by inputting data such as water temperature, dissolved oxygen amount, pH value, turbidity, water pollutant concentration, and number of microorganisms. Furthermore, ID3 and C4.5 are examples of algorithms used for decision trees. ID3 creates a decision tree by partitioning to maximize information gain, and C4.5 is an extended version of ID3 that improves the accuracy of partitioning and also handles missing values and numerical data. Compatible.
また、ランダムフォレストは、複数の決定木を組み合わせたアルゴリズムの一種であり、水質データを複数のランダムフォレストで分割し、異常検知のためのパターンを学習する。例えば、水中の温度、溶存酸素量、ｐＨ値、濁度、水質汚染物質濃度、微生物数などのデータを入力し、異常検知をすることができる。また、ランダムフォレストに使用されるアルゴリズムの一例として、ＣＡＲＴ（Classification and Regression Trees）があり、該ＣＡＲＴは、分類木と回帰木を同時に学習できるアルゴリズムで、ランダムフォレストでは複数のＣＡＲＴを組み合わせて使用する。 Random forests are a type of algorithm that combines multiple decision trees, and water quality data is divided into multiple random forests to learn patterns for detecting anomalies. For example, abnormalities can be detected by inputting data such as water temperature, dissolved oxygen amount, pH value, turbidity, water pollutant concentration, and number of microorganisms. Additionally, an example of an algorithm used in random forests is CART (Classification and Regression Trees), which is an algorithm that can simultaneously learn classification trees and regression trees. In random forests, multiple CARTs are used in combination. .
また、ＳＶＭ（サポートベクターマシン）は、分類問題や回帰問題に用いられるアルゴリズムの一種であり、水質データを複数のＳＶＭで分類し、異常検知のためのパターンを学習する。例えば、水中の温度、溶存酸素量、ｐＨ値、濁度、水質汚染物質濃度、微生物数などのデータを入力し、異常検知を行うことができる。また、ＳＶＭに使用されるアルゴリズムの一例として、カーネル法があり、カーネル法は、高次元空間での分類を可能にする手法であって、線形カーネル、多項式カーネル、ＲＢＦカーネルなどが知られているが、該ＳＶＭは、カーネル法を用いた最適な境界線を学習することで、異常検知を行うことが可能である。 Further, SVM (support vector machine) is a type of algorithm used for classification problems and regression problems, and uses multiple SVMs to classify water quality data and learn patterns for abnormality detection. For example, abnormality detection can be performed by inputting data such as water temperature, dissolved oxygen amount, pH value, turbidity, water pollutant concentration, and number of microorganisms. Further, as an example of an algorithm used in SVM, there is a kernel method.The kernel method is a method that enables classification in a high-dimensional space, and linear kernels, polynomial kernels, RBF kernels, etc. are known. However, the SVM can detect anomalies by learning optimal boundary lines using a kernel method.
さらに具体的には、Pythonのscikit-learnライブラリを用いたランダムフォレストアルゴリズムを使用した水質判定の例を図３に示す。このアルゴリズムは、水質の複数のパラメータを入力として受け取り、水質が異常かどうかを分類することができる。この例では、ランダムフォレストアルゴリズムを使用して水質の異常を判定するために、ランダムフォレスト分類器のインスタンスを作成し、水質データを入力として学習した。そして、新しい水質データを取得して分類を予測している。土壌のデータとＡＩによる解析・判定についても、取得／入力データや検知センサ等を適宜選択・調整すれば、水質判定等と同様に行うことができる。このようなＡＩによる判定を受けて、水質や土壌の改良や調整を経てから後に、養殖や作付けの開始または再開を行うものとできる。 More specifically, Figure 3 shows an example of water quality determination using the random forest algorithm using the Python scikit-learn library. The algorithm takes multiple parameters of water quality as input and can classify whether the water quality is abnormal or not. In this example, to determine water quality anomalies using the Random Forest algorithm, we created an instance of the Random Forest classifier and trained it using water quality data as input. It then acquires new water quality data and predicts the classification. Analysis and determination using soil data and AI can be performed in the same way as water quality determination, etc. by appropriately selecting and adjusting the acquired/input data, detection sensors, etc. In response to such a determination by AI, aquaculture or cropping can be started or resumed after water quality and soil have been improved and adjusted.
（ＡＩが、「圃場土壌の改良要否を判定する」ことを判定するために、ＡＩが具体的にどのようなアルゴリズム（エキスパートシステムやニューラルネットワーク等）により構築され、どのようなデータを用いて学習を行い、具体的にどのような入力情報を用いて上記判定を行うのかについての説明について）
圃場土壌の改良要否をＡＩが判定するために、例えば以下のようなアルゴリズムを使用することが知られている。まず、エキスパートシステムでは、人間の専門家が持っている知識や経験をプログラムに取り込んで、専門家と同じような判断を行うシステムであり、土壌改良に関する知識を専門家から収集し、その知識をシステムに取り込んで、入力された土壌の情報から改良要否を判定することができる。また、ニューラルネットワークは、複数のニューロンから構成される人工的な神経回路網を用いたアルゴリズムであり、土壌の化学成分、土壌の物理的性質、肥料の使用量、作物の種類など、複数のパラメータを入力として受け取り、これらのパラメータから土壌改良要否を判定することができる。そして、決定木は、分岐の枝で条件分岐を行い、最終的に結果を出力するアルゴリズムであり、土壌のｐＨ値、含水率、有機物含有率、窒素含有率、リン含有率などのパラメータを入力として受け取り、これらのパラメータから改良要否を判定することができる。また、サポートベクターマシン（ＳＶＭ）は、データを分類する線や曲線を引くことにより、データの分類を行うアルゴリズムであり、土壌の化学成分、土壌の物理的性質、肥料の使用量、作物の種類など、複数のパラメータを入力として受け取り、これらのパラメータから土壌改良要否を判定することができる。
(In order for AI to determine whether or not field soil improvement is necessary, what kind of algorithm (expert system, neural network, etc.) is it specifically constructed with, and what kind of data is used? Regarding the explanation of what kind of input information is used to make the above judgments during learning)
It is known that, for example, the following algorithm is used by AI to determine whether or not field soil improvement is necessary. First, an expert system is a system that incorporates the knowledge and experience of human experts into a program and makes judgments similar to those of experts.It collects knowledge about soil improvement from experts and uses that knowledge. The need for improvement can be determined from the input soil information by importing it into the system. In addition, a neural network is an algorithm that uses an artificial neural network composed of multiple neurons, and it uses multiple parameters such as soil chemical composition, soil physical properties, amount of fertilizer used, and crop type. It is possible to determine whether or not soil improvement is necessary based on these parameters. A decision tree is an algorithm that performs conditional branching on each branch and finally outputs the result, and inputs parameters such as soil pH value, moisture content, organic matter content, nitrogen content, and phosphorus content. The necessity of improvement can be determined from these parameters. In addition, support vector machine (SVM) is an algorithm that classifies data by drawing lines and curves to classify the data. It is possible to receive a plurality of parameters as input, such as, and determine whether or not soil improvement is necessary from these parameters.
入力情報としては、土壌の化学成分、物理的性質、作物の種類、肥料の使用量、天候などの情報が使用される場合がある。これらの情報は、センサを使用して取得することができる。また、専門家が持つ知識や経験も学習に活用されるものとできる。さらに、圃場土壌の改良要否を判定するために、ＡＩに適用されるアルゴリズムの具体例として図４に示しているが、決定木アルゴリズムの場合には以下の手順となる。 Input information may include information such as the chemical composition of soil, physical properties, types of crops, amount of fertilizer used, and weather. This information can be obtained using sensors. Furthermore, the knowledge and experience possessed by experts can also be utilized for learning. Furthermore, although FIG. 4 shows a specific example of an algorithm applied to AI in order to determine whether or not field soil improvement is necessary, the following procedure is used in the case of a decision tree algorithm.
データの収集（ステップ１）：まず、圃場土壌のデータを収集する。任意の各種センサ等で検知・収集された土壌のｐＨ値、窒素、リン、カリウム、有機物などの物理的、化学的、生物学的な特性が重要な指標となり、実際に作物を栽培し、収量や品質などの情報も収集する。 Data collection (Step 1): First, collect field soil data. The physical, chemical, and biological characteristics of soil, such as pH value, nitrogen, phosphorus, potassium, and organic matter, detected and collected by various sensors, etc. are important indicators, and are used to determine the actual crop cultivation and yield. We also collect information on quality, etc.
データの前処理（ステップ２）：収集したデータを整理し、欠損値や外れ値の処理を行う。また、必要に応じてカテゴリカルなデータを数値データに変換しても良い。 Data preprocessing (step 2): Organize the collected data and process missing values and outliers. Furthermore, categorical data may be converted into numerical data as necessary.
特徴量の選択（ステップ３）：収集したデータから、どの特徴量が圃場土壌の改良要否の予測に有用かを選択する。特徴量の重要度を決定するために、公知の種々の方法を用いることができる。 Selection of feature quantities (Step 3): From the collected data, select which feature quantities are useful for predicting whether or not field soil improvement is necessary. Various known methods can be used to determine the importance of the feature amount.
モデルの学習（ステップ４）：選択した特徴量を入力として、決定木アルゴリズムを使用してモデルを学習する。決定木アルゴリズムは、木構造を使用してデータを分割し、条件分岐を行って予測を行う。具体的には、データを分割する際に、特定の特徴量の値を閾値として選択し、その特徴量の値が閾値を超えた場合には左の枝に、閾値以下の場合には右の枝に分岐する。この手順を再帰的に繰り返し、木を深めていくものとする。 Model learning (step 4): A model is trained using a decision tree algorithm using the selected features as input. Decision tree algorithms use a tree structure to partition data and make conditional branches to make predictions. Specifically, when dividing data, a specific feature value is selected as a threshold, and if the feature value exceeds the threshold, it is applied to the left branch, and if it is below the threshold, it is applied to the right branch. branch into branches. This procedure is repeated recursively to deepen the tree.
モデルの評価（ステップ５）：学習したモデルの性能を評価するために、評価データを使用する。評価データは、学習データとは異なる別のデータセットとなる。評価データを使用して、モデルの精度、再現率、適合率などの指標を評価する。 Model evaluation (step 5): Use evaluation data to evaluate the performance of the learned model. The evaluation data is a separate data set different from the learning data. Use evaluation data to evaluate metrics such as model accuracy, recall, and precision.
モデルの適用（ステップ６）：最後に、新しい圃場土壌データを入力として、学習済みの決定木モデルを使用して、改良要否を判定する。 Applying the model (Step 6): Finally, using the new field soil data as input and using the learned decision tree model, determine whether improvement is necessary.
下記表１は、決定木のアルゴリズム具体例である。 Table 1 below is a specific example of the decision tree algorithm.
上記表１において決定木を学習するためのデータセットが必要であるが、以下のような情報が含まれるデータセットとすることができる。すなわち、土壌のｐＨ値、土壌の養分量、土壌の水分量、土壌の種類、作物の種類、土地の利用履歴、土地の所有者の情報、土地の位置情報などを含む情報とし、例えばＣＳＶファイルなどの形式で保存できる。 In Table 1 above, a data set is required for learning the decision tree, but the data set can include the following information. In other words, the information includes soil pH value, soil nutrient content, soil moisture content, soil type, crop type, land use history, land owner information, land location information, etc., for example, in a CSV file. It can be saved in formats such as
次に、決定木アルゴリズムの実装として、Ｐｙｔｈｏｎのｓｃｉｋｉｔ－ｌｅａｒｎライブラリを使用して決定木アルゴリズムを実装するが、表１はサンプルコードの例である。上記のコードでは、決定木アルゴリズムを使用してＩｒｉｓデータセットに対する分類問題を解決する例を示している。データの読み込みや学習の手順は、実際に使用するデータに合わせて変更することができる。 Next, as an implementation of the decision tree algorithm, the Python scikit-learn library is used to implement the decision tree algorithm, and Table 1 is an example of sample code. The above code provides an example of using a decision tree algorithm to solve a classification problem on the Iris dataset. Data loading and learning procedures can be changed according to the data actually used.
また、入力情報に関して、決定木アルゴリズムを使用して圃場土壌の改良要否を判定する場合、入力情報としては、土壌のｐＨ値、養分量、水分量、種類、作物の種類、土地の利用履歴、所有者の情報、位置情報などが考えられる。これらの情報を入力として、決定木アルゴリズムによって土壌の改良要否を判定することができる。 Regarding input information, when using a decision tree algorithm to determine whether field soil improvement is necessary, the input information includes soil pH value, nutrient content, water content, type, crop type, and land use history. , owner information, location information, etc. Using this information as input, it is possible to determine whether or not soil improvement is necessary using a decision tree algorithm.
また、決定木アルゴリズムを用いた圃場土壌改良要否判定ＡＩの他の例を以下に示す。この場合にはデータセットとして、畑の土壌サンプルから得られた情報を使用するものとし、該データセットには、以下のような特徴量と対応するラベルが含まれる。すなわち、ｐＨ値、窒素含有量、リン含有量、カリウム含有量、腐葉土含有量、石灰分含有量、改良が必要かどうかのラベル（必要：１，不必要：０） Further, another example of AI for determining the necessity of field soil improvement using a decision tree algorithm is shown below. In this case, information obtained from a soil sample in a field is used as a data set, and the data set includes the following feature amounts and corresponding labels. In other words, pH value, nitrogen content, phosphorus content, potassium content, mulch content, lime content, and labels indicating whether improvement is required (Required: 1, Unnecessary: 0)
モデルの構築のため、決定木アルゴリズムを使用して、以下に示す［表２］のような決定木を構築する。 To construct the model, a decision tree algorithm is used to construct a decision tree as shown in Table 2 below.
上記表２の決定木は、ｐＨ値が６．５以上の場合、窒素含有量が２．０未満であれば改良が必要であると判定する。また、カリウム含有量が１０．０未満であれば改良が必要であると判定する。また、ｐＨ値が６．５未満の場合、窒素含有量が３．０未満であれば改良が必要であると判定する。腐葉土含有量が２．０未満であれば改良が必要であると判定する。 The decision tree in Table 2 above determines that improvement is necessary if the pH value is 6.5 or more and the nitrogen content is less than 2.0. Moreover, if the potassium content is less than 10.0, it is determined that improvement is necessary. Further, if the pH value is less than 6.5 and the nitrogen content is less than 3.0, it is determined that improvement is necessary. If the humus content is less than 2.0, it is determined that improvement is necessary.
また、決定木の場合、特にモデルの学習が必要とまでは言えない。モデルの構築と同時に、決定木はデータに適合するように自動的に調整されるものとなる。 Furthermore, in the case of decision trees, it cannot be said that model learning is particularly necessary. As the model is built, the decision tree is automatically adjusted to fit the data.
また、入力情報に関して、ユーザーが入力する情報として、ｐＨ値、窒素含有量、リン含有量、カリウム含有量、腐葉土含有量、石灰分含有量が必要であり、それぞれ土壌センサ等によって得られた検知値を利用することができる。以上が、決定木アルゴリズムを使用した圃場土壌改良要否判定ＡＩの具体例である。 Regarding input information, the user needs to input the following information: pH value, nitrogen content, phosphorus content, potassium content, humus content, and lime content, each of which is detected by a soil sensor, etc. value can be used. The above is a specific example of AI for determining the necessity of field soil improvement using a decision tree algorithm.
（ＡＩが、「圃場土壌で作付けする作物の種類を勘案して判定する」ことを判定するために、ＡＩが具体的にどのようなアルゴリズム（エキスパートシステムやニューラルネットワーク等）により構築され、どのようなデータを用いて学習を行い、具体的にどのような入力情報を用いて上記判定を行うのかについての説明について） (In order for AI to make a decision that takes into account the type of crops to be planted in field soil, what kind of algorithm (expert system, neural network, etc.) is specifically used to construct it, and how is it used? (Explanation of what kind of input information is used to make the above judgments)
作付けする作物の種類を勘案して圃場土壌の改良要否を判定するために使用される決定木アルゴリズムの他の具体例を以下に示す。
＜データセット＞
土壌酸度（ｐＨ）：数値データ
土壌の栄養状態：カテゴリーデータ（高、中、低）
土壌の水はけ：カテゴリーデータ（良好、普通、悪い）
作付けする作物の種類：カテゴリーデータ（小麦、米、大豆）
＜決定木アルゴリズム＞
１、根ノード：作付けする作物の種類を選択
２、作付けする作物が小麦の場合：
・１つ目の分岐：土壌の栄養状態が高いかどうかを確認
・高い場合：土壌の水はけを確認
・良好な場合：改良不要
・普通または悪い場合：改良が必要
・低い場合：改良が必要
・２つ目の分岐：土壌の栄養状態が中または低い場合、改良が必要
３、作付けする作物が米の場合：
・１つ目の分岐：土壌の栄養状態が高いかどうかを確認
・高い場合：改良不要
・低い場合：土壌の水はけを確認
・良好な場合：改良不要
・普通または悪い場合：改良が必要
・２つ目の分岐：土壌の栄養状態が中または低い場合、改良が必要
４、作付けする作物が大豆の場合：
・１つ目の分岐：土壌の栄養状態が高いかどうかを確認
・高い場合：土壌の水はけを確認
・良好な場合：改良不要
・普通または悪い場合：改良が必要
・低い場合：改良が必要
・２つ目の分岐：土壌の栄養状態が中または低い場合、改良が必要
以上のように、作付けする作物の種類によって判断基準を変えることができる。
Other specific examples of the decision tree algorithm used to determine whether or not field soil improvement is necessary in consideration of the types of crops to be planted are shown below.
<Dataset>
Soil acidity (pH): Numerical data Soil nutritional status: Category data (high, medium, low)
Soil drainage: categorical data (good, fair, poor)
Types of crops planted: Category data (wheat, rice, soybeans)
<Decision tree algorithm>
1. Root node: Select the type of crop to be planted 2. If the crop to be planted is wheat:
・First branch: Check whether the soil has a high nutritional status
・If high: Check soil drainage
・If good: No improvement required
・Fair or poor: Improvement required
・If it is low: Improvement is required. ・Second branch: If the soil nutrient status is medium or low, improvement is required. 3. If the crop to be planted is rice:
・First branch: Check whether the soil has a high nutritional status
・If high: No improvement required
・If low: Check soil drainage
・If good: No improvement required
・If the soil is fair or poor: Improvement is required. ・Second branch: If the soil nutritional status is medium or low, improvement is required. 4. If the crop to be planted is soybean:
・First branch: Check whether the soil has a high nutritional status
・If high: Check soil drainage
・If good: No improvement required
・Fair or poor: Improvement required
- If low: improvement is required - Second branch: If soil nutrient status is medium or low, the criteria can be changed depending on the type of crop planted, such as if improvement is more than necessary.
また、圃場土壌で作付けする作物の種類を勘案して圃場土壌の改良要否を判定するために使用される決定木アルゴリズムの他の例として以下に示すようにしても良い。
＜データセット＞
・土壌のｐｈ値（０－１４）
・土壌の窒素含有量（％）
・土壌のリン含有量（％）
・作付けする作物の種類（トマト、キュウリ、ナス、ピーマンのいずれか）
＜決定木アルゴリズム＞
１、土壌のｐｈ値が６．５より高い場合、改良不要とする。
２、土壌のｐｈ値が６．５以下の場合、窒素含有量によって分岐する。
３、窒素含有量が１．０％より高い場合、作付けする作物によって分岐する。
４、トマトを作付けする場合、リン含有量によって分岐する。
５、リン含有量が０．５％より高い場合、改良不要とする。
６、リン含有量が０．５％以下の場合、改良必要とする。
７、キュウリ、ナス、ピーマンを作付けする場合、改良必要とする。
このような決定木アルゴリズムを、適切な学習アルゴリズムを使ってＡＩに覚えさせることができ、例えば、Decision Tree， Random Forest， XGBoostなどのアルゴリズムが利用可能である。データセットを学習アルゴリズムに与え、T適宜なパラメータを設定することで、ＡＩは入力されたデータから土壌の改良要否を判定することができる。
Furthermore, the following may be used as another example of the decision tree algorithm used to determine whether or not the field soil needs to be improved, taking into account the types of crops to be planted in the field soil.
<Dataset>
・Soil pH value (0-14)
・Soil nitrogen content (%)
・Soil phosphorus content (%)
・Type of crop to be planted (tomato, cucumber, eggplant, green pepper)
<Decision tree algorithm>
1. If the pH value of the soil is higher than 6.5, no improvement is necessary.
2. If the pH value of the soil is below 6.5, it will branch depending on the nitrogen content.
3. If the nitrogen content is higher than 1.0%, it will branch depending on the crop planted.
4. When planting tomatoes, branches are determined depending on the phosphorus content.
5. If the phosphorus content is higher than 0.5%, no improvement is necessary.
6. If the phosphorus content is less than 0.5%, improvement is required.
7. Improvement is required when planting cucumbers, eggplants, and peppers.
Such a decision tree algorithm can be taught to AI using an appropriate learning algorithm, and algorithms such as Decision Tree, Random Forest, and XGBoost can be used, for example. By feeding the data set to a learning algorithm and setting appropriate parameters, the AI can determine whether soil improvement is necessary from the input data.
また、圃場土壌で作付けする作物の種類を勘案して圃場土壌の改良要否を判定するために使用される決定木のアルゴリズムとデータセットの他の例として以下のようにできる。
＜決定木のアルゴリズム＞
１、土壌のｐＨ値が６．５以上であるかどうかを判定する
・はい： ２に進む
・いいえ： ３に進む
２、土壌の窒素含有量が０．２％以上であるかどうかを判定する
・はい： 土壌改良不要と判定する
・いいえ： 土壌改良必要と判定する
３、土壌のカリウム含有量が０．３％以上であるかどうかを判定する
・はい： 土壌改良不要と判定する
・いいえ： ４に進む
４、作付けする作物の種類がトマトであるかどうかを判定する
・はい： 土壌改良必要と判定する
・いいえ： 土壌改良不要と判定する
＜データセットの例＞
以下の表３のように、土壌のｐＨ値、窒素含有量、カリウム含有量、作付けする作物の種類、および土壌改良要否を含むデータセットを用意する。
Further, another example of a decision tree algorithm and data set used to determine whether or not to improve field soil in consideration of the types of crops to be planted in the field soil can be as follows.
<Decision tree algorithm>
1. Determine whether the pH value of the soil is 6.5 or higher. ・Yes: Proceed to 2. ・No: Proceed to 3. 2. Determine whether the nitrogen content of the soil is 0.2% or higher.・Yes: Determine that soil improvement is not necessary. ・No: Determine that soil improvement is necessary. 3. Determine whether the potassium content of the soil is 0.3% or more. ・Yes: Determine that soil improvement is not necessary. ・No: Proceed to 4. 4. Determine whether the type of crop to be planted is tomato. ・Yes: Determine that soil improvement is necessary. ・No: Determine that soil improvement is not necessary <Example of data set>
As shown in Table 3 below, a data set containing soil pH value, nitrogen content, potassium content, types of crops to be planted, and whether or not soil improvement is required is prepared.
このようなデータセットを使用して、決定木のアルゴリズムを学習させることができ、学習には、機械学習ライブラリやフレームワークを使用して、実装を行っても良い。
A decision tree algorithm can be trained using such a dataset, and the learning may be implemented using a machine learning library or framework.
また、圃場土壌で作付けする作物の種類を勘案して圃場土壌の改良要否を判定するために使用される決定木アルゴリズムと、ＡＩに覚えさせるためのデータセットの他の例として以下のようにしても良い。
＜決定木アルゴリズム＞
１、圃場土壌のｐＨ値が７．０以上であるかどうかを判定する
・Ｙｅｓ：２へ進む
・Ｎｏ：３へ進む
２、土壌中の主要栄養素（窒素、リン、カリウム）が不足しているかどうかを判定する
・Ｙｅｓ：改良必要
・Ｎｏ：改良不要
３、土壌中の主要栄養素のうち、少なくとも１つが過剰であるかどうかを判定する
・Ｙｅｓ：改良必要
・Ｎｏ：４へ進む
４、土壌中の微量栄養素のうち、少なくとも１つが不足しているかどうかを判定する
・Ｙｅｓ：改良必要
・Ｎｏ：改良不要
＜データセット＞
下記表４に示すように、作物の種類、ｐＨ値、窒素、リン、カリウム、亜鉛、ボラン、銅、マンガンのデータを含む、圃場土壌のデータセットとすることができる。
In addition, the following is an example of a decision tree algorithm used to determine whether field soil improvement is necessary, taking into account the types of crops to be planted in the field soil, and other examples of data sets to be memorized by AI. It's okay.
<Decision tree algorithm>
1. Determine whether the pH value of the field soil is 7.0 or higher. ・Yes: Proceed to 2. ・No: Proceed to 3. 2. Is the soil lacking in major nutrients (nitrogen, phosphorus, potassium)?・Yes: Improvement required ・No: Improvement not required 3. Determine whether at least one of the major nutrients in the soil is in excess ・Yes: Improvement required ・No: Proceed to 4 4. In the soil Determine whether at least one of the micronutrients is deficient. ・Yes: Improvement required ・No: Improvement not required <Data set>
As shown in Table 4 below, it can be a field soil dataset including data on crop type, pH value, nitrogen, phosphorus, potassium, zinc, borane, copper, and manganese.
（ＡＩが、「予め入力設定された作付け予定作物の種類や量を勘案して判断する」ことを判定するために、ＡＩが具体的にどのようなアルゴリズム（エキスパートシステムやニューラルネットワーク等）により構築され、どのようなデータを用いて学習を行い、具体的にどのような入力情報を用いて上記判定を行うのかについての説明について）
圃場土壌の改良要否を判断するために使用されるＡＩの一例として以下のようにしても良い。
＜データセット＞
・圃場土壌の性質（ｐＨ、有機物含有量、窒素含有量、リン含有量、カリウム含有量など）
・圃場土壌の種類（砂質土壌、粘質土壌、礫質土壌など）
・作物の種類（例：トマト、キャベツ、ジャガイモなど）
・圃場の地理的位置情報
＜決定木アルゴリズム＞
１、圃場土壌の性質のうち、最も影響を与える因子を選択する。
２、選択した因子の値によって、データを二つのグループに分ける。
３、各グループの中で最も影響を与える因子を選択し、２の手順を繰り返す。
４、分割ができなくなった場合、そのグループに含まれるデータの平均値を用いて、改良要否を判断する。
＜入力情報の例＞
・圃場土壌の性質（ｐＨ、有機物含有量、窒素含有量、リン含有量、カリウム含有量）
・圃場土壌の種類
・作物の種類と量
具体的には、以下の示す具体例のようにしても良い。
・圃場土壌の性質：ｐＨ＝６．５、有機物含有量＝２．５％、窒素含有量＝０．１％、リン含有量＝０．０８％、カリウム含有量＝０．２％
・圃場土壌の種類：粘質土壌
・作物の種類と量：トマト１０株、キャベツ５株、ジャガイモ２０ｋｇ
このような情報をＡＩに入力し、決定木アルゴリズムを適用することで、圃場土壌の改良要否を判断することができる。
(What kind of algorithm (expert system, neural network, etc.) is specifically used by AI to make a decision that "AI makes a decision taking into consideration the type and amount of crops to be planted that have been input and set in advance?" (Explanation of what kind of data is used for learning and what kind of input information is used to make the above judgment)
An example of AI used to determine whether field soil needs improvement may be as follows.
<Dataset>
・Properties of field soil (pH, organic matter content, nitrogen content, phosphorus content, potassium content, etc.)
・Type of field soil (sandy soil, clay soil, gravel soil, etc.)
・Type of crop (e.g. tomatoes, cabbage, potatoes, etc.)
・Geographical location information of the field <Decision tree algorithm>
1. Select the most influential factor among field soil properties.
2. Divide the data into two groups depending on the value of the selected factor.
3. Select the most influential factor in each group and repeat
4. If division is no longer possible, use the average value of the data included in that group to determine whether improvement is necessary.
<Example of input information>
・Properties of field soil (pH, organic matter content, nitrogen content, phosphorus content, potassium content)
-Type of field soil/type and amount of crops Specifically, the following specific examples may be used.
・Properties of field soil: pH = 6.5, organic matter content = 2.5%, nitrogen content = 0.1%, phosphorus content = 0.08%, potassium content = 0.2%
・Type of field soil: Clay soil ・Type and amount of crops: 10 tomatoes, 5 cabbages, 20 kg of potatoes
By inputting such information into AI and applying a decision tree algorithm, it is possible to determine whether or not field soil improvement is necessary.
さらに他の例として、圃場土壌での作付け予定作物の種類や量を勘案して圃場土壌の改良要否を判断するために、以下のような手順でＡＩを構築するものとできる。
＜データセット＞
・圃場土壌の性状（例えば、ｐＨ、有機物含量、窒素、リン、カリウム、カルシウム等）
・作付け予定作物の種類や量
・圃場土壌改良方法（例えば、石灰、堆肥、化学肥料、微生物肥料、有機物質等）
・圃場土壌の性状に基づく作物生育情報（例えば、育成期間中のｐＨ、生育速度、収穫量等）
＜決定木アルゴリズム＞
以下のような決定木アルゴリズムを使用して、圃場土壌の改良要否を判断することができる。
・圃場土壌の性状が、作付け予定作物の生育に適しているかどうかを判断する。
・圃場土壌のｐＨが、作付け予定作物の適正ｐＨ範囲内にあるかどうかを判断する。
・圃場土壌の窒素、リン、カリウム、カルシウムが、作付け予定作物の必要量を満たしているかどうかを判断する。
・圃場土壌の性状が、作付け予定作物の生育に適していない場合、改良方法を決定する。
・圃場土壌のｐＨが適正でない場合、石灰の添加が必要かどうかを判断する。
・圃場土壌の窒素、リン、カリウム、カルシウムが不足している場合、化学肥料や堆肥の添加が必要かどうかを判断する。
・圃場土壌の有機物含量が不足している場合、有機物質の添加が必要かどうかを判断する。
＜入力情報の例＞
・圃場土壌の性状データ（ｐＨ、有機物含量、窒素、リン、カリウム、カルシウム等）
・作付け予定作物の種類や量
・圃場土壌改良方法の選択（石灰、堆肥、化学肥料、微生物肥料、有機物質等）
以上のように構成してＡＩが判定を行うものとしても良い。
As yet another example, AI can be constructed using the following procedure in order to determine whether or not field soil improvement is necessary, taking into consideration the type and amount of crops planned to be planted in the field soil.
<Dataset>
・Properties of field soil (e.g. pH, organic matter content, nitrogen, phosphorus, potassium, calcium, etc.)
・Types and amounts of crops planned to be planted ・Field soil improvement methods (e.g. lime, compost, chemical fertilizers, microbial fertilizers, organic substances, etc.)
- Crop growth information based on field soil properties (e.g. pH during the growing period, growth rate, yield, etc.)
<Decision tree algorithm>
A decision tree algorithm such as the one below can be used to determine whether or not field soil improvement is necessary.
- Determine whether the field soil properties are suitable for growing the crops you plan to plant.
- Determine whether the pH of the field soil is within the appropriate pH range for the crops to be planted.
- Determine whether the nitrogen, phosphorus, potassium, and calcium in the field soil meet the requirements of the crops planned to be planted.
- If the field soil properties are not suitable for growing the crops planned to be planted, decide on improvement methods.
- If the pH of the field soil is not appropriate, determine whether it is necessary to add lime.
・If the field soil is deficient in nitrogen, phosphorus, potassium, and calcium, determine whether it is necessary to add chemical fertilizers or compost.
- If the organic matter content of the field soil is insufficient, determine whether it is necessary to add organic matter.
<Example of input information>
・Property data of field soil (pH, organic matter content, nitrogen, phosphorus, potassium, calcium, etc.)
・Type and amount of crops planned to be planted ・Selection of field soil improvement method (lime, compost, chemical fertilizers, microbial fertilizers, organic substances, etc.)
The configuration as described above may be configured and the determination may be made by AI.
さらに他の例として、圃場土壌の特徴とその改良要否を表すデータセットの例として下記表５に示すように、圃場土壌の特徴として１?５の５つの値を用い、改良要否を０（不要）または１（必要）の２値で表すものとし、このようなデータセットを用いて、決定木アルゴリズムによる学習を行っても良い。 As another example, as shown in Table 5 below, which is an example of a data set representing the characteristics of field soil and the necessity of improvement, five values from 1 to 5 are used as the characteristics of field soil, and the necessity of improvement is set to 0. It is expressed by a binary value of (unnecessary) or 1 (necessary), and learning using a decision tree algorithm may be performed using such a data set.
そして、決定木アルゴリズムは、IF-THEN規則に基づいた分類器であるから、学習データセットを用いて、条件分岐によって分類を行う木構造のモデルをScikit-learnライブラリを用いた決定木アルゴリズムとして下記のように構成しても良い。
from sklearn.tree import DecisionTreeClassifier
# データセットの読み込み
X = [[1.0], [2.0], [3.0], [4.0], [5.0]]
y = [0, 0, 1, 1, 1]
# 決定木モデルの生成
clf = DecisionTreeClassifier()
clf.fit(X, y)
上記したコードでは、DecisionTreeClassifierクラスを用いて決定木モデルを生成し、fitメソッドで学習を行うものとする。
そして、入力情報としては、以下のような圃場土壌の特徴を用いることができる。
# 圃場土壌の特徴
X_test = [[2.5], [4.5]]
上記のコードでは、圃場土壌の特徴として２．５と４．５の２つの値を持つデータを生成している。
そして、判定結果の具体例として、生成された決定木モデルを用いて、入力情報から圃場土壌の改良要否を判断することができ、例えば、以下のようなコードを用いて判定を行うことができる。
# 判定結果の取得
y_pred = clf.predict(X_test)
# 判定結果の表示
print(y_pred) # => [0, 1]
上記したコードでは、predictメソッドを用いて入力情報から圃場土壌の改良要否を行うものとする。
Since the decision tree algorithm is a classifier based on the IF-THEN rule, a tree-structured model that performs classification by conditional branching using the learning dataset is described below as a decision tree algorithm using the Scikit-learn library. It may be configured as follows.
from sklearn.tree import DecisionTreeClassifier
# Load dataset
X = [[1.0], [2.0], [3.0], [4.0], [5.0]]
y = [0, 0, 1, 1, 1]
# Generate decision tree model
clf = DecisionTreeClassifier()
clf.fit(X, y)
In the above code, a decision tree model is generated using the DecisionTreeClassifier class, and learning is performed using the fit method.
The following characteristics of field soil can be used as input information.
# Characteristics of field soil
X_test = [[2.5], [4.5]]
The above code generates data with two values, 2.5 and 4.5, as characteristics of the field soil.
As a specific example of the determination result, it is possible to use the generated decision tree model to determine whether or not field soil improvement is necessary from the input information.For example, the determination can be made using the following code. can.
# Get the judgment result
y_pred = clf.predict(X_test)
# Display judgment results
print(y_pred) # => [0, 1]
In the above code, it is assumed that the predict method is used to determine whether field soil improvement is necessary based on input information.
また、決定木アルゴリズムを使用した具体的なデータセット、決定木アルゴリズム、および入力情報の他の例として以下に説明する。
＜データセット＞
・土壌の養分量 （高： １， 中： ０， 低： －１）
・土壌の水分量 （多： １， 普通： ０， 少： －１）
・土壌の酸性度 （酸性： １， 中性： ０， アルカリ性： －１）
・作付け予定の作物 （トマト： １， じゃがいも： ０， キャベツ： －１）
・土壌改良要否 （必要： １， 不要： －１）
また、実際のデータ例として下記表６のようにできる。
＜決定木アルゴリズム＞
そして、以下のような決定木アルゴリズムを使用するものとする。
ｉｆ 作物 ＝ １：
ｉｆ 養分量 ＝ －１：
土壌改良要否 ＝ １
ｅｌｉｆ 酸性度 ＝ １：
土壌改良要否 ＝ １
ｅｌｓｅ：
土壌改良要否 ＝ －１
ｅｌｉｆ 作物 ＝ ０：
ｉｆ 水分量 ＝ －１：
土壌改良要否 ＝ １
ｅｌｓｅ：
土壌改良要否 ＝ －１
ｅｌｓｅ：
土壌改良要否 ＝ －１
＜入力情報の具体例＞
そして、以下に示すような具体的な入力情報としても良い。
養分量： １
水分量： ０
酸性度： ０
作物： １
このような入力情報を決定木アルゴリズムに入力すると、土壌改良要否は－１となる。
Further, other examples of specific data sets, decision tree algorithms, and input information using the decision tree algorithm will be described below.
<Dataset>
・Soil nutrient content (high: 1, medium: 0, low: -1)
・Soil moisture content (high: 1, normal: 0, low: -1)
・Soil acidity (acidic: 1, neutral: 0, alkaline: -1)
・Crops to be planted (Tomato: 1, Potato: 0, Cabbage: -1)
・Need for soil improvement (Necessary: 1, Unnecessary: -1)
Further, as an example of actual data, it can be done as shown in Table 6 below.
<Decision tree algorithm>
Assume that the following decision tree algorithm is used.
if crop = 1:
if Nutrient amount = -1:
Soil improvement necessity = 1
elif acidity = 1:
Soil improvement necessity = 1
else:
Soil improvement necessity = -1
elif crop = 0:
if water content = -1:
Soil improvement necessity = 1
else:
Soil improvement necessity = -1
else:
Soil improvement necessity = -1
<Specific example of input information>
Further, specific input information as shown below may be used.
Nutrient amount: 1
Moisture content: 0
Acidity: 0
Crops: 1
When such input information is input to the decision tree algorithm, the soil improvement necessity becomes -1.
さらに、他の例として、圃場土壌の改良要否を判断するための下記のデータセットを用意することでも本発明を実行できる。
・土壌のpH値
・土壌の水分量
・土壌の栄養状態
・土壌の質
・作付け予定作物の種類
・作付け予定作物の量
次に、このデータセットを用いて決定木アルゴリズムを構築するが、以下のようにPythonのscikit-learnライブラリを用いた決定木アルゴリズムとしても良い。
from sklearn.tree import DecisionTreeClassifier
# データセットの読み込み
data = [[pH, water, nutrient, quality, crop, amount, improvement] for pH, water, nutrient, quality, crop, amount, improvement in dataset]
# 特徴量とラベルに分割
X = [d[：-1] for d in data]
y = [d[-1] for d in data]
# 決定木アルゴリズムの学習
clf = DecisionTreeClassifier()
clf.fit(X, y)
そして、上記した決定木アルゴリズムを用いて、以下のような入力情報を用いて圃場土壌の改良要否を判断することができる。
・土壌のpH値
・土壌の水分量
・土壌の栄養状態
・土壌の質
・作付け予定作物の種類
・作付け予定作物の量
すなわち具体的には、以下のように入力情報を指定する。
# 土壌のpH値が6.5、水分量が50、栄養状態が高、土壌の質が良好、作付け予定作物がトマト、作付け予定作物の量が10の場合
input_data = [[6.5, 50, 'high', 'good', 'tomato', 10]]
# 決定木アルゴリズムによる予測
prediction = clf.predict(input_data)
# 圃場土壌の改良要否を出力
if prediction[0] == 1：
print("圃場土壌の改良が必要です。")
else：
print("圃場土壌の改良は不要です。")
上記した例では、決定木アルゴリズムが出力する「１」と「０」がそれぞれ、「圃場土壌の改良が必要」と「圃場土壌の改良は不要」と対応する。
Furthermore, as another example, the present invention can be carried out by preparing the following data set for determining whether or not field soil improvement is necessary.
・Soil pH value ・Soil moisture content ・Soil nutritional status ・Soil quality ・Types of crops planned to be planted ・Amounts of crops planned to be planted Next, a decision tree algorithm will be constructed using this dataset, but the following will be used. A decision tree algorithm using Python's scikit-learn library can also be used.
from sklearn.tree import DecisionTreeClassifier
# Load dataset
data = [[pH, water, nutrient, quality, crop, amount, improvement] for pH, water, nutrient, quality, crop, amount, improvement in dataset]
# Split into features and labels
X = [d[:-1] for d in data]
y = [d[-1] for d in data]
# Learning decision tree algorithm
clf = DecisionTreeClassifier()
clf.fit(X, y)
Then, using the decision tree algorithm described above, it is possible to determine whether or not field soil improvement is necessary using the following input information.
・Soil pH value ・Soil moisture content ・Soil nutritional status ・Soil quality ・Type of crop planned to be planted ・Amount of crop planned to be planted Specifically, input information is specified as follows.
# If the soil pH value is 6.5, the moisture content is 50, the nutritional status is high, the soil quality is good, the crop planned to be planted is tomatoes, and the amount of crops planned to be planted is 10.
input_data = [[6.5, 50, 'high', 'good', 'tomato', 10]]
# Prediction using decision tree algorithm
prediction = clf.predict(input_data)
# Output whether or not field soil improvement is necessary
if prediction[0] == 1:
print("Field soil needs improvement.")
else:
print("No need to improve the field soil.")
In the above example, "1" and "0" output by the decision tree algorithm correspond to "field soil improvement is required" and "field soil improvement is not required," respectively.
また、他の例として圃場土壌での作付け予定作物の種類や量を勘案して圃場土壌の改良要否を判断するために、決定木アルゴリズムを用いたＡＩの具体的な構築方法として下記のようにしても良い。
１、データセットは下記表７のように用意する。
２、決定木アルゴリズム
上記した表７のデータセットを用いて、以下のような決定木アルゴリズムを構築する。
if 過去の作付け作物 = トマト：
if 土壌pH > 6.2：
改良要否 = 不要
else：
改良要否 = 必要
elif 過去の作付け作物 = トウモロコシ：
if 土壌酸性度 = 酸性 or 有機物含有量 = 低：
改良要否 = 必要
else：
改良要否 = 不要
else：
改良要否 = 不要
３、入力情報
そして、決定木アルゴリズムの入力情報としては、以下のようになる。
・土壌ｐＨ：数値
・土壌酸性度：非酸性 ｏｒ 酸性
・有機物含有量：低 ｏｒ 中 ｏｒ 高
・過去の作付け作物：トマト ｏｒ トウモロコシ ｏｒ その他
４、入力実例として下記のような入力情報が与えられた場合、改良要否が「必要」と判定されることとなる。
・土壌ｐＨ：５．６
・土壌酸性度：酸性
・有機物含有量：高
・過去の作付け作物：小麦
In addition, as another example, the following is a specific method for building AI using a decision tree algorithm to determine whether or not field soil improvement is necessary, taking into account the type and amount of crops planned to be planted in the field soil. You can also do it.
1. Prepare the data set as shown in Table 7 below.
2. Decision tree algorithm The following decision tree algorithm is constructed using the data set shown in Table 7 above.
if Past Crops = Tomatoes:
if soil pH > 6.2:
Improvement required = not required
else:
Improvement required = necessary
elif Past crop = corn:
if soil acidity = acidic or organic matter content = low:
Improvement required = necessary
else:
Improvement required = not required
else:
Need for improvement = Not required 3, Input information And the input information for the decision tree algorithm is as follows.
・Soil pH: numerical value ・Soil acidity: non-acidic or acidic ・Organic matter content: low or medium or high ・Past planted crops: tomato or corn or other 4. The following input information was given as an input example. In this case, the necessity of improvement is determined to be "necessary".
・Soil pH: 5.6
・Soil acidity: acidic ・Organic matter content: high ・Past planted crops: wheat
（ＡＩが「オペレータによる遠隔操縦をアシストするか自動操縦をする」ための判定を行うために、ＡＩが具体的にどのようなアルゴリズム（エキスパートシステムやニューラルネットワーク等）により構築され、どのようなデータを用いて学習を行い、具体的にどのような入力情報を用いて上記判定を行うのかについての説明）
農作業機械の自動操縦をするかどうかを判断するためには、以下のようなアルゴリズムが考えられる。
１、ニューラルネットワーク
入力層：作業機械の種類、天候、時間帯、農作業の種類、敷地の地形や形状など
中間層：隠れ層1, 隠れ層2, ...
出力層：自動操縦するかどうかの判定（Yes or No）
２、決定木
データセット：農作業機械の種類、天候、時間帯、農作業の種類、敷地の地形や形状などの各要素を組み合わせたデータセット
決定木アルゴリズム：各要素を分岐として判定を行い、最終的に自動操縦するかどうかの判定をする。
３、サポートベクターマシン (SVM)
データセット：農作業機械の種類、天候、時間帯、農作業の種類、敷地の地形や形状などの各要素を組み合わせたデータセット
４、SVMアルゴリズム：各要素を特徴空間上にマッピングし、自動操縦するかどうかの境界線を決定する。
具体例としては、以下のようなデータセットが考えられる。
５、入力情報としては、例えば以下のようなものが考えられる。
農作業機械の種類：トラクタ、コンバイン、田植え機など
天候：晴れ、曇り、雨など
時間帯：朝、昼、夕方など
農作業の種類：耕うん、収穫、灌水など
敷地の地形：平坦、斜面など
(In order for AI to make a decision to “assist remote control by an operator or perform automatic piloting,” what kind of algorithm (expert system, neural network, etc.) is specifically used to build AI, and what kind of data is used? (Explanation of what kind of input information is used to make the above judgment)
The following algorithm can be used to determine whether or not to automatically operate agricultural machinery.
1. Neural network Input layer: Type of working machine, weather, time of day, type of agricultural work, topography and shape of site, etc. Middle layer:
Output layer: Determine whether to autopilot (Yes or No)
2. Decision tree dataset: A dataset that combines various elements such as the type of agricultural machinery, weather, time of day, type of agricultural work, topography and shape of the site, etc. Decision tree algorithm: Makes a decision based on each element as a branch, and makes a final decision. Determine whether to autopilot or not.
3. Support Vector Machine (SVM)
Dataset: Dataset 4 that combines various elements such as the type of agricultural machinery, weather, time of day, type of agricultural work, topography and shape of the site, etc. SVM algorithm: Map each element on the feature space and automatically operate it Decide on boundaries.
As a specific example, the following data sets can be considered.
5. As input information, the following can be considered, for example.
Types of agricultural machinery: Tractors, combines, rice transplanters, etc. Weather: Sunny, cloudy, rainy, etc. Time of day: Morning, afternoon, evening, etc. Types of agricultural work: Tilling, harvesting, irrigation, etc. Site topography: Flat, sloped, etc.
また、他の例として、農作業機械を自動操縦するか、またはオペレータによる遠隔操縦をアシストするかを判定するために、以下のような決定木アルゴリズムを利用することが考えられる。
１、農作業機械の種類を入力情報として受け取る。
２、農作業機械の種類に応じて、以下の情報を入力として受け取る。
・圃場の形状や大きさ
・圃場に生えている作物の種類や密度
・土壌の種類や含水量
・天候や気象条件
・作業の時間帯やスケジュール
３、上記の入力情報をもとに、以下の判定を行う。
３－１、農作業機械の自動操縦が可能な場合：
・圃場の形状が単純で障害物が少ない
・圃場に生えている作物の密度が低く、作物の種類が一種類である
・土壌の状態が均一で、含水量が一定範囲内に収まる
・天候や気象条件が安定しており、視界が良好である
・作業スケジュールがあらかじめ設定されており、時間的な余裕がある
３－２、農作業機械の自動操縦が不可能な場合：
・圃場の形状が複雑で、障害物が多い
・圃場に生えている作物の密度が高く、作物の種類が複数種類ある
・土壌の状態が不均一で、含水量が範囲外にある
・天候や気象条件が不安定で、視界が悪い
・作業スケジュールが厳密に決まっておらず、時間的な余裕がない
上記した決定木アルゴリズムに対して、以下のようなデータセットを用いて学習を行う。
表９のデータセットでは、機械、圃場、作物、土壌、天候、作業スケジュール、および自動操縦の可否を入力情報として使用している。
そして、データセットの各要素に対する具体例としては以下のようになる。
・農作業機械： トラクタ
・圃場の形状： 正方形、100m x 100m
・圃場に生えている作物の密度： 200本/m2
・土壌の状態： pH 6.5、窒素 100kg/ha、リン 50kg/ha、カリウム 150kg/ha
・含水量： 30%
・天候・気象条件： 晴れ、気温25℃、湿度60%
・作業スケジュール： 8時から17時まで、1時間ごとに作業予定あり
・自動操縦の可否： 可能
これらのデータを数値、数式、またはプログラムに変換する場合に、各要素に対して適切な変換方法を適用する必要があるが、たとえば、天候・気象条件は数値に変換することができ、気温２５℃は数値２５に、湿度６０％は数値０．６に変換されても良い。また、作業スケジュールはプログラムによって表現することができるので、８時から１７時までの時間帯を１０個の時間帯に分割し、各時間帯の作業予定を１または０の値で表現することができる。
As another example, the following decision tree algorithm may be used to determine whether to automatically operate the agricultural machine or to assist remote control by an operator.
1. Receive the type of agricultural machinery as input information.
2. Receive the following information as input depending on the type of agricultural machine.
・Shape and size of the field ・Type and density of crops growing in the field ・Soil type and moisture content ・Weather and climatic conditions ・Work time and schedule 3 Based on the input information above, calculate the following: Make a judgment.
3-1. When automatic operation of agricultural machinery is possible:
・The shape of the field is simple and there are few obstacles ・The density of crops growing in the field is low and there is only one type of crop ・The soil condition is uniform and the water content is within a certain range ・The weather and The weather conditions are stable and visibility is good. - The work schedule is set in advance and there is plenty of time. 3-2. When automatic operation of agricultural machinery is not possible:
・The shape of the field is complex and there are many obstacles. ・The density of crops growing in the field is high and there are multiple types of crops. ・The soil condition is uneven and the water content is out of range. ・The weather and The weather conditions are unstable and visibility is poor. - The work schedule is not strictly determined and there is not enough time. The decision tree algorithm described above is trained using the following datasets.
The data set in Table 9 uses the machine, field, crop, soil, weather, work schedule, and whether autopilot is available as input information.
A specific example for each element of the data set is as follows.
・Agricultural machinery: Tractor ・Field shape: Square, 100m x 100m
・Density of crops growing in the field: 200 plants/m2
・Soil condition: pH 6.5, nitrogen 100kg/ha, phosphorus 50kg/ha, potassium 150kg/ha
・Moisture content: 30%
・Weather/Climatic conditions: Sunny, temperature 25℃, humidity 60%
・Work schedule: Work scheduled every hour from 8:00 to 17:00 ・Availability of automatic pilot: Possible When converting these data into numerical values, formulas, or programs, the appropriate conversion method for each element. However, for example, weather/climatic conditions can be converted into numerical values, such as temperature of 25° C. may be converted to a numerical value of 25, and humidity of 60% may be converted to a numerical value of 0.6. Also, since work schedules can be expressed by programs, it is possible to divide the time period from 8:00 to 17:00 into 10 time periods and express the work schedule for each time period as a value of 1 or 0. can.
また、他の例として農作業機械を自動操縦するかどうかを判定するために、以下のような決定木アルゴリズムを使用することができる。
１、作業内容によって、機械を自動操縦するかどうかを判断する。
・作業内容が定型的な場合は、機械を自動操縦する。
・作業内容が非定型的な場合は、オペレータによる遠隔操縦をアシストする。
２、地形や障害物の有無によって、機械を自動操縦するかどうかを判断する。
・地形や障害物がない場合は、機械を自動操縦する。
・地形や障害物がある場合は、オペレータによる遠隔操縦をアシストする。
３、天候状況によって、機械を自動操縦するかどうかを判断する。
・天候状況が良好な場合は、機械を自動操縦する。
・天候状況が悪い場合は、オペレータによる遠隔操縦をアシストする。
上記の決定木アルゴリズムにおいて、学習に使用するデータセットは、機械の自動操縦が適切であるかどうかを判断するための基準となる作業内容、地形や障害物の有無、天候状況、そして機械の自動操縦が適切であったかどうかを判断するための評価データが必要となるところ、具体的な入力情報としては、以下のようなものが考えられる。
・作業内容：畑の草刈り、畑の耕耘、稲作の水やりなど
・地形や障害物：平地、斜面、岩、木など
・天候状況：晴れ、曇り、雨、雪など
・機械の状態：作業幅、速度、燃料残量、エラーコードなど
また、具体的なデータセットや決定木アルゴリズムの作成には、実際の農場でのデータや専門家の知見を活用することも有効であるが、例えば以下のように作成できる。
＜データセットの例＞
＜決定木アルゴリズムの例＞
上記表１０のデータセットを用いた決定木アルゴリズムの具体例としては以下のようになる。
１、草丈が４０ｃｍ以下の場合は自動操縦とする
２、草丈が４０ｃｍよりも大きく、かつ濡れた土壌でない場合はオペレータによる遠隔操縦をアシストとする
３、草丈が４０ｃｍよりも大きく、かつ濡れた土壌で、かつ丘陵地帯でない場合はオペレータによる遠隔操縦をアシストとする
４、草丈が４０ｃｍよりも大きく、かつ濡れた土壌で、かつ丘陵地帯の場合は自動操縦とする
この決定木アルゴリズムに従って、草丈が５０ｃｍで、濡れた土壌で、山地にある場合、オペレータによる遠隔操縦をアシストすることが適切な操縦方式と判断される。
さらに、この場合のデータセットと決定木アルゴリズム及び入力データは下記（例１）乃至（例３）のようにしても良い。
（例１）
＜データセット＞
以下のような特徴量とラベルを持つデータセットを用意する。
特徴量
・作業区画の面積（単位：ｈａ）
・作業内容（耕うん、田植え、草刈り、収穫など）
・作業時間（単位：時間）
・天候（晴れ、曇り、雨）
・土壌湿度（乾燥、普通、湿り気がある）
・傾斜度（平坦、やや傾斜、急傾斜）
ラベル
・自動操縦可（１）
・オペレータによる遠隔操縦をアシストすることが必要（０）
＜決定木アルゴリズム＞
このようなデータセットを用いて決定木アルゴリズムを構築する。以下のようなルールを持つ決定木を考えることができる。
・作業区画の面積が１００ｈａ以上の場合は、自動操縦可（１）とする。
・作業区画の面積が１００ｈａ未満かつ、作業内容が耕うん、田植え、草刈りのいずれかである場合は、天候に関係なく自動操縦可（１）とする。
・作業区画の面積が１００ｈａ未満かつ、作業内容が収穫である場合は、以下の条件に基づいて判断する。
・作業時間が１２時間以上で、天候が晴れか曇りである場合は自動操縦可（１）とする。
・作業時間が１２時間以上で、天候が雨であっても、土壌湿度が普通以上であれば自動操縦可（１）とする。
・上記以外の場合は、オペレータによる遠隔操縦のアシストが必要（０）とする。
・作業区画の面積が１００ｈａ未満かつ、作業内容が収穫以外である場合は、傾斜度に関係なく自動操縦可（１）とする。
＜入力情報の具体例＞
・作業区画の面積：８０ｈａ
・作業内容：収穫
・作業時間：１０時間
・天候：晴れ
・土壌湿度：湿り気がある
・傾斜度：急傾斜・・・
（例２）
＜データセット＞
・地形の起伏 （低い、やや低い、中程度、やや高い、高い）
・作業幅 （狭い、やや狭い、普通、やや広い、広い）
・作物の種類 （小麦、米、トウモロコシ、大豆、その他）
・天候 （晴れ、曇り、雨、雪、その他）
・作業時間帯 （昼間、夕方、夜間、その他）
・オペレータの経験年数 （１年未満、１年以上３年未満、３年以上５年未満、５年以上）
＜決定木アルゴリズム＞
・最初に、地形の起伏を分類するノードを設定
・その後、作業幅、作物の種類、天候、作業時間帯、オペレータの経験年数を順番に分類するノードを設定
・最終的に、オペレータの経験年数によって、自動操縦か遠隔操縦のアシストかを決定する
より具体的にPythonでの決定木アルゴリズムとしては下記表１１のようになる。
表１１の例では、sklearnライブラリを使用し、DecisionTreeClassifierクラスを使用して、決定木のモデルを作成し、criterionパラメータで不純度の計算方法を、max_depthパラメータで決定木の深さを指定している。
データセットは、pandasライブラリを使用してCSVファイルから読み込むものとし、また、ilocメソッドを使用して、特徴量とラベルを取得している。
新しいデータを予測する場合は、predictメソッドを使用する。new_dataには、予測したい新しいデータが含まれている。
＜入力情報の具体例＞
・地形の起伏：中程度
・作業幅：普通
・作物の種類：トウモロコシ
・天候：晴れ
・作業時間帯：昼間
・オペレータの経験年数：3年以上5年未満
上記の入力情報を決定木アルゴリズムに入力すると、オペレータの経験年数が３年以上５年未満であるため、オペレータによる遠隔操縦のアシスト操縦を行うものと判断される可能性が高くなる。
（例３）
＜データセット＞
・地形の情報（平地、斜面、段々畑など）
・作業する田んぼの形状や大きさ
・田んぼの土質情報（例えば、粘土、砂質、泥土など）
・作付けする作物の情報（例えば、種類、密度、作付け期間、栽培方法など）
・作業機械の情報（例えば、種類、サイズ、能力など）
・天候情報（例えば、晴天、雨天、積雪など）
＜決定木アルゴリズム＞
１、地形が平地かつ田んぼの形状が正方形または長方形の場合、自動操縦を行う。
２、地形が斜面または段々畑で、かつ田んぼの形状が正方形または長方形の場合、オペレータのアシスト操縦を行う。
３、田んぼの土質情報が砂質で、かつ作物が稲の場合、自動操縦を行う。
４、田んぼの土質情報が粘土で、かつ作物が小麦の場合、オペレータのアシストを行う。
５、作業機械の種類が田植え機で、かつ作付け期間が５月中旬から６月上旬の場合、自動操縦を行う。
６、天候が雨天で、かつ作物が大豆の場合、オペレータのアシストを行う。
７、上記以外の場合は、オペレータの判断により自動操縦またはオペレータのアシストを行う。
具体的には、Pythonで実装された決定木アルゴリズムは下記表１２のようになる。
表１２のプログラムでは、ＣＳＶファイルからデータセットを読み込み、特徴量とラベルを分割し、決定木アルゴリズムを作成してモデルを学習する。そして、新しいデータを予測し、予測結果を出力する。新しいデータには、地形の情報、作業する田んぼの形状や大きさ、田んぼの土質情報、作付けする作物の情報、作業機械の情報、天候情報が含まれる。
このようなＡＩ入力情報として下記表１３に示すものとできる。ここで、表１３の各情報の意味は以下の通りとなる。
terrain： 地形の情報。flat（平地）、slope（斜面）、terraced（段々畑）のいずれか。
field_shape： 田んぼの形状や大きさ。square（正方形）、rectangle（長方形）、irregular（不規則）のいずれか。
soil_type： 土質情報。clay（粘土）、sandy（砂質）、loam（泥土）のいずれか。
crop： 作付けする作物の情報。rice（米）、wheat（小麦）、soybean（大豆）のいずれか。
crop_density： 作付け密度の情報。low（低密度）、medium（中密度）、high（高密度）のいずれか。
crop_season： 作付け期間の情報。spring（春）、summer（夏）、autumn（秋）のいずれか。
cultivation_method： 栽培方法の情報。dry-field farming（乾田）、paddy-field farming（水田）のいずれか。
machine_type： 使用する農作業機械の情報。tractor（トラクタ）、combine harvester（コンバイン）のいずれか。
machine_size： 農作業機械のサイズの情報。small（小型）、medium（中型）、large（大型）のいずれか。
machine_capacity： 農作業機械の能力の情報。low（低能力）、medium（中能力）、high（高能力）のいずれか。
weather： 天候情報。sunny（晴天）、rainy（雨天）、snowy（積雪）のいずれか。
Further, as another example, the following decision tree algorithm can be used to determine whether to automatically steer the agricultural machine.
1. Determine whether or not to operate the machine automatically depending on the work content.
・If the work is routine, operate the machine automatically.
- If the work is non-routine, assist the operator with remote control.
2. Determine whether to automatically steer the machine based on the terrain and the presence or absence of obstacles.
・Automatically pilot the machine when there are no terrain or obstacles.
・If there are terrain or obstacles, assist the operator with remote control.
3. Determine whether to automatically operate the machine depending on the weather conditions.
・If the weather conditions are favorable, the machine will be operated automatically.
・If the weather conditions are bad, assist the operator with remote control.
In the above decision tree algorithm, the data set used for learning includes the work content, terrain and presence of obstacles, weather conditions, and the machine's automatic operation, which are the criteria for determining whether automatic machine operation is appropriate. Evaluation data is required to determine whether the maneuver was appropriate, and the following can be considered as specific input information.
・Work content: mowing fields, tilling fields, watering rice crops, etc. ・Terrain and obstacles: flat land, slopes, rocks, trees, etc. ・Weather conditions: sunny, cloudy, rain, snow, etc. ・Machine condition: working width , speed, remaining fuel level, error codes, etc.Also, it is effective to use data from actual farms and the knowledge of experts to create specific data sets and decision tree algorithms. It can be created as follows.
<Example of data set>
<Example of decision tree algorithm>
A specific example of a decision tree algorithm using the data set shown in Table 10 above is as follows.
1. If the plant height is 40 cm or less, automatic operation will be used. 2. If the plant height is larger than 40 cm and the soil is not wet, remote control will be assisted by the operator. 3. If the plant height is larger than 40 cm and the soil is wet. If the area is not hilly, remote control by the operator will be used as an assistant.4 If the plant height is larger than 40 cm, the soil is wet, and the area is hilly, automatic control will be used.According to this decision tree algorithm, if the plant height is 50 cm If the vehicle is located in a mountainous area with wet soil, assisting the operator with remote control is judged to be the appropriate control method.
Furthermore, the data set, decision tree algorithm, and input data in this case may be as shown below (Example 1) to (Example 3).
(Example 1)
<Dataset>
Prepare a dataset with the following features and labels.
Feature value
・Area of work area (unit: ha)
・Work details (tilling, rice planting, mowing, harvesting, etc.)
・Working time (unit: hours)
・Weather (sunny, cloudy, rainy)
・Soil humidity (dry, normal, moist)
・Slope (flat, slightly sloped, steep slope)
Label - Autopilot possible (1)
・Need to assist remote control by operator (0)
<Decision tree algorithm>
A decision tree algorithm is constructed using such a dataset. We can consider a decision tree with the following rules.
・If the area of the work area is 100 ha or more, automatic operation is possible (1).
・If the area of the work area is less than 100ha and the work involves plowing, rice planting, or mowing, automatic operation is possible (1) regardless of the weather.
・If the area of the work area is less than 100ha and the work involves harvesting, judgment will be made based on the following conditions.
・If the work time is 12 hours or more and the weather is sunny or cloudy, autopilot is enabled (1).
・Even if the work time is 12 hours or more and the weather is rainy, if the soil humidity is above normal, automatic operation is possible (1).
- In cases other than the above, remote control assistance by the operator is required (0).
- If the area of the work area is less than 100 ha and the work content is other than harvesting, automatic operation is possible (1) regardless of the slope.
<Specific example of input information>
・Work area: 80ha
・Work content: Harvesting ・Working time: 10 hours ・Weather: Sunny ・Soil humidity: Moist ・Slope: Steep...
(Example 2)
<Dataset>
・Terrain relief (low, slightly low, medium, slightly high, high)
・Working width (narrow, slightly narrow, normal, slightly wide, wide)
・Type of crops (wheat, rice, corn, soybeans, others)
・Weather (sunny, cloudy, rain, snow, etc.)
・Working hours (daytime, evening, night, etc.)
・Years of operator experience (less than 1 year, 1 year or more but less than 3 years, 3 years or more but less than 5 years, 5 years or more)
<Decision tree algorithm>
・First, set a node to classify the terrain relief. ・Then, set a node to classify in order the working width, crop type, weather, working time zone, and operator's years of experience. ・Finally, set the node to classify the operator's years of experience. The decision tree algorithm in Python is as shown in Table 11 below.
In the example in Table 11, a decision tree model is created using the sklearn library and the DecisionTreeClassifier class, and the impurity calculation method is specified with the criterion parameter, and the depth of the decision tree is specified with the max_depth parameter. .
The dataset is read from a CSV file using the pandas library, and the iloc method is used to obtain features and labels.
If you want to predict new data, use the predict method. new_data contains the new data you want to predict.
<Specific example of input information>
・Terrain relief: Medium ・Working width: Normal ・Crop type: Corn ・Weather: Sunny ・Working hours: Daytime ・Years of operator experience: 3 to 5 years Input the above input information into the decision tree algorithm Then, since the operator's experience is 3 years or more and less than 5 years, there is a high possibility that the operator will perform remote assisted operation.
(Example 3)
<Dataset>
・Topographic information (flat land, slope, terraced fields, etc.)
- Shape and size of the rice field you will be working in - Information on the soil quality of the rice field (e.g. clay, sand, mud, etc.)
・Information about the crops to be planted (e.g. type, density, planting period, cultivation method, etc.)
・Work machine information (e.g. type, size, capacity, etc.)
・Weather information (e.g. sunny, rainy, snowy, etc.)
<Decision tree algorithm>
1. If the terrain is flat and the shape of the rice field is square or rectangular, autopilot will be performed.
2. If the terrain is a slope or terrace, and the shape of the rice field is square or rectangular, perform assisted maneuvering by the operator.
3. If the soil information of the rice field is sandy and the crop is rice, automatic operation will be performed.
4. If the soil information of the rice field is clay and the crop is wheat, assist the operator.
5. If the type of work machine is a rice transplanter and the planting period is from mid-May to early June, it will operate automatically.
6. If the weather is rainy and the crop is soybeans, assist the operator.
7. In cases other than the above, automatic operation or operator assistance is performed at the discretion of the operator.
Specifically, the decision tree algorithm implemented in Python is as shown in Table 12 below.
The program in Table 12 reads a dataset from a CSV file, divides the features and labels, creates a decision tree algorithm, and learns a model. Then, it predicts new data and outputs the prediction results. The new data includes information on the topography, the shape and size of the rice fields in which they are working, information on the soil quality of the rice fields, information on the crops to be planted, information on the working machinery, and weather information.
Such AI input information can be as shown in Table 13 below. Here, the meaning of each information in Table 13 is as follows.
terrain: Terrain information. Either flat, slope, or terraced.
field_shape: Shape and size of the rice field. One of square, rectangle, or irregular.
soil_type: Soil information. Either clay, sandy, or loam.
crop: Information about the crop to be planted. Either rice, wheat, or soybean.
crop_density: Cropping density information. Either low (low density), medium (medium density), or high (high density).
crop_season: Cropping period information. Either spring, summer, or autumn.
cultivation_method: Cultivation method information. Either dry-field farming or paddy-field farming.
machine_type: Information about the agricultural machine used. Either tractor or combine harvester.
machine_size: Information on the size of agricultural machinery. Either small, medium, or large.
machine_capacity: Information on the capacity of agricultural machinery. Either low (low ability), medium (medium ability), or high (high ability).
weather: Weather information. Either sunny, rainy, or snowy.
（オペレータによる農作業機械の遠隔操縦をＡＩがアシストについて）
例えば、作業機械の自動制御機能の実行をＡＩが行うものとし、ＡＩが農作業機械が自動的に行うべき作業や走行操舵を予測し、自動制御機能を実行することができる。これにより、オペレータは、より高度なタスクに集中することができる。また、モニタリングとデータ収集をＡＩが行うものとし、作業機械のセンサからのデータをモニタリングし、データを収集することができる。これにより、オペレータは、農作業機械の状態を把握し、必要に応じて遠隔操作することができる。また、作業プロセスの最適化をＡＩが行うものとし、作業機械が最適な方法で作業を行うためのアドバイスを提供することができる。たとえば、作物の密度や作付け期間などの情報を基に、作業機械が最適な速度や深度で作業を行うようアシストすることができる。エラー検出と診断をＡＩが行うものとし、作業機械のエラーを検出し、原因を特定することができる。これにより、オペレータは、作業機械の修理やメンテナンスに必要な情報を得ることができる。さらに、次の作業の準備をＡＩが行うものとし、次の作業に必要な作業機械の設定や準備を行うことができる。たとえば、作業機械の部品の交換や充電などを自動的に行うことができる。上記した事項の全てまたはいずれか任意の機能をＡＩによる操縦アシストの典型例として理解することができる。
(About AI assisting operators in remote control of agricultural machinery)
For example, it is assumed that the automatic control function of the working machine is executed by AI, and the AI can predict the work that the agricultural machine should automatically perform and the travel steering, and execute the automatic control function. This allows the operator to concentrate on more advanced tasks. Additionally, AI performs monitoring and data collection, and can monitor and collect data from sensors on work machines. This allows the operator to grasp the status of the agricultural machine and remotely control it if necessary. In addition, AI can optimize work processes and provide advice for work machines to perform work in the optimal way. For example, information such as crop density and planting period can be used to help machines work at optimal speeds and depths. AI performs error detection and diagnosis, and can detect errors in working machines and identify the cause. This allows the operator to obtain information necessary for repairing and maintaining the work machine. Furthermore, the AI can prepare for the next work, and can set up and prepare the working machines necessary for the next work. For example, parts of work machines can be replaced and charged automatically. All or any of the functions described above can be understood as typical examples of AI-based steering assistance.
また、オペレータによる農作業機械の遠隔操縦をＡＩがアシストするための最も簡単なアルゴリズムの他の具体例としては、以下のようなものが考えられる。まず、カメラやセンサで収集した画像やデータをＡＩに送信する。ＡＩは画像処理や機械学習によって、農作業機械の現在位置や周辺環境を判断する。ＡＩは操作指示を作成し、オペレータに提示する。この操作指示は、例えば「直進する」「右に曲がる」「スピードを落とす」などが含まれる。オペレータはＡＩが提示した操作指示を確認し、必要に応じて修正する。最終的な操作指示を農作業機械に送信し、ＡＩがアシストする遠隔操縦を実現する。このアルゴリズムでは、ＡＩが農作業機械の現在位置や周辺環境を判断して、操作指示を作成することでオペレータの作業をアシストしている。しかし、このアルゴリズムではオペレータが最終的な操作指示を行う必要がある。より高度なアルゴリズムでは、ＡＩが自動的に最適な操作指示を生成することができるようにすることもできる。 In addition, other specific examples of the simplest algorithms for AI to assist operators in remotely controlling agricultural machinery include the following. First, images and data collected by cameras and sensors are sent to AI. AI uses image processing and machine learning to determine the current location of agricultural machinery and the surrounding environment. The AI creates operating instructions and presents them to the operator. These operation instructions include, for example, "go straight," "turn right," and "slow down." The operator checks the operating instructions presented by the AI and makes corrections as necessary. The final operating instructions will be sent to the agricultural machinery, enabling AI-assisted remote control. In this algorithm, AI assists the operator's work by determining the current location of the agricultural machine and the surrounding environment, and creating operating instructions. However, this algorithm requires the operator to give final operating instructions. More advanced algorithms can also allow AI to automatically generate optimal operating instructions.
上記段落［００９３］で示したアルゴリズムをＡＩに実行させるためのプログラムの具体例として、Pythonで実装されたオペレータによる農作業機械の遠隔操縦をＡＩがアシストするための簡単なプログラム例を以下に説明する。このプログラムでは、距離と角度の２つの情報を基に、ＡＩが操作する農作業機械の方向と速度を決定する。表１４は、ＡＩが操縦をアシストするための簡単なアルゴリズム例である。
表１４のプログラムでは、assist_operator関数がＡＩによるアシストを担当している。距離と角度の２つの入力情報を受け取り、それに基づいて農作業機械の速度と方向を決定する。具体的には、距離が一定以下の場合は停止し、角度が一定範囲外の場合は旋回し、それ以外の場合は前進する。テスト用の距離と角度を設定し、assist_operator関数を呼び出して、結果を出力する。この例では、距離が１５で角度が－５の場合、ＡＩが前進することを判断し、速度は１、方向は０となる。
As a specific example of a program for causing AI to execute the algorithm shown in paragraph [0093] above, a simple program example implemented in Python for AI to assist an operator in remotely controlling agricultural machinery will be described below. . This program determines the direction and speed of agricultural machinery operated by AI based on two pieces of information: distance and angle. Table 14 is a simple algorithm example for AI to assist maneuvering.
In the program shown in Table 14, the assist_operator function is in charge of assistance by AI. It receives two inputs, distance and angle, and uses them to determine the speed and direction of the agricultural machine. Specifically, if the distance is less than a certain value, it will stop, if the angle is outside a certain range, it will turn, and if it is not, it will move forward. Set the distance and angle for the test, call the assist_operator function, and output the results. In this example, if the distance is 15 and the angle is -5, the AI determines to move forward, the speed is 1, and the direction is 0.
また、上記した例示に拘わらずアルゴリズムの構築方法として、公知のニューラルネットワーク、決定木、サポートベクターマシン、ランダムフォレスト、ロジスティック回帰及びそれらの任意組み合わせを使用しても良い。また、使用するデータとして、土壌中の栄養素（窒素、リン、カリウムなど）の含有量、土壌の酸性・アルカリ度、土壌中の微生物数、土壌の含水率、土壌の温度、土壌の光合成効率、作物の種類や生育状態などの任意の一つ以上を用いるものとして良い。 Furthermore, regardless of the above-mentioned examples, known neural networks, decision trees, support vector machines, random forests, logistic regression, and arbitrary combinations thereof may be used as methods for constructing algorithms. In addition, the data used include the content of nutrients (nitrogen, phosphorus, potassium, etc.) in the soil, the acidity/alkalinity of the soil, the number of microorganisms in the soil, the moisture content of the soil, the temperature of the soil, the photosynthetic efficiency of the soil, Any one or more of crop types, growth conditions, etc. may be used.
また、学習方法としては、土壌サンプルからのデータ収集、土壌サンプルの測定値とその土壌が持つ作物の品質を関連付けたラベル付け、のデータ等を用いて、アルゴリズムを学習させることができる。そして、入力情報として、土壌中の栄養素含有量、土壌の酸性・アルカリ度、微生物数、含水率、温度、光合成効率、作物の種類や生育状態などの任意の一つ以上の情報をＡＩに入力できる。以上のように、ＡＩによる圃場土壌の改良要否の判定は、複数のパラメータを入力として受け取り、それらのパラメータを基にして学習を行い、最終的に改良が必要かどうかを判断するアルゴリズムを使用することができる。 In addition, as a learning method, the algorithm can be trained using data such as data collection from soil samples and labeling that associates measured values of soil samples with the quality of crops that the soil has. Then, input one or more pieces of information into the AI, such as the nutrient content in the soil, the acidity/alkalinity of the soil, the number of microorganisms, the moisture content, the temperature, the photosynthetic efficiency, and the type and growth condition of the crops. can. As described above, AI is used to determine whether or not field soil improvement is necessary using an algorithm that receives multiple parameters as input, performs learning based on those parameters, and ultimately determines whether or not improvement is necessary. can do.
＜その他の追加的実施態様～オペレータへの操縦アシストか自動操縦かの判断＞
遠隔操作可能農作業機械が、自身が備える全方位カメラと、傾斜計と、振動計または／及び加速度センサと、ＧＰＳと、ソナーと、ジャイロと、臭気計と、温度計と、湿度計と、暗視カメラと、音響マイクとを少なくとも含むモニタリング計装装置から取得されたデータを用いて、オペレータへの操縦アシストとするか自動操縦とするかを判断・判定するために、以下のような実施態様とすることができる。
<Other additional embodiments - Determination of whether to assist the operator in steering or autopilot>
A remotely controllable agricultural machine has its own omnidirectional camera, inclinometer, vibration meter or/and acceleration sensor, GPS, sonar, gyro, odor meter, thermometer, hygrometer, and darkness meter. In order to determine whether to provide steering assistance to an operator or autopilot using data acquired from a monitoring instrumentation device including at least a visual camera and an acoustic microphone, the following embodiments are used. It can be done.
例えば、全方位カメラは、農作業機械の周囲の状況や障害物の検出に使用され、傾斜計は、地形の傾斜や坂道の角度を測定することができ、振動計または／及び加速度センサは、機械の振動や加速度を計測し、異常や不安定な動作を検出するのに役立ち、ＧＰＳは、農作業機械の位置情報を提供し、正確な位置情報に基づいて作業を行うことができ、ソナーは、障害物の距離や位置を検出するために使用され、ジャイロは、農作業機械の傾きや方向の変化を測定し、姿勢制御や正確な操作を補助し、臭気計は、異常な臭いやガスの検出に使用され、温度計と湿度計は、環境条件を監視し、農作業に適した条件で作業するための情報を提供し、暗視カメラは、夜間や低照度下での視界を向上させ、作業の安全性を確保し、音響マイクは、周囲の音や異常音を検知するために使用され、故障の早期検知や作業状況の把握に役立つ。そして、これらのデータを活用して、オペレータへの操縦アシストや自動操縦を判断・判定する方法は種々考えられる。
例えば、オペレータへの操縦アシストをする場合として、センサーデータを解析し、オペレータに対してリアルタイムな情報や警告を提供して安全な操作をサポートする。例えば、障害物を検知した場合には、障害物の有無や大きさ、検知された方角・方位・距離等をオペレータに通知することも可能である。
For example, omnidirectional cameras are used to detect the surroundings of agricultural machinery and obstacles, inclinometers can measure the slope of the terrain or the angle of slopes, and vibrometers and/or acceleration sensors can be used to detect agricultural machinery's surroundings and obstacles. GPS measures the vibration and acceleration of agricultural equipment and helps detect abnormal or unstable operation; GPS provides location information for agricultural machinery and allows operations to be performed based on accurate location information; and sonar. Gyros are used to detect the distance and position of obstacles, gyros measure changes in the tilt and direction of agricultural machinery, assisting with attitude control and precise operation, and odor meters detect abnormal odors and gases. Thermometers and hygrometers monitor environmental conditions and provide information for working in suitable farming conditions, and night vision cameras improve visibility at night and in low light conditions, allowing for better working conditions. Acoustic microphones are used to detect surrounding sounds and abnormal sounds, helping to detect malfunctions early and understand the work status. Various methods can be considered to utilize these data to determine whether to provide steering assistance to the operator or automatic piloting.
For example, when providing operational assistance to an operator, sensor data is analyzed and real-time information and warnings are provided to the operator to support safe operation. For example, when an obstacle is detected, it is also possible to notify the operator of the presence or absence of the obstacle, its size, the detected direction, direction, distance, etc.
また、ビジョンベースの判定（視覚情報に基づく判定）として、全方位カメラや暗視カメラからの映像データを解析し、異常や障害物の検出、作業領域の認識、作物の成長状況の把握などを行える。また、画像処理や機械学習アルゴリズムを使用して、リアルタイムに情報を抽出できる。さらに、傾斜計、振動計、加速度センサの利用として、農作業機械の傾斜や振動のデータを収集し、異常な動作や地形の変化を検出する。異常な振動や傾斜が検知された場合、自動的に安全な状態に遷移するなどの処理を行うことができる。そして、ＧＰＳとジャイロの組み合わせを利用する一態様として、ＧＰＳデータを使用して、農作業機械の位置や進行方向を把握するとともに、好ましくはさらにジャイロスコープを使用して、機械の姿勢や角度の変化を監視することができる。これにより、正確な位置制御や軌道補正が可能となる。また、ソナーと臭気計の利用態様として、ソナーセンサを使用して、障害物や他の物体との距離を検出し、また、臭気計を使用して、異常な臭いやガスの漏れを検知することができる。これにより、安全性や作業環境の評価が行われる。また、温度計と湿度計の監視効果として、農作業機械周辺の温度と湿度を計測し、異常な上昇や過湿を検知することにより、機械の過熱や作業環境の制御が可能となる。また、音響マイクの利用態様としては、農作業機械の周囲の音を監視し、異常な騒音や異音を検出することにより、故障の早期発見やメンテナンスの予兆となる音を検知することができる。これらのデータをリアルタイムに解析し、予め設定された閾値やアルゴリズムに基づいて、安全性や作業効率を判断することができます。データの統合や複数センサの組み合わせによって、より正確な判断と判定が可能となる。また、機械学習や人工知能の技術を活用して、より高度な自動操縦機能を実現することも考えられる。 In addition, for vision-based judgment (judgment based on visual information), video data from omnidirectional cameras and night vision cameras is analyzed to detect abnormalities and obstacles, recognize work areas, understand crop growth status, etc. I can do it. It can also extract information in real time using image processing and machine learning algorithms. Additionally, inclinometers, vibration meters, and acceleration sensors will be used to collect data on the inclination and vibration of agricultural machinery to detect abnormal movements and changes in terrain. If abnormal vibrations or inclinations are detected, processing such as automatically transitioning to a safe state can be performed. As one aspect of using a combination of GPS and a gyro, GPS data is used to grasp the position and direction of movement of the agricultural machine, and preferably a gyroscope is also used to change the attitude and angle of the machine. can be monitored. This enables accurate position control and trajectory correction. In addition, sonar and odor meters can be used to detect distances to obstacles and other objects using sonar sensors, and to detect abnormal odors or gas leaks using odor meters. I can do it. This allows evaluation of safety and work environment. In addition, as a monitoring effect of thermometers and hygrometers, by measuring the temperature and humidity around agricultural machinery and detecting abnormal rises and excessive humidity, it becomes possible to control overheating of machinery and the working environment. In addition, acoustic microphones can be used to monitor sounds around agricultural machinery and detect abnormal or strange noises, thereby enabling early detection of malfunctions and sounds that may be a sign of maintenance. This data can be analyzed in real time and safety and work efficiency can be determined based on preset thresholds and algorithms. By integrating data and combining multiple sensors, more accurate judgments and determinations can be made. It is also conceivable that machine learning and artificial intelligence technologies could be used to realize more advanced autopilot functions.
（「オペレータによる遠隔操縦をアシストするか自動操縦をするか」を判定するために、機械学習することによって作成されたモデルを用いる場合について）
説明変数の一例として、全方位カメラの映像データ（すなわち農作業機械の周囲の状況や障害物の検出に使用する）、傾斜計・振動計・加速度センサのデータ（機械の傾斜や振動の状態を把握するために使用する）、ＧＰＳデータ（機械の位置や進行方向を特定するために使用する）、ソナーデータ（前方の障害物との距離を検出するために使用する）、温度計と湿度計のデータ（環境の温度と湿度を把握するために使用する）、音響マイクのデータ（異常な音や振動を検出するために使用する）、を利用することができる。
また、目的変数の一例として、操縦アシストの場合としてオペレータによる遠隔操縦の支援が必要かどうかを示す二値変数（例：０＝アシスト不要、１＝アシスト必要）、自動操縦の場合として自動操縦を行うかどうかを示す二値変数（例：０＝自動操縦不可、１＝自動操縦可）とすることが可能である。
そして、具体的なモデルの例として、ランダムフォレスト（Random Forest）アルゴリズムを使用した分類モデルの場合を下記表１５に示す。
Examples of explanatory variables include video data from omnidirectional cameras (used to detect conditions around agricultural machinery and obstacles), and data from inclinometers, vibration meters, and acceleration sensors (to understand the state of machine tilt and vibration). GPS data (used to determine the machine's location and direction of travel), sonar data (used to detect the distance to obstacles in front), thermometer and hygrometer data. data (used to understand the temperature and humidity of the environment) and acoustic microphone data (used to detect abnormal sounds and vibrations).
In addition, as an example of the objective variable, a binary variable indicating whether remote control support by the operator is required in the case of pilot assistance (e.g. 0 = no assistance required, 1 = assistance required), and a binary variable indicating whether remote control support by the operator is required in the case of automatic pilot. It is possible to use a binary variable (eg, 0 = autopilot not possible, 1 = autopilot available) indicating whether or not to perform the autopilot.
As a specific example of the model, Table 15 below shows a classification model using the Random Forest algorithm.
（機械学習で作成されたモデルに入力されるデータの詳細な追加説明）
このようなモデルに入力するデータは、遠隔操縦をアシストするか自動操縦をするかを判定するための情報を含んでいる必要があり、以下に具体的なデータとその詳細を説明する。
１．全方位カメラの映像データ：
前方に障害物があるかどうか（例：０＝障害物なし、１＝障害物あり）
作業領域内の作物の成長状況（例：０＝成長していない、１＝成長している）
２．傾斜計、振動計、加速度センサのデータ：
機械の傾斜角度（例：－１０°から＋１０°の範囲）
機械の振動の強さ（例：０から１００の範囲）
３．ＧＰＳデータ：
機械の現在位置の緯度と経度（例：３５．１２３４５，１３９．６７８９０）
機械の進行方向（例：北、南、東、西）
４．ソナーデータ：
機械の前方に障害物との距離（例：０から１メートルの範囲）
５．温度計と湿度計のデータ：
環境の温度（例：２０℃）
環境の湿度（例：５０％）
６．音響マイクのデータ：
機械の周囲の音の種類（例：エンジン音、異音）
機械の周囲の騒音レベル（例：０から１００の範囲）
これらのデータをモデルに入力し、遠隔操縦をアシストするか自動操縦をするかの判定を行うことができる。具体的なデータは、実際のセンサや計装装置から取得される情報であることが好ましく、また、それぞれのデータの範囲や値は、利用するセンサやシステムの仕様に合わせて設定されることができる。
(Additional detailed explanation of the data input to the model created by machine learning)
The data input to such a model needs to include information for determining whether to assist remote control or autopilot, and specific data and details thereof will be explained below.
1. Omnidirectional camera video data:
Is there an obstacle in front of you? (Example: 0 = No obstacle, 1 = Obstacle present)
Growth status of crops in the work area (e.g. 0 = not growing, 1 = growing)
2. Inclinometer, vibration meter, and acceleration sensor data:
Machine tilt angle (e.g. range of -10° to +10°)
Machine vibration strength (e.g. range from 0 to 100)
3. GPS data:
Latitude and longitude of the machine's current location (e.g. 35.12345, 139.67890)
Machine direction of travel (e.g. north, south, east, west)
4. Sonar data:
Distance to obstacles in front of the machine (e.g. range from 0 to 1 meter)
5. Thermometer and hygrometer data:
Environmental temperature (e.g. 20℃)
Environmental humidity (e.g. 50%)
6. Acoustic microphone data:
Types of sounds around the machine (e.g. engine noise, abnormal noises)
Noise level around the machine (e.g. range from 0 to 100)
By inputting this data into the model, it is possible to determine whether to assist remote control or autopilot. It is preferable that the specific data be information obtained from actual sensors and instrumentation devices, and the range and value of each data should be set according to the specifications of the sensor and system to be used. can.
＜その他の追加的実施態様２～オペレータへの操縦アシストか自動操縦かの判断＞
遠隔操作可能な農作業機械において、オペレータによる操縦へのアシストまたは自動操縦を判断・判定するために、以下のような他の具体的な手法や態様が考えられる。
１、ルールベースのアルゴリズム：
センサデータのしきい値や条件を予め設定し、それに基づいて操縦アシストまたは自動操縦を判断する。例えば、振動計や加速度センサのデータが一定の範囲を超えた場合、自動操縦に切り替えるなどの判定ルールを設けることができる。
２、機械学習アルゴリズム：
モニタリング計装装置から取得されたデータを用いて機械学習モデルを構築し、操縦アシストまたは自動操縦の判定を行う。データとしては、全方位カメラの映像データ、傾斜計や振動計のデータ、ＧＰＳデータ、ソナーデータ、温度計や湿度計のデータ、臭気計のデータ、音響マイクのデータなどを使用する。モデルの構築には、分類アルゴリズム（例：ランダムフォレスト、サポートベクターマシン）やニューラルネットワークなどが利用され得る。
３、ルールベースと機械学習の組み合わせ：
ルールベースのアルゴリズムと機械学習アルゴリズムを組み合わせて利用することも可能である。例えば、一部の判定ルールは予め設定し、それ以外の複雑な判断は機械学習モデルに委ねるなどの組み合わせが可能である。利用するセンサやデータの特性、システムの要件、利用環境などによって具体的な態様が最適になるように適宜調整・選択等されるものとしても良い。
<Other additional embodiments 2 - Determination of whether to assist the operator in steering or autopilot>
In a remotely controllable agricultural machine, the following other specific methods and modes can be considered in order to determine whether the operator should assist the operation or automatically operate the machine.
1. Rule-based algorithm:
Threshold values and conditions for sensor data are set in advance, and based on these, a decision is made regarding whether to use pilot assist or automatic piloting. For example, a determination rule can be provided to switch to automatic piloting if the data from the vibration meter or acceleration sensor exceeds a certain range.
2. Machine learning algorithm:
A machine learning model is built using data acquired from monitoring instrumentation equipment to determine whether pilot assistance or autopilot is required. The data used includes video data from omnidirectional cameras, data from inclinometers and vibration meters, GPS data, sonar data, data from thermometers and hygrometers, data from odor meters, and data from acoustic microphones. Classification algorithms (eg, random forests, support vector machines), neural networks, etc. may be used to construct the model.
3. Combination of rule base and machine learning:
It is also possible to use a combination of rule-based and machine learning algorithms. For example, it is possible to set some decision rules in advance and leave other complex decisions to a machine learning model. The specific mode may be adjusted or selected as appropriate depending on the characteristics of the sensor and data to be used, system requirements, usage environment, etc. so that the specific mode is optimal.
（ルールベースのアルゴリズム）
いくつかのセンサデータと条件を組み合わせた例として以下のように構成しても良い。
１、振動計のデータと条件の例：
振動計のデータが一定の閾値以上の場合、自動操縦に切り替えるルールとできる。
例えば、振動計の値が５０以上の場合に自動操縦に切り替えるという条件を設定できる。
２、ソナーデータと条件の例：
ソナーデータが一定の距離以内に障害物を検出した場合、自動操縦に切り替えるルールとできる。
例えば、ソナーデータが１０メートル以内に障害物を検出した場合に自動操縦に切り替えるという条件を設定できる。
３、温度計と湿度計のデータと条件の例：
温度が高く、湿度が低い場合、オペレータの負担が大きいため操縦アシストを行うルールとできる。
例えば、温度が３０℃以上かつ湿度が２０％以下の場合に操縦アシストを行うという条件を設定できる。
このような単純なルールとしても良いし、実際のシステムではさまざまなセンサデータや条件を考慮するものとしても良い。ルールベースのアルゴリズムは、特定の条件を満たす場合に特定のアクションを実行するため、シンプルなルールから複雑なルールまで様々な条件判定が可能となる。
上記した例においてフローチャートで示すと、
ステップ１：開始
ステップ２：センサデータを取得
ステップ３：もし振動計のデータ＞閾値なら
ステップ４：自動操縦に切り替える
そうでなければ
ステップ５：もしソナーデータの距離＜障害物距離閾値なら
ステップ６：自動操縦に切り替える
そうでなければ
ステップ７：遠隔操縦アシストを継続する
終わり
終わり
と示すことができる。
このフローチャートでは、まず振動計のデータが一定の閾値を超えるかどうかを判定し、もし振動が閾値を超えていれば、自動操縦に切り替える。振動が閾値を超えていない場合、次にソナーデータを判定し、ソナーデータが一定の距離以内に障害物を検出した場合、自動操縦に切り替える。上記の条件に該当しない場合は、遠隔操縦アシストを継続する。このフローチャートは、振動計のデータとソナーデータの二つの条件を組み合わせて判断を行っているものであるが、もちろん、具体的な条件や閾値は実際のシステムや要件に合わせて任意に適宜設定することができる。
(rule-based algorithm)
The following configuration may be used as an example of combining several sensor data and conditions.
1. Examples of vibration meter data and conditions:
If the vibration meter data exceeds a certain threshold, it can be set as a rule to switch to autopilot.
For example, a condition can be set to switch to autopilot when the vibration meter value is 50 or more.
2. Examples of sonar data and conditions:
If sonar data detects an obstacle within a certain distance, a rule can be set to switch to autopilot.
For example, you can set a condition to switch to autopilot if sonar data detects an obstacle within 10 meters.
3. Examples of thermometer and hygrometer data and conditions:
When the temperature is high and the humidity is low, the burden on the operator is heavy, so a rule can be made to provide maneuvering assistance.
For example, a condition can be set that the steering assist is performed when the temperature is 30° C. or higher and the humidity is 20% or lower.
It may be a simple rule like this, or it may be one that takes into account various sensor data and conditions in an actual system. Rule-based algorithms execute specific actions when specific conditions are met, making it possible to judge a variety of conditions, from simple to complex rules.
In the above example, shown in a flowchart,
Step 1: Start Step 2: Get sensor data Step 3: If vibration meter data > threshold Step 4: Switch to autopilot Otherwise Step 5: If sonar data distance < obstacle distance threshold Step 6: Switch to autopilot Otherwise, Step 7: Continue remote pilot assistance You can indicate End End.
This flowchart first determines whether the vibration meter data exceeds a certain threshold, and if the vibration exceeds the threshold, switches to autopilot. If the vibrations do not exceed a threshold, it then evaluates the sonar data and switches to autopilot if the sonar data detects an obstacle within a certain distance. If the above conditions are not met, remote control assistance will continue. This flowchart makes judgments based on a combination of two conditions: vibration meter data and sonar data, but of course, specific conditions and thresholds can be set arbitrarily and appropriately according to the actual system and requirements. be able to.
（機械学習アルゴリズム）
機械学習アルゴリズムに関して以下のように構成しても良い。
１、データ収集と前処理：
全方位カメラの映像データ、傾斜計や振動計のデータ、ＧＰＳデータ、ソナーデータ、温度計や湿度計のデータ、臭気計のデータ、音響マイクのデータなどを収集し、特徴量として抽出する。例えば、全方位カメラの映像データから画像特徴量を抽出したり、センサデータの値を正規化したりする。
２、ラベル付け：
データに対して、それぞれの状態（操縦アシストまたは自動操縦）を示すラベルを付ける。例えば、人手で遠隔操縦中へのアシストはラベル１、自動操縦中はラベル２などとする。
３、モデルの選択とトレーニング：
適切な機械学習アルゴリズム（例：ランダムフォレスト、サポートベクターマシン、ニューラルネットワーク）を選択し、トレーニングデータを用いてモデルを訓練する。特徴量とラベルのペアを使用してモデルを学習させる。
４、モデルの評価と予測：
テストデータを用いて訓練されたモデルを評価する。予測の正確さや性能を評価指標（例：正解率、精度、再現率）を用いて測定する。評価が十分に高い場合、モデルを実稼働に移行する。
５、リアルタイムの予測：
モデルを実際の運用環境で使用し、リアルタイムのセンサデータを入力としてアシストまたは自動操縦の判定を行う。モデルは新しいデータポイントを受け取り、それに基づいて適切な判定結果を出力する。
また、具体的な機械学習アルゴリズムやモデルの選択は、問題の性質やデータの特徴に応じて異なるものとしても良い。上記した手順における、実際のシステムではデータの収集や前処理、モデルの選択や調整、評価などのステップを適宜・適切に行うものとできる。
(machine learning algorithm)
The machine learning algorithm may be configured as follows.
1. Data collection and preprocessing:
It collects video data from omnidirectional cameras, data from inclinometers and vibration meters, GPS data, sonar data, data from thermometers and hygrometers, data from odor meters, data from acoustic microphones, and extracts them as features. For example, image features are extracted from video data from an omnidirectional camera, or values of sensor data are normalized.
2. Labeling:
Label the data to indicate its state (pilot assist or autopilot). For example,
3. Model selection and training:
Select an appropriate machine learning algorithm (e.g. random forest, support vector machine, neural network) and train the model using the training data. Train a model using feature-label pairs.
4. Model evaluation and prediction:
Evaluate the trained model using test data. Measure the accuracy and performance of predictions using evaluation indicators (e.g., accuracy rate, precision, recall rate). If the rating is high enough, move the model to production.
5. Real-time prediction:
The model is used in a real operational environment to make assist or autopilot decisions using real-time sensor data as input. The model receives new data points and outputs appropriate decisions based on them.
Further, the selection of specific machine learning algorithms and models may vary depending on the nature of the problem and the characteristics of the data. In the above procedure, in an actual system, steps such as data collection, preprocessing, model selection and adjustment, and evaluation can be performed appropriately and appropriately.
（ルールベースと機械学習の組み合わせ）
例えば以下のように構成しても良い。
１、ルールベースのアルゴリズムによる条件判定：
センサデータのうち、特定の条件に基づいて操縦アシストまたは自動操縦の判定を行うことができる。具体的には例えば、振動計のデータが一定の閾値を超える場合に自動操縦に切り替える、または／及びソナーデータが一定の距離以内に障害物を検出した場合に自動操縦に切り替えるというようなルールを設定できる。
２、機械学習アルゴリズムによる判定補完：
モニタリング計装装置から取得されたデータを用いて機械学習モデルを構築する。モデルは、センサデータのパターンや特徴を学習し、操縦アシストまたは自動操縦の判定を行う。
３、ルールベースと機械学習の組み合わせ：
ルールベースのアルゴリズムによる条件判定と、機械学習アルゴリズムによる判定補完を組み合わせて利用することができる。ルールベースによる判定では明確な条件が設定されているが、一部の複雑な判断を機械学習モデルに委ねることで、より柔軟な判定が可能となる。具体的な例としては、ルールベースのアルゴリズムによって振動計のデータやソナーデータの条件判定を行い、それ以外のセンサデータを機械学習モデルに入力し、モデルが状態を予測するという組み合わせとすることができる。このような組み合わせにより、ルールベースのアルゴリズムだけではカバーしきれない複雑な判定を機械学習によって補完することが可能となる。
例えば、ルールベース部分による判定と機械学習部分による判定とが共に”自動操縦”で一致した場合にのみ自動操縦するものとしても良いし、ルールベース部分による判定と機械学習部分による判定との少なくともいずれか一方が”自動操縦”と判定した場合に自動操縦するものとしても良い。また、モニタリング計装装置から取得されたデータのいずれをルールベース部分に用いて、いずれを機械学習部分に用いるか、は任意であり、モニタリング計装装置から取得された任意の一データをルールベース部分と機械学習部分とに共に利用するものとしても良い。
(Combination of rule base and machine learning)
For example, the configuration may be as follows.
1. Condition determination using rule-based algorithm:
It is possible to determine whether to use steering assist or automatic piloting based on specific conditions from the sensor data. Specifically, for example, rules such as switching to autopilot when vibration meter data exceeds a certain threshold, and/or switching to autopilot when sonar data detects an obstacle within a certain distance. Can be set.
2. Judgment completion using machine learning algorithms:
Build a machine learning model using data acquired from monitoring instrumentation. The model learns patterns and characteristics of sensor data and makes decisions about whether to assist or autopilot.
3. Combination of rule base and machine learning:
It is possible to use a combination of condition determination using a rule-based algorithm and determination complementation using a machine learning algorithm. Clear conditions are set for rule-based judgments, but by entrusting some complex judgments to machine learning models, more flexible judgments are possible. A specific example is a combination of using a rule-based algorithm to determine conditions for vibration meter data and sonar data, inputting other sensor data to a machine learning model, and having the model predict the state. can. This combination allows machine learning to supplement complex decisions that cannot be covered by rule-based algorithms alone.
For example, it may be possible to perform autopilot only when the judgment made by the rule base part and the judgment made by the machine learning part both match "autopilot", or the judgment made by the rule base part and the judgment made by the machine learning part may be automatically operated. It may also be possible to perform automatic piloting if one of the vehicles determines that the other is "autopilot". Also, it is up to you which data acquired from the monitoring instrumentation device is used for the rule base part and which data is used for the machine learning part; It is also possible to use both the machine learning part and the machine learning part.
（機械学習モデルの他の例）
ランダムフォレストを使用して、オペレータによる遠隔操縦をアシストするか自動操縦をするかを判定する機械学習モデルを作成する例を以下に示す。
*******************
python
from sklearn.ensemble import RandomForestClassifier
import pandas as pd
# モデルに入力する特徴量とラベルのデータを準備
# 特徴量はセンサデータやモニタリングデータから抽出した数値や特徴量エンジニアリングによって得られた特徴量です
features = pd.DataFrame({
'vibration': [0.15, 0.3, 0.08, 0.12, 0.25],
'sonar_distance': [10, 5, 12, 8, 4],
'temperature': [25, 27, 26, 24, 28],
'humidity': [60, 65, 62, 58, 70]
})
# ラベルは各データポイントに対応する状態（0: 操縦アシスト, 1: 自動操縦）を示します
labels = pd.Series([0, 1, 1, 0, 0])
# ランダムフォレストモデルの作成とトレーニング
model = RandomForestClassifier()
model.fit(features, labels)
# 新しいデータをモデルに入力して予測を行う
new_data = pd.DataFrame({
'vibration': [0.2],
'sonar_distance': [7],
'temperature': [26],
'humidity': [63]
})
predictions = model.predict(new_data)
print(predictions)
*******************
上記した例では、ランダムフォレストを使って特徴量とラベルのデータをトレーニングし、新しいデータに対してモデルの予測を行っている。モデルは操縦アシスト（０）または自動操縦（１）のいずれかを予測する。
(Other examples of machine learning models)
The following is an example of using random forest to create a machine learning model that determines whether to assist remote control by an operator or perform automatic control.
*******************
python
from sklearn.ensemble import RandomForestClassifier
import pandas as pd
# Prepare feature and label data to be input to the model
# Features are numerical values extracted from sensor data and monitoring data, or features obtained through feature engineering.
features = pd.DataFrame({
'vibration': [0.15, 0.3, 0.08, 0.12, 0.25],
'sonar_distance': [10, 5, 12, 8, 4],
'temperature': [25, 27, 26, 24, 28],
'humidity': [60, 65, 62, 58, 70]
})
# Label indicates the state corresponding to each data point (0: pilot assist, 1: autopilot)
labels = pd.Series([0, 1, 1, 0, 0])
# Create and train a random forest model
model = RandomForestClassifier()
model.fit(features, labels)
# Input new data into the model and make predictions
new_data = pd.DataFrame({
'vibration': [0.2],
'sonar_distance': [7],
'temperature': [26],
'humidity': [63]
})
predictions = model.predict(new_data)
print(predictions)
*******************
In the example above, Random Forest is used to train the feature and label data, and the model makes predictions on new data. The model predicts either pilot assist (0) or autopilot (1).
本実施形態で説明した上述の構成態様や各種方法はあくまで説明の便宜上例示した具体例に過ぎず、記載内容に限定されることなく当業者に自明な範囲で、かつ本発明の技術思想の射程の範囲内で、適宜 構成・素材や原材料・工程・方法・構造・作業手順等を変更しアレンジし、また追加し・削除し・修正することが可能である。 The above-mentioned configuration aspects and various methods described in this embodiment are merely specific examples illustrated for convenience of explanation, and are not limited to the contents of the description, and are within the scope of the technical idea of the present invention. Within the scope of the above, it is possible to change and arrange the composition, materials, raw materials, processes, methods, structures, work procedures, etc., as well as add, delete, and modify as appropriate.
本発明は、仮想空間を活用した農業や漁業など一次産業運営システムに広く展開し適用可能である。 The present invention can be widely deployed and applied to primary industry management systems such as agriculture and fishing that utilize virtual space.
１０００・・圃場、１１００・・ドローン、１２００・・３Ｄ地形図データ、１３００・・モニター、１４００・・３６０°カメラ、１５００・・遠隔操作可能農作業機械、１６００・・オペレータ席、１７００・・オペレータ。 1000...Field, 1100...Drone, 1200...3D topographic map data, 1300...Monitor, 1400...360° camera, 1500...Remotely controllable agricultural machinery, 1600...Operator seat, 1700...Operator.
Claims (12)
全方位カメラと、傾斜計と、振動計または／及び加速度センサと、ＧＰＳまたは／及びＧＩＳと、ソナーと、ジャイロと、臭気計と、温度計と、湿度計と、暗視カメラと、音響マイクとを少なくとも含むモニタリング計装装置を備え、前記圃場に配置される遠隔操作可能農作業機械と、
前記モニタリング計装装置から送信されるデータに基づいて、前記遠隔操作可能農作業機械の位置と向きとをリアルタイムで前記３Ｄ表示された地図データに示す前記モニター、を視認可能に配置されるとともに、前記遠隔操作可能農作業機械の振動または／及び加速度と、騒音と、傾きとをリアルタイムで反映するように、少なくとも複数のアクチュエータとスピーカとを備えるオペレータ席と、を備え、
前記遠隔操作可能農作業機械は、前記オペレータ席に着席するオペレータによって遠隔操縦されるように構成され、
前記遠隔操作可能農作業機械はさらにＡＩを搭載し、
前記ＡＩは、有人オペレータ操作時の運行記録として前記モニタリング計装装置で取得されたデータを予め蓄積することでその操縦・操作を予め学習しており、学習した前記データに基づいて、前記オペレータによる遠隔操縦をアシストするのかまたは自動操縦をするのか、を判定する
ことを特徴とする圃場作業支援システム。 A monitor that receives map data of the topography and elevation differences of the field surveyed by the drone and displays it in 3D;
Omnidirectional camera, inclinometer, vibration meter or/and acceleration sensor, GPS or/and GIS, sonar, gyro, odor meter, thermometer, hygrometer, night vision camera, acoustic microphone A remotely controllable agricultural machine disposed in the field and equipped with a monitoring instrumentation device including at least
The monitor is arranged to be visible and shows the position and orientation of the remotely controllable agricultural machine on the 3D displayed map data in real time based on the data transmitted from the monitoring instrumentation device; an operator seat equipped with at least a plurality of actuators and speakers so as to reflect vibration and/or acceleration, noise, and tilt of the remotely controllable agricultural machine in real time;
The remotely controllable agricultural machine is configured to be remotely controlled by an operator seated at the operator seat,
The remotely controllable agricultural machine is further equipped with AI,
The AI has previously learned its operation and operation by accumulating in advance data acquired by the monitoring instrumentation device as an operation record during operation by a manned operator, and based on the learned data, the AI A field work support system that determines whether to assist remote control or autopilot.
前記遠隔操作可能農作業機械は、進行方向の目前に前記モニタリング計装装置により障害物または動物が検知された場合には自動停止するとともに、前記オペレータに通知する
ことを特徴とする圃場作業支援システム。 The field work support system according to claim 1,
A field work support system, wherein the remotely controllable agricultural machine automatically stops and notifies the operator when an obstacle or an animal is detected by the monitoring instrumentation device in front of the machine in the direction of travel.
前記遠隔操作可能農作業機械の前記オペレータによる遠隔操縦は、無線による遠隔操縦である
ことを特徴とする圃場作業支援システム。 The field work support system according to claim 1,
A field work support system, wherein the remote control of the remotely controllable agricultural machine by the operator is wireless remote control.
前記３Ｄ表示するモニターは、
３６０度モニターとして前記オペレータの周囲頭上に配置されるモニターであるか、または３ＤのＶＲゴーグルまたはＶＲ眼鏡であるか、両者の組み合わせか、である
ことを特徴とする圃場作業支援システム。 The field work support system according to claim 1,
The monitor that displays 3D is
A field work support system characterized by being a 360-degree monitor placed above the operator's head, 3D VR goggles or VR glasses, or a combination of both.
前記モニターは半球状のドーム型モニターである
ことを特徴とする圃場作業支援システム。 The field work support system according to claim 1,
A field work support system characterized in that the monitor is a hemispherical dome-shaped monitor.
前記オペレータ席に着席するオペレータが、前記モニターを視認しながら、かつ前記遠隔操作可能農作業機械の状態のうち、振動または／及び加速度と、騒音と、傾きとを体感しながら体感シミュレーションゲーム感覚で現実の前記遠隔操作可能農作業機械を遠隔操作する工程を有する
ことを特徴とする支援方法。 In the support method using the field work support system according to claim 1,
The operator sitting at the operator seat visually checks the monitor and experiences the vibration and/or acceleration, noise, and tilt of the remotely controllable agricultural machine in a realistic simulation game-like manner. A support method comprising the step of remotely controlling the remotely controllable agricultural machine.
ことを特徴とするＡＩ判断に基づく圃場作業方法。 Obtain field data on at least one of the harmful substances or nutrients contained in the field soil, PH, water concentration, soil quality, or native microorganisms , and accumulate it in AI, and based on the field data accumulated in the AI, The AI determines whether or not the field soil needs to be improved, and if the AI determines that the field soil needs to be improved, it issues a notice to plant after improving the field soil using a soil improvement machine. A field work method based on AI judgment, characterized in that the support method according to claim 6 is used in soil improvement or cropping using AI.
前記オペレータが前記遠隔操作可能農作業機械を遠隔操作する工程において、前記遠隔操作可能農作業機械の周囲の安全確認のために前記ドローンによる監視を行う
ことを特徴とする支援方法。 In the support method according to claim 6,
A support method characterized in that, in a step in which the operator remotely controls the remotely controllable agricultural machine, the drone monitors the area around the remotely controllable farm machine to confirm safety.
前記オペレータによる遠隔操縦をアシストするのか自動操縦をするのかの前記判定は、少なくとも一部分が機械学習に基づくモデルを用いた判定であって、
説明変数は、全方位カメラの映像データ、傾斜計、振動計、加速度センサのデータ、ＧＰＳデータ、ソナーデータ、温度計と湿度計のデータ、音響マイクのデータの少なくとも一つ以上を含み、
目的変数は、操縦アシストの場合としてオペレータによる遠隔操縦の支援が必要かどうかを示す二値変数、自動操縦の場合として自動操縦を行うかどうかを示す二値変数の少なくとも一つ以上を含み、
前記モデルへの入力値として前方に障害物があるかどうか又は作業領域内の作物の成長状況を示す全方位カメラの映像データ、機械の傾斜角度または機械の振動の強さを示す傾斜計・振動計・加速度センサのデータ、機械の現在位置の緯度と経度または機械の進行方向を示すＧＰＳデータ、機械の前方に障害物との距離を示すソナーデータ、環境の温湿度を示す温度計と湿度計のデータ、機械の周囲の音の種類または騒音レベルを示す音響マイクのデータ、の少なくともいずれか一つ以上を含む
ことを特徴とする圃場作業支援システム。 The field work support system according to claim 1,
The determination as to whether to assist remote control by the operator or perform automatic operation is a determination using a model at least partially based on machine learning,
The explanatory variables include at least one of omnidirectional camera video data, inclinometer, vibration meter, acceleration sensor data, GPS data, sonar data, thermometer and hygrometer data, and acoustic microphone data,
The objective variable includes at least one of a binary variable indicating whether remote control assistance by an operator is required in the case of pilot assistance, and a binary variable indicating whether to perform automatic piloting in the case of automatic pilot.
Input values to the model include omnidirectional camera video data that indicates whether there are obstacles in front or the growth status of crops in the work area, and inclinometers and vibrations that indicate the tilt angle of the machine or the strength of machine vibration. GPS data that shows the latitude and longitude of the machine's current location or the direction of movement of the machine, sonar data that shows the distance to obstacles in front of the machine, thermometer and hygrometer that show the temperature and humidity of the environment A field work support system characterized by comprising at least one of the following data: data from an acoustic microphone indicating the type of sound or the noise level around the machine.
前記オペレータによる遠隔操縦をアシストするのか自動操縦をするのかの前記判定は、少なくとも一部分がルールベースに基づく判定である
ことを特徴とする圃場作業支援システム。 In the field work support system according to claim 1 or claim 9,
The field work support system is characterized in that the determination as to whether to assist remote control by the operator or perform automatic operation is at least partially based on a rule base.
ルールベース部分による判定と機械学習部分による判定とが共に”自動操縦”で一致した場合にのみ自動操縦するものとする
ことを特徴とする圃場作業支援システム。 The field work support system according to claim 10,
A field work support system is characterized in that automatic operation is performed only when the judgment made by the rule-based part and the judgment made by the machine learning part both match in "auto-pilot".
ルールベース部分による判定と機械学習部分による判定との少なくともいずれか一方が”自動操縦”と判定した場合に自動操縦する
ことを特徴とする圃場作業支援システム。 The field work support system according to claim 10,
A field work support system is characterized in that automatic operation is performed when at least one of the determination by the rule base part and the determination by the machine learning part is determined to be "autopilot".
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022108164 | 2022-07-05 | ||
| JP2022108164 | 2022-07-05 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2024007547A JP2024007547A (en) | 2024-01-18 |
| JP7438516B2 true JP7438516B2 (en) | 2024-02-27 |
Family
ID=88418538
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023022773A Pending JP2024007313A (en) | 2022-07-05 | 2023-02-16 | Crop support method and field work support system or the like |
| JP2023065189A Active JP7366472B1 (en) | 2022-07-05 | 2023-04-12 | Planting support methods and field work support systems, etc. |
| JP2023110992A Active JP7438516B2 (en) | 2022-07-05 | 2023-07-05 | Planting support methods and field work support systems, etc. |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023022773A Pending JP2024007313A (en) | 2022-07-05 | 2023-02-16 | Crop support method and field work support system or the like |
| JP2023065189A Active JP7366472B1 (en) | 2022-07-05 | 2023-04-12 | Planting support methods and field work support systems, etc. |
Country Status (1)
| Country | Link |
|---|---|
| JP (3) | JP2024007313A (en) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2731663B2 (en) | 1992-04-07 | 1998-03-25 | 株式会社クボタ | Agricultural work machine steering mechanism |
| JP2010522293A (en) | 2007-03-20 | 2010-07-01 | ディーア・アンド・カンパニー | Method and system for controlling a vehicle for loading or excavating materials |
| JP2011155938A (en) | 2010-02-03 | 2011-08-18 | Daitsu:Kk | Remote-control agricultural tractor |
| JP2014048859A (en) | 2012-08-31 | 2014-03-17 | Ihi Aerospace Co Ltd | Remote control system |
| JP2016156193A (en) | 2015-02-25 | 2016-09-01 | 株式会社日立製作所 | Operation support system and work machine comprising operation support system |
| WO2017042873A1 (en) | 2015-09-08 | 2017-03-16 | 株式会社日立製作所 | Remote operation system and operation assistance system |
| JP6220961B2 (en) | 2014-04-09 | 2017-10-25 | 株式会社日立製作所 | Remote control system for work machines |
| JP2019007139A (en) | 2017-06-20 | 2019-01-17 | コベルコ建機株式会社 | Remote control system for construction machinery |
| US20190039862A1 (en) | 2016-01-14 | 2019-02-07 | Michael PALBERG | Remote control device for a crane, a construction machine and/or for a pallet truck |
| WO2019111859A1 (en) | 2017-12-04 | 2019-06-13 | 住友重機械工業株式会社 | Surrounding-area monitoring device, information processing terminal, information processing device, and information processing program |
| JP3223500U (en) | 2019-08-01 | 2019-10-10 | 秀文 玉利 | Remote control system |
| JP2020011593A (en) | 2018-07-18 | 2020-01-23 | 株式会社フジタ | Mobile flight body device for monitoring work machine |
| JP6730501B1 (en) | 2019-10-08 | 2020-07-29 | アイコンヤマト株式会社 | Automatic plotting apparatus, automatic plotting method, and automatic plotting program |
| JP2020123013A (en) | 2019-01-29 | 2020-08-13 | ヤンマーパワーテクノロジー株式会社 | Autonomous traveling control system |
| JP2020143520A (en) | 2019-03-07 | 2020-09-10 | コベルコ建機株式会社 | Remote control system |
| JP2020159147A (en) | 2019-03-27 | 2020-10-01 | 株式会社フジタ | Automatic maneuvering system |
| JP6785018B1 (en) | 2019-07-25 | 2020-11-18 | 株式会社プロドローン | Remote control system and its control device |
| JP6947659B2 (en) | 2018-02-16 | 2021-10-13 | 株式会社神戸製鋼所 | Construction machine position estimation device |
| JP6949417B1 (en) | 2020-05-18 | 2021-10-13 | 防衛装備庁長官 | Vehicle maneuvering system and vehicle maneuvering method |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0569832A (en) * | 1991-09-17 | 1993-03-23 | Nippon Telegr & Teleph Corp <Ntt> | Remote control robot steering system |
-
2023
- 2023-02-16 JP JP2023022773A patent/JP2024007313A/en active Pending
- 2023-04-12 JP JP2023065189A patent/JP7366472B1/en active Active
- 2023-07-05 JP JP2023110992A patent/JP7438516B2/en active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2731663B2 (en) | 1992-04-07 | 1998-03-25 | 株式会社クボタ | Agricultural work machine steering mechanism |
| JP2010522293A (en) | 2007-03-20 | 2010-07-01 | ディーア・アンド・カンパニー | Method and system for controlling a vehicle for loading or excavating materials |
| JP2011155938A (en) | 2010-02-03 | 2011-08-18 | Daitsu:Kk | Remote-control agricultural tractor |
| JP2014048859A (en) | 2012-08-31 | 2014-03-17 | Ihi Aerospace Co Ltd | Remote control system |
| JP6220961B2 (en) | 2014-04-09 | 2017-10-25 | 株式会社日立製作所 | Remote control system for work machines |
| JP2016156193A (en) | 2015-02-25 | 2016-09-01 | 株式会社日立製作所 | Operation support system and work machine comprising operation support system |
| WO2017042873A1 (en) | 2015-09-08 | 2017-03-16 | 株式会社日立製作所 | Remote operation system and operation assistance system |
| US20190039862A1 (en) | 2016-01-14 | 2019-02-07 | Michael PALBERG | Remote control device for a crane, a construction machine and/or for a pallet truck |
| JP2019007139A (en) | 2017-06-20 | 2019-01-17 | コベルコ建機株式会社 | Remote control system for construction machinery |
| WO2019111859A1 (en) | 2017-12-04 | 2019-06-13 | 住友重機械工業株式会社 | Surrounding-area monitoring device, information processing terminal, information processing device, and information processing program |
| JP6947659B2 (en) | 2018-02-16 | 2021-10-13 | 株式会社神戸製鋼所 | Construction machine position estimation device |
| JP2020011593A (en) | 2018-07-18 | 2020-01-23 | 株式会社フジタ | Mobile flight body device for monitoring work machine |
| JP2020123013A (en) | 2019-01-29 | 2020-08-13 | ヤンマーパワーテクノロジー株式会社 | Autonomous traveling control system |
| JP2020143520A (en) | 2019-03-07 | 2020-09-10 | コベルコ建機株式会社 | Remote control system |
| JP2020159147A (en) | 2019-03-27 | 2020-10-01 | 株式会社フジタ | Automatic maneuvering system |
| JP6785018B1 (en) | 2019-07-25 | 2020-11-18 | 株式会社プロドローン | Remote control system and its control device |
| JP3223500U (en) | 2019-08-01 | 2019-10-10 | 秀文 玉利 | Remote control system |
| JP6730501B1 (en) | 2019-10-08 | 2020-07-29 | アイコンヤマト株式会社 | Automatic plotting apparatus, automatic plotting method, and automatic plotting program |
| JP6949417B1 (en) | 2020-05-18 | 2021-10-13 | 防衛装備庁長官 | Vehicle maneuvering system and vehicle maneuvering method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024007547A (en) | 2024-01-18 |
| JP7366472B1 (en) | 2023-10-23 |
| JP2024007313A (en) | 2024-01-18 |
| JP2024007317A (en) | 2024-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Roshanianfard et al. | A review of autonomous agricultural vehicles (The experience of Hokkaido University) | |
| Mousazadeh | A technical review on navigation systems of agricultural autonomous off-road vehicles | |
| CN111373425B (en) | Digital modeling of disease on crops on agronomic fields | |
| Krishna | Push button agriculture: Robotics, drones, satellite-guided soil and crop management | |
| Bergerman et al. | Robotics in agriculture and forestry | |
| US10362733B2 (en) | Agricultural harvester configured to control a biomass harvesting rate based upon soil effects | |
| US6671582B1 (en) | Flexible agricultural automation | |
| Bonadies et al. | A survey of unmanned ground vehicles with applications to agricultural and environmental sensing | |
| US6199000B1 (en) | Methods and apparatus for precision agriculture operations utilizing real time kinematic global positioning system systems | |
| Más et al. | Mechatronics and intelligent systems for off-road vehicles | |
| CA3171571A1 (en) | Horticulture aided by autonomous systems | |
| CA3171575A1 (en) | Horticulture aided by autonomous systems | |
| Zhou et al. | Creeping bentgrass yield prediction with machine learning models | |
| Rogers et al. | An open source seeding agri-robot | |
| Esau et al. | Artificial intelligence and deep learning applications for agriculture | |
| JP7438516B2 (en) | Planting support methods and field work support systems, etc. | |
| WO2023119871A1 (en) | Route-planning system and route-planning method for automatically traveling farm machine | |
| Reddy et al. | A smartphone controlled fertilizing and plant watering garduino | |
| CN114971212A (en) | Meta universe interaction system and method based on agricultural Internet of things | |
| Nagchaudhuri et al. | Student Experiential Learning Projects in Agricultural Automation and Smart Farming | |
| Bharti et al. | Impact of artificial intelligence for agricultural sustainability | |
| WO2023106158A1 (en) | Route planning system for automatically operated farm machine | |
| Karouta et al. | Autonomous platforms | |
| WO2023095856A1 (en) | Route-planning system for self-driving agricultural machine | |
| JPWO2023106158A5 (en) |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230821 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230821 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231031 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231113 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240205 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240205 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7438516 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |