WO2020137085A1 - 情報処理装置及び情報処理システム - Google Patents

情報処理装置及び情報処理システム Download PDF

Info

Publication number
WO2020137085A1
WO2020137085A1 PCT/JP2019/039928 JP2019039928W WO2020137085A1 WO 2020137085 A1 WO2020137085 A1 WO 2020137085A1 JP 2019039928 W JP2019039928 W JP 2019039928W WO 2020137085 A1 WO2020137085 A1 WO 2020137085A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
infection
disease
information processing
unit
Prior art date
Application number
PCT/JP2019/039928
Other languages
English (en)
French (fr)
Inventor
聖 伊藤
Original Assignee
ボッシュ株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ボッシュ株式会社 filed Critical ボッシュ株式会社
Priority to JP2020562378A priority Critical patent/JPWO2020137085A1/ja
Priority to EP19902092.6A priority patent/EP3903566A4/en
Priority to CN201980086614.7A priority patent/CN113329617A/zh
Priority to US17/417,494 priority patent/US20220076014A1/en
Priority to KR1020217023606A priority patent/KR20210109575A/ko
Priority to AU2019415077A priority patent/AU2019415077A1/en
Priority to BR112021011955-8A priority patent/BR112021011955A2/pt
Publication of WO2020137085A1 publication Critical patent/WO2020137085A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to an information processing device and an information processing system.
  • Patent Document 1 a process of obtaining a spraying condition of a pesticide from an amount of an infectious source that causes a disease to a crop and a damage tolerance rate, a process of calculating a final damage amount of the crop, and a determination of suitability of spraying the pesticide to the crop are made.
  • a treatment and a disease outbreak prediction method including the treatment are described.
  • Patent Document 1 describes a technique for predicting the onset of disease based on cultivation information such as temperature, humidity, or rainfall.
  • Patent Document 1 describes cultivation information for estimating information on the occurrence of disease in crops, but based on the cultivation information on cultivation of more appropriate crops, infection information on infection of crops with higher accuracy. There was a demand for a technique for estimating.
  • the present invention has been made in view of the above problems, and an object of the present invention is to more accurately estimate information on crop infection based on more appropriate cultivation information. , And to provide a new and improved information processing apparatus and information processing system.
  • a characteristic amount is converted by converting a characteristic amount of at least one of information relating to each of a main factor, a predisposition, and an incentive, which are three factors of disease occurrence in a crop.
  • a feature amount conversion unit to be generated, and infection estimation which is used to estimate infection information related to the infection of the crop, and which is generated based on a machine learning algorithm, and which has information about the three factors including the feature amount as input data.
  • An information processing device comprising: an estimation unit that estimates infection information of the crop based on a model.
  • the information processing apparatus further includes a first machine learning unit that updates the infection estimation model based on a machine learning algorithm, using information about the three factors including the feature amount as input data, and the estimation unit. May estimate the infection information based on the updated infection estimation model.
  • the information on the main cause may also include information on the history of disease occurrence in the crop.
  • the information regarding the history of disease occurrence may include period information regarding the period during which the disease has occurred in the crop.
  • the information regarding the history of disease occurrence may include frequency information regarding the frequency of disease occurrence in the crop.
  • the information on the disease history may include length information on the time axis from the time when the disease occurs to the crop to the time when the estimation unit estimates the infection information.
  • the information on the predisposition may include information on the disease resistance of the crop, and the information on the inducement may include information on at least either humidity or temperature of the space where the crop is cultivated.
  • the estimation unit may estimate the infection information based on the estimation result of the past infection information estimated based on the infection estimation model.
  • the information processing apparatus further includes a second machine learning unit that updates the infection estimation model based on a machine learning algorithm using the past estimation result as input data, and the estimation unit is updated.
  • the infection information may be estimated based on an infection estimation model.
  • a feature amount conversion unit that generates a feature amount, and input information relating to the three factors including the feature amount, which is used to estimate the infection information regarding the infection of the crop, and is generated based on a machine learning algorithm.
  • An information processing system includes an estimation unit that estimates the infection information based on the infection estimation model, and an output unit that outputs the result estimated by the estimation unit.
  • FIG. 6 is a flowchart conceptually showing an example of the update processing by the information processing apparatus 10 according to the embodiment of the present invention. It is a flowchart which shows notionally the example of the estimation process of the information processing apparatus 10 which concerns on one Embodiment of this invention. It is explanatory drawing which showed the hardware constitutions of the information processing apparatus 10 which concerns on one Embodiment of this invention.
  • FIG. 1 is a diagram for explaining the outline of an information processing system 1 according to an embodiment of the present invention.
  • the information processing system 1 has a function of collecting crop cultivation information, a function of estimating infection information based on the cultivation information, and a function of presenting an estimation result. Such a function is realized by the information processing device 10, the information processing terminal 20, and the sensor node 30 included in the information processing system 1 working together.
  • the information processing device 10 receives the crop information, the cultivation place information, the disease information and the pesticide information from the information processing terminal 20 managed by the user U1 such as the grower of the crop from the sensor node 30 installed in the cultivation place 31. Cultivation site observation information and weather information from the weather information server 40 are collected as shown in FIG. Details of these various types of information will be described later. Then, the information processing device 10 inputs the collected information into the infection estimation model and delivers the output information from the infection estimation model to the information processing terminal 20. The user U1 views the delivered output information presented by the information processing terminal 20 and confirms the crop infection information.
  • the infection information may be information about the infection that occurs in the crop. More specifically, the infection information may be an infection risk that represents a risk that the crop is infected with, for example, a pathogenic microorganism. Alternatively, the infection information may be information relating to diseases that occur in crops. In the present embodiment, the information processing device 10 estimates the infection risk based on the cultivation information.
  • the functions of the information processing device 10 described above may be realized by a plurality of devices.
  • the functions of the information processing device 10 described above may be realized by cloud computing having a plurality of devices.
  • FIG. 1 illustrates the example in which the information processing terminal 20 is a mobile communication terminal such as a smartphone, the information processing terminal 20 may be an information communication device such as a stationary personal computer.
  • FIG. 2 is a block diagram showing an example of a schematic functional configuration of the information processing system 1 according to the embodiment of the present invention.
  • the information processing system 1 includes an information processing device 10, an information processing terminal 20, and a sensor node 30.
  • the information processing device 10, the information processing terminal 20, the sensor node 30, and a weather information server 40 described later are connected via a network 50. These devices are connected via a WAN (Wide Area Network) such as the Internet.
  • WAN Wide Area Network
  • the information processing device 10 converts at least one of information (hereinafter, also simply referred to as “three factor information”) regarding each of the three main factors, that is, the predisposition, and the incentives, which are the three factors of disease occurrence in crops, by converting the features. It has the function of generating quantity. Furthermore, the information processing apparatus 10 is used to estimate the infection risk of crops, and is based on an infection estimation model that is generated based on a machine learning algorithm and that has as input data the three-factor information including the above-described feature amount. , Has the function of estimating the infection risk of crops. The function of the information processing device 10 is realized by the communication unit 110, the storage unit 120, and the processing unit 130 of the information processing device 10 working together.
  • Plant diseases such as diseases in crops are said to occur due to a combined action of all three factors of a main cause, a predisposition, and a trigger.
  • the main cause refers to the etiology of pathogenic microorganisms, pests, pesticides, fertilizers, pollutants or weeds.
  • the information on the main cause may be, for example, the history of disease occurrence, the residual effect of the applied pesticide, the group of the applied pesticide, or the number of spores of the crop.
  • the predisposition (plant: Host) is a factor such as a plant, its resistance, and a growth stage. Further, the information on the predisposition may be information such as a growing stage of the crop, disease resistance of the crop, or characteristics of the rootstock.
  • the incentive information which is information about an incentive (environment: Environment), is information about an environment in which a crop is cultivated, such as temperature or humidity.
  • the incentive information is at least one of information related to various environments such as cultivation site observation information based on results detected by various sensors such as an air sensor or a soil sensor described below, or information about planting density. It is the information to include.
  • the air sensor is a sensor such as a temperature sensor or a humidity sensor installed in the space where the crop is cultivated.
  • Information regarding these three factors is transmitted from the information processing terminal 20, the sensor node 30, or the weather information server 40 to the information processing device 10.
  • the user inputs the information to the information processing terminal 20, and the input information is transmitted to the information processing apparatus 10 via the network 50. May be.
  • a device other than the information processing terminal 20 may acquire information regarding the three factors, and the acquired information may be transmitted to the information processing device 10 via the network 50, for example.
  • a plant disease pyramid is known that represents these three factors and the amount of damage caused by plant diseases in plants.
  • FIG. 3 is a diagram showing a pyramid P of plant diseases.
  • the magnitude of the influence of the three factors is represented by the side, and the area of the formed triangle is shown as the plant disease damage at that time. More specifically, the magnitude of the influence of the main cause is the length of the first side L1, the magnitude of the influence of the prime factor is the length of the second side L2, and the magnitude of the influence of the trigger is the third side L3. Is represented by the length of. The area of the triangle surrounded by these three sides is the magnitude of the plant disease damage at a certain point.
  • the final amount of damage caused by a plant disease is indicated by the volume V of the pyramid P of plant diseases. More specifically, the volume V of the triangular pyramid having the above triangle as the base and the height as the fourth side L4 represented by the elapsed time is the final damage amount due to the plant disease.
  • the damage amount of plant diseases is determined by the influence of three factors. Therefore, the amount of damage caused by disease in crops is determined by the influence of three factors. Therefore, the use of the three factors has great significance in estimating the infection risk.
  • the communication unit 110 communicates with the information processing terminal 20, the sensor node 30, and the weather information server 40. Specifically, the communication unit 110 receives the crop information, the cultivation place information, the disease information, the pesticide information, and the request information from the information processing terminal 20. The crop information, the cultivation place information, the disease information, or the pesticide information transmitted from the information processing terminal 20 to the communication unit 110 may include three-factor information. Further, the communication unit 110 receives the cultivation site observation information from the sensor node 30. The cultivated place observation information includes, for example, information on incentives. Further, the communication unit 110 receives weather information from the weather information server. The weather information includes, for example, information on incentives. The communication unit 110 also transmits display information to the information processing terminal 20. The information processing terminal 20 displays various types of information based on the display information.
  • the storage unit 120 stores information regarding the processing of the processing unit 130. Specifically, the storage unit 120 stores various cultivation information including the three factor information received by the communication unit 110. More specifically, the storage unit 120 stores cultivation information (crop information, cultivation place information, disease information, pesticide information, cultivation place observation information, and weather information). The storage unit 120 also stores an infection estimation model and machine learning parameters.
  • the processing unit 130 comprehensively controls the operation of the information processing device 10. Specifically, as shown in FIG. 2, the processing unit 130 includes a feature amount conversion unit 131, a machine learning unit 132, an estimation unit 133, and a display control unit 134, and performs processing related to infection risk estimation. It should be noted that the estimation of the infection risk may be estimation of the infection risk of the current crop, or prediction of the infection risk of the future crop.
  • the feature amount conversion unit 131 generates a feature amount by performing feature amount conversion on at least one of the information on each of the three main factors of disease occurrence in crops: the main cause, the predisposition, and the incentive.
  • the feature amount conversion unit 131 generates a feature amount.
  • each of the information on the main cause, the predisposition, and the incentive may include a plurality of information.
  • at least one of the information regarding each of the three factors, that is, the main cause, the predisposition, and the inducement means at least one of the plurality of information.
  • the feature amount conversion unit 131 performs feature amount conversion on information relating to the main cause, the predisposition, and the inducement.
  • the information about the incentive includes a plurality of pieces of information such as information about the detection result of the atmospheric sensor and information about the planting density.
  • the feature amount conversion unit 131 may perform feature amount conversion only on the information on the detection result of the atmospheric sensor, of the information on the incentive.
  • the feature amount conversion unit 131 may also perform feature amount conversion on information regarding incentives other than the detection result, or may perform feature amount conversion on information regarding other incentives without performing the feature amount conversion on the detection result. ..
  • the disease occurrence history is information about the main cause.
  • the disease occurrence history is information in which, for example, the date when the disease occurred by the user or the type of the disease is recorded.
  • the feature amount conversion unit 131 extracts, for example, information indicating how many days ago the disease has occurred from the disease occurrence history and generates the information as a feature amount.
  • the illness may have occurred during the period. Therefore, the disease occurrence history includes period information regarding the length of the period in which the crop has been diseased.
  • the feature amount conversion unit 131 may generate, for example, a period in which a disease is occurring as a feature amount.
  • the disease occurrence history may include information on the frequency of occurrence of diseases. For example, when the frequency of disease is gradually increasing, it is estimated that the risk of infection is increasing. Therefore, the frequency of disease occurrence can be important information for estimating the infection risk. Therefore, the feature amount conversion unit 131 may generate, from the disease occurrence history, the frequency of occurrence of the disease in the form of the number of days the disease has occurred/the predetermined number of days as the feature amount. More specifically, the feature quantity conversion unit 131 may generate the frequency of disease occurrence as the feature quantity in the form of the number of days of disease/the total number of days of cultivation.
  • the disease occurrence history may include length information on the time axis from the time when the crop disease occurs to the time when the estimation unit 133, which will be described later, estimates the infection risk. For example, when the length is short, it can be estimated that the infection risk is higher, and thus such information can be important information for estimating the infection risk. Therefore, for example, from the length information, the feature amount conversion unit 131 generates, as the feature amount, a period from the time point when the estimation unit 133 estimates the infection risk to the shortest time point among the respective time points when the disease has occurred in the crop. You may.
  • the feature amount conversion unit 131 performs feature amount conversion of the detection result detected by various sensors such as the air sensor and the soil sensor included in the sensor node 30. It should be noted that these detection results may be information regarding incentives.
  • the feature amount conversion unit 131 obtains a distribution of data related to the detection result obtained in time series in a predetermined period, and outputs a representative value of the distribution as a feature amount.
  • the representative value may be, for example, a percentile value.
  • the feature amount conversion unit 131 may rearrange the time series data of the detection results acquired in time series in a predetermined period in ascending or descending order and output a predetermined percentile value of the rearranged data. Such a feature amount can be used as one of the input data of the infection estimation model.
  • the representative value various statistical representative values such as minimum value, maximum value, average value, mode value, variance or standard deviation may be used.
  • the type of the representative value used as the input data of the infection estimation model can be appropriately set according to the characteristics of the parameter for determining the target of the infection risk estimation, the tendency of time series change, and the like.
  • the predetermined period is the period for which the time series data of the detection result is acquired.
  • the predetermined period may be, for example, a period from several days before the time point when the feature amount conversion is performed to that time point, or a period from several months before the time point when the feature amount conversion is performed to that time point. Good.
  • the predetermined period can be appropriately set according to the infection behavior or occurrence behavior of the disease, the drug efficacy behavior of the drug, and the like.
  • the information on planting density may be information on incentives.
  • the planting density is an index of the degree of crowding of crops.
  • the humidity is generally high, and for example, the risk of occurrence of filamentous fungus disease is high.
  • grouping planting densities is meaningful for estimating infection risk.
  • the feature amount conversion unit 131 classifies the planting densities into plus and minus 200 strains/10a centering on the planting densities of 2000 to 2200 strains/10a to generate feature amounts relating to the planting density.
  • the information on the planting density may be the information on the planting density as it is, or may be the feature amount generated by converting the feature amount of the information including the planting density.
  • the feature amount conversion unit 131 outputs the generated feature amount to the machine learning unit 132.
  • the machine learning unit 132 uses the feature amount as an input value to generate or update the infection estimation model.
  • the feature quantity conversion unit 131 outputs the generated feature quantity to the estimation unit 133.
  • the estimation unit 133 can input the feature amount into the infection estimation model, output the estimation result from the infection estimation model, and transmit the estimation result to the display control unit 134.
  • the generated feature amount may be stored in the storage unit 120. It should be noted that the various types of cultivation information whose characteristic amounts have been converted here may be used by the machine learning unit 132 or the estimation unit 133 in a state in which the characteristic amounts have not been converted.
  • the machine learning unit 132 generates or updates the infection estimation model based on a predetermined machine learning algorithm. Specifically, the machine learning unit 132 generates or updates the infection estimation model based on the machine learning algorithm using the three factor information stored in the storage unit 120 as input data (hereinafter, these will be collectively referred to simply as " Also known as machine learning.).
  • the above machine learning algorithm may be any of the existing machine learning algorithms that can be used for machine learning of an infection estimation model.
  • the machine learning algorithm may be a calculation algorithm using a logistic regression, a support vector machine, a classification method such as random forest or neighborhood method, a neural network or a Bayesian network.
  • the machine learning unit 132 acquires from the storage unit 120 the three factor information including the feature quantity generated by the feature quantity conversion unit 131.
  • the machine learning unit 132 may acquire the feature amount from the feature amount conversion unit 131.
  • the machine learning unit 132 generates an infection estimation model using the acquired three factor information.
  • the infection estimation model generated by the machine learning unit 132 is stored in the storage unit 120.
  • the infection estimation model may be generated for each cultivation place.
  • the disease information includes information indicating the cultivation place where the disease has occurred
  • the machine learning unit 132 generates the infection estimation model based on the cultivation information corresponding to the cultivation place where the disease has occurred.
  • the machine learning unit 132 acquires, from the storage unit 120, the three-factor information about the cultivation area indicated by the disease information.
  • the machine learning unit 132 uses the acquired three factors to generate an infection estimation model for the crop in the cultivated place.
  • the machine learning unit 132 can update the already-generated infection estimation model. More specifically, the machine learning unit 132 acquires the information about the three factors including the feature amount and the existing infection estimation model from the storage unit 120 and the feature amount from the feature amount conversion unit 131. The machine learning unit 132 uses the acquired information as input data and updates the existing infection estimation model based on the machine learning algorithm. The estimation unit 133 can estimate the infection risk more accurately by using the updated infection estimation model.
  • the function of the machine learning unit 132 to update the infection estimation model in this way is a function of the first machine learning unit.
  • the estimation unit 133 estimates the risk of infection in crops. Specifically, the estimation unit 133 is used to estimate the infection information related to the infection of crops, and is used as an infection estimation model that has as input data three-factor information including a feature amount, which is generated based on a machine learning algorithm. Based on this, estimate infection information for crops.
  • the infection information is information on the infection risk of crops.
  • the estimation unit 133 acquires the infection estimation model and the three factor information at a specific time from the storage unit 120, and inputs the acquired three factor information to the infection estimation model. Then, the estimation unit 133 transmits the information indicating the risk of occurrence of infection (hereinafter, also referred to as “estimation result”) output from the infection estimation model to the display control unit 134.
  • the estimating unit 133 may estimate the infection risk based on the past estimation result of the infection risk estimated based on the infection estimation model. More specifically, the estimation unit 133 may estimate the infection risk based on the infection estimation model using the past infection risk estimation result as input data. Thereby, the estimation unit 133 can more accurately estimate the infection risk.
  • the estimation unit 133 may estimate the infection risk by using the past estimation result as input data and using the infection estimation model updated based on the machine learning algorithm. More specifically, first, the machine learning unit 132 updates the infection estimation model based on a predetermined machine learning algorithm using the past estimation result estimated by the estimation unit 133 as input data. The estimation unit 133 estimates the infection risk based on the updated infection estimation model. In this way, the estimation unit 133 can use the infection estimation model updated based on the past estimation results, and thus can estimate the infection risk more accurately. Note that, as described above, the function of the machine learning unit 132 to update the infection estimation model based on the past estimation result is the function of the second machine learning unit.
  • the display control unit 134 generates information displayed on the information processing terminal 20. Specifically, the display control unit 134 generates display information for displaying information regarding the estimation result on the information processing terminal 20. For example, request information, which is information requesting transmission of display information, is transmitted from the information processing terminal 20 to the information processing device 10, and the request information is received by the communication unit 110. At this time, the display control unit 134 acquires, for example, the estimation result of the cultivation area specified based on the request information, that is, the estimation result of the period specified from the request information. Then, the display control unit 134 generates display information by processing the acquired estimation result, and transmits the generated display information to the communication unit 110. Further, the estimation result may be transmitted without being processed.
  • request information which is information requesting transmission of display information
  • the display control unit 134 acquires, for example, the estimation result of the cultivation area specified based on the request information, that is, the estimation result of the period specified from the request information.
  • the display control unit 134 generates display information by processing the acquired estimation result,
  • cultivation information corresponding to the displayed estimation result may be added.
  • the display control unit 134 acquires, from the storage unit 120, cultivation information (such as weather information or pesticide information) that was input to the estimation process in which the obtained estimation result is an output. Then, the display control unit 134 generates display information by processing the acquired cultivation information, and transmits the generated display information to the communication unit 110. The cultivation information may also be transmitted to the communication unit 110 without being processed.
  • the information processing terminal 20 has a function of transmitting information generated in response to a user operation to the information processing apparatus 10 via the network 50 and displaying various kinds of information regarding crops under the control of the information processing apparatus 10. Have.
  • the functions of the information processing terminal 20 are realized by cooperation of the input unit 210, the control unit 220, the communication unit 230, and the display unit 240 shown in FIG.
  • the input unit 210 receives an operation on the information processing terminal 20. Specifically, the input unit 210 receives an input operation and generates various kinds of information according to the received operation. The generated various information is transmitted to the control unit 220. Specifically, the information generated according to the operation by the user is disease information, pesticide information, crop information, cultivated place information, and request information. Here, these pieces of information will be described more specifically.
  • the disease information is information on the disease that has occurred in the crop.
  • the disease information includes information indicating the type of disease that has occurred such as gray mold, leaf mold, powdery mildew, or plague.
  • the diseases include microbial diseases, physiological disorders, physiological disorders caused by weeds, and the like.
  • the disease information includes information indicating the date or degree of disease occurrence.
  • a disease occurrence history is generated by appropriately combining these disease information.
  • the disease occurrence history is information indicating the type of disease that has occurred in the crop, the day or time when the disease has occurred, and the like.
  • the image acquisition device may be installed in the cultivation area 31, the image acquisition device may acquire the image information of the crop, and the image information may be transmitted to the information processing device 10 via the network 50.
  • the information processing apparatus 10 may determine whether or not a crop has a disease by analyzing the image information, and generate a disease occurrence history. Further, the disease occurring in the crop may be estimated based on indirect facts, and the disease occurrence history may be generated based on the estimated information. For example, when a user such as a farmer who grows a crop in the cultivated place 31 has a disease, the cause of the disease may be a disease. Therefore, it may be estimated that the crop has a disease based on the disease. Furthermore, a disease occurrence history may be generated based on the estimation result.
  • the pesticide information is information on the applied pesticides. More specifically, the pesticide information is information indicating the name, type, group or effect of the applied pesticide, the application date or the application amount.
  • the information processing terminal 20 estimates the residual effect of the pesticide based on the sprayed information such as the sprayed name and sprayed date.
  • the user may input the group of agricultural chemicals by the information processing terminal 20, or the information processing terminal 20 may estimate the group of agricultural chemicals based on the name of the agricultural chemical input by the user. It should be noted that pesticide residual effects and pesticide groups may be included in the predisposition information.
  • the residual effect of a pesticide is the effect of the pesticide applied to the crop that remains in the crop.
  • the residual effect of the pesticide may be calculated based on the pesticide application date and the name of the pesticide applied.
  • the name of the pesticide is input to the information processing terminal 20 by the user as pesticide information.
  • the information is transmitted to the information processing device 10 via the network 50.
  • the information processing apparatus 10 stores information about the name of a pesticide and the change over time in the efficacy of a pesticide.
  • the information processing device 10 can calculate the residual effect of the pesticide based on the name of the pesticide acquired from the information processing terminal 20 and the information on the change over time in the efficacy of the pesticide.
  • the pesticide group is a pesticide with a residual effect converted into information about the group of the compound.
  • the information processing device 10 stores a database that associates the names of agricultural chemicals with the groups of agricultural chemicals.
  • the information processing device 10 may convert the pesticide name acquired from the information processing terminal 20 into information on a pesticide group based on the database.
  • the crop information is information on crops grown in the cultivation area 31. More specifically, the crop information is information indicating the growing stage, the type and variety of crops, disease resistance, planting density, variety and characteristics of rootstock, degree of leaf defoliation or vigor.
  • the information on the stage of growing the crop is information on the stage of growing the crop such as the seeding date, planting date, harvest start date or cultivation end date of the crop. These pieces of information may be input to the information processing terminal 20 by the user as crop information.
  • the disease resistance of a crop is a characteristic relating to the resistance of a crop to various diseases.
  • the disease resistance may be generated by the information processing device 10 based on the information input by the user. For example, it is assumed that the information processing apparatus 10 stores in advance a database showing the disease resistance of each crop variety.
  • the user inputs, as the crop information, information on the variety of the crop to the information processing terminal 20.
  • the information is transmitted to the information processing device 10 via the network 50.
  • the information processing device 10 may generate information on disease resistance of crops based on the transmitted information and the database.
  • the disease resistance may be directly input to the information processing terminal 20 by the user and transmitted to the information processing device 10.
  • the information regarding the characteristics of the rootstock may be information indicating what kind of rootstock is used for the rootstock of the crop. More specifically, the information regarding the characteristics of the rootstock may be information indicating the name of the rootstock type or the characteristics of the rootstock type.
  • the cultivated place information is information indicating the altitude of the cultivated place, the weather characteristics, the type of soil, the nutritional state of the soil, and the like.
  • the cultivated place information may be information about a single cultivated place or information about a plurality of cultivated places. These cultivation place information may be included in the information regarding the incentive.
  • the request information is information indicating a request to the information processing device 10 to transmit the display information.
  • the input screen is displayed on the display unit 240, and the user operates the input screen to generate the various types of information described above.
  • the control unit 220 controls the operation of the information processing terminal 20 as a whole. Specifically, the control unit 220 controls the operations of the communication unit 230 and the display unit 240. For example, the control unit 220 causes the communication unit 230 to transmit the information generated by the input unit 210. The control unit 220 also generates image information based on the display information transmitted from the information processing apparatus 10, and transmits the image information to the display unit 240 to display the image.
  • the communication unit 230 communicates with the information processing device 10. Specifically, the communication unit 230 transmits the crop information, the cultivation place information, the disease information, the pesticide information, and the request information generated by the input unit 210 to the information processing device 10. The communication unit 230 also receives display information from the information processing device 10.
  • the information processing terminal 20 may communicate with the sensor node 30 or the weather information server 40 to receive the cultivation site observation information or the weather information.
  • the display unit 240 serves as an output unit in the present embodiment and displays an image based on an instruction from the control unit 220. Specifically, the display unit 240 displays an information display screen and an operation input screen based on the image information transmitted from the control unit 220. For example, the display unit 240 displays a disease occurrence history screen, a pesticide spray recording screen, a disease occurrence information screen, or a cropping information screen. The screen will be described more specifically with reference to FIGS. 4 to 8. 4 and 5 are diagrams showing examples of disease occurrence history screens displayed on the information processing terminal 20 according to the embodiment of the present invention.
  • FIG. 6 is a diagram showing an example of the agricultural chemical spray recording screen displayed on the information processing terminal 20 according to the embodiment of the present invention.
  • FIG. 7 is a diagram showing a disease occurrence information screen displayed on the information processing terminal 20 according to the embodiment of the present invention.
  • FIG. 8 is a diagram showing a cropping information screen displayed on the information processing terminal 20 according to the embodiment of the present invention.
  • the display unit 240 displays a disease occurrence history screen for each cultivation place based on various information input by the user by the control unit 220 and image information generated based on the estimation result of the information processing device 10. More specifically, the disease occurrence history screen is a screen img1 as shown in FIG. 4, on which the history of disease occurrence, the estimated result of infection risk, and records related to spraying pesticides are displayed. More specifically, on the disease occurrence history screen img1, a date image 241a, an estimation result image 242b, a pesticide input button 243a, a disease input button 244a, a pesticide record image 245a, and a disease record image 246a are displayed in order from the top. There is.
  • the date image 241a for example, the date of the day when the disease occurrence history screen img1 is displayed on the display unit 240 is displayed.
  • the date image 241a displays y1, m2, and d5 as the date.
  • the infection risk, the presence/absence of disease (occurrence of a disease), and the pesticide spraying on each date in order from the top, the infection risk, the presence/absence of disease (occurrence of a disease), and the pesticide spraying on each date (in the example shown in FIG. 4, each date of 23rd to 30th of m2 of y1 year).
  • the presence or absence of is displayed.
  • characters, figures, symbols, or the like based on the estimation result estimated by the information processing device 10 are displayed. For example, the letter “H” is displayed when the infection risk is high, and the letter “L” is displayed when the infection risk is low.
  • the letter “L” is displayed at the position corresponding to the 23rd to 30th of February of year y1.
  • a mark indicating that the crop has been infected is displayed at the location corresponding to the day when the crop was infected.
  • the place corresponding to the day when the crop has no disease is blank. Therefore, the fact that the row corresponding to the 23rd to 30th day of m2 of y1 year in the line of presence or absence of disease is blank means that the crop did not have the disease on 23rd to 30th day of m2 of y1 year. Shows. Since there was no disease in the crops in this way, it is estimated that the infection risk is low on 23rd to 30th days in February of year y1.
  • a symbol indicating that the pesticide has been sprayed is displayed at the location corresponding to the day when the pesticide was sprayed.
  • the place corresponding to the day when the pesticide was not sprayed is blank. Therefore, the blanks in the rows corresponding to 23rd to 30th February of y1 m2 in the row of pesticide spraying indicate that the pesticides were sprayed from 23th to 30th February of y1 m2. ing.
  • the screen displayed on the display unit 240 is switched from the image img1 to the screen img3 which is an example of the pesticide application recording screen shown in FIG.
  • the screen displayed on the display unit 240 switches from the image img1 to the screen img4 which is an example of the disease occurrence information screen shown in FIG. 7.
  • a pesticide record image 245a or a disease record image 246a showing a pesticide application record or a disease occurrence record in time series is displayed.
  • the pesticide record image 245a displays an image showing that pesticide_B has been sprayed on m2, d9, year y1.
  • the disease recorded image 246a displays the occurrence of disease_D, E, and F in time series.
  • a screen img2 will be described as an example of a disease occurrence history screen different from the above screen img1. Similar to screen img1, screen img2 displays date image 241b, estimation result image 242b, pesticide input button 243b, disease input button 244b, pesticide record image 245b, and disease record image 246b in order from the top.
  • the estimation result image 242b different between the screen img1 and the screen img2 will be described.
  • a cross mark indicating that a disease has occurred is displayed at a position corresponding to the 23rd and 24th in the line indicating whether the disease has occurred. It is assumed that the information processing apparatus 10 estimates that the infection risk is high on the 25th and the 26th after receiving the illness on the 23rd and the 24th. Therefore, the letter “H” indicating that the infection risk is high is displayed in the portion corresponding to the 25th and the 26th in the infection risk line. Further, the part corresponding to 25th to 29th in the line of presence/absence of illness is a blank column indicating that there is no illness. The information processing apparatus 10 estimates that the risk of infection is low on 27 to 30 days after receiving no illness on 25 to 29 days.
  • the letter "L” is displayed in the portion corresponding to the 27th to 30th days of the infection risk line.
  • a cross mark indicating that the disease has occurred is displayed.
  • a disease may occur in the crop 4 to 5 days after the crop is infected.
  • the information processing apparatus 10 has estimated the infection risk. That is, as estimated by the information processing device 10, the crop was infected on the 25th or 26th, and the crop became ill on the 30th, which was 4 to 5 days after these days.
  • the display unit 240 displays the pesticide spray recording screen based on the image information generated by the control unit 220.
  • An example of the pesticide application recording screen is a screen img3 shown in FIG. 6 which is displayed when the user records the applied pesticide.
  • the user inputs the agricultural chemical information and the like to the information processing terminal 20 with reference to the screen img3.
  • the date of spraying the pesticide is entered in the date field described at the top of the screen img3.
  • the user selects the type of sprayed pesticide from the six types of pesticides of pesticide_A to F described in the pesticide column, and puts a check in the check column.
  • the check box for pesticide_A is checked.
  • memos and the like regarding the pesticides scattered are entered.
  • the information entered in the screen img3 such as the date of application of the pesticide, the type of pesticide applied (pesticide _A in the example shown in FIG. 6), and a memo note about the pesticide is displayed as pesticide information.
  • the types of pesticides are entered in the pesticide column shown in FIG. 6, but the present invention is not limited to this, and the pesticide name, group, efficacy, or application amount may be entered. Further, in the pesticide column shown in FIG. 6, 6 types of pesticides are described, but 1 to 5 types of pesticides may be described, or 7 or more types of pesticides may be described. May be.
  • the display unit 240 displays a disease occurrence information screen based on the image information generated by the control unit 220.
  • the disease occurrence information screen for example, there is a screen img4 as shown in FIG. 7 for recording the disease caused in the crop.
  • the date when the disease occurred is entered in the date field displayed at the top of the screen img4.
  • the user selects the type of disease that has occurred from the six types of diseases _A to F displayed in the disease column and checks the check box. In the example shown in FIG. 7, the check box for the disease_C is checked.
  • memos and the like regarding the degree of disease occurrence are entered in the other columns.
  • the information entered on the screen img4 such as the date of the disease, the type of the disease, and the memo writing, is input to the information processing terminal 20 as the disease information.
  • the input information is transmitted to the information processing device 10 via the network 50 and stored in the information processing device 10.
  • the display unit 240 displays the cropping information screen based on the image information generated by the control unit 220.
  • As the cropping information screen for example, there is a screen img5 for recording cropping information for the current period as shown in FIG.
  • the screen img5 displays fields for inputting the crop name, variety, planting density, cultivation method, planting start date, harvest start date, and harvest end date in order from the top.
  • crop_A is entered as the type of crop.
  • variety_A is entered as the variety of the crop.
  • XXX strain/10a is entered as the planting density of the crop.
  • cultivation method_A for example, hydroponics
  • the fields corresponding to the respective fields are entered in the fields of the planting start date, the harvest start date, and the harvest end date.
  • the information entered on the screen img5 is input to the information processing terminal 20 as crop information.
  • the input information is transmitted to the information processing device 10 via the network 50 and stored in the information processing device 10.
  • the cropping information screen may be a screen in which items other than the items displayed on the screen img5 can be entered.
  • the planting information screen may display items for entering a sowing date, a planting date, a cultivation end date, a type of rootstock, characteristics of the rootstock, and the like.
  • the user fills in the information corresponding to these items, and operates the save button, for example, to send the filled-in information to the information processing apparatus 10 via the network 50 and store the information in the information processing apparatus 10.
  • the information recorded using the disease occurrence history screen, the pesticide spray recording screen, the disease occurrence information screen and the planting information screen is supposed to be stored in the information processing device 10. Not limited to this, the information processing terminal 20 may store the information entered using the above screen.
  • the sensor node 30 is installed in the crop cultivation area 31.
  • the sensor node 30 also includes a sensor, a signal processing unit, and a communication unit.
  • the sensor produces a signal by making observations about the environment surrounding the sensor.
  • the sensor is any known sensor such as a temperature sensor, a humidity sensor, a solar radiation sensor, a carbon dioxide concentration sensor, or a soil moisture sensor.
  • the soil sensor is a sensor such as a soil moisture sensor or a soil pH sensor that detects information about the soil.
  • the sensor that generates the incentive information may be a sensor such as a solar radiation sensor or a humidity sensor.
  • the signal processing unit generates the cultivation site observation information based on the signal generated by the sensor. Specifically, the signal processing unit generates the cultivation site observation information by performing signal processing such as sampling or filtering on the signal obtained from the sensor.
  • the generated cultivation site observation information may be digital data or analog data.
  • the communication unit communicates with the information processing device 10. Specifically, the communication unit transmits the cultivation site observation information generated by the signal processing unit to the information processing device 10 via the network 50.
  • the communication unit may perform transmission each time the cultivation site observation information is generated, or may transmit at predetermined time intervals. Alternatively, the communication unit may transmit the cultivation site observation information in response to a request from the information processing device 10.
  • the sensor node 30 may also send information regarding the number of spores of the crop measured by a spore counter provided in the cultivation area 31. More specifically, the sensor node 30 transmits information regarding the measured number of spores to the information processing device 10 as the cultivation site observation information via the network 50.
  • the weather information server 40 transmits the weather information to an external device. Specifically, when the weather information server 40 is requested by the information processing device 10 to transmit the weather information, the weather information server 40 transmits the requested weather information to the information processing device 10.
  • the weather information is information indicating temperature, humidity, solar radiation amount, or rainfall amount. These meteorological information may be information regarding the incentive of the three factors.
  • FIG. 9 is a diagram conceptually showing an example of the overall flow of processing of the information processing system 1 according to an embodiment of the present invention.
  • the information processing terminal 20 transmits crop information, cultivated place information, disease information, and pesticide information to the information processing device 10 (step S101).
  • the communication unit 230 transmits the crop information, the cultivation place information, the disease information, and the pesticide information generated by the input unit 210 based on the user's operation to the information processing device 10.
  • the sensor node 30 transmits the cultivation site observation information to the information processing device 10 (step S102). Specifically, the sensor node 30 transmits the cultivation site observation information generated based on the signal obtained by the sensor to the information processing device 10.
  • the weather information server 40 transmits the weather information to the information processing device 10 (step S103). Specifically, the weather information server 40 generates weather information or acquires weather information from another device. The weather information server 40 transmits the weather information to the information processing device 10 in response to a request from the information processing device 10 or periodically.
  • the information processing device 10 uses the received information to update the infection estimation model (step S104).
  • the communication unit 110 causes the storage unit 120 to store the cultivation information transmitted from the information processing terminal 20, the sensor node 30, and the weather information server 40.
  • the machine learning unit 132 updates the infection estimation model using the stored cultivation information. The details will be described later with reference to FIG.
  • the information processing device 10 estimates the infection risk using the infection estimation model (step S105). Specifically, the estimation unit 133 inputs the three factor information including the feature amount into the infection estimation model. More specifically, the estimation unit 133 inputs the three factor information including the feature amount generated by the feature amount conversion unit 131 into the infection estimation model. The estimation unit 133 causes the storage unit 120 to store the estimation result output from the infection estimation model. The details will be described later with reference to FIG. 11.
  • the information processing terminal 20 transmits request information about the infection risk estimation result to the information processing device 10 (step S106). Specifically, the communication unit 230 transmits, to the information processing device 10, request information about display information related to the estimated result of the infection risk, which is generated by the input unit 210 based on the user's operation.
  • the information processing device 10 transmits the display information to the information processing terminal 20 as a response to the received request information (step S107). Specifically, when the communication unit 110 receives the request information, the display control unit 134 generates the display information based on the estimation result stored in the storage unit 120. The display control unit 134 causes the communication unit 110 to transmit the generated display information to the information processing terminal 20.
  • the information processing terminal 20 displays estimated information of infection risk based on the received display information (step S108). Specifically, the control unit 220 generates image information from the display information received by the communication unit 230, and transfers the generated image information to the display unit 240. The display unit 240 displays the estimation result screen based on the transmitted image information.
  • the estimation result screen may be a screen that displays the level of infection risk for each date, as shown in FIG. 4 or 5.
  • FIG. 10 is a flowchart conceptually showing an example of the update processing by the information processing apparatus 10 according to the embodiment of the present invention.
  • the information processing device 10 acquires the three factor information (step S201). Specifically, the feature amount conversion unit 131 acquires the cultivation information including the three factor information accumulated in the storage unit 120. In addition, the machine learning unit 132 also acquires the cultivation information including the three factor information accumulated in the storage unit 120, as necessary.
  • the information processing device 10 also generates a feature amount by converting the feature amount of at least one of the three factor information, and outputs the generated feature amount (step S202).
  • the feature amount conversion unit 131 generates a feature amount by performing feature amount conversion on at least one of the three factor information included in the acquired cultivation information, and machine-learns the generated feature amount. It is output to the unit 132. At this time, the feature amount conversion unit 131 may store the generated feature amount in the storage unit 120.
  • the information processing device 10 also acquires an existing infection estimation model (step S203). Specifically, the machine learning unit 132 acquires the infection estimation model stored in the storage unit 120.
  • the information processing device 10 updates the infection estimation model using the three factor information including the feature amount (step S204).
  • the machine learning unit 132 acquires the machine learning algorithm stored in the storage unit 120.
  • the machine learning unit 132 updates the infection estimation model based on the acquired machine learning algorithm using the three factor information including the feature amount as input data.
  • the input data may be information on only the feature amount generated by the feature amount conversion unit 131, or may be information that combines the feature amount and the three factor information that has not been converted to the feature amount. Good.
  • the information processing device 10 calculates the accuracy of the updated infection estimation model (step S205). Specifically, the machine learning unit 132 inputs the test input data into the infection estimation model updated in step S204, and compares the output value with the test output data to calculate the accuracy of the model. To do.
  • the test input data may be information of only the feature amount generated by the feature amount conversion unit 131, or may be information that combines the feature amount and the three factor information that has not been subjected to the feature amount conversion. Good.
  • the machine learning unit 132 determines whether or not the calculated value calculated in step S205 is greater than or equal to a predetermined threshold value (step S206).
  • the information processing device 10 stores the updated infection estimation model (step S207).
  • the machine learning unit 132 stores a new infection estimation model in the storage unit 120 when the calculated accuracy is equal to or higher than the threshold value. If the calculated value is less than the threshold value (step S206/N), the process is performed again in step S204.
  • FIG. 11 is a flowchart conceptually showing an example of the estimation process of the information processing device 10 according to the embodiment of the present invention.
  • the information processing device 10 sets parameters for the target related to the infection risk estimation (step S301). Specifically, the estimation unit 133 sets parameters such as a cultivation place, a crop name, a disease name, and an estimation period, for example.
  • the parameters to be set may be parameters other than the above, and parameters different from the above parameters may be added or the above parameters may be deleted as appropriate.
  • the information processing device 10 acquires cultivation information for the period specified from the parameters (step S302). Specifically, the estimation unit 133 acquires the cultivation information corresponding to the set cultivation place, crop name, and disease name during the set estimation period.
  • the information processing device 10 generates a feature amount by converting the feature amount of at least one of the three factor information, and outputs the generated feature amount (step S303).
  • the feature amount conversion unit 131 acquires the cultivation information including the three factor information from the storage unit 120.
  • the characteristic amount conversion unit 131 generates a characteristic amount by converting at least one of the three factor information included in the acquired cultivation information, and outputs the generated characteristic amount to the estimation unit 133.
  • the information processing device 10 acquires an infection estimation model (step S304). Specifically, the estimation unit 133 acquires the infection estimation model stored in the storage unit 120. Further, the estimation unit 133 acquires, from the storage unit 120, cultivation information including three-factor information for estimating the infection risk, as needed.
  • the information processing device 10 generates the infection risk estimation information based on the infection estimation model (step S305). Specifically, the estimation unit 133 inputs the input data to the infection estimation model, using the information about the three factors including the feature amount generated by the feature amount conversion unit 131 as input data, and determines the infection risk from the infection estimation model. Get the estimation result. The estimated result becomes estimated information of infection risk.
  • the input data may be only the feature amount, or may be information that combines the feature amount and the three factor information that has not been converted into the feature amount.
  • the information processing device 10 stores the generated estimated information of the infection risk (step S306).
  • the estimation unit 133 causes the storage unit 120 to store the generated estimation information.
  • the information processing apparatus 10 performs feature amount conversion on at least one of the information on each of the main factor, the predisposition, and the incentive, which are the three factors of the disease in the crop, Generate a feature quantity. Further, the information processing device 10 is used to estimate the infection risk of the crop, and is used as an infection estimation model that has information about the three factors including the feature amount, which is generated based on a machine learning algorithm, as input data. Based on this, the infection risk of the above crops is estimated. Since the information processing device 10 estimates the infection risk of the crop based on more appropriate cultivation information that is information on the three factors, it is possible to estimate the infection risk with higher accuracy.
  • the user U1 inputs the cultivation information to the information processing terminal 20, and the information processing apparatus 10 uses the cultivation information to estimate the infection risk by using the infection estimation model generated based on the machine learning algorithm. presume. This not only improves the accuracy of estimating the infection risk, but also allows the infection risk to be estimated by a simpler and less costly method.
  • the machine learning unit 132 updates the infection estimation model based on the machine learning algorithm, using the information regarding the three factors including the feature amount as input data. Further, the estimation unit 133 estimates the infection risk of the crop based on the updated infection estimation model. That is, the infection estimation model according to this embodiment is automatically updated to a more accurate infection estimation model. This allows the information processing device 10 to autonomously update the infection estimation model. As a result, it is not necessary for a person to directly improve the infection estimation model, and the time and cost for improving the model can be reduced. Therefore, it is possible to improve the accuracy of estimation of the infection risk while suppressing the cost.
  • the information on the main cause includes history information on the history of disease occurrence in crops.
  • the history information is very important information for estimating the infection risk. More specifically, the history information is information including the type of disease actually occurring in crops, the date of occurrence of disease, and the like, and is information that is strongly associated with infection of crops. Therefore, the information processing device 10 can estimate the infection risk more accurately by estimating the infection risk based on the history information.
  • the history information according to the present embodiment includes period information regarding the length of the period in which the crop is diseased.
  • the period information is important information for estimating the infection risk. For example, it is presumed that the risk of infection is higher as the time the disease is occurring is longer. Therefore, the infection risk can be estimated more accurately by using the period information.
  • the information on the history of disease occurrence may include frequency information on the frequency of disease occurrence in crops.
  • Frequency information can be important information in estimating infection risk. For example, when the frequency of disease is high, it can be estimated that the infection risk is high. In addition, it can be estimated that the risk of infection is high even when the frequency of disease is gradually increasing. As described above, the infection risk can be estimated more accurately by using the information on the frequency of disease in crops.
  • the information on the history of disease occurrence may include length information on the time axis from the time when the crop disease occurs until the time when the estimation unit estimates the infection risk.
  • Length information can be important information in estimating infection risk. For example, it may be estimated that the shorter the period from the occurrence of the disease to the estimation of the infection risk, the higher the infection risk. Thus, by using the length information, the infection risk can be estimated more accurately.
  • the information on the predisposition may include information on the disease resistance of the crop, and the information on the inducement may include information on the humidity and/or the temperature of the space where the crop is cultivated. This information is important for estimating infection risk.
  • the resistance of crops to disease is a characteristic that has a relatively large influence on infection.
  • Humidity or temperature is an index that has a relatively large influence on infection, among other incentives. Therefore, by using these pieces of information, the infection risk can be estimated more accurately.
  • the estimating unit 133 may estimate the infection risk of the crop based on the past infection risk estimation results estimated based on the infection estimation model. For example, the estimation unit 133 may estimate the infection risk based on the infection estimation model using the past infection risk estimation result and the cultivation information used for estimating the infection risk. In this way, the infection risk can be more accurately estimated by using the past estimation result of the infection risk.
  • the machine learning unit 132 may use the past estimation result as input data and update the infection estimation model based on a machine learning algorithm. As a result, an infection estimation model based on past estimation results is generated. Since the infection estimation model reflects past estimation results, the estimation unit 133 can estimate the infection risk more accurately by using the infection estimation model.
  • FIG. 12 is an explanatory diagram showing a hardware configuration of the information processing device 10 according to the embodiment of the present invention.
  • the information processing device 10 includes a processor 141, a memory 142, an internal bus 143, an interface 144, an input device 145, an output device 146, a storage device 147, and a connection port 148. , A communication module 149.
  • the processor 141 functions as an arithmetic processing unit and a control unit, and realizes the functions of the processing unit 130 (feature amount conversion unit 131, machine learning unit 132, estimation unit 133, display control unit 134) in cooperation with various programs. ..
  • the processor 141 uses a control circuit to execute a program stored in another storage medium such as the memory 142 or the storage device 147 to operate various logical functions of the information processing device 10.
  • the processor 141 may be a CPU (Central Processing Unit) or a GPU (Graphics Processing Unit).
  • the processor 141 may be a microprocessor.
  • the memory 142 stores a program used by the processor 141, a calculation parameter, or the like, and realizes the function of the storage unit 120.
  • the memory 142 includes a RAM (Random Access Memory) and a ROM (Read Only Memory), and temporarily stores a program used in the execution of the processor 141 or a parameter that appropriately changes in the execution.
  • An external storage device may be used as a part of the memory 142 via the connection port 148 or the communication module 149.
  • processor 141 and the memory 142 are mutually connected by an internal bus 143 including a CPU bus and the like. Further, the interface 144 connects the internal bus 143 with the input device 145, the output device 146, the storage device 147, the connection port 148, and the communication module 149.
  • the input device 145 includes an input unit for inputting information and an input control circuit that generates an input signal based on the input and outputs the input signal to the CPU 131, and realizes the function of the operation unit.
  • the input means includes a button, a switch, a lever, a microphone, and the like.
  • the output device 146 outputs sound or light based on the output signal and realizes the function of the output unit.
  • the output device 146 is a sound output device such as a speaker and a headphone, a lamp using an LED (Light Emitting Diode), a liquid crystal display (LCD) device, an OLED (Organic Light Emitting Diode) device, and a projector.
  • Including display devices such as devices.
  • the storage device 147 is a device for storing data.
  • the storage device 147 may include a storage medium, a recording device that records data in the storage medium, a reading device that reads data from the storage medium, a deletion device that deletes data recorded in the storage medium, and the like.
  • the storage device 147 stores programs executed by the CPU 131 and various data.
  • connection port 148 is a port for directly connecting the device to the information processing device 10.
  • the connection port 148 may be a USB (Universal Serial Bus) port, an IEEE 1394 port, an RS-232C port, an HDMI (registered trademark) (High-Definition Multimedia Interface) port, or the like.
  • USB Universal Serial Bus
  • IEEE 1394 IEEE 1394
  • RS-232C RS-232C
  • HDMI registered trademark
  • HDMI High-Definition Multimedia Interface
  • the communication module 149 is a communication device for connecting to a network and realizes the function of the communication unit 110.
  • the communication module 149 may be a wireless LAN (Local Area Network) compatible communication device or a 3G or LTE compatible communication device.
  • the communication module 149 may be a wire communication compatible device that performs wired communication.
  • the information processing apparatus 10 estimates the infection risk as the infection information based on the cultivation information.
  • the information processing device 10 may estimate information on the occurrence of a disease of a crop as infection information based on the cultivation information. More specifically, the information processing device 10 may estimate the date and probability that a disease will occur in a crop, the type of the disease, or the like.
  • the information described as being generated by the input unit 210 in the above embodiment may be automatically generated regardless of the user's operation.
  • the disease information may be generated using information obtained from sensors such as an image sensor and a moisture sensor.
  • each information described in the above embodiment may be either quantitative information or qualitative information.
  • the steps shown in the flowcharts of FIGS. 8 to 11 are not limited to the processing performed in time series according to the described order, but may be performed in parallel if they are not necessarily performed in time series. It also includes processes that are executed individually or individually. It is needless to say that the order of the steps processed in time series can be appropriately changed depending on the case.
  • the information processing terminal 20, the sensor node 30, and the weather information server 40 transmitted various information to the information processing apparatus 10 in this order in steps S101 to S103.
  • the order in which the information processing terminal 20, the sensor node 30, and the weather information server 40 transmit various types of information may be appropriately changed.
  • the information processing terminal 20, the sensor node 30, and the weather information server 40 may transmit various types of information a plurality of times as needed.
  • the estimation process may be executed in response to the information transmission request.
  • the information processing device 10 transmits, to the information processing terminal 20, alert information indicating that there is a risk of infection according to the calculated size of the infection risk.
  • the information processing terminal 20 notifies the user of the receipt of the alert information by using sound or vibration, and displays an image indicating that there is a risk of infection.
  • the weather information acquired by the weather information server 40 may be used for estimating the infection risk or updating the infection estimation model.
  • the weather information includes, for example, future predicted weather information.
  • the estimation unit 133 can estimate a predicted future infection risk by using the predicted weather information.
  • the estimation unit 133 estimates the infection risk in two stages (high or low) based on the infection estimation model. Not limited to this, the estimation unit 133 may estimate the infection risk in three or more stages based on the infection estimation model, or may use a numerical value or the like to evaluate the infection risk.
  • the information processing terminal 20 causes the display unit 240 to output the estimated result of the infection information as an image.
  • the information processing terminal 20 may output the estimated result of the infection information as a voice.
  • the information processing terminal 20 includes, as an output unit, a voice output device that outputs the estimated result of the infection information as voice.
  • information processing device 110 communication unit 120 storage unit 130 processing unit 131 feature amount conversion unit 132 machine learning unit 133 estimation unit 134 display control unit 20 information processing terminal 210 input unit 220 control unit 230 communication unit 240 display unit 30 sensor node 40 weather Information server

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Environmental Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Forests & Forestry (AREA)
  • Mechanical Engineering (AREA)
  • Botany (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Soil Sciences (AREA)
  • Multimedia (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

より適切な栽培情報に基づいて、より精度良く作物の感染に関する情報を推定することを可能とする。　作物における発病の３要因である主因、素因、及び誘因の各々に関する情報の少なくともいずれかを特徴量変換することにより、特徴量を生成する特徴量変換部（１３１）と、前記作物の感染に関する感染情報を推定するために用いられ、機械学習アルゴリズムに基づいて生成された、前記特徴量を含む前記３要因に関する情報を入力データとする感染推定モデルに基づいて、前記作物の感染情報を推定する推定部（１３３）と、を備える、情報処理装置（１０）が提供される。

Description

情報処理装置及び情報処理システム
　本発明は、情報処理装置及び情報処理システムに関する。
　作物に病害が発生すると、作物の収穫量及び品質が低下する。作物における病害の発生を予測することができれば、例えば適切なタイミングで作物に農薬を散布することにより、病害の発生を予防することができる。そこで、従来、作物に対する病害の発生を予測する技術が開発されている。
　例えば、特許文献１には、作物へ病害を与える伝染源量及び被害許容率から農薬の散布条件を求める処理と、作物の最終被害量を算定する処理と、作物に対する農薬の散布適否を判定する処理と、を含む病害発生予察方法が記載されている。より具体的には、特許文献１には、気温、湿度、又は雨量などの栽培情報に基づいて、発病の発生を予測する技術が記載されている。
特開２００２－３０５９７１号公報
　一般的に、作物が感染してから、当該作物に病害が発生するまでには、潜伏期間がある。特許文献１に記載の作物における病害の発生を予測する技術のほか、作物における感染のリスクを推定する技術も求められている。つまり、作物における病害の発生及び感染のリスクなど、作物の感染に関する感染情報を推定する技術が求められている。
　特許文献１には、作物における病害の発生に関する情報を推定するための栽培情報が記載されているが、より適切な作物の栽培に関する栽培情報に基づいて、より精度よく、作物の感染に関する感染情報を推定する技術が求められていた。
　そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、より適切な栽培情報に基づいて、より精度良く作物の感染に関する情報を推定することが可能な、新規かつ改良された情報処理装置及び情報処理システムを提供することにある。
　上記課題を解決するために、本発明のある観点によれば、作物における発病の３要因である主因、素因、及び誘因の各々に関する情報の少なくともいずれかを特徴量変換することにより、特徴量を生成する特徴量変換部と、前記作物の感染に関する感染情報を推定するために用いられ、機械学習アルゴリズムに基づいて生成された、前記特徴量を含む前記３要因に関する情報を入力データとする感染推定モデルに基づいて、前記作物の感染情報を推定する推定部と、を備える、情報処理装置が提供される。
　また、情報処理装置は、前記特徴量を含む前記３要因に関する情報を入力データとし、機械学習アルゴリズムに基づいて、前記感染推定モデルを更新する第１の機械学習部を、更に備え、前記推定部は、前記更新された感染推定モデルに基づいて、前記感染情報を推定してもよい。
　また、前記主因に関する情報は、前記作物における病害の発生履歴に関する情報を含んでもよい。
　また、前記病害の発生履歴に関する情報は、前記作物に病害が発生した期間に関する期間情報を含んでもよい。
　また、前記病害の発生履歴に関する情報は、前記作物に病害が発生する頻度に関する頻度情報を含んでもよい。
　また、前記病害の発生履歴に関する情報は、時間軸上における、前記作物に病害が発生した時点から、前記推定部が前記感染情報を推定する時点までの長さに関する長さ情報を含んでもよい。
　また、前記素因に関する情報は、前記作物の病害に対する抵抗性に関する情報を含み、前記誘因に関する情報は、前記作物が栽培されている空間の湿度又は温度の少なくともいずれかに関する情報を含んでもよい。
　また、前記推定部は、前記感染推定モデルに基づき推定された過去の前記感染情報の推定結果に基づいて、前記感染情報を推定してもよい。
　また、情報処理装置は、前記過去の推定結果を入力データとし、機械学習アルゴリズムに基づいて、前記感染推定モデルを更新する第２の機械学習部を、更に備え、前記推定部は、前記更新された感染推定モデルに基づいて、前記感染情報を推定してもよい。
　作物における発病の主因、素因、及び誘因の各々に関する情報を入力する入力部と、作物における発病の３要因である主因、素因、及び誘因の各々に関する情報の少なくともいずれかを特徴量変換することにより特徴量を生成する特徴量変換部と、前記作物の感染に関する感染情報を推定するために用いられ、機械学習アルゴリズムに基づいて生成された、前記特徴量を含む前記３要因に関する情報を入力データとする感染推定モデルに基づいて、前記感染情報を推定する推定部と、前記推定部が推定した結果を出力する出力部と、を備える、情報処理システムが提供される。
　以上説明したように本発明によれば、より適切な栽培情報に基づいて、より精度良く作物の感染に関する情報を推定することが可能、新規かつ改良された情報処理装置及び情報処理システムが提供される。
本発明の一実施形態に係る情報処理システム１の概要を説明するための図である。 本発明の一実施形態に係る情報処理システム１の概略的な機能構成の例を示すブロック図である。 植物病のピラミッドＰを示す図である。 本発明の一実施形態に係る情報処理端末２０に表示される病害発生履歴画面の例を示す図である。 本発明の一実施形態に係る情報処理端末２０に表示される病害発生履歴画面の例を示す図である。 本発明の一実施形態に係る情報処理端末２０に表示される農薬散布記録画面の例を示す図である。 本発明の一実施形態に係る情報処理端末２０に表示される病害発生情報画面を示す図である。 本発明の一実施形態に係る情報処理端末２０に表示される作付け情報画面を示す図である。 本発明の一実施形態に係る情報処理システム１の処理全体の流れの例を概念的に示す図である。 本発明の一実施形態に係る情報処理装置１０による更新処理の例を概念的に示すフローチャートである。 本発明の一実施形態に係る情報処理装置１０の推定処理の例を概念的に示すフローチャートである。 本発明の一実施形態に係る情報処理装置１０のハードウェア構成を示した説明図である。
　以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
　＜１．はじめに＞
　まず、図１を参照して、本発明の一実施形態に係る情報処理システム１について説明する。図１は、本発明の一実施形態に係る情報処理システム１の概要を説明するための図である。
　情報処理システム１は、作物の栽培情報を収集する機能、栽培情報に基づく感染情報を推定する機能および推定結果を提示する機能を有する。かかる機能は、情報処理システム１が備える情報処理装置１０、情報処理端末２０、及びセンサノード３０が協働することにより実現される。
　例えば、情報処理装置１０は、作物の栽培者等のユーザＵ１により管理される情報処理端末２０から作物情報、栽培地情報、病害情報および農薬情報を、栽培地３１に設置されるセンサノード３０から栽培地観測情報を、さらに気象情報サーバ４０から気象情報を図１に示したように収集する。これらの各種の情報の詳細は後述する。そして、情報処理装置１０は、収集された情報を感染推定モデルに入力し、感染推定モデルからの出力情報を情報処理端末２０へ配信する。ユーザＵ１は、情報処理端末２０により提示される配信された出力情報を閲覧し、作物の感染情報を確認する。
　なお、感染情報は、作物に生ずる感染に関する情報であってもよい。より具体的には、感染情報は、作物が例えば病原微生物などに感染するリスクを表す感染リスクであってもよい。あるいは、感染情報は、作物に発生する病害に関する情報であってもよい。本実施形態では、情報処理装置１０は、栽培情報に基づいて、感染リスクを推定する。
　なお、上述した情報処理装置１０の機能は、複数の装置で実現されてもよい。例えば、上述した情報処理装置１０の機能は、複数の装置を有するクラウドコンピューティングにより実現されてもよい。また、図１では、情報処理端末２０がスマートフォンのような携帯通信端末である例を説明したが、情報処理端末２０は据置型のパーソナルコンピュータなどの情報通信装置であってもよい。
　＜２．本発明の一実施形態＞
　以上、本発明の一実施形態に係る情報処理システム１の概要について説明した。次に、本発明の一実施形態に係る情報処理システム１の詳細について説明する。
　　＜２．１．システムの構成＞
　まず、図２を参照して、情報処理システム１の機能構成について説明する。図２は、本発明の一実施形態に係る情報処理システム１の概略的な機能構成の例を示すブロック図である。
　図２に示したように、情報処理システム１は、情報処理装置１０、情報処理端末２０およびセンサノード３０を備える。情報処理装置１０、情報処理端末２０、センサノード３０、及び後述する気象情報サーバ４０は、ネットワーク５０を介して接続されている。これらの装置は、例えばインターネットなどのＷＡＮ（Wide　Area　Network）を介して接続される。
　　　［情報処理装置］
　情報処理装置１０は、作物における発病の３要因である主因、素因、及び誘因の各々に関する情報（以下、単に「３要因情報」ともいう。）の少なくともいずれかを特徴量変換することにより、特徴量を生成する機能を有する。さらに、情報処理装置１０は、作物の感染リスクを推定するために用いられ、機械学習アルゴリズムに基づいて生成された、上述の特徴量を含む３要因情報を入力データとする感染推定モデルに基づいて、作物の感染リスクを推定する機能を有する。情報処理装置１０が有する機能は、情報処理装置１０が備える通信部１１０、記憶部１２０および処理部１３０が協働することにより実現される。
　ここで、作物の発病の３要因について説明する。作物における病気などの植物病は、主因、素因、および誘因の３要因全ての複合的な作用に起こるといわれている。
　まず、主因について説明する。主因（病因：Ｐａｔｈｏｇｅｎ）は、病原微生物、害虫、農薬、肥料、汚染物質又は雑草などの病因を言う。また、主因に関する情報は、例えば、病害発生履歴、散布された農薬の残効、散布された農薬のグループ、又は作物の胞子の数などであってもよい。
　次に、素因について説明する。素因（植物：Ｈｏｓｔ）は、植物とその抵抗性、育成ステージなどの要因である。また、素因に関する情報は、例えば、作物の育成ステージ、作物の病害抵抗性、又は台木の特性などの情報であってもよい。
　最後に、誘因について説明する。誘因（環境：Ｅｎｖｉｒｏｎｍｅｎｔ）に関する情報である誘因情報は、温度又は湿度などの作物が栽培されている環境に関する情報である。例えば、誘因情報は、以下で説明する大気センサ若しくは土壌センサなどの各種のセンサにより検出された結果に基づく栽培地観測情報、又は栽植密度に関する情報等の各種の環境に関わる情報の少なくともいずれかを含む情報である。例えば、大気センサは、作物が栽培されている空間に設置された温度センサ又は湿度センサなどのセンサである。
　以上、主因、素因、および誘因の３要因の各々について説明した。これらの３要因に関する情報は、情報処理端末２０、センサノード３０、又は気象情報サーバ４０から情報処理装置１０に送信される。なお、ここで、具体的に説明しなかった３要因に関する情報についても、例えば、情報処理端末２０にユーザにより入力され、当該入力された情報がネットワーク５０を介して、情報処理装置１０に送信されてもよい。また、情報処理端末２０以外の装置が３要因に関する情報を取得し、取得された情報が例えばネットワーク５０を介して、情報処理装置１０に送信されてもよい。
　これらの３要因と、植物における植物病による被害量をモデル的に表現した、植物病のピラミッドが知られている。
　図３は、植物病のピラミッドＰを示す図である。植物病のピラミッドＰは、３要因の影響の大きさを辺で表し、できる三角形の面積をその時点の植物病被害として示している。より具体的には、主因の影響の大きさが第１の辺Ｌ１の長さ、素因の影響の大きさが第２の辺Ｌ２の長さ、誘因の影響の大きさが第３の辺Ｌ３の長さで表されている。これらの３つの辺で囲まれる三角形の面積がある時点での植物病の被害の大きさである。
　また、その最終的な植物病による被害量は、植物病のピラミッドＰの体積Ｖで示される。より具体的には、上記の三角形を底辺とし、高さを経過時間で表される第４の辺Ｌ４とする三角錐の体積Ｖが最終的な植物病による被害量となる。このように、植物病の被害量は、３要因の影響力によって決まる。従って、作物における発病による被害量は、３要因の影響力によって決まる。従って、感染リスクを推定する上で、３要因を用いることは、大きな意義を有する。
　　　　（通信部）
　通信部１１０は、情報処理端末２０、センサノード３０及び気象情報サーバ４０と通信する。具体的には、通信部１１０は、情報処理端末２０から作物情報、栽培地情報、病害情報、農薬情報および要求情報を受信する。情報処理端末２０から通信部１１０に送信される作物情報、栽培地情報、病害情報又は農薬情報には、３要因情報が含まれてもよい。また、通信部１１０は、センサノード３０から栽培地観測情報を受信する。当該栽培地観測情報には、例えば、誘因に関する情報が含まれる。さらに、通信部１１０は、気象情報サーバから気象情報を受信する。当該気象情報には、例えば、誘因に関する情報が含まれる。また、通信部１１０は、表示情報を情報処理端末２０へ送信する。情報処理端末２０は、当該表示情報に基づいて、各種の情報を表示する。
　　　　（記憶部）
　記憶部１２０は、処理部１３０の処理に関する情報を記憶する。具体的には、記憶部１２０は、通信部１１０により受信された３要因情報を含む各種の栽培情報を記憶する。より具体的には、記憶部１２０は、栽培情報（作物情報、栽培地情報、病害情報、農薬情報、栽培地観測情報および気象情報）を記憶する。また、記憶部１２０は、感染推定モデルおよび機械学習パラメタを記憶する。
　　　　（制御部）
　処理部１３０は、情報処理装置１０の動作を包括的に制御する。具体的には、処理部１３０は、図２に示すように、特徴量変換部１３１、機械学習部１３２、推定部１３３および表示制御部１３４を備え、感染リスクの推定に関する処理をする。なお、感染リスクの推定とは、現在の作物における感染リスクを推定することであってもよいし、将来の作物における感染リスクを予測することであってもよい。
　特徴量変換部１３１は、作物における発病の３要因である主因、素因、及び誘因の各々に関する情報の少なくともいずれかを特徴量変換することにより、特徴量を生成する。ここで、特徴量変換部１３１が特徴量を生成する例について説明する。なお、主因、素因、及び誘因に関する情報のそれぞれは、複数の情報を含んでいる場合がある。本明細書において、３要因である主因、素因、及び誘因の各々に関する情報の少なくともいずれかとは、当該複数の情報のうちの少なくともいずれかをいう。例えば、特徴量変換部１３１が主因、素因、及び誘因のうちの誘因に関する情報を特徴量変換する場合について説明する。誘因に関する情報が、例えば、大気センサによる検知結果に関する情報、栽植密度に関する情報などの複数の情報を含んでいるとする。この場合、特徴量変換部１３１は、誘因に関する情報のうち、大気センサによる検知結果に関する情報のみを特徴量変換してもよい。勿論、特徴量変換部１３１は、当該検知結果以外の誘因に関する情報も特徴量変換してもよいし、当該検知結果を特徴量変換せず、他の誘因に関する情報を特徴量変換してもよい。
　まず、特徴量変換部１３１が、病害発生履歴を特徴量変換する例について説明する。なお、病害発生履歴は、主因に関する情報である。病害発生履歴は、例えばユーザにより病害が発生した日付け、又は当該病害の種類などが記録された情報である。特徴量変換部１３１は、病害発生履歴から、例えば、何日前に病害が発生したのかを表す情報を抽出し、当該情報を特徴量として生成する。
　また、病害がある期間の間、発生している場合がある。従って、病害発生履歴には、作物に病害が発生した期間の長さに関する期間情報が含まれる。特徴量変換部１３１は、例えば、病害が発生している期間を特徴量として生成してもよい。
　また、病害発生履歴には、病害が発生している頻度に関する情報が含まれてもよい。例えば、病害が発生している頻度が段々と高くなっている場合には、感染リスクが高まっていることが推定される。このため、病害が発生している頻度は、感染リスクを推定する上で、重要な情報となり得る。そこで、特徴量変換部１３１は、病害発生履歴から、例えば、病害が発生した日数／所定の日数というかたちで病害が発生している頻度を特徴量として生成してもよい。より具体的には、特徴量変換部１３１は、病害が発生した日数／栽培の合計日数というかたちで病害が発生している頻度を特徴量として生成してもよい。
　また、発病発生履歴には、時間軸上における、作物に病害が発生した時点から、後述する推定部１３３が感染リスクを推定する時点までの長さに関する長さ情報を含んでもよい。例えば、かかる長さが短い場合には、より感染リスクが高いことが推定され得るため、かかる情報は、感染リスクを推定する上で重要な情報となり得る。そこで、特徴量変換部１３１は、例えば、長さ情報から、作物に発病が発生した各時点のうち、推定部１３３が感染リスクの推定を行う時点から最も短い時点までの期間を特徴量として生成してもよい。
　次に、特徴量変換部１３１が、センサノード３０が備える大気センサ又は土壌センサなどの各種のセンサにより検出された、検出結果を特徴量変換する例について説明する。なおこれらの検出結果は、誘因に関する情報であり得る。例えば、特徴量変換部１３１は、所定期間において時系列に取得した検出結果に係るデータの分布を取得し、かかる分布についての代表値を特徴量として出力する。
　かかる代表値としては、例えば、パーセンタイル値であってもよい。例えば、特徴量変換部１３１は、所定期間において時系列に取得した検出結果の時系列データを昇順または降順に並べ替え、並び替えたデータの所定のパーセンタイル値を出力してもよい。このような特徴量を、感染推定モデルの入力データの一つとして用いることができる。
　また、かかる代表値として、例えば、最小値、最大値、平均値、最頻値、分散または標準偏差等、統計学的な代表値が各種用いられてもよい。感染推定モデルの入力データとして用いられる代表値の種類は、感染リスクの推定の対象を決定するためのパラメタの特性、又は時系列変化の傾向等に応じて適宜設定され得る。
　また、検出結果の時系列データの取得対象期間である上記所定期間の設定については特に限定されない。所定期間は、例えば、特徴量変換が実施される時点の数日前からその時点までの期間であってもよいし、特徴量変換が実施される時点の数カ月前からその時点までの期間であってもよい。かかる所定期間は、病害の感染挙動または発生挙動、薬剤の薬効挙動等に応じて、適宜設定され得る。
　以上、センサノード３０が備えるセンサにより検出されたデータを特徴量変換する例について説明した。次に、栽植密度に関する情報を特徴量変換する例について説明する。なお、栽植密度に関する情報は、誘因に関する情報であり得る。栽植密度は、作物の混み具合の指標である。栽植密度が高いと、一般的には、湿度が高くなり、例えば糸状菌病害発生のリスクが高くなる。栽植密度が高くなるにつれて群落内の日射不足または換気不足が生じやすくなり、植物体の生育や周辺環境に影響を与える。このため、栽植密度をグループ分けすることは、感染リスクの推定にとって有意義である。例えば、特徴量変換部１３１は、栽植密度を、２０００～２２００株／１０ａの栽植密度を中心に、プラスマイナス２００株／１０ａごとに分類することにより、栽植密度に関する特徴量を生成する。
　栽植密度に関する情報は、栽植密度そのままの情報であってもよいし、栽植密度を含む情報を特徴量変換することにより生成された特徴量であってもよい。
　以上、特徴量変換部１３１が、特徴量を生成する例について説明した。特徴量変換部１３１は、生成した特徴量を、機械学習部１３２に出力する。この場合、機械学習部１３２は、かかる特徴量を入力値として、感染推定モデルの生成又は更新を行う。また、特徴量変換部１３１は、生成した特徴量を、推定部１３３に出力する。この場合、推定部１３３は、特徴量を感染推定モデルに入力し、当該感染推定モデルから推定結果を出力し、当該推定結果を表示制御部１３４に伝達し得る。また、生成された特徴量は、記憶部１２０に記憶されてもよい。なお、ここで特徴量変換された各種の栽培情報は、特徴量変換されていない状態で、機械学習部１３２又は推定部１３３により用いられてもよい。
　機械学習部１３２は、所定の機械学習アルゴリズムに基づいて、感染推定モデルを生成又は更新する。具体的には、機械学習部１３２は、記憶部１２０に記憶される３要因情報を入力データとして、機械学習アルゴリズムに基づいて、感染推定モデルを生成又は更新する（以下、これらをまとめて単に「機械学習する」ともいう。）。なお、上記の機械学習アルゴリズムは、既存の機械学習アルゴリズムのうちの感染推定モデルの機械学習に利用可能な、機械学習アルゴリズムのいずれであってもよい。例えば、機械学習アルゴリズムは、ロジスティック回帰、サポートベクタマシン、ランダムフォレストもしくは近傍法などの分類手法、ニューラルネットワークまたはベイジアンネットワークなどを用いた計算アルゴリズムであってよい。
　詳細には、機械学習部１３２は、特徴量変換部１３１により生成された特徴量を含む３要因情報を記憶部１２０から取得する。なお、機械学習部１３２は、特徴量と特徴量変換部１３１から取得してもよい。そして、機械学習部１３２は、取得された当該３要因情報を用いて感染推定モデルの生成を行う。機械学習部１３２により生成された感染推定モデルは、記憶部１２０に記憶される。
　なお、感染推定モデルは、栽培地ごとに生成されてもよい。具体的には、病害情報は、病害が発生した栽培地を示す情報を含み、機械学習部１３２は、病害が発生した栽培地に対応する栽培情報に基づいて感染推定モデルの生成を行う。例えば、機械学習部１３２は、病害情報の示す栽培地についての３要因情報を記憶部１２０から取得する。さらに、機械学習部１３２は、取得された３要因を用いて当該栽培地における作物についての感染推定モデルを生成する。
　また、機械学習部１３２は、既に生成された感染推定モデルを更新することができる。より具体的には、機械学習部１３２は、記憶部１２０から特徴量を含む３要因に関する情報及び既存の感染推定モデルを、特徴量変換部１３１から特徴量を取得する。機械学習部１３２は、取得された情報を入力データとし、機械学習アルゴリズムに基づいて、既存の感染推定モデルを更新する。推定部１３３は、更新された感染推定モデルを用いることにより、より精度よく感染リスクを推定することができる。なお、このように、機械学習部１３２が感染推定モデルを更新する機能は、第１の機械学習部としての機能である。
　推定部１３３は、作物における感染の発生リスクについての推定を行う。具体的には、推定部１３３は、作物の感染に関する感染情報を推定するために用いられ、機械学習アルゴリズムに基づいて生成された、特徴量を含む３要因情報を入力データとする感染推定モデルに基づいて、作物における感染情報を推定する。本実施形態では、当該感染情報は、作物の感染リスクに関する情報である。例えば、推定部１３３は、記憶部１２０から感染推定モデルおよび特定の時点における３要因情報を取得し、取得される３要因情報を感染推定モデルに入力する。そして、推定部１３３は、感染推定モデルから出力された感染の発生リスクを示す情報（以下、「推定結果」とも称する。）を表示制御部１３４に伝達する。
　また、推定部１３３は、感染推定モデルに基づき推定された過去の感染リスクの推定結果に基づいて、感染リスクを推定してもよい。より具体的には、推定部１３３は、過去の感染リスクの推定結果を入力データとして、感染推定モデルに基づいて、感染リスクを推定してもよい。これにより、推定部１３３は、より精度よく感染リスクを推定することができる。
　また、推定部１３３は、過去の推定結果を入力データとし、機械学習アルゴリズムに基づいて更新された、感染推定モデルを用いて感染リスクを推定してもよい。より具体的には、まず、機械学習部１３２が、推定部１３３が推定した過去の推定結果を入力データとして、所定の機械学習アルゴリズムに基づき、感染推定モデルを更新する。推定部１３３は、当該更新された感染推定モデルに基づいて、感染リスクを推定する。このように、推定部１３３は、過去の推定結果に基づいて更新された感染推定モデルを用いることができるため、より精度よく感染リスクを推定することができる。なお、上記のように、機械学習部１３２が過去の推定結果に基づいて、感染推定モデルを更新する機能は、第２の機械学習部としての機能である。
　表示制御部１３４は、情報処理端末２０に表示される情報を生成する。具体的には、表示制御部１３４は、推定結果に関する情報を情報処理端末２０に表示させるための表示情報を生成する。例えば、情報処理端末２０から表示情報の伝達を要求する情報である要求情報が情報処理装置１０に送信され、当該要求情報が通信部１１０により受信される。このとき、表示制御部１３４は、例えば、当該要求情報に基づき特定される栽培地についての推定結果であって、当該要求情報から特定される期間の推定結果を取得する。そして、表示制御部１３４は、取得された推定結果を加工することにより表示情報を生成し、生成された表示情報を通信部１１０に伝達する。また、推定結果は、加工されずに伝達されてもよい。
　さらに、表示情報として、表示される推定結果に対応する栽培情報が追加されてもよい。例えば、表示制御部１３４は、取得された推定結果が出力となった推定処理の入力であった栽培情報（気象情報又は農薬情報など）を記憶部１２０から取得する。そして、表示制御部１３４は、取得された栽培情報を加工することにより表示情報を生成し、生成された表示情報を通信部１１０に伝達する。なお、栽培情報もまた加工されずに、通信部１１０に伝達されてよい。
　　　［情報処理端末］
　情報処理端末２０は、ユーザからの操作に応じて生成する情報を、ネットワーク５０を介して情報処理装置１０に送信し、情報処理装置１０からの制御に応じて作物に関する各種の情報を表示する機能を有する。情報処理端末２０が備える機能は、図２に示す入力部２１０、制御部２２０、通信部２３０および表示部２４０が協働することにより実現される。
　入力部２１０は、情報処理端末２０に対する操作を受け付ける。具体的には、入力部２１０は、入力される操作を受け付け、受け付けられる操作に応じて各種情報を生成する。生成された各種情報は、制御部２２０に伝達される。詳細には、ユーザによる操作に応じて生成される情報は、病害情報、農薬情報、作物情報、栽培地情報、および要求情報である。ここで、これらの情報について、より具体的に説明する。
　病害情報は、作物に発生した病害に関する情報である。病害情報は、灰色かび病、葉かび病、うどんこまたは疫病などの発生した病害の種類を示す情報を含む。なお、病害は、微生物病、生理障害または雑草による生理障害などである。また、病害情報は、病害の発生日または発生の程度を示す情報を含む。これらの病害情報が適宜組み合わせられることにより、病害発生履歴が生成される。病害発生履歴は、作物に発生した病害の種類、病害が発生した日又は時刻などを表す情報である。
　なお、画像取得装置が栽培地３１に設置され、当該画像取得装置が作物の画像情報を取得し、ネットワーク５０を介して、当該画像情報を情報処理装置１０に送信してもよい。情報処理装置１０は、当該画像情報を解析することにより、作物に病害が発生しているか否かを判定し、病害発生履歴を生成してもよい。また、作物に発生した病害を、間接的な事実に基づいて推定し、当該推定された情報に基づいて病害発生履歴が生成されてもよい。例えば、栽培地３１で作物を育てている農家等のユーザが病気にかかった場合、当該病気の原因が病害である場合がある。そこで、当該病気に基づいて、作物に病害が発生していることが推定されてもよい。さらに、かかる推定結果に基づいて、病害発生履歴が生成されてもよい。
　農薬情報は、散布された農薬に関する情報である。より具体的には、農薬情報は、散布された農薬の名称、種類、グループ又は効能、散布日又は散布量を示す情報である。情報処理端末２０は、散布された名称及び散布日などの散布情報に基づいて、農薬の残効を推定する。また、農薬のグループは、ユーザが情報処理端末２０により入力されてもよいし、情報処理端末２０が、ユーザにより入力された農薬の名称等に基づき、当該農薬のグループを推定してもよい。なお、農薬の残効及び農薬のグループは、素因に関する情報に含まれ得る。
　また、農薬の残効とは、作物に散布された農薬の効能のうち、当該作物に残っている効能である。農薬の残効は、農薬の散布日と散布した農薬の名称に基づいて算出されてもよい。例えば、情報処理端末２０に農薬の名称が農薬情報として、ユーザにより入力される。当該情報は、ネットワーク５０を介して、情報処理装置１０に送信される。ここで、農薬の名称と農薬の効力の経時変化に関する情報が情報処理装置１０に記憶されているものとする。情報処理装置１０は、情報処理端末２０から取得した農薬の名称と、農薬の効力の経時変化に関する情報とに基づいて、農薬の残効を算出することができる。
　また、農薬のグループとは、残効のある農薬を、化合物の有するグループに関する情報に変換したものである。ここで、情報処理装置１０は、農薬の名称と、農薬のグループとを対応付けるデータベースを記憶しているものとする。例えば、情報処理装置１０は、情報処理端末２０から取得した農薬の名称を、当該データベースに基づいて、農薬のグループに関する情報に変換してもよい。
　作物情報は、栽培地３１で育てられている作物に関する情報である。より具体的には、作物情報は、育成ステージ、作物の種類及び品種、病害抵抗性、栽植密度、台木の品種及び特性、葉の摘葉の程度又は樹勢などを示す情報である。
　作物の育成ステージに関する情報は、当該作物の播種日、定植日、収穫開始日又は栽培終了日などの作物の育成の段階に関する情報である。これらの情報は、ユーザにより、作物情報として、情報処理端末２０に入力されてもよい。
　作物の病害抵抗性は、作物が各種の病害に対して有する抵抗に関する特性である。病害抵抗性は、情報処理装置１０が、ユーザにより入力された情報に基づいて、生成してもよい。例えば、予め作物の品種ごとの病害に対する抵抗性を表すデータベースが情報処理装置１０に記憶されているものとする。例えば、ユーザは、情報処理端末２０に作物情報として、作物の品種に関する情報を入力する。当該情報は、ネットワーク５０を介して、情報処理装置１０に送信される。情報処理装置１０は、送信された情報と、当該データベースとに基づいて、作物の病害抵抗性に関する情報を生成してもよい。また、病害抵抗性は、ユーザにより、情報処理端末２０に直接入力され、情報処理装置１０に送信されてもよい。
　また、台木の特性に関する情報は、作物の台木には、どのような品種の台木が用いられているのかを表す情報であってもよい。より具体的には、台木の特性に関する情報は、台木の品種の名称又は台木の品種が有する特性を表す情報であってもよい。
　栽培地情報は、栽培地の標高、気象特性、土壌の種類又は土壌の栄養状態などを示す情報である。なお、栽培地情報は、単一の栽培地についての情報であってもよく、複数の栽培地についての情報であってもよい。これらの栽培地情報は、誘因に関する情報に含まれ得る。
　要求情報は、表示情報の伝達の情報処理装置１０への要求を示す情報である。例えば、表示部２４０により入力画面が表示され、ユーザが入力画面に対して操作することにより、上述した各種情報が生成される。
　制御部２２０は、情報処理端末２０の動作を全体的に制御する。具体的には、制御部２２０は、通信部２３０および表示部２４０の動作を制御する。例えば、制御部２２０は、入力部２１０により生成された情報を通信部２３０に送信させる。また、制御部２２０は、情報処理装置１０から伝達される表示情報に基づいて画像情報を生成し、表示部２４０に画像情報を伝達することにより画像を表示させる。
　通信部２３０は、情報処理装置１０と通信する。具体的には、通信部２３０は、情報処理装置１０へ、入力部２１０により生成された作物情報、栽培地情報、病害情報、農薬情報、および要求情報を送信する。また、通信部２３０は、情報処理装置１０から表示情報を受信する。なお、情報処理端末２０は、センサノード３０または気象情報サーバ４０と通信し、栽培地観測情報または気象情報を受信してもよい。
　表示部２４０は、本実施形態では出力部として、制御部２２０の指示に基づいて画像を表示する。具体的には、表示部２４０は、制御部２２０から伝達される画像情報に基づいて情報表示画面および操作入力画面を表示する。例えば、表示部２４０は、病害発生履歴画面、農薬散布記録画面、病害発生情報画面又は作付け情報画面を表示する。上記画面について、図４～図８を参照して、より具体的に説明する。図４及び図５は、それぞれ本発明の一実施形態に係る情報処理端末２０に表示される病害発生履歴画面の例を示す図である。図６は、本発明の一実施形態に係る情報処理端末２０に表示される農薬散布記録画面の例を示す図である。図７は、本発明の一実施形態に係る情報処理端末２０に表示される病害発生情報画面を示す図である。図８は、本発明の一実施形態に係る情報処理端末２０に表示される作付け情報画面を示す図である。
　　　　（病害発生履歴画面）
　表示部２４０は、制御部２２０により、ユーザにより入力された各種情報と情報処理装置１０の推定結果に基づいて生成される画像情報に基づいて、栽培地毎の病害発生履歴画面を表示する。より具体的には、病害発生履歴画面は、図４に示すような、病害の発生の履歴、感染リスクの推定結果、及び農薬の散布に関する記録などが表示される画面ｉｍｇ１である。より具体的には、病害発生履歴画面ｉｍｇ１には、上から順に、日付画像２４１ａ、推定結果画像２４２ｂ、農薬入力ボタン２４３ａ、病害入力ボタン２４４ａ、農薬記録画像２４５ａ及び病害記録画像２４６ａが表示されている。
　日付画像２４１ａには、例えば、病害発生履歴画面ｉｍｇ１が表示部２４０に表示されている日の日付が表示されている。図４に示す例では、日付画像２４１ａには、日付としてｙ１年ｍ２月ｄ５日が表示されている。
　推定結果画像２４２ａには、上から順に、各日付（図４に示す例では、ｙ１年ｍ２月の２３日～３０日の各日付）における感染リスク、発病（病害の発生）の有無及び農薬散布の有無が表示されている。推定結果画像２４２ａの感染リスクの行は、情報処理装置１０により推定された推定結果に基づく文字、図形、又は記号等が表示される。例えば、感染リスクが高い場合には「Ｈ」の文字、感染リスクが低い場合には「Ｌ」の文字が表示される。図４に示す例では、感染リスクは、ｙ１年ｍ２月の２３日～３０日において低いことが推定されているものとする。このため、感染リスクの行において、ｙ１年ｍ２月の２３日～３０日に対応する箇所には、「Ｌ」の文字が表示される。
　また、発病有無の行において、作物に発病があった日に対応する箇所には、例えばバツ印などの発病があったことを示す印が表示される。一方、作物に発病が無い日に対応する箇所は、空欄となっている。従って、発病有無の行のｙ１年ｍ２月の２３日～３０日に対応する箇所が空欄になっていることは、ｙ１年ｍ２月の２３日～３０日には作物に発病がなかったことを示している。このように作物に発病がなかったことから、感染リスクはｙ１年ｍ２月の２３日～３０日において低いことが推定されている。
　また、農薬散布の行において、農薬が散布された日に対応する箇所には、例えば丸印などの農薬が散布されたことを表す記号が表示される。また、農薬散布の行において、農薬が散布されなかった日に対応する箇所は、空欄である。従って、農薬散布の行のｙ１年ｍ２月の２３日～３０日に対応する箇所が空欄になっていることは、ｙ１年ｍ２月の２３日～３０日に農薬が散布されなったことを示している。
　農薬入力ボタン２４３ａがユーザにより操作されると、表示部２４０に表示される画面は、画像ｉｍｇ１から、図６に示す農薬散布記録画面の一例である画面ｉｍｇ３に切り替わる。また、病害入力ボタン２４４ａがユーザにより操作されると、表示部２４０に表示される画面は、画像ｉｍｇ１から、図７に示す病害発生情報画面の一例である画面ｉｍｇ４に切り替わる。
　また、画面ｉｍｇ１には、農薬の散布記録又は発病の発生記録を時系列で示す農薬記録画像２４５ａ又は病害記録画像２４６ａが表示されている。例えば、農薬記録画像２４５ａには、ｙ１年ｍ２月ｄ９日に農薬＿Ｂが散布されたことを表す画像が表示されている。また、病害記録画像２４６ａには、病害＿Ｄ、Ｅ及びＦが発生したことが時系列で表示されている。
　次に、図５を参照して、上記の画面ｉｍｇ１と異なる病害発生履歴画面の一例として、画面ｉｍｇ２を説明する。画面ｉｍｇ１と同様に、画面ｉｍｇ２には、上から順に、日付画像２４１ｂ、推定結果画像２４２ｂ、農薬入力ボタン２４３ｂ、病害入力ボタン２４４ｂ、農薬記録画像２４５ｂ及び病害記録画像２４６ｂが表示されている。ここでは、画面ｉｍｇ１と画面ｉｍｇ２とで異なる推定結果画像２４２ｂについて説明する。
　推定結果画像２４２ｂでは、発病有無の行の２３日と２４日に対応する箇所に、発病があったことを表すバツ印が表示されている。情報処理装置１０は、２３日と２４日に発病があったことを受けて、２５日と２６日に感染リスクが高いことを推定しているものとする。このため、感染リスクの行の２５日と２６日に対応する箇所に、感染リスクが高いことを表す文字「Ｈ」が表示されている。また、発病有無の行の２５日～２９日に対応する箇所は、発病がなかったことを表す空欄となっている。情報処理装置１０は、２５日～２９日に発病がなかったことを受けて、２７～３０日に感染のリスクが低いことを推定している。このため、感染リスクの行の２７～３０日に対応する箇所には、「Ｌ」の文字が表示されている。しかし、３０日には、発病があったことを示すバツ印が表示されている。一般的に、作物が感染してから発病するまでには、潜伏期間がある。例えば、作物が感染してから４～５日程度経ってから当該作物に発病が生じる場合がある。図５に示す例では、情報処理装置１０による感染リスクの推定が当たったことがわかる。つまり、情報処理装置１０が推定したとおり、２５日又は２６日に作物が感染しており、これらの日から４～５日経過した３０日に作物が発病した。
　　　　（農薬散布記録画面）
　表示部２４０は、制御部２２０により生成される画像情報に基づいて、農薬散布記録画面を表示する。農薬散布記録画面としては、例えば図６に示したような、ユーザが散布した農薬を記録する際に表示される画面ｉｍｇ３がある。ユーザは、画面ｉｍｇ３を参照して、情報処理端末２０に農薬情報などを入力する。例えば、画面ｉｍｇ３の上部に記載の日付欄に農薬を散布した日付が入力される。ユーザは、農薬欄に記載の農薬＿Ａ～Ｆの６種の農薬の種類から、散布された農薬の種類を選択し、チェック欄にチェックを入れる。図６に示す例では、農薬＿Ａのチェック欄にチェックが入っている。農薬欄の下に表示されたその他欄には、散布された農薬などに関するメモ書き等が記入される。
　保存ボタンが操作されることにより、農薬の散布日、散布された農薬の種類（図６に示す例では農薬＿Ａ）及び当該農薬などに関するメモ書きなどの画面ｉｍｇ３に記入された情報が、農薬情報として情報処理端末２０に入力される。情報処理端末２０に入力された情報は、ネットワーク５０を介して、情報処理装置１０に送信され、当該情報処理装置１０に記憶される。
　なお、図６に示す農薬欄には、農薬の種類が記入されるものとしたが、これに限らず、農薬の名称、グループ、効能又は散布量などが記載されていてもよい。また、図６に示す農薬欄には、６種類の農薬の種類が記載されているが、１～５種類の農薬の種類が記載されてもよいし、７種類以上の農薬の種類が記載されてもよい。
　　　　（病害発生情報画面）
　表示部２４０は、制御部２２０により生成される画像情報に基づいて、病害発生情報画面を表示する。病害発生情報画面としては、例えば図７に示したような、作物に発生した病害を記録するための画面ｉｍｇ４がある。例えば、画面ｉｍｇ４の上部に表示された日付欄に、病害が発生した日付が入力される。ユーザは、病害欄に表示された病害＿Ａ～Ｆの６種の病害の種類から、発生した病害の種類を選択し、チェック欄にチェックを入れる。図７に示す例では、病害＿Ｃのチェック欄にチェックが入っている。また、その他の欄には、病害の発生の程度等に関するメモ書き等が記入される。
　保存ボタンが操作されることにより、病害が発生した日、病害の種類及びメモ書きなど、画面ｉｍｇ４に記入された情報が病害情報として情報処理端末２０に入力される。入力された情報は、ネットワーク５０を介して情報処理装置１０に送信され、当該情報処理装置１０に記憶される。
　なお、図７に示す病害欄には、６種類の病害の種類が記載されているが、１～５種類の病害の種類が記載されてもよいし、７種類以上の病害の種類が記載されてもよい。あるいは、病害発生情報画面には、病害の程度を入力するための画像が表示されてもよい。
　　　　（作付け情報画面）
　表示部２４０は、制御部２２０により生成される画像情報に基づいて、作付け情報画面を表示する。作付け情報画面としては、例えば図８に示したような、今期の作付け情報を記録するための画面ｉｍｇ５がある。画面ｉｍｇ５には、上から順に作物名、品種、栽植密度、栽培方法、作付け開始日、収穫開始日、および収穫終了日を入力するための欄が表示されている。作物名の欄には、作物の種類として、作物＿Ａが記入されている。また、品種の欄には、作物の品種として、品種＿Ａが記入されている。また、栽植密度の欄には、作物の栽植密度として、ＸＸＸＸ株／１０ａと記入されている。また、栽培方法の欄には、栽培方法＿Ａ（例えば、養液土耕栽培など）が記入されている。さらに、作付け開始日、収穫開始日、及び収穫終了日の欄には、それぞれの欄に対応する日付が記入されている。
　ユーザが、画面ｉｍｇ５の保存ボタンを操作すると、画面ｉｍｇ５に記入された情報が作物情報として情報処理端末２０に入力される。当該入力された情報は、ネットワーク５０を介して情報処理装置１０に送信され、情報処理装置１０に記憶される。
　なお、作付け情報画面は、画面ｉｍｇ５に表示された項目以外の項目も記入することができる画面であってもよい。例えば、作付け情報画面には、播種日、定植日、栽培終了日、台木の品種又は台木の特性などを記入するための項目が表示されてもよい。ユーザは、これらの項目に対応する情報を記入し、例えば保存ボタンを操作することにより、記入された情報を、ネットワーク５０を介して情報処理装置１０に送信し、情報処理装置１０に記憶させることができる。
　なお、病害発生履歴画面、農薬散布記録画面、病害発生情報画面および作付け情報画面を用いて記録した情報は、情報処理装置１０に記憶されるものとした。これに限らず、情報処理端末２０が上記の画面を用いて記入された情報を記憶してもよい。
　　　［センサノード］
　センサノード３０は、作物の栽培地３１に設置される。また、センサノード３０は、センサ、信号処理部および通信部を備える。センサは、センサの周辺環境についての観測を行うことにより信号を生成する。例えば、センサは、温度センサ、湿度センサ、日射センサ、二酸化炭素濃度センサまたは土壌水分センサなどの各種の公知のセンサである。土壌センサは、土壌水分センサ又は土壌ｐＨセンサ等の土壌に関する情報を検出するセンサである。また、誘因情報を生成するセンサとしては、日射センサ又は湿度センサ等のセンサであってもよい。
　信号処理部は、センサにより生成された信号に基づいて栽培地観測情報を生成する。具体的には、信号処理部は、センサから得られる信号についてサンプリングまたはフィルタリングなどの信号処理を行うことにより栽培地観測情報を生成する。なお、生成される栽培地観測情報は、デジタルデータであってもアナログデータであってもよい。
　通信部は、情報処理装置１０と通信する。具体的には、通信部は、信号処理部により生成された栽培地観測情報を、ネットワーク５０を介して情報処理装置１０へ送信する。なお、通信部は、栽培地観測情報が生成される度に送信を行ってもよく、所定の時間間隔で送信を行ってもよい。あるいは、通信部は、情報処理装置１０からの要求に応じて、栽培地観測情報の送信を行ってもよい。
　また、センサノード３０は、栽培地３１に設けられた胞子カウンターにより計測される作物の胞子の数に関する情報を送信してもよい。より具体的には、センサノード３０は、計測された胞子の数に関する情報を栽培地観測情報として、ネットワーク５０を介して、情報処理装置１０に送信する。
　　　［気象情報サーバ］
　気象情報サーバ４０は、気象情報を外部の装置に伝達する。具体的には、気象情報サーバ４０は、気象情報の送信を情報処理装置１０から要求されると、要求された気象情報を情報処理装置１０へ送信する。例えば、気象情報は、気温、湿度、日射量または雨量を示す情報である。これらの気象情報は、３要因のうちの誘因に関する情報であり得る。
　　＜２．２．システムの処理＞
　次に、情報処理システム１の処理について説明する。
　　　（処理全体）
　まず、図９を参照して、本発明の一実施形態に係る情報処理システム１の処理全体の流れについて説明する。図９は、本発明の一実施形態に係る情報処理システム１の処理全体の流れの例を概念的に示す図である。
　まず、情報処理端末２０は、作物情報、栽培地情報、病害情報、及び農薬情報を情報処理装置１０へ送信する（ステップＳ１０１）。具体的には、通信部２３０は、ユーザの操作に基づいて入力部２１０により生成された作物情報、栽培地情報、病害情報、及び農薬情報を情報処理装置１０へ送信する。
　次に、センサノード３０は、栽培地観測情報を情報処理装置１０へ送信する（ステップＳ１０２）。具体的には、センサノード３０は、センサにより得られた信号に基づいて生成された栽培地観測情報を、情報処理装置１０へ送信する。
　次に、気象情報サーバ４０は、気象情報を情報処理装置１０へ送信する（ステップＳ１０３）。具体的には、気象情報サーバ４０は、気象情報を生成し、または他の装置から気象情報を取得する。気象情報サーバ４０は、情報処理装置１０の要求に応じてまたは定期的に、気象情報を情報処理装置１０へ送信する。
　次に、情報処理装置１０は、受信された情報を用いて、感染推定モデルの更新処理を行う（ステップＳ１０４）。具体的には、通信部１１０は、情報処理端末２０、センサノード３０および気象情報サーバ４０から送信された栽培情報を記憶部１２０に記憶させる。そして、機械学習部１３２は、記憶された栽培情報を用いて感染推定モデルの更新を行う。なお、詳細については、図１０を参照して後述する。
　次に、情報処理装置１０は、感染推定モデルを用いて感染リスクについての推定を行う（ステップＳ１０５）。具体的には、推定部１３３は、特徴量を含む３要因情報を感染推定モデルへ入力する。より具体的には、推定部１３３は、特徴量変換部１３１により生成された特徴量を含む３要因情報を感染推定モデルに入力する。推定部１３３は、感染推定モデルから出力される推定結果を記憶部１２０に記憶させる。なお、詳細については、図１１を参照して後述する。
　次に、情報処理端末２０は、感染リスクの推定結果についての要求情報を情報処理装置１０へ送信する（ステップＳ１０６）。具体的には、通信部２３０は、ユーザの操作に基づいて入力部２１０により生成される、感染リスクの推定結果に係る表示情報についての要求情報を、情報処理装置１０に送信する。
　次に、情報処理装置１０は、受信された要求情報への応答として、表示情報を情報処理端末２０へ送信する（ステップＳ１０７）。具体的には、表示制御部１３４は、通信部１１０により要求情報が受信されると、記憶部１２０に記憶されている推定結果に基づき、表示情報を生成する。表示制御部１３４は、生成された表示情報を通信部１１０に情報処理端末２０へ送信させる。
　情報処理端末２０は、受信された表示情報に基づいて感染リスクの推定情報を表示する（ステップＳ１０８）。具体的には、制御部２２０は、通信部２３０により受信された表示情報から画像情報を生成し、生成された画像情報を表示部２４０に伝達する。表示部２４０は、伝達された画像情報に基づいて推定結果画面を表示する。当該推定結果画面は、図４又は図５に示したような、感染リスクの高さを日付ごとに表示する画面であってもよい。
　　　（機械学習処理）
　以上、本発明の一実施形態に係る情報処理システム１の処理全体の流れについて説明した。続いて、図１０を参照して、ステップＳ１０４における処理である、情報処理装置１０による更新処理の流れについて詳細に説明する。図１０は、本発明の一実施形態に係る情報処理装置１０による更新処理の例を概念的に示すフローチャートである。
　情報処理装置１０は、３要因情報を取得する（ステップＳ２０１）。具体的には、特徴量変換部１３１は、記憶部１２０に蓄積された、３要因情報を含む栽培情報を取得する。また、機械学習部１３２も、必要に応じて、記憶部１２０に蓄積された、３要因情報を含む栽培情報を取得する。
　また、情報処理装置１０は、３要因情報のうちの少なくともいずれかを特徴量変換することにより特徴量を生成し、生成した特徴量を出力する（ステップＳ２０２）。具体的には、特徴量変換部１３１は、取得した栽培情報に含まれる、３要因情報のうちの少なくともいずれかを特徴量変換することにより特徴量を生成し、生成された特徴量を機械学習部１３２に出力する。このとき、特徴量変換部１３１は、生成された特徴量を記憶部１２０に記憶させてもよい。
　また、情報処理装置１０は、既存の感染推定モデルを取得する（ステップＳ２０３）。具体的には、機械学習部１３２は、記憶部１２０に記憶されている感染推定モデルを取得する。
　次に、情報処理装置１０は、特徴量を含む３要因情報を用いて、感染推定モデルを更新する（ステップＳ２０４）。具体的には、機械学習部１３２は、記憶部１２０に記憶された機械学習アルゴリズムを取得する。機械学習部１３２は、特徴量を含む３要因情報を入力データとして、取得された機械学習アルゴリズムに基づき、感染推定モデルを更新する。なお、当該入力データは、特徴量変換部１３１により生成された特徴量のみの情報であってもよいし、当該特徴量と、特徴量変換されてない３要因情報とが合わさった情報であってもよい。
　次に、情報処理装置１０は、更新後の感染推定モデルの正確性を算出する（ステップＳ２０５）。具体的には、機械学習部１３２は、ステップＳ２０４において更新された感染推定モデルにテスト用入力データを入力し、出力された値とテスト用出力データとを比較することによりモデルの正確性を算出する。テスト用入力データは、特徴量変換部１３１により生成された特徴量のみの情報であってもよいし、当該特徴量と、特徴量変換されていない３要因情報とを合わさった情報であってもよい。
　次に、機械学習部１３２は、ステップＳ２０５において算出された算出値が、予め決められた所定の閾値以上であるか否かを判定する（ステップＳ２０６）。算出値が閾値以上である場合（ステップＳ２０６／Ｙ）、情報処理装置１０は、更新後の感染推定モデルを記憶する（ステップＳ２０７）。具体的には、機械学習部１３２は、算出された正確性が閾値以上である場合、新たな感染推定モデルを記憶部１２０に記憶させる。なお、算出値が閾値未満である場合（ステップＳ２０６／Ｎ）、ステップＳ２０４に処理が再度実施される。
　　　（推定処理）
　続いて、図１１を参照して、情報処理装置１０による推定処理の流れについて詳細に説明する。図１１は、本発明の一実施形態に係る情報処理装置１０の推定処理の例を概念的に示すフローチャートである。
　情報処理装置１０は、感染リスクの推定に係る対象についてのパラメタを設定する（ステップＳ３０１）。具体的には、推定部１３３は、例えば、栽培地、作物名、病害名および推定期間などのパラメタを設定する。なお、設定されるパラメタは、上記以外のパラメタであってもよく、適宜、上記のパラメタと異なるパラメタが追加、又は上記のパラメタが削除されてもよい。
　次に、情報処理装置１０は、パラメタから特定される期間の栽培情報を取得する（ステップＳ３０２）。具体的には、推定部１３３は、設定された推定期間における、設定された栽培地、作物名および病害名に対応する栽培情報をそれぞれ取得する。
　次に、情報処理装置１０は、３要因情報のうちの少なくともいずれかを特徴量変換することにより特徴量を生成し、生成した特徴量を出力する（ステップＳ３０３）。具体的には、特徴量変換部１３１は、記憶部１２０から３要因情報を含む栽培情報を取得する。特徴量変換部１３１は、取得された栽培情報に含まれる３要因情報のうちの少なくともいずれかを特徴量変換することにより特徴量を生成し、生成された特徴量を推定部１３３に出力する。
　次に、情報処理装置１０は、感染推定モデルを取得する（ステップＳ３０４）。具体的には、推定部１３３は、記憶部１２０に記憶されている感染推定モデルを取得する。また、推定部１３３は、必要に応じて、感染リスクを推定するための３要因情報を含む栽培情報を、記憶部１２０から取得する。
　次に、情報処理装置１０は、感染推定モデルに基づいて、感染リスクの推定情報を生成する（ステップＳ３０５）。具体的には、推定部１３３は、特徴量変換部１３１により生成された特徴量を含む３要因に関する情報を入力データとして、当該入力データを感染推定モデルに入力し、感染推定モデルから感染リスクの推定結果を得る。当該推定結果が感染リスクの推定情報となる。なお、当該入力データは、特徴量のみであってもよいし、特徴量と、特徴量変換されていない３要因情報とを合わさった情報であってもよい。
　次に、情報処理装置１０は、生成された感染リスクの推定情報を記憶する（ステップＳ３０６）。具体的には、推定部１３３は、生成された推定情報を記憶部１２０に記憶させる。
　　＜２．３．本発明の一実施形態のまとめ＞
　このように、本発明の一実施形態によれば、情報処理装置１０は、作物における発病の３要因である主因、素因、及び誘因の各々に関する情報の少なくともいずれかを特徴量変換することにより、特徴量を生成する。さらに、情報処理装置１０は、上記作物の感染リスクを推定するために用いられ、機械学習アルゴリズムに基づいて生成された、上記特徴量を含む上記３要因に関する情報を入力データとする感染推定モデルに基づいて、上記作物の感染リスクを推定する。情報処理装置１０は、３要因に関する情報というより適切な栽培情報に基づいて作物の感染リスクを推定するため、より精度良く感染リスクを推定することができる。
　また、これまで、病害の３要因の全てに関する情報を収集し、当該情報を病害の推定に活用することは困難であった。また、病害は、３要因のうちの多数の要素に基づいて発生するが、当該多数の要素の全てを得ることも困難であった。例えば、センサデータで取得された情報のみを用いて感染リスクを推定する場合には、推定の精度の向上には限界がある。また、収集するデータの種類を際限なく増やすと、情報を記録する記録媒体又は感染リスクを予測する演算処理装置などのランニングコストがかかってしまう。
　一方、近年ＡＩ（Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ）技術の進歩により、多数の要素を用いた解析が可能となっている。また、スマートフォンなどの通信端末の普及により、ユーザがより容易に３要因などに関する情報を含む栽培情報を通信端末に入力することが可能になっている。
　本実施形態では、ユーザＵ１が情報処理端末２０に栽培情報を入力し、情報処理装置１０は、当該栽培情報を用いて、機械学習アルゴリズムに基づいて生成された感染推定モデルを用いて感染リスクを推定する。これにより、感染リスクの推定の精度が向上するばかりでなく、より簡便かつ、よりコストがかからない方法で感染リスクを推定することができる。
　また、本実施形態に係る機械学習部１３２は、特徴量を含む３要因に関する情報を入力データとし、機械学習アルゴリズムに基づいて、感染推定モデルを更新する。また、推定部１３３は、更新された感染推定モデルに基づいて、作物の感染リスクを推定する。つまり、本実施形態に係る感染推定モデルは、自動的に、より精度のよい感染推定モデルに更新される。これにより、情報処理装置１０に自律的に感染推定モデルを更新させることができる。それにより、感染推定モデルの改善に人が直接的に関わらずに済み、モデルの改善にかかる時間および費用を低減することができる。従って、コストを抑制しながら、感染リスクの推定の正確性を向上させることが可能となる。
　また、本実施形態に係る主因に関する情報は、作物における病害の発生履歴に関する履歴情報を含む。履歴情報は、感染リスクを推定する上で非常に重要な情報となっている。より具体的には、履歴情報は、実際に作物に生じた病害の種類や発病の発生日などを含む情報であり、作物の感染と結びつきの強い情報である。このため、情報処理装置１０は、履歴情報に基づいて感染リスクを推定することにより、より精度よく感染リスクを推定することができる。
　また、本実施形態に係る履歴情報は、作物に病害が発生した期間の長さに関する期間情報を含む。期間情報は、感染リスクを推定する上で重要な情報となる。例えば、病害が発生している時間が長くなるほど、感染リスクが高いと推定される。このため、期間情報を用いることにより、より精度よく感染リスクを推定することができる。
　また、病害の発生履歴に関する情報は、作物に病害が発生する頻度に関する頻度情報を含んでもよい。頻度情報は、感染リスクを推定する上で重要な情報となり得る。例えば、病害が発生している頻度が高い場合には、感染リスクが高いと推定することができる。また、病害が発生している頻度が段々と高くなっている場合にも、感染リスクが高いと推定することができる。このように、作物に病害が発生する頻度に関する情報を用いることにより、より精度よく感染リスクを推定することができる。
　病害の発生履歴に関する情報は、時間軸上における、作物に病害が発生した時点から、推定部が感染リスクを推定する時点までの長さに関する長さ情報を含んでもよい。長さ情報は、感染リスクを推定する上で重要な情報となり得る。例えば、病害が発生してから感染リスクを推定するまでの期間が短いほど、感染リスクが高いことが推定されてもよい。このように、長さ情報を用いることにより、より精度よく感染リスクを推定することができる。
　素因に関する情報は、前記作物の病害に対する抵抗性に関する情報を含み、誘因に関する情報は、前記作物が栽培されている空間の湿度又は温度の少なくともいずれかに関する情報を含んでもよい。これら情報は、感染リスクを推定する上で重要な情報となる。作物の病害に対する抵抗性は、素因の中でも比較的、感染への影響度が大きい特性である。また、湿度又は温度は、誘因の中でも比較的、感染への影響度が大きい指標である。このため、これらの情報を用いることにより、より精度よく感染リスクを推定することができる。
　推定部１３３は、感染推定モデルに基づき推定された過去の感染リスクの推定結果に基づいて、前記作物の感染リスクを推定してもよい。例えば、推定部１３３は、過去の感染リスクの推定結果及び当該感染リスクを推定するために用いた栽培情報等を用いて、感染推定モデルに基づき、感染リスクを推定してもよい。このように、過去の感染リスクの推定結果を用いることにより、より精度よく感染リスクを推定することができる。
　機械学習部１３２は、過去の推定結果を入力データとし、機械学習アルゴリズムに基づいて、感染推定モデルを更新してもよい。これにより、過去の推定結果に基づく感染推定モデルが生成される。当該感染推定モデルは、過去の推定結果が反映されているため、推定部１３３は、当該感染推定モデルを用いることにより、より精度よく感染リスクを推定することができる。
　＜３．本発明の一実施形態に係る情報処理装置のハードウェア構成＞
　以上、本発明の実施形態を説明した。上述した情報処理装置１０の処理は、ソフトウェアと、以下に説明する情報処理装置１０のハードウェアとの協働により実現される。
　図１２は、本発明の一実施形態に係る情報処理装置１０のハードウェア構成を示した説明図である。図１２に示したように、情報処理装置１０は、プロセッサ１４１と、メモリ１４２と、内部バス１４３と、インタフェース１４４と、入力装置１４５と、出力装置１４６と、ストレージ装置１４７と、接続ポート１４８と、通信モジュール１４９とを備える。
　　　（プロセッサ）
　プロセッサ１４１は、演算処理装置および制御装置として機能し、各種プログラムと協働して処理部１３０（特徴量変換部１３１、機械学習部１３２、推定部１３３、表示制御部１３４）の機能を実現する。プロセッサ１４１は、制御回路を用いてメモリ１４２またはストレージ装置１４７などの他の記憶媒体に記憶されるプログラムを実行することにより、情報処理装置１０の様々な論理的機能を動作させる。例えば、プロセッサ１４１はＣＰＵ（Central　Processing　Unit）またはＧＰＵ（Graphics　Processing　Unit）であり得る。なお、プロセッサ１４１は、マイクロプロセッサであってもよい。
　　　（メモリ）
　メモリ１４２は、プロセッサ１４１が使用するプログラムまたは演算パラメタなどを記憶し、記憶部１２０の機能を実現する。例えば、メモリ１４２は、ＲＡＭ（Random　Access　Memory）およびＲＯＭ（Read　Only　Memory）を含み、プロセッサ１４１の実行において使用するプログラムまたは実行において適宜変化するパラメタなどを一時記憶する。なお、接続ポート１４８または通信モジュール１４９などを介して外部のストレージ装置がメモリ１４２の一部として利用されてもよい。
　なお、プロセッサ１４１およびメモリ１４２は、ＣＰＵバスなどを備える内部バス１４３により相互に接続されている。また、インタフェース１４４は、内部バス１４３と、入力装置１４５、出力装置１４６、ストレージ装置１４７、接続ポート１４８および通信モジュール１４９とを接続する。
　　　（入力装置）
　入力装置１４５は、情報を入力するための入力手段と、入力に基づいて入力信号を生成し、当該入力信号をＣＰＵ１３１に出力する入力制御回路と、を備え、操作部の機能を実現する。例えば、当該入力手段としては、ボタン、スイッチ、レバーおよびマイクロフォンなどがある。入力装置１４５が操作されることにより、情報処理装置１０に対して各種のデータが入力されたり処理動作が指示されたりする。
　　　（出力装置）
　出力装置１４６は、出力信号に基づいて音または光などを出力し、出力部の機能を実現する。例えば、出力装置１４６は、スピーカおよびヘッドフォンなどの音出力装置、ならびにＬＥＤ（Light　Emitting　Diode）などを用いたランプ、液晶ディスプレイ（ＬＣＤ：Liquid　Crystal　Display）装置、ＯＬＥＤ（Organic　Light　Emitting　Diode）装置およびプロジェクタ装置などの表示装置を含む。
　　　（ストレージ装置）
　ストレージ装置１４７は、データ格納用の装置である。ストレージ装置１４７は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置および記憶媒体に記録されたデータを削除する削除装置等を含んでもよい。ストレージ装置１４７は、ＣＰＵ１３１が実行するプログラムや各種データを格納する。
　　　（接続ポート）
　接続ポート１４８は、機器を情報処理装置１０に直接接続するためのポートである。例えば、接続ポート１４８は、ＵＳＢ（Universal　Serial　Bus）ポート、ＩＥＥＥ１３９４ポート、ＲＳ－２３２Ｃポート、ＨＤＭＩ（登録商標）（High-Definition　Multimedia　Interface）ポートなどであってもよい。接続ポート１４８に外部機器を接続することで、情報処理装置１０と当該外部機器との間でデータが交換されてもよい。
　　　（通信モジュール）
　通信モジュール１４９は、ネットワークに接続するための通信デバイスであり、通信部１１０の機能を実現する。例えば、通信モジュール１４９は、無線ＬＡＮ（Local　Area　Network）対応通信デバイスであっても、３ＧまたはＬＴＥ対応通信デバイスであってもよい。また、通信モジュール１４９は、有線による通信を行うワイヤー通信対応デバイスであってもよい。
　＜４．補足＞
　以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
　例えば、上記実施形態では、情報処理装置１０は、栽培情報に基づいて、感染情報として感染リスクを推定した。これに限らず、情報処理装置１０は、栽培情報に基づいて、感染情報として作物の病害の発生に関する情報を推定してもよい。より具体的には、情報処理装置１０は、作物に病害が発生する日付、確率、又は当該病害の種類などを推定してもよい。
　また、上記実施形態において入力部２１０により生成されると説明した情報は、ユーザの操作によらず自動的に生成されてもよい。例えば、病害情報は、撮像センサおよび水分量センサなどのセンサから得られる情報を用いて生成されてよい。
　また、上記実施形態において説明した各情報は、定量的な情報または定性的な情報のいずれであってもよい。
　また、上記の実施形態において、図８～図１１のフローチャートに示されたステップは、記載された順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的にまたは個別的に実行される処理をも含む。また時系列的に処理されるステップでも、場合によっては適宜順序を変更することが可能であることは言うまでもない。
　例えば、上記実施形態では、ステップＳ１０１～Ｓ１０３において、情報処理端末２０、センサノード３０、及び気象情報サーバ４０が、この順で情報処理装置１０に各種の情報を送信した。勿論これに限らず、情報処理端末２０、センサノード３０、及び気象情報サーバ４０が各種の情報を送信する順番は、適宜入れ替わってもよい。また、情報処理端末２０、センサノード３０、及び気象情報サーバ４０は、必要に応じて複数回各種の情報を送信してもよい。また、上記実施形態では、情報処理端末２０からの要求情報が情報処理装置１０に送信される前に、情報処理装置１０により推定処理が実行される例を説明した。これに限らず、推定処理は当該情報伝達の要求に応じて実行されてもよい。
　また、上記実施形態では、推定結果がユーザに提示される例を説明したが、推定結果に基づくユーザへの通知が行われてもよい。例えば、情報処理装置１０は、算出された感染リスクの大きさに応じて、感染のおそれがある旨を示すアラート情報を情報処理端末２０へ送信する。情報処理端末２０は、当該アラート情報が受信されると、音またはバイブレーションなどを用いてユーザに当該アラート情報の受信を通知し、感染のおそれがある旨を示す画像を表示する。
　また、気象情報サーバ４０が取得した気象情報は、感染リスクの推定又は感染推定モデルの更新などに用いられてもよい。気象情報は、例えば、将来の予測される気象情報が含まれる。推定部１３３は、当該予想される気象情報を用いることにより、将来の予測される感染リスクを推定することができる。
　また、本実施形態に係る推定部１３３は、感染推定モデルに基づいて、感染リスクを２段階（高い又は低い）で推定した。これに限らず、推定部１３３は、感染推定モデルに基づいて、感染リスクを３段階以上で推定してもよいし、数値等を用いて評価してもよい。
　また、本実施形態に係る情報処理端末２０は、感染情報の推定結果を、表示部２４０により、画像として出力させた。これに限らず、情報処理端末２０は、感染情報の推定結果を音声として出力させてもよい。この場合、情報処理端末２０は、感染情報の推定結果を音声として出力する音声出力装置を出力部として備える。
　また、情報処理装置１０に内蔵されるハードウェアに上述した情報処理装置１０の各機能構成と同等の機能を発揮させるためのコンピュータプログラムも作成可能である。また、当該コンピュータプログラムが記憶された記憶媒体も伝達される。
　１０　　　情報処理装置
　　１１０　　通信部
　　１２０　　記憶部
　　１３０　　処理部
　　　１３１　　特徴量変換部
　　　１３２　　機械学習部
　　　１３３　　推定部
　　　１３４　　表示制御部
　２０　　情報処理端末
　　２１０　　入力部
　　２２０　　制御部
　　２３０　　通信部
　　２４０　　表示部
　３０　　センサノード
　４０　　気象情報サーバ
 

Claims (10)

  1. 　作物における発病の３要因である主因、素因、及び誘因の各々に関する情報の少なくともいずれかを特徴量変換することにより、特徴量を生成する特徴量変換部（１３１）と、
    　前記作物の感染に関する感染情報を推定するために用いられ、機械学習アルゴリズムに基づいて生成された、前記特徴量を含む前記３要因に関する情報を入力データとする感染推定モデルに基づいて、前記作物の感染情報を推定する推定部（１３３）と、
    　を備える、情報処理装置（１０）。
  2. 　前記特徴量を含む前記３要因に関する情報を入力データとし、機械学習アルゴリズムに基づいて、前記感染推定モデルを更新する第１の機械学習部（１３２）を、更に備え、
    　前記推定部（１３３）は、前記更新された感染推定モデルに基づいて、前記感染情報を推定する、
    　請求項１に記載の情報処理装置（１０）。
  3. 　前記主因に関する情報は、前記作物における病害の発生履歴に関する情報を含む、
    　請求項１又は２に記載の情報処理装置（１０）。
  4. 　前記病害の発生履歴に関する情報は、前記作物に病害が発生した期間に関する期間情報を含む、
    　請求項３に記載の情報処理装置（１０）。
  5. 　前記病害の発生履歴に関する情報は、前記作物に病害が発生する頻度に関する頻度情報を含む、
    　請求項３又は４に記載の情報処理装置（１０）。
  6. 　前記病害の発生履歴に関する情報は、時間軸上における、前記作物に病害が発生した時点から、前記推定部（１３３）が前記感染情報を推定する時点までの長さに関する長さ情報を含む、
    　請求項３～５のいずれか１項に記載の情報処理装置（１０）。
  7. 　前記素因に関する情報は、前記作物の病害に対する抵抗性に関する情報を含み、
    　前記誘因に関する情報は、前記作物が栽培されている空間の湿度又は温度の少なくともいずれかに関する情報を含む、
    　請求項１～６のいずれか１項に記載の情報処理装置（１０）。
  8. 　前記推定部（１３３）は、前記感染推定モデルに基づき推定された過去の前記感染情報の推定結果に基づいて、前記感染情報を推定する、
    　請求項１～７のいずれか１項に記載の情報処理装置（１０）。
  9. 　前記過去の推定結果を入力データとし、機械学習アルゴリズムに基づいて、前記感染推定モデルを更新する第２の機械学習部（１３２）を、更に備え、
    　前記推定部（１３３）は、前記更新された感染推定モデルに基づいて、前記感染情報を推定する、
    　請求項８に記載の情報処理装置（１０）。
  10. 　作物における発病の主因、素因、及び誘因の各々に関する情報を入力する入力部（２１０）と、
    　作物における発病の３要因である主因、素因、及び誘因の各々に関する情報の少なくともいずれかを特徴量変換することにより特徴量を生成する特徴量変換部（１３１）と、
    　前記作物の感染に関する感染情報を推定するために用いられ、機械学習アルゴリズムに基づいて生成された、前記特徴量を含む前記３要因に関する情報を入力データとする感染推定モデルに基づいて、前記感染情報を推定する推定部（１３３）と、
    　前記推定部（１３３）が推定した結果を出力する出力部（２４０）と、を備える、情報処理システム（１）。
PCT/JP2019/039928 2018-12-27 2019-10-10 情報処理装置及び情報処理システム WO2020137085A1 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
JP2020562378A JPWO2020137085A1 (ja) 2018-12-27 2019-10-10 情報処理装置及び情報処理システム
EP19902092.6A EP3903566A4 (en) 2018-12-27 2019-10-10 INFORMATION PROCESSING DEVICE AND INFORMATION PROCESSING SYSTEM
CN201980086614.7A CN113329617A (zh) 2018-12-27 2019-10-10 信息处理设备和信息处理***
US17/417,494 US20220076014A1 (en) 2018-12-27 2019-10-10 Information processing device, and information processing system
KR1020217023606A KR20210109575A (ko) 2018-12-27 2019-10-10 정보 처리 장치 및 정보 처리 시스템
AU2019415077A AU2019415077A1 (en) 2018-12-27 2019-10-10 Information processing device, and information processing system
BR112021011955-8A BR112021011955A2 (pt) 2018-12-27 2019-10-10 Dispositivo de processamento de informação e sistema de processamento de informação

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018243832 2018-12-27
JP2018-243832 2018-12-27

Publications (1)

Publication Number Publication Date
WO2020137085A1 true WO2020137085A1 (ja) 2020-07-02

Family

ID=71126246

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/039928 WO2020137085A1 (ja) 2018-12-27 2019-10-10 情報処理装置及び情報処理システム

Country Status (8)

Country Link
US (1) US20220076014A1 (ja)
EP (1) EP3903566A4 (ja)
JP (1) JPWO2020137085A1 (ja)
KR (1) KR20210109575A (ja)
CN (1) CN113329617A (ja)
AU (1) AU2019415077A1 (ja)
BR (1) BR112021011955A2 (ja)
WO (1) WO2020137085A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022167240A1 (de) * 2021-02-03 2022-08-11 Bayer Aktiengesellschaft Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten
EP4124924A1 (en) * 2021-07-30 2023-02-01 Yokogawa Electric Corporation Cultivation assistance system, cultivation assistance method, program, and recording medium
WO2023119869A1 (ja) * 2021-12-24 2023-06-29 東洋製罐グループホールディングス株式会社 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230052324A (ko) * 2021-10-12 2023-04-20 농업회사법인주식회사지인 인공지능 기반 작물 병충해 판별 시스템
US20240188474A1 (en) * 2022-12-09 2024-06-13 Cnh Industrial America Llc Harvest weed mapping

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002305971A (ja) 2001-04-06 2002-10-22 Kawasaki Kiko Co Ltd 病害発生予察方法及びそのシステム
JP2004185222A (ja) * 2002-12-02 2004-07-02 Osaka Gas Co Ltd 植物病害防除用微生物資材提案システム
JP2015119646A (ja) * 2013-12-20 2015-07-02 大日本印刷株式会社 病害虫発生推定装置及びプログラム
US20160202227A1 (en) * 2015-01-14 2016-07-14 Accenture Global Services Limited Precision agriculture system
WO2018047726A1 (ja) * 2016-09-07 2018-03-15 ボッシュ株式会社 情報処理装置および情報処理システム
WO2018180239A1 (ja) * 2017-03-27 2018-10-04 ボッシュ株式会社 情報処理装置および情報処理方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110020785A1 (en) * 2007-07-26 2011-01-27 T2 Biosystems, Inc. Diagnostic Information Generation and Use
ZA201501916B (en) * 2014-12-11 2016-08-31 Tata Consultancy Services Ltd Method and system for classifying plant disease through crowdsourcing using a mobile communiacation device
US9563852B1 (en) * 2016-06-21 2017-02-07 Iteris, Inc. Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data
EP3287007A1 (de) * 2016-08-24 2018-02-28 Bayer CropScience AG Bekämpfung von schadorganismen auf basis der vorhersage von befallsrisiken
WO2018085452A1 (en) * 2016-11-07 2018-05-11 FarmX Inc. Systems and Methods for Soil Modeling and Automatic Irrigation Control
US10699185B2 (en) * 2017-01-26 2020-06-30 The Climate Corporation Crop yield estimation using agronomic neural network
CN107450449A (zh) * 2017-09-14 2017-12-08 广东工业大学 一种农业监控***
US20220270252A1 (en) * 2022-03-02 2022-08-25 Nuzhat Faiz Shaikh Automated System And Method For Detecting Plant Disease And Providing Disease Treatment Solution

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002305971A (ja) 2001-04-06 2002-10-22 Kawasaki Kiko Co Ltd 病害発生予察方法及びそのシステム
JP2004185222A (ja) * 2002-12-02 2004-07-02 Osaka Gas Co Ltd 植物病害防除用微生物資材提案システム
JP2015119646A (ja) * 2013-12-20 2015-07-02 大日本印刷株式会社 病害虫発生推定装置及びプログラム
US20160202227A1 (en) * 2015-01-14 2016-07-14 Accenture Global Services Limited Precision agriculture system
WO2018047726A1 (ja) * 2016-09-07 2018-03-15 ボッシュ株式会社 情報処理装置および情報処理システム
WO2018180239A1 (ja) * 2017-03-27 2018-10-04 ボッシュ株式会社 情報処理装置および情報処理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3903566A4

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022167240A1 (de) * 2021-02-03 2022-08-11 Bayer Aktiengesellschaft Vorhersage von pflanzenschutzmittel-rückständen in ernteprodukten
EP4124924A1 (en) * 2021-07-30 2023-02-01 Yokogawa Electric Corporation Cultivation assistance system, cultivation assistance method, program, and recording medium
WO2023119869A1 (ja) * 2021-12-24 2023-06-29 東洋製罐グループホールディングス株式会社 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Also Published As

Publication number Publication date
AU2019415077A1 (en) 2021-06-24
EP3903566A4 (en) 2022-10-19
US20220076014A1 (en) 2022-03-10
KR20210109575A (ko) 2021-09-06
CN113329617A (zh) 2021-08-31
BR112021011955A2 (pt) 2021-09-08
EP3903566A1 (en) 2021-11-03
JPWO2020137085A1 (ja) 2021-11-11

Similar Documents

Publication Publication Date Title
WO2020137085A1 (ja) 情報処理装置及び情報処理システム
JP6753936B2 (ja) 情報処理装置および情報処理システム
Kukar et al. AgroDSS: A decision support system for agriculture and farming
AU2015394080B2 (en) Farm field management apparatus, farm field management method, and storage medium
US10028426B2 (en) Agronomic systems, methods and apparatuses
Channe et al. Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis
US20180014452A1 (en) Agronomic systems, methods and apparatuses
CN106940824B (zh) 用于估计有效害虫严重程度指数的***和方法
KR20220159400A (ko) 하위-농장 수준에서 작물 병해충 위험 및/또는 작물 질병 위험 추정
CA2956205A1 (en) Agronomic systems, methods and apparatuses
Bestelmeyer et al. Scaling up agricultural research with artificial intelligence
US20180271029A1 (en) Automated plant management
JP2012044930A (ja) 情報処理システム、情報処理装置、情報処理装置の制御方法及び制御プログラム
US20200245608A1 (en) Method for remediating developmentally delayed plants
Murugamani et al. Machine Learning Technique for Precision Agriculture Applications in 5G‐Based Internet of Things
JP2014035700A (ja) 農作物の栽培情報利活用システム
Tripathy et al. Data mining and wireless sensor network for groundnut pest/disease interaction and predictions-A preliminary study
US20220132724A1 (en) Advanced crop manager for crops stress mitigation
CN113544714A (zh) 农作物的收获量预测程序、栽培环境判别程序
CN113010529A (zh) 基于知识图谱的作物管理方法和装置
Saussure et al. Are fungal epizootics a sign of successful biological control of cereal aphids?
KR102010413B1 (ko) 반려식물 케어에 기반한 커뮤니티 서비스 시스템
WO2023157687A1 (ja) 情報処理装置、情報処理方法、及び、プログラム
US20230359889A1 (en) Machine learning methods and systems for characterizing corn growth efficiency
Kaur Artificial intelligence and internet of things in agriculture–A survey

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19902092

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019415077

Country of ref document: AU

Date of ref document: 20191010

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2020562378

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112021011955

Country of ref document: BR

ENP Entry into the national phase

Ref document number: 20217023606

Country of ref document: KR

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2019902092

Country of ref document: EP

Effective date: 20210727

ENP Entry into the national phase

Ref document number: 112021011955

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20210617