特開 2024-103318 果菜の収量予測に関する学習データ作成装置、機械学習装置、予測装置、方法およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024103318

(43)【公開日】2024-08-01

(54)【発明の名称】果菜の収量予測に関する学習データ作成装置、機械学習装置、予測装置、方法およびプログラム

(51)【国際特許分類】

   A01G 7/00 20060101AFI20240725BHJP

   G06Q 50/02 20240101ALI20240725BHJP

【ＦＩ】

A01G7/00 603

G06Q50/02

【審査請求】未請求

【請求項の数】17

【出願形態】ＯＬ

(21)【出願番号】P 2023007586

(22)【出願日】2023-01-20

(71)【出願人】

【識別番号】504174180

【氏名又は名称】国立大学法人高知大学

(74)【代理人】

【識別番号】110000796

【氏名又は名称】弁理士法人三枝国際特許事務所

(72)【発明者】

【氏名】岩尾 忠重

(72)【発明者】

【氏名】野村 浩一

【テーマコード（参考）】

5L049

5L050

【Ｆターム（参考）】

5L049CC01

5L050CC01

(57)【要約】

【課題】果菜の収量を精度良く予測する。
【解決手段】果菜の収量を予測する予測用アルゴリズム５の学習に用いる学習データ４を作成するための学習データ作成装置１であって、圃場９０における環境データ４１に基づいて個葉光合成量を算出する個葉光合成量算出部１１と、圃場９０において栽培されている果菜の葉を含む画像４２に基づいて、葉に関する指標を算出する葉指標算出部１２と、個葉光合成量と葉に関する指標とに基づいて、群落光合成量を算出する群落光合成量算出部１３と、圃場９０において収穫された果菜の過去の所定の期間内の収量４３に基づいて、果菜の収量変化に関する指標を算出する収量変化指標算出部１４と、果菜の過去の所定の期間内の収量４３を、群落光合成量と、収量変化に関する指標とに関連付けて、学習データ４を作成する学習データ作成部１５と、を備える、学習データ作成装置１。
【選択図】図２

【特許請求の範囲】

【請求項1】

果菜の収量を予測する予測用アルゴリズムの学習に用いる学習データを作成するための学習データ作成装置であって、
圃場における環境データに基づいて個葉光合成量を算出する個葉光合成量算出部と、
前記圃場において栽培されている果菜の葉を含む画像に基づいて、前記葉に関する指標を算出する葉指標算出部と、
前記個葉光合成量と前記葉に関する前記指標とに基づいて、群落光合成量を算出する群落光合成量算出部と、
前記圃場において収穫された前記果菜の過去の所定の期間内の収量に基づいて、前記果菜の収量変化に関する指標を算出する収量変化指標算出部と、
前記果菜の過去の所定の期間内の収量を、前記群落光合成量と、前記収量変化に関する前記指標とに関連付けて、学習データを作成する学習データ作成部と、
を備える、学習データ作成装置。

【請求項2】

前記群落光合成量算出部は、前記個葉光合成量と前記葉に関する前記指標とを入力とし、前記果菜の複数の株に関する群落光合成速度の測定値から算出される群落光合成量を出力として機械学習された、学習済みの機械学習モデルに基づいて、前記群落光合成量を算出する、請求項１に記載の学習データ作成装置。

【請求項3】

前記収量変化指標算出部は、前記果菜の所定の期間内の前記収量変化に関する、正規化された前記指標を算出する、請求項１に記載の学習データ作成装置。

【請求項4】

前記葉指標算出部は、人工知能を用いた画像解析により、前記画像において前記葉の領域を抽出する葉領域抽出部を備える、請求項１に記載の学習データ作成装置。

【請求項5】

前記葉に関する前記指標は、前記葉の葉面積指数と、前記葉の受光効率指数との少なくともいずれかを含む、請求項１に記載の学習データ作成装置。

【請求項6】

前記葉指標算出部は、前記画像を二値化することにより得られる、前記画像において前記葉以外の領域が占める割合を用いて、前記葉面積指数を算出する葉面積指数算出部を備える、請求項５に記載の学習データ作成装置。

【請求項7】

前記葉指標算出部は、前記画像について前記葉の領域の相対輝度を積算することにより、前記受光効率指数を算出する受光効率指数算出部を備える、請求項５に記載の学習データ作成装置。

【請求項8】

前記個葉光合成量算出部は、前記環境データと、植物生理生態モデルとに基づいて、前記個葉光合成量を算出する、請求項１に記載の学習データ作成装置。

【請求項9】

請求項１から８のいずれかに記載の学習データ作成装置によって作成された学習データに基づいて、前記果菜の収量を予測する予測用アルゴリズムを学習する学習部、
を備える、機械学習装置。

【請求項10】

前記予測用アルゴリズムは、人工ニューラルネットワークを用いて構成されている、請求項９に記載の機械学習装置。

【請求項11】

圃場における環境データを取得する環境データ取得部と、
前記圃場において栽培されている果菜の葉を含む画像を取得する果菜画像取得部と、
前記圃場において収穫された前記果菜の過去の所定の期間内の収量を取得する過去収量取得部と、
前記環境データに基づいて、個葉光合成量を算出する個葉光合成量算出部と、
前記画像に基づいて、前記葉に関する指標を算出する葉指標算出部と、
前記個葉光合成量と前記葉に関する前記指標とに基づいて、群落光合成量を算出する群落光合成量算出部と、
前記果菜の過去の所定の期間内の収量に基づいて、前記果菜の収量変化に関する指標を算出する収量変化指標算出部と、
請求項９に記載の機械学習装置によって学習された予測用アルゴリズムに従って、前記群落光合成量と、前記収量変化に関する前記指標と、前記果菜の過去の所定の期間内の収量とに基づいて、前記果菜の収量を予測する収量予測部と、
を備える、予測装置。

【請求項12】

果菜の収量を予測する予測用アルゴリズムの学習に用いる学習データを作成するための学習データ作成方法であって、
圃場における環境データに基づいて、個葉光合成量を算出する個葉光合成量算出ステップと、
前記圃場において栽培されている果菜の葉を含む画像に基づいて、前記葉に関する指標を算出する葉指標算出ステップと、
前記個葉光合成量と前記葉に関する前記指標とに基づいて、群落光合成量を算出する群落光合成量算出ステップと、
前記圃場において収穫された前記果菜の過去の所定の期間内の収量に基づいて、前記果菜の収量変化に関する指標を算出する収量変化指標算出ステップと、
前記果菜の過去の所定の期間内の収量を、前記群落光合成量と、前記収量変化に関する前記指標とに関連付けて、学習データを作成する学習データ作成ステップと、
を含む、学習データ作成方法。

【請求項13】

請求項１２に記載の学習データ作成方法によって作成された学習データに基づいて、前記果菜の収量を予測する予測用アルゴリズムを学習する学習ステップ、
を含む、機械学習方法。

【請求項14】

圃場における環境データを取得する環境データ取得ステップと、
前記圃場において栽培されている果菜の葉を含む画像を取得する果菜画像取得ステップと、
前記圃場において収穫された前記果菜の過去の所定の期間内の収量を取得する過去収量取得ステップと、
前記環境データに基づいて、個葉光合成量を算出する個葉光合成量算出ステップと、
前記画像に基づいて、前記葉に関する指標を算出する葉指標算出ステップと、
前記個葉光合成量と前記葉に関する前記指標とに基づいて、群落光合成量を算出する群落光合成量算出ステップと、
前記果菜の過去の所定の期間内の収量に基づいて、前記果菜の収量変化に関する指標を算出する収量変化指標算出ステップと、
請求項１３に記載の機械学習方法によって学習された予測用アルゴリズムに従って、前記群落光合成量と、前記収量変化に関する前記指標と、前記果菜の過去の所定の期間内の収量とに基づいて、前記果菜の収量を予測する収量予測ステップと、
を含む、予測方法。

【請求項15】

コンピュータに、
請求項１２に記載の学習データ作成方法の各ステップを実行させるためのプログラム。

【請求項16】

コンピュータに、
請求項１３に記載の機械学習方法の各ステップを実行させるためのプログラム。

【請求項17】

コンピュータに、
請求項１４に記載の予測方法の各ステップを実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、果菜の収量を予測する技術に関する。

【背景技術】

【0002】

近年では、営農現場においても情報通信技術（ＩＣＴ）や人工知能（ＡＩ）を導入する取り組みが進められている。例えば下記特許文献１に記載の収穫量予測方法によると、機械学習により構築したモデルを用いて農作物の収穫量を予測することができる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２０－１７１２１７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

穀類、果樹類、野菜類等といった種々の農作物のうち、例えば果樹類と野菜類に属する果菜類と（以下、本明細書中では、作物分類における果樹類と野菜類に属する果菜類とをまとめて果菜と称する）については、収量を予測することが困難である。果菜の収量は、雰囲気の気温、湿度、ＣＯ_２濃度および日照量等といった環境条件だけではなく、作物としての果菜の状態に大きく影響を受けるためである。

【0005】

例えばりんごやみかん等の果樹類を一例として説明する。果樹の生長サイクルにおいて、光合成により生成された糖が葉や根の栄養生長に主に費やされている段階では、花弁や果実の生殖生長は鈍化する。しかしこれにより果樹は樹力を蓄え、時間差を経たその後の生殖生長の勢いを増すことができる。その後果実の収量はピークを迎えるものの、果樹は樹力を失って、再び樹力を蓄える期間が必要となる。果樹類の収量はこのような生長サイクルを繰り返しながら変化するため、環境条件のデータから果樹類の収量を直接的に予測することは困難である。果実を食用とするトマト、きゅうり、なすび等の果菜類についても果樹類と同様に、果菜類の状態は生長サイクルに応じて大きく影響を受け、果菜類の収量を直接的に予測することは困難である。

【0006】

本発明は、果菜の収量を予測することを目的とする。

【課題を解決するための手段】

【0007】

上記目的を達成するための本発明は、例えば以下に示す態様を含む。
（項１）
果菜の収量を予測する予測用アルゴリズムの学習に用いる学習データを作成するための学習データ作成装置であって、
圃場における環境データに基づいて個葉光合成量を算出する個葉光合成量算出部と、
前記圃場において栽培されている果菜の葉を含む画像に基づいて、前記葉に関する指標を算出する葉指標算出部と、
前記個葉光合成量と前記葉に関する前記指標とに基づいて、群落光合成量を算出する群落光合成量算出部と、
前記圃場において収穫された前記果菜の過去の所定の期間内の収量に基づいて、前記果菜の収量変化に関する指標を算出する収量変化指標算出部と、
前記果菜の過去の所定の期間内の収量を、前記群落光合成量と、前記収量変化に関する前記指標とに関連付けて、学習データを作成する学習データ作成部と、
を備える、学習データ作成装置。
（項２）
前記群落光合成量算出部は、前記個葉光合成量と前記葉に関する前記指標とを入力とし、前記果菜の複数の株に関する群落光合成速度の測定値から算出される群落光合成量を出力として機械学習された、学習済みの機械学習モデルに基づいて、前記群落光合成量を算出する、項１に記載の学習データ作成装置。
（項３）
前記収量変化指標算出部は、前記果菜の所定の期間内の前記収量変化に関する、正規化された前記指標を算出する、項１または２に記載の学習データ作成装置。
（項４）
前記葉指標算出部は、人工知能を用いた画像解析により、前記画像において前記葉の領域を抽出する葉領域抽出部を備える、項１から３のいずれか一項に記載の学習データ作成装置。
（項５）
前記葉に関する前記指標は、前記葉の葉面積指数と、前記葉の受光効率指数との少なくともいずれかを含む、項１から４のいずれか一項に記載の学習データ作成装置。
（項６）
前記葉指標算出部は、前記画像を二値化することにより得られる、前記画像において前記葉以外の領域が占める割合を用いて、前記葉面積指数を算出する葉面積指数算出部を備える、項５に記載の学習データ作成装置。
（項７）
前記葉指標算出部は、前記画像について前記葉の領域の相対輝度を積算することにより、前記受光効率指数を算出する受光効率指数算出部を備える、項５または６に記載の学習データ作成装置。
（項８）
前記個葉光合成量算出部は、前記環境データと、植物生理生態モデルとに基づいて、前記個葉光合成量を算出する、項１から７のいずれか一項に記載の学習データ作成装置。
（項９）
項１から８のいずれかに記載の学習データ作成装置によって作成された学習データに基づいて、前記果菜の収量を予測する予測用アルゴリズムを学習する学習部、
を備える、機械学習装置。
（項１０）
前記予測用アルゴリズムは、人工ニューラルネットワークを用いて構成されている、項９に記載の機械学習装置。
（項１１）
圃場における環境データを取得する環境データ取得部と、
前記圃場において栽培されている果菜の葉を含む画像を取得する果菜画像取得部と、
前記圃場において収穫された前記果菜の過去の所定の期間内の収量を取得する過去収量取得部と、
前記環境データに基づいて、個葉光合成量を算出する個葉光合成量算出部と、
前記画像に基づいて、前記葉に関する指標を算出する葉指標算出部と、
前記個葉光合成量と前記葉に関する前記指標とに基づいて、群落光合成量を算出する群落光合成量算出部と、
前記果菜の過去の所定の期間内の収量に基づいて、前記果菜の収量変化に関する指標を算出する収量変化指標算出部と、
項９または１０に記載の機械学習装置によって学習された予測用アルゴリズムに従って、前記群落光合成量と、前記収量変化に関する前記指標と、前記果菜の過去の所定の期間内の収量とに基づいて、前記果菜の収量を予測する収量予測部と、
を備える、予測装置。
（項１２）
果菜の収量を予測する予測用アルゴリズムの学習に用いる学習データを作成するための学習データ作成方法であって、
圃場における環境データに基づいて、個葉光合成量を算出する個葉光合成量算出ステップと、
前記圃場において栽培されている果菜の葉を含む画像に基づいて、前記葉に関する指標を算出する葉指標算出ステップと、
前記個葉光合成量と前記葉に関する前記指標とに基づいて、群落光合成量を算出する群落光合成量算出ステップと、
前記圃場において収穫された前記果菜の過去の所定の期間内の収量に基づいて、前記果菜の収量変化に関する指標を算出する収量変化指標算出ステップと、
前記果菜の過去の所定の期間内の収量を、前記群落光合成量と、前記収量変化に関する前記指標とに関連付けて、学習データを作成する学習データ作成ステップと、
を含む、学習データ作成方法。
（項１３）
項１２に記載の学習データ作成方法によって作成された学習データに基づいて、前記果菜の収量を予測する予測用アルゴリズムを学習する学習ステップ、
を含む、機械学習方法。
（項１４）
圃場における環境データを取得する環境データ取得ステップと、
前記圃場において栽培されている果菜の葉を含む画像を取得する果菜画像取得ステップと、
前記圃場において収穫された前記果菜の過去の所定の期間内の収量を取得する過去収量取得ステップと、
前記環境データに基づいて、個葉光合成量を算出する個葉光合成量算出ステップと、
前記画像に基づいて、前記葉に関する指標を算出する葉指標算出ステップと、
前記個葉光合成量と前記葉に関する前記指標とに基づいて、群落光合成量を算出する群落光合成量算出ステップと、
前記果菜の過去の所定の期間内の収量に基づいて、前記果菜の収量変化に関する指標を算出する収量変化指標算出ステップと、
項１３に記載の機械学習方法によって学習された予測用アルゴリズムに従って、前記群落光合成量と、前記収量変化に関する前記指標と、前記果菜の過去の所定の期間内の収量とに基づいて、前記果菜の収量を予測する収量予測ステップと、
を含む、予測方法。
（項１５）
コンピュータに、
項１２に記載の学習データ作成方法の各ステップを実行させるためのプログラム。
（項１６）
コンピュータに、
項１３に記載の機械学習方法の各ステップを実行させるためのプログラム。
（項１７）
コンピュータに、
項１４に記載の予測方法の各ステップを実行させるためのプログラム。

【発明の効果】

【0008】

本発明によると、果菜の収量を予測することができる。

【図面の簡単な説明】

【0009】

【図1】本発明の一実施形態に係る果菜収量予測支援システムの概略的な構成を模式的に示す図である。

【図2】本発明の一実施形態に係る学習データ作成装置および機械学習装置の機能を説明するためのブロック図である。

【図3】本発明において導入する植物生理生態モデルを説明するための模式的な図である。

【図4】過去の所定期間について、環境データに基づいて個葉光合成量を算出する概念を説明するための図である。

【図5】人工知能を用いた画像解析により葉の領域を抽出した一例を示す図である。

【図6】過去の所定期間について、葉を含む画像データに基づいて葉に関する指標を算出する概念を説明するための図である。

【図7】過去の所定期間について、個葉光合成量と葉に関する指標とに基づいて群落光合成量を算出する概念を説明するための図である。

【図8】過去の所定期間について、植物９１の過去の収量データに基づいて収量変化に関する指標を算出する概念を説明するための図である。

【図9】本発明の一実施形態に係る予測用アルゴリズムに用いる人工ニューラルネットワークを説明するための模式的な図である。

【図10】本発明の一実施形態に係る予測装置の機能を説明するためのブロック図である。

【図11】本発明の一実施形態に係る機械学習装置を用いて予測用アルゴリズムの機械学習を行う手順を説明するためのフローチャートである。

【図12】本発明の一実施形態に係る機械学習装置を用いて予測用アルゴリズムの機械学習を行う手順を説明するためのフローチャートである。

【図13】本発明の一実施形態に係る予測装置と学習済の予測用アルゴリズムとを用いて果菜収量を予測する手順を説明するためのフローチャートである。

【図14】本発明の一実施形態に係る予測装置と学習済の予測用アルゴリズムとを用いて果菜収量を予測する手順を説明するためのフローチャートである。

【発明を実施するための形態】

【0010】

以下、本発明の実施形態を、添付の図面を参照して詳細に説明する。なお、以下の説明および図面において、同じ符号は同じまたは類似の構成要素を示すこととし、よって、同じまたは類似の構成要素に関する重複した説明を省略する。
［予測支援システム］
＜システムの概要＞

【0011】

図１は、本発明の一実施形態に係る果菜収量予測支援システムの概略的な構成を模式的に示す図である。

【0012】

本発明の一実施形態に係る果菜収量予測支援システム１００（以下、単に予測支援システム１００とも記載する）は、学習データ作成装置１と、機械学習装置２と、予測装置３とを備える。学習データ作成装置１、機械学習装置２、および予測装置３は、例えばネットワーク１０を介してデータの送受信が可能な態様で、有線または無線により直接的または間接的に接続されている。

【0013】

本実施形態では、学習データ作成装置１および機械学習装置２は、例えば試験研究用の圃場９０を管理する組織または者（以下、単に管理者とも記載する）によって使用される。予測装置３は、例えば小規模な圃場８０における生産者（以下、単に生産者とも記載する）によって使用される。圃場９０の管理者は、例えば国や県の農業試験場や、国公立または私立の研究機関および大学等、並びにそれら組織における研究者等である。管理者は、圃場９０に設置されている開放型のチャンバーを用いて、後述する群落光合成量算出部１３の学習に必要なデータを測定することが可能な測定技術を有している。

【0014】

圃場９０、８０において栽培される植物９１，８１について説明する。収量を予測しようとする対象である、生産者の圃場８０において栽培されている植物８１の種類は、管理者の圃場９０において栽培されている植物９１の種類と同じである。圃場９０，８０において栽培される植物は果菜であり、果実を食用とするトマト、きゅうり、なすび等の果菜類や、りんごやみかん等の果樹類とすることができる。

【0015】

学習データ４の作成に用いる環境データ４１、植物９１の葉を含む画像４２、および植物９１の過去の収量データ４３は、植物９１を囲う透明な開放型のチャンバーが設置されている圃場９０において取得される。取得されたデータ４１，４２，４３は学習データ作成装置１に入力され記録される。圃場９０におけるデータ４１，４２，４３の取得については後述する。

【0016】

学習データ作成装置１は、植物の収量を予測する予測用アルゴリズム５の学習に用いる学習データ４を作成する。学習データ４は、試験研究用の圃場９０において測定されるデータ４１，４２，４３に基づいて作成される。作成された学習データ４は、機械学習装置２に提供される。好ましくは、学習データ４および予測用アルゴリズム５は植物の種類毎に作成される。

【0017】

機械学習装置２は、学習データ作成装置１によって作成された学習データ４に基づいて、予測用アルゴリズム５を学習する。学習された予測用アルゴリズム５は、予測装置３に提供される。

【0018】

生産者の圃場８０では、圃場８０における環境データおよび植物８１の葉を含む画像が、感知装置６および撮像装置７を用いて取得される。

【0019】

予測装置３は、機械学習装置２によって学習された予測用アルゴリズム５に従って、群落光合成量と収量変化に関する指標と過去の所定期間内の収量とに基づいて、植物８１の収量を予測する。これにより、果菜の収量を精度良く予測することが可能になる。群落光合成量は、個葉光合成量と葉に関する指標とに基づいて算出される。個葉光合成量および葉に関する指標は、生産者の圃場８０において取得された環境データおよび植物８１の葉を含む画像に基づいて算出される。本実施形態では、過去の２１日間の収量を、過去の所定期間内の収量とする。

【0020】

本実施形態では、予測用アルゴリズム５は、植物（果菜）を囲う透明な開放型のチャンバーのような測定システムが設置されている試験研究用の圃場９０側において予め学習されている。小規模な圃場８０側は、学習済の予測用アルゴリズム５を試験研究用の圃場９０側から取得する。これにより、小規模な圃場８０における生産者は、高度な測定技術が要求される高価な測定システムを、生産者が運営する圃場８０において用いることなく、果菜の収量を精度良く予測することが可能になる。

【0021】

試験研究用の圃場９０において、植物９１は透明な開放型のチャンバー９２で囲われている。チャンバー９２には吸気口９３と排気口９４とが設けられており、チャンバー９２内に外気が通気される。チャンバー９２内のＣＯ_２濃度は、外気がチャンバー９２内を通る間に、植物９１による光合成により変化する。ガス分析装置９５は、ＣＯ_２の濃度および水蒸気の濃度を、吸気口９３および排気口９４のそれぞれについて測定することができる。吸気口９３に設けられた流量計９６は、チャンバー９２内に流入する外気の流量を測定することができる。

【0022】

圃場９０におけるデータ４１，４２，４３の取得について説明する。本実施形態では、環境データ４１として、光合成光量子束密度（photosynthetic photon flux density; PPFD）（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）、雰囲気のＣＯ_２濃度Ｃ_ａ（単位［μｍｏｌ・ｍｏｌ^－１］）、雰囲気の気温Ｔ_ａ（単位［℃］）、および雰囲気の湿度ＶＰＤ_ａ（vapor pressure deficit）（単位［ｋＰａ］）の４つを用いる。

【0023】

本実施形態では、光合成光量子束密度ＰＰＦＤはＰＰＦＤセンサ９７を用いて測定される。ＣＯ_２の濃度はガス分析装置９５を用いて測定される。気温は熱電対９８ａ，９８ｂ
を用いて測定される。湿度は、ガス分析装置９５によって測定される水蒸気の濃度と、熱電対９８ａ，９８ｂを用いて測定される気温とから算出される。

【0024】

環境データ４１は、本実施形態では６時間おきに２１日間（過去の所定期間）にわたって取得され、過去の所定期間の環境データ４１として、合計で８４セットの環境データ４１が取得される。

【0025】

本実施形態では、圃場９０において栽培されている植物９１の葉を含む画像４２は、チャンバー９２の天井面に取り付けられた撮像装置９９（デジタルカメラ９９）を用いて撮像され、画像データが取得される。画像４２は、植物９１を天井面から地面（土壌）に向かって見下ろした直下視（nadir view）画像であり、撮像範囲に植物９１の葉が含まれている画像である。撮像装置９９により撮像される画像４２の色空間はＲＧＢ形式である。

【0026】

植物９１の葉を含む画像データ４２は、本実施形態では１時間おきに２１日間（過去の所定期間）にわたって取得され、過去の所定期間の画像データ４２として、合計で５０４つの画像データ４２が取得される。

【0027】

植物９１の過去の収量データ４３は、本実施形態では１日おきに２１日間（過去の所定期間）にわたって取得される。収量データ４３は、圃場９０において実際に収穫された植物９１の収量である。
＜ハードウェア構成＞

【0028】

学習データ作成装置１、機械学習装置２、および予測装置３は、例えば汎用コンピュータやタブレットＰＣ、スマートフォン等を用いて構成することができる。これら学習データ作成装置１、機械学習装置２、および予測装置３のすべてを汎用コンピュータで構成することができるし、一部をタブレットＰＣやスマートフォンで構成することもできる。

【0029】

例えばスマートフォンを用いると、予測装置３と、後述する撮像装置７と表示装置８と入力装置９とが一体化された統合型の予測装置を構成することができる。スマートフォンを用いたこのような統合型の予測装置に、さらに別体の感知装置６を例えばＷｉ－Ｆｉ（登録商標）やＢｌｕｅｔｏｏｔｈ（登録商標）等の無線通信方式を用いて通信可能に接続することにより、営農現場において生産者が手軽に使用することが可能なユーザ端末を提供することができる。

【0030】

学習データ作成装置１、機械学習装置２、および予測装置３のそれぞれは、ハードウェアの構成として、データ処理を行うＣＰＵ等のプロセッサ（図示せず）と、プロセッサがデータ処理の作業領域に使用する主記憶装置（図示せず）と、データの一時保存に使用する補助記憶装置１９，２９，３９とを備えている。それぞれの補助記憶装置１９，２９，３９には、データ４１，４２，４３、学習データ４、予測用アルゴリズム５、学習データ作成プログラム、機械学習プログラム、予測プログラム等が適宜記憶されている。

【0031】

予測装置３には、ハードウェアの構成として、感知装置６と撮像装置７とが接続されている。感知装置６および撮像装置７は、予測装置３のユーザである生産者が、圃場８０における環境データと植物８１の葉を含む画像とを取得するために用いられる。

【0032】

本実施形態では、感知装置６は、圃場８０における環境データとして、光合成光量子束密度ＰＰＦＤと、雰囲気のＣＯ_２の濃度と、雰囲気の気温と、雰囲気の湿度とを測定する。感知装置６は、これら環境データのそれぞれを測定するための各種のセンサを備えている。例えば、光合成光量子束密度ＰＰＦＤを測定するセンサには、公知のＰＰＦＤセンサを用いることができる。ＣＯ_２の濃度を測定するセンサには公知のＣＯ_２センサを用いることができ、気温および湿度を測定するセンサには公知の温湿度センサを用いることができる。これらセンサはすべて手持ち型の機器で実現することができ、感知装置６は手軽に使用することが可能である。

【0033】

撮像装置７は、圃場８０において栽培されている植物８１の葉を含む画像を撮像し、画像データを取得する。圃場９０において取得される画像４２と同様に、本実施形態では、撮像装置７が撮像する画像は植物８１の直下視画像であり、撮像範囲に一株の植物８１の葉が概ね全て含まれている画像である。撮像装置７にはデジタルカメラ７を用いることができる。

【0034】

なお、後述する図１０に示すように、本実施形態では、予測装置３は表示装置８を備えている。表示装置８には例えば液晶モニタを用いることができ、予測装置３は、予測装置３のユーザである生産者に情報を表示することができる。また、予測装置３には、入力装置９を接続することができる。入力装置９には、例えばキーボード、タッチパネル、マウス等を用いることができ、予測装置３はユーザからの入力操作を受け付けることができる。予測装置３は、例えばユーザが感知装置６を用いて測定した環境データの値や、圃場８０における植物８１の過去の収量を、入力装置９を介して取得することもできる。表示装置８と入力装置９とが一体化されたタッチパネルを、予測装置３に接続してもよい。
［学習データ作成装置］

【0035】

図２は、本発明の一実施形態に係る学習データ作成装置および機械学習装置の機能を説明するためのブロック図である。

【0036】

学習データ作成装置１は、機能ブロックとして、個葉光合成量算出部１１と、葉指標算出部１２と、群落光合成量算出部１３と、収量変化指標算出部１４と、学習データ作成部１５とを備えている。葉指標算出部１２は、機能ブロックとして、葉領域抽出部１２１と、葉面積指数算出部１２２と、受光効率指数算出部１２３とを備えている。これらの機能ブロックは、集積回路等を用いてハードウェアとして実装することができる。或いは、これらの機能ブロックは、学習データ作成装置１のプロセッサが、学習データ作成プログラムを学習データ作成装置１の主記憶装置に読み出して実行することにより、ソフトウェアとして実装することもできる。

【0037】

個葉光合成量算出部１１は、圃場９０における環境データ４１に基づいて個葉光合成量を算出する。本実施形態では、個葉光合成量算出部１１は、環境データ４１と、植物生理生態モデル（plant physio-ecological model）とに基づいて、個葉光合成速度（single-leaf photosynthetic rate）を算出し、算出した個葉光合成速度から個葉光合成量を算出する。

【0038】

図３は、本発明において導入する植物生理生態モデルを説明するための模式的な図である。（Ａ）は葉緑体を示しており、（Ｂ）は葉の断面図を示している。

【0039】

本実施形態では、植物生理生態モデルは、光合成生化学モデル（biochemical model of photosynthetic）と、輸送方程式と、気孔コンダクタンスモデルと、熱収支モデルとを含む。光合成生化学モデルは、（Ａ）に示す葉緑体における作用に関連する。輸送方程式、気孔コンダクタンスモデル、および熱収支モデルは、（Ｂ）に示す葉における作用に関連する。本実施形態では、これら４つのモデルを表す以下のそれぞれの数式に環境データ４１の値を代入して、連立方程式を解くことにより、個葉光合成速度Ａ_Ｌを算出する。

【0040】

光合成生化学モデルは次の式１～式４で表される。

【数1】

【0041】

光合成生化学モデルでは、光合成速度を、ＣＯ_２濃度に律速されるＲｕｂｉｓｃｏ－ｌｉｍｉｔｅｄ段階における光合成速度Ａ_L,cと、光量により主に律速されるＲｕＢＰ－ｌｉｍｉｔｅｄ段階における光合成速度Ａ_L,jとの２つの律速段階における２つの光合成速度に分けて、これら２つの光合成速度Ａ_L,c，Ａ_L,jのうち、速度が低い方を個葉光合成速度Ａ_Ｌとしている。

【0042】

なお、図３の（Ｂ）に示す葉肉コンダクタンスｇ_ｍは実測が困難である。そのため、本実施形態において導入する光合成生化学モデルでは、葉緑体内のＣＯ_２濃度Ｃ_ｃと葉内細胞間のＣＯ_２濃度Ｃ_ｉとの間にほとんど差が無いと仮定して、Ｃ_ｃ＝Ｃ_ｉとしている。

【0043】

輸送方程式は次の式５および式６で表される。

【数2】

【0044】

気孔コンダクタンスモデルは次の式７で表される。

【数3】

【0045】

熱収支モデルは次の式８で表される。

【数4】

【0046】

式１～式８および図３中に表されている変数について説明する。

【0047】

ＰＰＦＤ、Ｃ_ａ、Ｔ_ａ、およびＶＰＤ_ａはそれぞれ、光合成光量子束密度ＰＰＦＤ、雰囲気のＣＯ_２濃度、雰囲気の気温、および雰囲気の湿度であり、圃場９０，８０において環境データとして取得される。

【0048】

Ａ_L，Ａ_L,c，Ａ_L,jは光合成速度（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）を意味する。Ａ_Lは個葉光合成速度である。Ａ_L,cはＲｕｂｉｓｃｏ－ｌｉｍｉｔｅｄ段階における光合成速度である。Ａ_L,jはＲｕＢＰ－ｌｉｍｉｔｅｄ段階における光合成速度である。

【0049】

Ｖ_ｃｍａｘは、カルボキシル化の最大速度（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）であり、植物の種類毎に定める値である。Ｒ_ｄは、日中の呼吸数（day respiration rate）（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）である。Γ^＊は、日中の呼吸数Ｒ_ｄが無い場合のＣＯ_２同化のＣＯ_２補償点（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）である。

【0050】

Ｃ_ｉ，Ｃ_ｃ，Ｃ_ｓは葉のＣＯ_２濃度（単位［μｍｏｌ・ｍｏｌ^－１］）を意味する。Ｃ_ｉは葉内細胞間のＣＯ_２濃度である。Ｃ_ｃは葉緑体内のＣＯ_２濃度である。Ｃ_ｓは葉の表面のＣＯ_２濃度である。Ｏは葉内細胞間のＯ_２濃度（単位［ｍｏｌ・ｍｏｌ^－１］）である。

【0051】

Ｋ_ｃ，Ｋ_ＯはMichaelis-Menten定数（単位［μｍｏｌ・ｍｏｌ^－１］）である。Ｋ_ｃはカルボキシル化のMichaelis-Menten定数である。Ｋ_Ｏはカルボキシル化酸素化のMichaelis-Menten定数である。

【0052】

Ｊは電子伝達速度（単位［μｍｏｌ・ｍ^－２・ｓ^－１］）であり、植物の種類毎に定める値である。Ｊ_ｍａｘは電子伝達速度Ｊの最大値である。θはＪ－ＰＰＦＤ曲線のコンベクシティ（convexity）である。φはＪ－ＰＰＦＤ曲線の初期勾配（initial slope）である。

【0053】

ｇ_ｓ，ｇ_ａ，ｇ_ｍは葉のコンダクタンス（単位［ｍｏｌ・ｍ^－２・ｓ^－１］）を意味する。ｇ_ｓは気孔コンダクタンスである。ｇ_ａは葉面境界層コンダクタンスである。ｇ_ｍは葉肉コンダクタンスである。ｇ_０，ｇ_１は、気孔コンダクタンスｇ_ｓのフィッティング・パラメータである。ＶＰＤ_Ｌは葉面と雰囲気との飽差（単位［Ｐａ］）である。

【0054】

ρ_ａは空気の密度（１．２０４ｋｇ・ｍ^－３）である。Ｃ_ｐは定圧力での空気の比熱（１０１０Ｊ・ｋｇ^－１・Ｋ^－１）である。

【0055】

Ｔ_L，γ，Ｒ_ｎｉ，ｓ，ｇ_ＨＲ，ｇ_ＬＷは熱収支モデルを記述する変数である。Ｔ_Lは葉温（単位［Ｋ］）である。γは乾湿計定数（単位［Ｐａ・Ｋ^－１］）である。Ｒ_ｎｉは等温純放射（単位［Ｗ・ｍ^－２・ｓ^－１］）である。ｓは温度に対する飽和水蒸気圧の傾き（単位［Ｐａ・Ｋ^－１］）である。ｇ_ＨＲは放射と葉面境界層における顕熱輸送との合計コンダクタンス（単位［ｍ・ｓ^－１］）である。ｇ_ＬＷは葉面境界層と気孔における水分子輸送の合成コンダクタンス（単位［ｍ・ｓ^－１］）である。

【0056】

式１～式８中に表されている変数のうち、別の測定により予め値を決定しておく変数およびその値を以下に示す。以下に示す値はすべて葉温が２５℃における値である。
Ｖ_ｃｍａｘ＝９０．５８［μｍｏｌ・ｍ^－２・ｓ^－１］
Ｊ_ｍａｘ＝１５４．９９［μｍｏｌ・ｍ^－２・ｓ^－１］
Ｒ_ｄ＝１．３９［μｍｏｌ・ｍ^－２・ｓ^－１］
Ｋ_ｃ＝４０４．９［μｍｏｌ・ｍｏｌ^－１］
Ｋ_Ｏ＝２７８．４［μｍｏｌ・ｍｏｌ^－１］
Γ^＊＝４２．７５［μｍｏｌ・ｍｏｌ^－１］
θ＝０．７
φ＝０．３６
ｇ_０＝０．０３４［ｍｏｌ・ｍ^－２・ｓ^－１］
ｇ_１＝４．４３

【0057】

変数Ｖ_ｃｍａｘ，Ｊ_ｍａｘ，Ｒ_ｄ，Ｋ_ｃ，Ｋ_Ｏ，Γ^＊は温度依存性を有するパラメータである。変数Ｖ_ｃｍａｘ，Ｒ_ｄ，Ｋ_ｃ，Ｋ_Ｏ，Γ^＊の値は、葉温が２５℃のときの値をもとにアレニウス式により求める。変数Ｊ_ｍａｘは葉温が２５℃のときの値をもとに修正アレニウス式により求める。アレニウス式は公知であるので本明細書における詳細な説明は省略する。

【0058】

図４は、過去の所定期間について、環境データに基づいて個葉光合成量を算出する概念を説明するための図である。図示するように、本実施形態では、気温Ｔ_ａ、ＣＯ_２濃度Ｃ_ａ、光合成光量子束密度ＰＰＦＤ、湿度ＶＰＤ_ａを含む環境データ４１が６時間おきに取得されている。これら気温Ｔ_ａ、ＣＯ_２濃度Ｃ_ａ、光合成光量子束密度ＰＰＦＤ、湿度ＶＰＤ_ａのそれぞれの値は６時間毎の平均値である。個葉光合成量算出部１１は、環境データ４１のこれら６時間毎の平均値を用いて、図３を参照して説明した植物生理生態モデルに基づいて、個葉光合成速度を算出する。この算出した個葉光合成速度は６時間毎の平均値であるので、算出した個葉光合成速度と時間（すなわち６時間）との積を算出することにより、個葉光合成量を算出する。算出した個葉光合成量は６時間にわたる積算値である。

【0059】

再び図２を参照する。葉指標算出部１２は、圃場９０において栽培されている植物９１の葉を含む画像４２に基づいて、葉に関する指標を算出する。本実施形態では、葉に関する指標として、葉面積指数（Leaf Area Index; LAI）と、葉の受光効率指数とを算出する。これら指標の算出に先立って、葉領域抽出部１２１が葉の領域を抽出する。

【0060】

葉領域抽出部１２１は、人工知能を用いた画像解析により、植物９１の葉を含む画像４２において葉の領域を抽出する。本実施形態では、葉領域抽出部１２１は、人工知能の一例である深層学習を用いた公知の画像認識の手法に基づいて、画像４２において葉の領域を抽出する。葉領域抽出部１２１は、葉以外の領域であると判別した領域を黒色に置き換える。後述するように、黒色の領域は相対輝度Ｌの値がゼロである。

【0061】

図５は、人工知能を用いた画像解析により葉の領域を抽出した一例を示す図である。（Ａ）は葉の領域を抽出する前の画像であり、（Ｂ）は人工知能により葉の領域を抽出した後の画像である。

【0062】

（Ａ）および（Ｂ）において、符号１０１で示す領域は植物の葉の領域である。（Ａ）において符号１０２で示す領域は、植物を栽培する土壌を覆うビニールシートである。例えば葉領域抽出部１２１は、人工知能を用いた画像解析により、（Ａ）において符号１０２で示すこのようなビニールシートの領域を、葉以外の領域であると判別する。このビニールシートの領域のように、葉以外の領域であると判別された領域は、（Ｂ）において符号１０３で示すように黒色で表示されている。

【0063】

再び図２を参照する。葉面積指数算出部１２２は、植物９１の葉を含む画像４２を二値化することにより得られる、画像４２において葉以外の領域が占める割合を用いて、葉面積指数ＬＡＩを算出する。例示的には、画像の二値化とは画像の白黒化を意味する。本実施形態では、植物９１の葉を含む画像４２は、植物９１を天井面から地面に向かって見下ろした直下視画像である。このような直下視画像を二値化（すなわち白黒化）することにより、葉を含む画像４２を葉の領域ａ_Ｌと葉以外の領域ａ_ＮＬとに二分すると、葉以外の領域が占める割合Ｐ_０は、Ｐ_０＝ａ_ＮＬ／（ａ_ＮＬ＋ａ_Ｌ）と表される。Ｐ_０を用いると、葉面積指数ＬＡＩは、次の式９に基づいて算出することができる。

【数5】

【0064】

葉面積指数ＬＡＩの算出について詳述する。植物の株を天井面から地面に向かって見下ろした直下視画像を考える。このような直下視画像において、大きさがＬの葉面積指数を有する株を、鉛直方向下向きに株の表面から底面にかけて十分に大きな数のＮ個の層に分割することを考える。分割したそれぞれの層内には、株が有する葉の一部が含まれていることとする。このとき以下の４つの事項を仮定する。

【0065】

仮定１：葉は方位的に均一かつ空間的にランダムに分布している。
仮定２：各層が有する葉面積指数は等しい。すなわちＬ／Ｎ＝ΔＬである。
仮定３：光線は鉛直下向きに照射され、各層において光線が葉に複数回接触する確率は、光線が葉に一回のみ接触する確率よりも極めて小さくゼロである。
仮定４：各層において光線が葉に接触する確率は、仮定１に基づいてすべての層において等しい。その確率は、各層が有する葉面積指数を水平投影した値に等しく、係数をＧとするとＧΔＬと表すことができ、光線が葉に接触しない確率は（１－ＧΔＬ）と表すことができる。

【0066】

光線が株の表面から底面にかけてＮ個の層を通過する際に、すべての層において葉と接触しない確率Ｐ_０は、組合せの記号Ｃを用いて次の式１０のように記述される。

【数6】

【0067】

ここでＮを無限に大きくすると、式１０は次の式１１のように変形することができる。

【数7】

【0068】

式１１は、確率Ｐ_０が葉面積指数の大きさＬのポアソン分布の関係にあることを示している。ここで、葉の傾斜角が球面分布していると仮定すると、係数Ｇ＝０．５と近似することができる。この近似により式１１を変形することにより、次の式１２を得ることができる。

【数8】

【0069】

式１２により、植物の株の直下視画像において葉以外の領域が占める割合（Ｐ_０）から、葉面積指数ＬＡＩを算出することができる。

【0070】

受光効率指数算出部１２３は、植物９１の葉を含む画像４２について、葉の領域の相対輝度を積算することにより受光効率指数を算出する。

【0071】

相対輝度は、基準白色に対して正規化された値である。ＲＧＢ形式の画像において或る画素のＲＧＢ値をそれぞれＲ，Ｇ，Ｂで表すと、その画素の相対輝度Ｌは例えば次の式１３によって計算することができる。

【0072】

相対輝度Ｌ＝０．２１２６×Ｒ＋０．７１５２×Ｇ＋０．０７２２×Ｂ （式１３）

【0073】

受光効率指数算出部１２３は、ＲＧＢ形式の画像４２を輝度画像に変換し、変換した輝度画像において、葉の領域に含まれるそれぞれの画素について相対輝度を算出し、画像４２内の全ての画素について算出したそれら相対輝度を積算する。画像４２について算出される相対輝度Ｌの積算値を、植物９１の直上で計測された光合成光量子束密度ＰＰＦＤの値で除算したものが、受光効率指数である。受光効率指数は次の式１４によって計算することができる。

【数9】

【0074】

なお、本実施形態では、ＲＧＢ形式の画像４２は、葉領域抽出部１２１により葉以外の領域は既に黒色に置き換えられている。黒色のＲＧＢ値は、Ｒ＝０、Ｇ＝０、Ｂ＝０である。すなわち、黒色の領域については相対輝度Ｌの値がゼロとなり、ＲＧＢ形式の画像４２において黒色に置き換えられている葉以外の領域については、相対輝度Ｌの積算値に寄与しない。

【0075】

図６は、過去の所定期間について、葉を含む画像データに基づいて葉に関する指標を算出する概念を説明するための図である。図示する例では、葉に関する指標は葉面積指数ＬＡＩである。図示するように、本実施形態では、植物９１の葉を含む画像データ４２が１時間おきに取得されている。葉指標算出部１２は、１時間おきに取得されている画像データ４２に基づいて、葉に関する指標として１時間毎の葉面積指数ＬＡＩを算出する。次に葉指標算出部１２は、算出した１時間毎の葉面積指数ＬＡＩの値を用いて、葉面積指数ＬＡＩの６時間毎の平均値を算出する。

【0076】

群落光合成量算出部１３は、個葉光合成量と葉に関する指標とに基づいて群落光合成量を算出する。図７は、過去の所定期間について、個葉光合成量と葉に関する指標とに基づいて群落光合成量を算出する概念を説明するための図である。図示する例では、葉に関する指標は葉面積指数ＬＡＩである。

【0077】

例えば群落光合成量算出部１３は、予め機械学習された学習済みの機械学習モデルに基づいて、群落光合成量を算出する。一例として、機械学習モデルは、ニューラルネットワークを用いて構成することができる。機械学習モデルは、個葉光合成量と葉に関する指標とを入力として設定し、植物９１の複数の株に関する群落光合成速度の測定値から算出される群落光合成量を出力として設定して、予め機械学習しておく。

【0078】

本実施形態では、植物９１の群落光合成速度の測定値は、圃場９０に設置されているチャンバー９２を用いて取得される。植物９１の株当たりの光合成速度は、吸気口９３と排気口９４との間のＣＯ_２の濃度差と、チャンバー９２内に流入する外気の流量との積から算出することができる。チャンバー９２を用いて測定したデータから算出される光合成速度は、チャンバー９２内において栽培されている植物９１の複数の株に関する光合成速度であり、このような光合成速度は群落（canopy）の光合成速度と呼ばれている。群落が複数の株で構成されている場合、群落の光合成速度は、複数の株それぞれについての株当たりの光合成速度の和である。チャンバー９２が設置されている圃場９０においては、群落の光合成速度の値は、チャンバー９２が囲う植物９１の複数の株について、それぞれの株当たりの光合成速度の値を積算した値である。

【0079】

収量変化指標算出部１４は、圃場９０において収穫される植物９１の過去の所定の期間内の収量４３に基づいて、植物９１の収量変化に関する指標を算出する。図８は、過去の所定期間について、植物９１の過去の収量データに基づいて収量変化に関する指標を算出する概念を説明するための図である。

【0080】

図示するように、本実施形態では、植物９１の収量データが１日おきに２１日間にわたって取得されている。収量変化指標算出部１４は、例えば次の式１５によって、植物９１の収量変化に関する指標を計算する。

【数10】

【0081】

式１５により各時点での収量を０から１に正規化し、２１ステップの変化を有する正規化された指標を計算する。この正規化された指標は、過去の所定の期間（２１日間）内における植物９１の収量の変化の傾向を表している。式１５により算出される収量変化に関する指標は、植物９１（果菜）の種類に応じて異なる値であり、植物９１（果菜）の生長サイクルに応じて異なる値である。

【0082】

学習データ作成部１５は、圃場９０において収穫される植物９１の過去の所定の期間内の収量４３を、群落光合成量と収量変化に関する指標とに関連付けて、学習データ４を作成する。学習データ４は、予測用アルゴリズム５の学習に用いるデータセットであり、入力層５１に設定されるデータと出力層５３に設定されるデータとがセットにされたデータである。作成した学習データ４は例えば補助記憶装置１９に記憶される。

【0083】

作成した学習データ４は、学習データ作成装置１から機械学習装置２へ送信されて、機械学習装置２の補助記憶装置２９に記憶される。機械学習装置２は、受信した学習データ４を用いて、予測用アルゴリズム５の機械学習を行う。
［機械学習装置］

【0084】

再び図２を参照する。機械学習装置２は、機能ブロックとして学習部２１を備えている。学習部２１は、集積回路等を用いてハードウェアとして実装することができる。或いは、学習部２１は、機械学習装置２のプロセッサが、機械学習プログラムを機械学習装置２の主記憶装置に読み出して実行することにより、ソフトウェアとして実装することもできる。

【0085】

学習部２１は、学習データ作成装置１によって作成された学習データ４に基づいて、植物の収量を予測する予測用アルゴリズム５を学習する。

【0086】

図９は、本発明の一実施形態に係る予測用アルゴリズムに用いる人工ニューラルネットワークを説明するための模式的な図である。

【0087】

本実施形態では、予測用アルゴリズム５は、人工ニューラルネットワーク（Artificial Neural Network; ANN）を用いて構成されている。予測用アルゴリズム５は、ニューラルネットワークを構成する層として、入力層５１と、中間層５２と、出力層５３とを含んでいる。学習データ４は、それぞれが互いに関連付けられた、植物９１の過去の所定の期間内の収量４３と、群落光合成量と、収量変化に関する指標とから構成されている。学習部２１は、群落光合成量と収量変化に関する指標と過去の所定の期間内の収量４３とを入力層に設定し、過去の所定の期間内の収量４３を出力層に設定して、予測用アルゴリズム５を学習する。学習には、過去のデータをランダムに選択して使用する。例えば、学習の起点となる日を想定し、その起点日から例えば４週間前まで遡って、収量変化、群落光合成量、収量変化に関する指標などのパラメータを作成し、これらを用いて予測用アルゴリズム５を学習する。予測用アルゴリズム５の評価は、学習に使用しない過去のデータの残りの分を用いて行う。学習に使用する過去データと評価に用いる過去データとの比率は、例えば７：３である。学習済の予測用アルゴリズム５は補助記憶装置２９に記憶される。

【0088】

なお、予測用アルゴリズムの学習を行う際に、出力層５３に対する説明性が高い学習データを入力層５１に設定することにより、学習データ４の量が従来よりも少量であっても、高い精度での予測が可能になる。すなわち、入力層５１に設定するデータと、出力層５３に設定するデータとの間の論理的な因果関係が向上するほど、より少ない量の学習データで予測用アルゴリズム５の学習を行うことができる。

【0089】

本実施形態では、予測用アルゴリズム５に順伝播型ニューラルネットワーク（Feedforward Neural Network）を用いる。予測用アルゴリズム５のニューラルネットワークは、中間層５２に複数の層を含んでいる。ニューラルネットワークの学習アルゴリズムとして、予測用アルゴリズム５における重みパラメータ（シナプスウェイト）の調整には、誤差逆伝播法（back propagation）法を用いる。

【0090】

学習済の予測用アルゴリズム５は、機械学習装置２から予測装置３へ送信されて、予測装置３の補助記憶装置３９に記憶される。予測装置３は、受信した学習済の予測用アルゴリズム５を用いて、生産者の圃場８０における植物８１の収量を予測する。
［予測装置］

【0091】

図１０は、本発明の一実施形態に係る予測装置の機能を説明するためのブロック図である。

【0092】

予測装置３は、機能ブロックとして、環境データ取得部３１と、果菜画像取得部３２と、過去収量取得部３３と、個葉光合成量算出部３４と、葉指標算出部３５と、群落光合成量算出部３６と、収量変化指標算出部３７と、収量予測部３８とを備えている。葉指標算出部３５は、機能ブロックとして、葉領域抽出部３５１と、葉面積指数算出部３５２と、受光効率指数算出部３５３とを備えている。これらの機能ブロックは、集積回路等を用いてハードウェアとして実装することができる。或いは、これらの機能ブロックは、予測装置３のプロセッサが、予測プログラムを予測装置３の主記憶装置に読み出して実行することにより、ソフトウェアとして実装することもできる。

【0093】

予測装置３には、感知装置６と撮像装置７とが接続されている。予測装置３のユーザは、感知装置６および撮像装置７を用いて、圃場８０における環境データと植物８１の葉を含む画像とを取得する。

【0094】

環境データ取得部３１は、圃場８０における環境データを感知装置６から取得する。取得する環境データの種類は、学習データ作成装置１において学習データ４の作成に用いた環境データ４１と同じである。本実施形態では、感知装置６および撮像装置７を用いて、圃場８０における環境データとして、光合成光量子束密度ＰＰＦＤと、雰囲気のＣＯ_２濃度Ｃ_ａと、雰囲気の気温Ｔ_ａと、雰囲気の湿度ＶＰＤ_ａとを取得する。

【0095】

果菜画像取得部３２は、圃場８０において栽培されている植物８１の葉を含む画像を撮像装置７から取得する。本実施形態では、植物８１の葉を含む画像を取得する方法は、圃場９０において植物９１の葉を含む画像を取得する方法と同じである。すなわち、撮像される植物８１の葉を含む画像は、撮像装置７を用いて撮像され、画像データが取得される。取得された画像は、植物８１を上方から地面に向かって見下ろした直下視画像であり、撮像範囲に一株の植物８１の葉が概ね全て含まれている画像である。撮像装置７により撮像される画像の色空間はＲＧＢ形式である。

【0096】

過去収量取得部３３は、圃場８０において実際に収穫された植物８１の過去の所定期間内の収量データを取得する。本実施形態では、入力装置９を介して植物８１の過去の収量データを取得する。

【0097】

個葉光合成量算出部３４は、図２に示す学習データ作成装置１の個葉光合成量算出部１１と同一の機能を有している。個葉光合成量算出部３４は、環境データ取得部３１により取得した、圃場８０における環境データに基づいて、植物８１に関する個葉光合成量を算出する。

【0098】

葉指標算出部３５は、図２に示す学習データ作成装置１の葉指標算出部１２と同一の機能を有している。すなわち、葉指標算出部３５が備える葉領域抽出部３５１、葉面積指数算出部３５２、および受光効率指数算出部３５３は、葉指標算出部１２が備える葉領域抽出部１２１、葉面積指数算出部１２２、および受光効率指数算出部１２３と同一の機能を有している。

【0099】

葉指標算出部３５は、果菜画像取得部３２により取得した、圃場８０において栽培されている植物８１の葉を含む画像に基づいて、葉に関する指標を算出する。葉領域抽出部３５１は、人工知能を用いた画像解析により、植物８１の葉を含む画像において葉の領域を抽出する。葉面積指数算出部３５２は、植物８１の葉を含む画像を二値化することにより得られる、画像において葉以外の領域が占める割合を用いて、葉面積指数ＬＡＩを算出する。受光効率指数算出部３５３は、植物８１の葉を含む画像について、葉の領域の相対輝度を積算することにより、受光効率指数を算出する。

【0100】

群落光合成量算出部３６は、図２に示す学習データ作成装置１の群落光合成量算出部１３と同一の機能を有している。群落光合成量算出部３６は、植物８１に関する個葉光合成量と葉に関する指標とに基づいて、植物８１に関する群落光合成量を算出する。

【0101】

収量変化指標算出部３７は、図２に示す学習データ作成装置１の収量変化指標算出部１４と同一の機能を有している。収量変化指標算出部３７は、圃場８０において実際に収穫された植物８１の過去の所定期間内の収量データに基づいて、植物８１の収量変化に関する指標を算出する。

【0102】

収量予測部３８は、機械学習装置２によって学習された予測用アルゴリズム５に従って、植物８１に関する群落光合成量と収量変化に関する指標と過去の所定期間内の収量とに基づいて、植物８１の収量を予測する。

【0103】

補助記憶装置３９には、学習済の予測用アルゴリズム５が記憶されている。収量予測部３８は、群落光合成量算出部３６により算出した群落光合成量と、収量変化指標算出部３７により算出した収量変化に関する指標と、過去の所定期間内の収量とを、学習済の予測用アルゴリズム５の入力層５１に入力することにより、植物８１の収量の予測値が出力層５３から出力される。本実施形態では、出力層５３から出力される予測値は表示装置８に表示され、予測装置３のユーザである生産者に提示される。

【0104】

これにより、生産者は果菜の収量を精度良く予測することが可能になる。本実施形態では、予測用アルゴリズム５は、試験研究用の圃場９０側において予め学習されており、生産者の小規模な圃場８０側は、学習済の予測用アルゴリズム５を試験研究用の圃場９０側から取得する。これにより、生産者は、植物（果菜）を囲う透明な開放型のチャンバーのような高価な測定システムを用いることなく、果菜の収量を精度良く予測することが可能になる。
［機械学習の手順］

【0105】

図１１および図１２は、本発明の一実施形態に係る機械学習装置を用いて予測用アルゴリズムの機械学習を行う手順を説明するためのフローチャートである。

【0106】

機械学習の手順は、例えば試験研究用の圃場９０の管理者である農業試験場の研究者により、学習データ作成装置１および機械学習装置２を用いて行われる。

【0107】

機械学習の手順は、予測用アルゴリズム５の学習に用いる学習データ４を作成するステップＳ１～ステップＳ８と、作成された学習データ４に基づいて予測用アルゴリズム５を学習するステップＳ９とを含む。ステップＳ１～ステップＳ８の手順は、学習データ作成装置１を用いて行われ、ステップＳ９の手順は機械学習装置２を用いて行われる。

【0108】

ステップＳ１において、圃場９０における環境データ４１および植物９１の収量データ４３を取得する。ステップＳ２において、圃場９０において栽培されている植物９１の葉を含む画像４２を取得する。

【0109】

図１に示すように、環境データ４１は、例えば農業試験場の研究者が、圃場９０に設置されている開放型のチャンバー９２を用いて取得する。植物９１の収量４３は、圃場９０において研究者が実際に植物９１を収穫して取得する。植物９１の葉を含む画像４２は、チャンバー９２の天井面に取り付けられた撮像装置９９を用いて取得される。これらデータ４１，４２，４３は、所定の時間おきに所定期間（例えば２１日間）にわたって取得される。これら取得した環境データ４１、植物９１の葉を含む画像データ４２、および植物９１の収量データ４３は、学習データ作成装置１の補助記憶装置１９に記憶される。

【0110】

ステップＳ３（個葉光合成量算出ステップ）において、個葉光合成量算出部１１は、取得した環境データ４１に基づいて個葉光合成量を算出する。

【0111】

ステップＳ４（葉指標算出ステップ）において、葉指標算出部１２は、取得した植物９１の葉を含む画像データ４２に基づいて、葉に関する指標を算出する。ステップＳ４では、次に説明するステップＳ４ａ～ステップＳ４ｃの手順を行う。

【0112】

ステップＳ４ａ（葉領域抽出ステップ）において、葉領域抽出部１２１は、人工知能を用いた画像解析により、植物９１の葉を含む画像４２において葉の領域を抽出する。

【0113】

ステップＳ４ｂ（葉面積指数算出ステップ）において、葉面積指数算出部１２２は、植物９１の葉を含む画像４２を二値化することにより得られる、画像４２において葉以外の領域が占める割合を用いて、葉面積指数を算出する。

【0114】

ステップＳ４ｃ（受光効率指数算出ステップ）において、受光効率指数算出部１２３は、植物９１の葉を含む画像４２について、葉の領域の相対輝度を積算することにより、受光効率指数を算出する。

【0115】

ステップＳ５（群落光合成量算出ステップ）において、群落光合成量算出部１３は、個葉光合成量と葉に関する指標とに基づいて群落光合成量を算出する。

【0116】

ステップＳ６（収量変化指標算出ステップ）において、収量変化指標算出部１４は、圃場９０において収穫される植物９１の過去の所定の期間内の収量４３に基づいて、植物９１の収量変化に関する指標を算出する。

【0117】

ステップＳ７（学習データ作成ステップ）において、学習データ作成部１５は、圃場９０において収穫される植物９１の過去の所定の期間内の収量４３を、ステップＳ５において算出した群落光合成量と、ステップＳ６において算出した収量変化に関する指標とに関連付けて、学習データ４を作成する。作成した学習データ４は補助記憶装置１９に記憶される。

【0118】

また、学習データ４は、学習データ作成装置１から機械学習装置２へ送信されて、機械学習装置２の補助記憶装置２９に記憶される。機械学習装置２は、受信した学習データ４を用いて、予測用アルゴリズム５の機械学習を行う。

【0119】

ステップＳ８において、学習データ４の数が十分であるか否かを、例えば学習データ作成装置１自身が判定する。学習データ４の数が十分ではない場合は、ステップＳ１～ステップＳ７の手順を繰り返す。学習データ４の数が十分である場合は、ステップＳ９の手順を行う。例示的には、ステップＳ９の手順を行うために必要な学習データ４の数は、約１４４セット程度である。

【0120】

ステップＳ９（学習ステップ）において、学習部２１は、学習データ作成装置１において作成された学習データ４に基づいて、植物の収量を予測する予測用アルゴリズム５を学習する。学習済の予測用アルゴリズム５は補助記憶装置２９に記憶される。

【0121】

また、学習済の予測用アルゴリズム５は、機械学習装置２から予測装置３へ送信されて、予測装置３の補助記憶装置３９に記憶される。予測装置３は、受信した学習済の予測用アルゴリズム５を用いて、生産者の圃場８０における植物８１の収量を予測する。
［予測の手順］

【0122】

図１３および図１４は、本発明の一実施形態に係る予測装置と学習済の予測用アルゴリズムとを用いて光合成速度を予測する手順を説明するためのフローチャートである。

【0123】

予測の手順は、例えば小規模な圃場８０における生産者により、予測装置３を用いて行われる。予測の手順は、次のステップＳ１１～ステップＳ１８を含む。

【0124】

ステップＳ１１（環境データ取得ステップ）において、圃場８０における環境データを取得する。ステップＳ１２（果菜画像取得ステップ）において、圃場８０において栽培されている植物８１の葉を含む画像を取得する。

【0125】

図１に示すように、環境データおよび植物８１の葉を含む画像は、例えば植物８１を栽培する農家における生産者が、圃場８０において感知装置６および撮像装置７を用いて取得する。

【0126】

ステップＳ１３（過去収量取得ステップ）において、圃場８０において実際に収穫された植物８１の過去の所定期間内の収量データを取得する。

【0127】

ステップＳ１４（個葉光合成量算出ステップ）において、個葉光合成量算出部３４は、取得した環境データに基づいて個葉光合成量を算出する。

【0128】

ステップＳ１５（葉指標算出ステップ）において、葉指標算出部３５は、取得した植物８１の葉を含む画像に基づいて、葉に関する指標を算出する。ステップＳ１５では、次に説明するステップＳ１５ａ～ステップＳ１５ｃの手順を行う。

【0129】

ステップＳ１５ａ（葉領域抽出ステップ）において、葉領域抽出部３５１は、人工知能を用いた画像解析により、植物８１の葉を含む画像において葉の領域を抽出する。

【0130】

ステップＳ１５ｂ（葉面積指数算出ステップ）において、葉面積指数算出部３５２は、植物８１の葉を含む画像を二値化することにより得られる、画像において葉以外の領域が占める割合を用いて、葉面積指数を算出する。

【0131】

ステップＳ１５ｃ（受光効率指数算出ステップ）において、受光効率指数算出部３５３は、植物８１の葉を含む画像について、葉の領域の相対輝度を積算することにより、受光効率指数を算出する。

【0132】

ステップＳ１６（群落光合成量算出ステップ）において、群落光合成量算出部３６は、個葉光合成量と葉に関する指標とに基づいて群落光合成量を算出する。

【0133】

ステップＳ１７（収量変化指標算出ステップ）において、収量変化指標算出部３７は、圃場８０において実際に収穫された植物８１の過去の所定期間内の収量データに基づいて、植物８１の収量変化に関する指標を算出する。

【0134】

ステップＳ１８（収量予測ステップ）において、収量予測部３８は、機械学習方法によって学習された予測用アルゴリズム５に従って、ステップＳ１４において算出した個葉光合成量と、ステップＳ１５において算出した葉に関する指標と、ステップＳ１３において取得した過去の所定期間内の収量とに基づいて、植物８１の収量を予測する。得られた予測値は、例えば表示装置８に表示され、予測装置３のユーザである生産者に提示される。

【0135】

これにより、生産者は果菜の収量を精度良く予測することが可能になる。本実施形態では、予測用アルゴリズム５は、試験研究用の圃場９０側において予め学習されており、生産者の小規模な圃場８０側は、学習済の予測用アルゴリズム５を試験研究用の圃場９０側から取得する。これにより、生産者は、植物（果菜）を囲う透明な開放型のチャンバーのような高価な測定システムを用いることなく、果菜の収量を精度良く予測することが可能になる。

【0136】

以上、本発明の一実施形態に係る学習データ作成装置、機械学習装置、および予測装置、並びに学習データ作成方法、機械学習方法、および予測方法によると、果菜の収量を予測することができる。
［その他の形態］

【0137】

以上、本発明を特定の実施形態によって説明したが、本発明は上記した実施形態に限定されるものではない。

【0138】

上記実施形態では、予測用アルゴリズム５の構成に人工ニューラルネットワークを用いているが、予測用アルゴリズム５は人工ニューラルネットワークに限定されない。学習データを用いて予測用アルゴリズムを学習することができる限り、予測用アルゴリズムには種々の機械学習アルゴリズムを用いることができる。

【0139】

上記実施形態では、葉指標算出部１２は、葉に関する指標として、葉面積指数および葉の受光効率指数の両方を算出しているが、葉に関する指標として算出する指標は、葉面積指数および葉の受光効率指数の少なくともいずれかとすることができる。

【0140】

上記実施形態では、学習データ作成装置１と機械学習装置２とはそれぞれ別の装置として構成されているが、これら学習データ作成装置１および機械学習装置２を一体化して一つの装置として構成することができる。

【0141】

上記実施形態では、学習データ作成装置１、機械学習装置２、および予測装置３は、ネットワーク１０を介して互いに通信可能に接続されているが、これら学習データ作成装置１、機械学習装置２、および予測装置３は、例えばＤＶＤ－ＲＯＭやメモリカード等の記録媒体を介してデータ交換可能に接続することができる。

【0142】

上記実施形態では、圃場９０の管理者が学習データ作成装置１および機械学習装置２を使用しているが、学習データ作成装置１および機械学習装置２を取り扱う者は圃場９０の管理者に限定されない。例えば、圃場９０におけるデータ４１，４２，４３の取得を圃場９０の管理者が行い、学習データの作成および予測用アルゴリズムの機械学習を、機械学習の技術に精通した、例えばデータサイエンティストが行うこともできる。

【0143】

上記実施形態では、学習データ作成装置１および機械学習装置２は、試験研究用の圃場９０において使用され、予測装置３は、生産者の小規模な圃場８０において使用されているが、果菜の収量を予測する圃場は区別されない。例えば、果菜を囲う透明な開放型のチャンバーは、生産者の小規模な圃場８０に設置されてもよい。或いは、学習データ４の作成に用いる環境データ４１を、公知の感知装置６を用いて取得してもよい。これらの場合、生産者の小規模な圃場８０において学習データ作成装置１および機械学習装置２を使用して、学習データ４を作成して予測用アルゴリズム５を予め学習することができ、圃場８０において、学習済の予測用アルゴリズムを含む予測装置３を使用して、圃場８０における果菜の収量を予測することができる。同様に、試験研究用の圃場９０において、学習データ作成装置１、機械学習装置２および予測装置３を使用して、圃場９０における果菜の収量を予測することができる。学習データ作成装置１および機械学習装置２は、試験研究用の圃場９０および生産者の小規模な圃場８０のどちらに設置されてもよい。果菜を囲う透明な開放型のチャンバーも、試験研究用の圃場９０および生産者の小規模な圃場８０のどちらに設置されてもよい。開放型のチャンバーを使用する理由は、群落光合成量算出部１３の学習に必要なデータを測定することにある。

【0144】

上記実施形態では、学習データ作成装置１は一体の装置として実現されているが、学習データ作成装置１は一体の装置である必要はなく、プロセッサ、主記憶装置、補助記憶装置１９等が別所に配置され、これらが互いにネットワークで通信可能に接続されていてもよい。機械学習装置２および予測装置３についても、学習データ作成装置１と同様である。また、予測装置３に接続される感知装置６、撮像装置７、表示装置８、および入力装置９についても、これらが一箇所に配置される必要はなく、それぞれが別所に配置されて互いにネットワークで通信可能に接続されていてもよい。

【0145】

上記実施形態では、学習データ作成装置１の各機能ブロックは、単一のプロセッサで実行されているが、これら各機能ブロックは単一のプロセッサで実行される必要はなく、複数のプロセッサで分散して実行されてもよい。機械学習装置２および予測装置３についても、学習データ作成装置１と同様である。

【0146】

学習データ作成装置１、機械学習装置２、および予測装置３の各機能ブロックは、一部または全部が、ネットワーク１０を介して接続されるサーバ装置（図示せず）においてクラウド化されていてもよい。

【符号の説明】

【0147】

１ 学習データ作成装置
２ 機械学習装置
３ 予測装置
４ 学習データ
５ 予測用アルゴリズム
６ 感知装置（センサ）
７ 撮像装置（デジタルカメラ）
８ 表示装置
９ 入力装置
１０ ネットワーク
１１ 個葉光合成量算出部
１２ 葉指標算出部
１２１ 葉領域抽出部
１２２ 葉面積指数算出部
１２３ 受光効率指数算出部
１３ 群落光合成量算出部
１４ 収量変化指標算出部
１５ 学習データ作成部
１９ 補助記憶装置
２１ 学習部
２９ 補助記憶装置
３１ 環境データ取得部
３２ 果菜画像取得部
３３ 過去収量取得部
３４ 個葉光合成量算出部
３５ 葉指標算出部
３５１ 葉領域抽出部
３５２ 葉面積指数算出部
３５３ 受光効率指数算出部
３６ 群落光合成量算出部
３７ 収量変化指標算出部
３８ 収量予測部
３９ 補助記憶装置
４１ 環境データ
４２ 画像データ
４３ 過去の収量データ
５１ 入力層
５２ 中間層
５３ 出力層
８０ 生産者の圃場
８１ 植物
９０ 試験研究用の圃場
９１ 植物
９２ チャンバー
９３ 吸気口
９４ 排気口
９５ ガス分析装置
９６ 流量計
９７ ＰＰＦＤセンサ
９８ａ，９８ｂ 熱電対
９９ 撮像装置（デジタルカメラ）
１００ 果菜収量予測支援システム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】