特開 2024-106205 水ストレス診断方法及び水ストレス診断装置

(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】P2024106205

(43)【公開日】2024-08-07

(54)【発明の名称】水ストレス診断方法及び水ストレス診断装置

(51)【国際特許分類】

   A01G 7/00 20060101AFI20240731BHJP

   A01G 23/00 20060101ALI20240731BHJP

【ＦＩ】

A01G7/00 603

A01G23/00 551Z

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2023010387

(22)【出願日】2023-01-26

(71)【出願人】

【識別番号】501203344

【氏名又は名称】国立研究開発法人農業・食品産業技術総合研究機構

(74)【代理人】

【識別番号】110002077

【氏名又は名称】園田・小林弁理士法人

(72)【発明者】

【氏名】山根 崇嘉

(72)【発明者】

【氏名】ハバラガムワ ハルシナ

(72)【発明者】

【氏名】杉浦 綾

(57)【要約】

【課題】 樹木が受ける水ストレスを正確に診断すること。
【解決手段】 水ストレス診断方法は、異なる水ストレス程度を示す樹木を撮影して得られる複数の画像データを取得し、取得された複数の画像データと、前記樹木の水ストレスの測定値とを教師データとして学習モデルの学習を実行し、学習済みの前記学習モデルを用いて、診断の対象となる診断対象樹木の水ストレスの診断値を算出する処理を有する。
【選択図】 図１

【特許請求の範囲】

【請求項1】

異なる水ストレス程度を示す樹木を撮影して得られる複数の画像データを取得し、
取得された複数の画像データと、前記樹木の水ストレスの測定値とを教師データとして学習モデルの学習を実行し、
学習済みの前記学習モデルを用いて、診断の対象となる診断対象樹木の水ストレスの診断値を算出する
処理を有する水ストレス診断方法。

【請求項2】

前記取得する処理は、
前記樹木を周囲から撮影して得られる動画データの入力を受け付け、
入力される動画データを構成する複数のフレームから前記複数の画像データに対応するフレームを抽出する
処理を含む請求項１に記載の水ストレス診断方法。

【請求項3】

前記算出する処理は、
前記診断対象樹木を撮影して得られる複数の画像データを取得し、
取得された複数の画像データに前記学習モデルを適用して、前記複数の画像データそれぞれに対応する水ストレスの予測値を算出し、
算出された複数の予測値に基づいて前記診断値を算出する
処理を含む請求項１に記載の水ストレス診断方法。

【請求項4】

前記算出する処理は、
前記複数の予測値の平均値又は中央値を前記診断値として算出する
処理を含む請求項３に記載の水ストレス診断方法。

【請求項5】

メモリと、
前記メモリに接続されるプロセッサとを有し、
前記プロセッサは、
異なる水ストレス程度を示す樹木を撮影して得られる複数の画像データを取得し、
取得された複数の画像データと、前記樹木の水ストレスの測定値とを教師データとして学習モデルの学習を実行し、
学習済みの前記学習モデルを用いて、診断の対象となる診断対象樹木の水ストレスの診断値を算出する
処理を実行する水ストレス診断装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、水ストレス診断方法及び水ストレス診断装置に関する。

【背景技術】

【0002】

一般に、果樹栽培においては、水分管理による果実の高品質化が重要な技術となっている。例えば、モモにおいては、水ストレスが糖度を上昇させる一方で、果実肥大を抑制し渋みを発生させる要因でもあることが知られている。このような果実への影響を考慮して適切な水分管理をするためには、果実の発育ステージに応じた精密なかん水制御が要求される。そして、精密なかん水制御のためには、樹の水分状態を正確に把握することが鍵となる。

【0003】

樹の水分状態を表す指標としては、例えば枝の水ポテンシャル（Ψstem）がある。枝の水ポテンシャルは、例えば蒸散抑制袋中で葉を枝の水ポテンシャルと平衡化し、この葉を切り取ってプレッシャーチャンバーで測定することができる。また、例えばトマトのような小型の植物に関しては、植物を上方から撮影し、葉の萎れ状況の画像から水ストレスを検出することが考えられている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００９－０４４９９９号公報

【特許文献2】特開２００６－２４８４１２号公報

【非特許文献】

【0005】

【非特許文献1】Md Parvez Islam and Takayoshi Yamane, "HortNet417v1-A Deep-Learning Architecture for the Automatic Detection of Pot-Cultivated Peach Plant Water Stress", MDPI Journal Sensors Volume 21 Issue 23 7924, 2021年11月

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、圃場に植栽されている果樹は比較的大型の樹木であるため、画像から正確に水ストレスを検出することが困難であるという問題がある。具体的には、果樹の画像を得る際に、例えば果樹全体が１画像内に収まるように撮影すると、細部が不鮮明であるとともに対象の果樹以外の他の果樹や土壌などが写り込んだ画像しか得られず、画像解析の精度が低下する。結果として、画像から検出される水ストレスは、実際に果樹が受けている水ストレスとは乖離してしまう。

【0007】

本開示は、上記に鑑みてなされたものであり、樹木が受ける水ストレスを正確に診断することができる水ストレス診断方法及び水ストレス診断装置を提供することを目的とする。

【課題を解決するための手段】

【0008】

本開示の一態様によれば、水ストレス診断方法は、異なる水ストレス程度を示す樹木を撮影して得られる複数の画像データを取得し、取得された複数の画像データと、前記樹木の水ストレスの測定値とを教師データとして学習モデルの学習を実行し、学習済みの前記学習モデルを用いて、診断の対象となる診断対象樹木の水ストレスの診断値を算出する処理を有する。

【0009】

また、本開示の一態様によれば、水ストレス診断装置は、メモリと、前記メモリに接続されるプロセッサとを有し、前記プロセッサは、異なる水ストレス程度を示す樹木を撮影して得られる複数の画像データを取得し、取得された複数の画像データと、前記樹木の水ストレスの測定値とを教師データとして学習モデルの学習を実行し、学習済みの前記学習モデルを用いて、診断の対象となる診断対象樹木の水ストレスの診断値を算出する処理を実行する。

【発明の効果】

【0010】

本開示の水ストレス診断方法及び水ストレス診断装置によれば、樹木が受ける水ストレスを正確に診断することができる。

【図面の簡単な説明】

【0011】

【図1】図１は、一実施の形態に係る水ストレス診断装置の構成を示すブロック図である。

【図2】図２は、動画データの撮影を説明する図である。

【図3】図３は、測定データの具体例を示す図である。

【図4】図４は、学習モデルを説明する図である。

【図5】図５は、実測値と診断値の関係を示す図である。

【図6】図６は、学習フェーズの動作を示すフロー図である。

【図7】図７は、診断フェーズの動作を示すフロー図である。

【図8】図８は、水ストレス診断装置のハードウェア構成例を示すブロック図である。

【発明を実施するための形態】

【0012】

以下、添付図面を参照して、本開示に係る一実施の形態について説明する。以下に説明する実施の形態は例示であり、この記載によって限定解釈されるものではない。

【0013】

図１は、一実施の形態に係る水ストレス診断装置１００の構成を示すブロック図である。図１に示す水ストレス診断装置１００は、動画データ入力部１１０、画像データ生成部１２０、測定データ入力部１３０、学習モデル制御部１４０、診断値算出部１５０及び診断値出力部１６０を有する。

【0014】

動画データ入力部１１０は、果樹の全体を撮影して得られる動画データの入力を受け付ける。すなわち、動画データ入力部１１０は、果樹の周囲を移動するカメラによって撮影される動画データであって、主に樹冠の各部位を様々な角度から撮影して得られる動画データの入力を受け付ける。

【0015】

動画データは、例えば図２に示すように、果樹Ｔの周囲を移動するカメラＣが樹冠の上下各部位を撮影することにより得られる。この動画データの各フレームには、果樹Ｔの樹冠の各部位の画像が含まれることになり、果樹Ｔ以外の例えば空や土壌などの背景の写り込みが最小限に抑制される。

【0016】

動画データ入力部１１０は、学習モデルの学習が行われる学習フェーズにおいては、異なる水ストレス程度を示す果樹を撮影して得られる動画データの入力を受け付ける。すなわち、動画データ入力部１１０は、例えば部分的に幹を切断する部分切断処理が施されて水ストレスが与えられた果樹を、異なる日時に撮影して得られる複数の動画データの入力を受け付ける。学習フェーズにおいて入力される複数の動画データは、異なる水ストレス程度を示す果樹の動画データであり、学習モデルの学習に用いられる。

【0017】

一方、動画データ入力部１１０は、果樹の水ストレスの診断が行われる診断フェーズにおいては、診断対象の果樹を撮影して得られる動画データの入力を受け付ける。

【0018】

画像データ生成部１２０は、動画データ入力部１１０へ入力される動画データから、それぞれ静止画像を含む複数の画像データを生成する。具体的には、画像データ生成部１２０は、動画データから例えば所定の時間間隔でフレームを抽出し、抽出したフレームに含まれる静止画像を画像データとする。これにより、画像データ生成部１２０は、果樹の様々な部位の静止画像を含む複数の画像データを生成する。

【0019】

測定データ入力部１３０は、学習モデルの学習が行われる学習フェーズにおいて、果樹の水ポテンシャルの実測値を含む測定データの入力を受け付ける。すなわち、測定データ入力部１３０は、異なる水ストレス程度を示す果樹の水ポテンシャルを測定して得られる測定データの入力を受け付ける。枝の水ポテンシャルの実測値は、果樹が受けている水ストレスの指標であるため、水ストレスの測定値であるともいえる。

【0020】

測定データは、例えば図３に示すように、継続的に水ストレスが与えられた果樹の水ポテンシャルを異なる日時において測定することにより得られる。水ポテンシャルが測定される日時においては、動画データ入力部１１０へ入力される動画データの撮影も行われる。すなわち、図３に示す各日時において、異なる水ストレス程度を示す果樹を撮影した動画データが取得されるとともに、この果樹の水ポテンシャルの実測値が取得される。

【0021】

学習モデル制御部１４０は、学習フェーズにおいて、画像データと測定データを教師データとして用いて学習モデルに学習させる。すなわち、学習モデル制御部１４０は、異なる水ストレス程度を示す果樹の画像と水ポテンシャルの実測値とを教師データとして用い、例えばニューラルネットワークによる機械学習を実行する。学習モデル制御部１４０が機械学習を実行することにより、画像データから水ポテンシャルの予測値を出力する学習モデルが得られる。

【0022】

学習モデルは、例えば図４に示すように、水ポテンシャルの１つの実測値に対応する複数の画像データそれぞれに基づいて、水ポテンシャルの予測値を算出する。すなわち、複数の画像データと、これらの画像データの撮影時に測定された水ポテンシャルの実測値とを学習することにより、画像データそれぞれから水ポテンシャルの予測値を出力する学習モデルが得られる。

【0023】

学習モデル制御部１４０は、診断フェーズにおいて、入力される複数の画像データに学習モデルを適用し、各画像データから求められる水ポテンシャルの予測値を出力する。すなわち、学習モデル制御部１４０は、診断対象の果樹を撮影して得られた動画データに基づく複数の画像データが入力されると、各画像データから学習モデルによって予測される水ポテンシャルの予測値を診断値算出部１５０へ出力する。

【0024】

診断値算出部１５０は、複数の画像データに対応する水ポテンシャルの予測値が入力されると、複数の予測値から、診断対象の果樹の水ストレスの状況を示す１つの診断値を算出する。具体的には、診断値算出部１５０は、入力される複数の予測値の平均値又は中央値を診断値として算出する。

【0025】

診断値を複数の予測値の平均値又は中央値とすることにより、診断対象の果樹の水ポテンシャルを正確に表す診断値が得られる。ここで、学習に用いられた果樹についての診断値と実測値の関係は、例えば図５のようになっている。図５においては、学習に用いられた果樹に関して、複数の予測値の平均値を診断値とする場合の実測値と診断値の関係が示されている。この図に示すように、診断値は、比較的正確に実測値を表しており、果樹の水ポテンシャルが正確に検出されているといえる。

【0026】

診断値出力部１６０は、診断値算出部１５０によって算出された診断値を出力する。具体的には、診断値出力部１６０は、例えばディスプレイに診断値を表示したり、所定の用紙に診断値を印刷したりする。

【0027】

次いで、上記のように構成された水ストレス診断装置１００の学習フェーズにおける動作について、図６に示すフロー図を参照しながら説明する。

【0028】

学習フェーズにおいては、異なる水ストレス程度を示す果樹が学習に用いられる。すなわち、異なる水ストレス程度を示す果樹の水ポテンシャルが測定され、測定された水ポテンシャルの実測値が測定データ入力部１３０へ入力される（ステップＳ１０１）。また、水ポテンシャルの測定時には、果樹の周囲を移動するカメラによって撮影が行われ、果樹の全体を撮影した動画データが取得される。そして、動画データが動画データ入力部１１０へ入力される（ステップＳ１０２）。

【0029】

なお、水ポテンシャルの実測値及び動画データは、必ずしも測定及び撮影のたびに入力されなくても良い。すなわち、継続的な測定及び撮影によって異なる日時に取得される複数の実測値及び動画データがまとめて測定データ入力部１３０及び動画データ入力部１１０へ入力されるようにしても良い。

【0030】

動画データは、動画データ入力部１１０から画像データ生成部１２０へ出力され、画像データ生成部１２０によって、それぞれ静止画像を含む複数の画像データが生成される（ステップＳ１０３）。具体的には、動画データを構成する複数のフレームから、例えば所定間隔でフレームが抽出され、抽出されたフレームの静止画像が画像データとされる。複数の動画データがまとめて動画データ入力部１１０へ入力される場合には、それぞれの動画データから複数の画像データが生成される。

【0031】

複数の画像データが生成されると、学習モデル制御部１４０によって、画像データを入力として水ポテンシャルの予測値を出力する学習モデルの学習が実行される（ステップＳ１０４）。すなわち、画像データと画像データに対応する水ポテンシャルの実測値とが教師データとして用いられることにより、例えばニューラルネットワークによる機械学習が実行される。このとき、同じ動画データから生成された複数の画像データに対して１つの実測値が組み合わせられ、機械学習の教師データとして用いられる。このような機械学習により、果樹を撮影した画像データから水ポテンシャルの予測値を求めることができる学習モデルが得られる。

【0032】

次に、上記のように構成された水ストレス診断装置１００の診断フェーズにおける動作について、図７に示すフロー図を参照しながら説明する。診断フェーズには、学習フェーズにおいて十分な学習が実行された学習済みの学習モデルが用いられる。

【0033】

診断フェーズにおいては、診断対象の果樹の全体を撮影した動画データが動画データ入力部１１０へ入力される（ステップＳ２０１）。動画データは、動画データ入力部１１０から画像データ生成部１２０へ出力され、画像データ生成部１２０によって、それぞれ静止画像を含む複数の画像データが生成される（ステップＳ２０２）。具体的には、動画データを構成する複数のフレームから、例えば所定間隔でフレームが抽出され、抽出されたフレームの静止画像が画像データとされる。

【0034】

複数の画像データは、学習モデル制御部１４０へ入力され、それぞれの画像データに学習モデルが適用される（ステップＳ２０３）。すなわち、各画像データから水ポテンシャルの予測値が求められる。複数の画像データそれぞれに対応して求められる予測値は、診断値算出部１５０へ出力される。

【0035】

そして、診断値算出部１５０によって、複数の画像データに対応する予測値に基づいて、診断値が算出される（ステップＳ２０４）。具体的には、複数の画像データに対応する予測値の平均値又は中央値が算出され、算出された平均値又は中央値が診断値とされる。診断値は、診断値出力部１６０によって出力され、果樹の水ストレスの診断に用いられる。すなわち、診断値は、診断対象の果樹の水ポテンシャルを表しているため、診断値に基づいて、果樹が受けている水ストレスの状況を診断することができる。

【0036】

以上のように、本実施の形態によれば、学習フェーズにおいては、異なる水ストレス程度を示す果樹を撮影して得られる動画データから複数の画像データを生成し、複数の画像データと水ポテンシャルの実測値とを教師データとした機械学習を実行する。そして、診断フェーズにおいては、診断対象の果樹を撮影して得られる動画データから複数の画像データを生成し、複数の画像データに学習モデルを適用して水ポテンシャルの予測値を求め、複数の予測値から１つの診断値を算出する。このため、果樹の水ポテンシャルを精度良く表す診断値を容易に得ることができ、樹木が受ける水ストレスを正確に診断することができる。

【0037】

なお、上記一実施の形態に係る学習フェーズにおいては、動画データから複数の画像データを生成し、複数の画像データと水ポテンシャルの実測値とを機械学習の教師データとして用いるものとした。しかし、複数の画像データは、必ずしも動画データから生成されなくても良い。すなわち、例えば、異なる水ストレス程度を示す果樹の静止画像を複数の方向から撮影し、得られた複数の画像データを機械学習の教師データとして用いるようにしても良い。

【0038】

また、上記一実施の形態に係る診断フェーズにおいては、複数の画像データそれぞれに学習モデルを適用して得られる複数の予測値の平均値又は中央値を診断値するものとした。しかし、診断値は、必ずしも複数の予測値の平均値又は中央値でなくても良い。すなわち、例えば、複数の予測値と水ポテンシャルの実測値とを教師データとして学習モデルに学習させ、学習モデルを適用することにより複数の予測値から診断値を求めるようにしても良い。

【0039】

上記一実施の形態に係る水ストレス診断装置１００は、プロセッサ及びメモリを用いて構成することができる。図８は、一実施の形態に係る水ストレス診断装置１００のハードウェア構成の一例を示すブロック図である。図８に示すように、水ストレス診断装置１００は、入出力部１０１、プロセッサ１０２、メモリ１０３及びストレージ１０４を有する。

【0040】

入出力部１０１は、ユーザが情報を入力したり、ユーザへ情報を出力したりするインタフェースである。入出力部１０１は、例えばキーボード、ディスプレイ、タッチパネル、マイク又はスピーカーなどを備えていても良い。入出力部１０１は、動画データ及び測定データの入力を受け付け、診断値を出力する。

【0041】

プロセッサ１０２は、例えばＣＰＵ（Central Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）又はＤＳＰ（Digital Signal Processor）などを有し、水ストレス診断装置１００の全体を統括制御するとともに、各種の演算処理を実行する。

【0042】

メモリ１０３は、例えばＲＡＭ（Random Access Memory）又はＲＯＭ（Read Only Memory）などを有し、プロセッサ１０２が実行する演算処理に用いられる情報を記憶する。

【0043】

ストレージ１０４は、例えばＨＤＤ（Hard Disk Drive）又はＳＳＤ（Solid State Drive）などを有し、各種のデータを保存する。

【0044】

また、上記一実施の形態において説明した水ストレス診断装置１００による処理を、コンピュータが実行可能なプログラムとして記述することも可能である。この場合、このプログラムをコンピュータが読み取り可能かつ非一時的（non-transitory）な記録媒体に格納し、コンピュータに導入することも可能である。このような記録媒体としては、例えばＣＤ－ＲＯＭ、ＤＶＤディスク、ＵＳＢメモリなどの可搬型記録媒体、及び例えばフラッシュメモリなどの半導体メモリが挙げられる。

【符号の説明】

【0045】

１０１ 入出力部
１０２ プロセッサ
１０３ メモリ
１０４ ストレージ
１１０ 動画データ入力部
１２０ 画像データ生成部
１３０ 測定データ入力部
１４０ 学習モデル制御部
１５０ 診断値算出部
１６０ 診断値出力部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】