知財求人 - 知財ポータルサイト「IP Force」
特開2024-169242携帯型分光光度計を使用した葉柄栄養価をニアリアルタイムで非破壊的に測定するシステム、装置及び方法
(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】P2024169242
(43)【公開日】2024-12-05
(54)【発明の名称】携帯型分光光度計を使用した葉柄栄養価をニアリアルタイムで非破壊的に測定するシステム、装置及び方法
(51)【国際特許分類】
G01N 21/27 20060101AFI20241128BHJP
A01G 7/00 20060101ALI20241128BHJP
【ＦＩ】
G01N21/27 B
A01G7/00 603
【審査請求】未請求
【請求項の数】27
【出願形態】ＯＬ
【外国語出願】
(21)【出願番号】P 2023086717
(22)【出願日】2023-05-26
(31)【優先権主張番号】18/323,490
(32)【優先日】2023-05-25
(33)【優先権主張国・地域又は機関】US
【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り ２０２２年５月２８日に「農業におけるコンピュータとエレクトロニクス１９８巻、２０２２年７月、１０７０７４」にて公開。 ２０２２年６月２６日に「第１５回精密農業国際会議」（米国、ミネソタ州、ミネアポリス）にて公開。 ２０２２年７月１７日に「２０２２年ＡＳＡＢＥ年次国際会議」（米国、テキサス州、ヒューストン）にて公開。
(71)【出願人】
【識別番号】500425703
【氏名又は名称】ダルハウジー、ユニバーシティー
【氏名又は名称原語表記】ＤＡＬＨＯＵＳＩＥ ＵＮＩＶＥＲＳＩＴＹＴ
(74)【代理人】
【識別番号】100079108
【弁理士】
【氏名又は名称】稲葉 良幸
(74)【代理人】
【識別番号】100109346
【弁理士】
【氏名又は名称】大貫 敏史
(74)【代理人】
【識別番号】100117189
【弁理士】
【氏名又は名称】江口 昭彦
(74)【代理人】
【識別番号】100134120
【弁理士】
【氏名又は名称】内藤 和彦
(72)【発明者】
【氏名】アル－マラヒ，アーマッド
(72)【発明者】
【氏名】アブクメール，リーム
【テーマコード（参考）】
2G059
【Ｆターム（参考）】
2G059AA05
2G059BB08
2G059BB11
2G059EE02
2G059EE12
2G059HH01
2G059HH02
2G059HH03
2G059MM05
2G059PP04
(57)【要約】
【課題】 作物収量及び／又は品質の向上を図ることである。
【解決手段】 携帯型分光光度計を使用して、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定する、システム、装置、及び方法が提供される。方法は、（ａ）葉のスペクトルデータを生成するために、携帯型分光光度計を使用して、農地における植物の葉の非破壊的スペクトル測定を行うこと、（ｂ）葉のスペクトルデータをメモリに記憶すること、（ｃ）記憶された葉のスペクトルデータに基づいて、葉柄栄養価をプロセッサによって計算すること、及び、（ｄ）葉柄栄養価を示すニアリアルタイム結果を提供することを、含み得る。
【選択図】 図１
【解決手段】 携帯型分光光度計を使用して、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定する、システム、装置、及び方法が提供される。方法は、（ａ）葉のスペクトルデータを生成するために、携帯型分光光度計を使用して、農地における植物の葉の非破壊的スペクトル測定を行うこと、（ｂ）葉のスペクトルデータをメモリに記憶すること、（ｃ）記憶された葉のスペクトルデータに基づいて、葉柄栄養価をプロセッサによって計算すること、及び、（ｄ）葉柄栄養価を示すニアリアルタイム結果を提供することを、含み得る。
【選択図】 図１
【特許請求の範囲】
【請求項1】
携帯型分光光度計を使用して、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定する方法であって、前記方法は、
（ａ）葉のスペクトルデータを生成するために、前記携帯型分光光度計を使用して、前記農地における植物の葉の非破壊的スペクトル測定を行うこと、
（ｂ）前記葉のスペクトルデータをメモリに記憶すること、
（ｃ）前記記憶された葉のスペクトルデータに基づいて、前記葉柄栄養価をプロセッサによって計算すること、及び、
（ｄ）前記葉柄栄養価を示すニアリアルタイム結果を提供すること、
を含む、方法。
（ａ）葉のスペクトルデータを生成するために、前記携帯型分光光度計を使用して、前記農地における植物の葉の非破壊的スペクトル測定を行うこと、
（ｂ）前記葉のスペクトルデータをメモリに記憶すること、
（ｃ）前記記憶された葉のスペクトルデータに基づいて、前記葉柄栄養価をプロセッサによって計算すること、及び、
（ｄ）前記葉柄栄養価を示すニアリアルタイム結果を提供すること、
を含む、方法。
【請求項2】
前記提供することが、前記葉柄栄養価をモバイルデバイスに送信することを含む、請求項１に記載の方法。
【請求項3】
前記提供することが、前記葉柄栄養価を前記モバイルデバイス上にグラフ表示することを更に含む、請求項２に記載の方法。
【請求項4】
前記記憶することが、前記葉のスペクトルデータを、ネットワークを介してリモートサーバに送信することを含み、前記リモートサーバが、前記メモリ及び前記プロセッサを備える、請求項１から３のいずれか一項に記載の方法。
【請求項5】
前記記憶することが、モバイルデバイスが前記葉のスペクトルデータを受信すること、及び、前記モバイルデバイスが前記葉のスペクトルデータを、ネットワークを介してリモートサーバに送信することを含み、前記リモートサーバが前記メモリ及び前記プロセッサを備える、請求項１に記載の方法。
【請求項6】
前記提供することが、前記葉柄栄養価を前記リモートサーバから前記モバイルデバイスに送信すること、及び、前記葉柄栄養価を前記モバイルデバイス上にグラフ表示することを含む、請求項５に記載の方法。
【請求項7】
１０分以内に前記農地内の少なくとも５枚の他の植物の葉についてステップ（ａ）から（ｄ）を反復することを更に含む、請求項１から６のいずれか一項に記載の方法。
【請求項8】
前記植物がジャガイモ植物体である、請求項１から７のいずれか一項に記載の方法。
【請求項9】
前記計算することが、前記葉のスペクトルデータを、葉のスペクトルデータ入力に基づいて葉柄栄養価を提供するようにトレーニングされた機械学習モデル内に入力することを含み、前記機械学習モデルが前記葉柄栄養価を出力する、請求項１から８のいずれか一項に記載の方法。
【請求項10】
前記機械学習モデルがラッソー回帰モデルである、請求項９に記載の方法。
【請求項11】
農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定するための装置であって、前記装置は、
葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルを記憶するメモリと、
前記メモリと通信可能に結合された少なくとも１つのプロセッサと、
を備え、前記少なくとも１つのプロセッサは、集合的に、
前記農地における植物の葉の非破壊的スペクトル測定に基づいて、携帯型分光光度計によって生成される葉のスペクトルデータを受信するように、
前記葉のスペクトルデータを前記メモリに記憶するように、
前記葉のスペクトルデータを前記機械学習モデルに入力するように、
前記葉のスペクトルデータに基づいて前記機械学習モデルによって測定された前記葉柄栄養価を含む出力を受信するように、及び、
ニアリアルタイム結果をモバイルデバイスに提供するように、
構成され、前記ニアリアルタイム結果は前記葉柄栄養価を示す、
装置。
葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルを記憶するメモリと、
前記メモリと通信可能に結合された少なくとも１つのプロセッサと、
を備え、前記少なくとも１つのプロセッサは、集合的に、
前記農地における植物の葉の非破壊的スペクトル測定に基づいて、携帯型分光光度計によって生成される葉のスペクトルデータを受信するように、
前記葉のスペクトルデータを前記メモリに記憶するように、
前記葉のスペクトルデータを前記機械学習モデルに入力するように、
前記葉のスペクトルデータに基づいて前記機械学習モデルによって測定された前記葉柄栄養価を含む出力を受信するように、及び、
ニアリアルタイム結果をモバイルデバイスに提供するように、
構成され、前記ニアリアルタイム結果は前記葉柄栄養価を示す、
装置。
【請求項12】
前記葉柄栄養価が前記モバイルデバイス上にグラフ表示される、請求項１１に記載の装置。
【請求項13】
前記携帯型分光光度計によって生成された前記葉のスペクトルデータが、ネットワークを介して前記モバイルデバイスから受信される、請求項１１又は１２のいずれか一項に記載の装置。
【請求項14】
前記植物がジャガイモ植物体である、請求項１１から１３のいずれか一項に記載の装置。
【請求項15】
前記機械学習モデルがラッソー回帰モデルである、請求項１１から１４のいずれか一項に記載の装置。
【請求項16】
前記メモリが、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ、及びフラッシュメモリのうちの１つ以上を含む、請求項１１から１５のいずれか一項に記載の装置。
【請求項17】
プロセッサによって実行可能な命令を含む非一時的コンピュータ可読媒体であって、前記命令は、実行されるとき、
農地における植物の葉の非破壊的スペクトル測定に基づいて、携帯型分光光度計によって生成される葉のスペクトルデータを受信し、
前記葉のスペクトルデータをメモリに記憶し、
前記葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルに前記葉のスペクトルデータを入力し、
前記葉のスペクトルデータに基づいて前記機械学習モデルによって測定された前記葉柄栄養価を含む出力を受信し、及び、
前記葉柄栄養価を示すニアリアルタイム結果を提供するように、
前記プロセッサを構成する、
非一時的コンピュータ可読媒体。
農地における植物の葉の非破壊的スペクトル測定に基づいて、携帯型分光光度計によって生成される葉のスペクトルデータを受信し、
前記葉のスペクトルデータをメモリに記憶し、
前記葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルに前記葉のスペクトルデータを入力し、
前記葉のスペクトルデータに基づいて前記機械学習モデルによって測定された前記葉柄栄養価を含む出力を受信し、及び、
前記葉柄栄養価を示すニアリアルタイム結果を提供するように、
前記プロセッサを構成する、
非一時的コンピュータ可読媒体。
【請求項18】
前記携帯型分光光度計によって生成された前記葉のスペクトルデータが、ネットワークを介してモバイルデバイスから受信される、請求項１７に記載の非一時的コンピュータ可読媒体。
【請求項19】
前記植物がジャガイモ植物体である、請求項１７から１８のいずれか一項に記載の非一時的コンピュータ可読媒体。
【請求項20】
前記機械学習モデルがラッソー回帰モデルである、請求項１７から１９のいずれか一項に記載の非一時的コンピュータ可読媒体。
【請求項21】
前記メモリが、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ、及びフラッシュメモリのうちの１つ以上を含む、請求項１７から２０のいずれか一項に記載の非一時的コンピュータ可読媒体。
【請求項22】
農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定するためのシステムであって、前記システムは、
前記農地における植物の葉の非破壊的スペクトル測定に基づいて、葉のスペクトルデータを生成するように、及び、
ネットワークを介したリモートサーバによる受信のために前記葉のスペクトルデータを伝送するように、
構成された、携帯型分光光度計と、
プロセッサ及びメモリを備える前記リモートサーバと、
を備え、
前記メモリは、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルを記憶し、前記リモートサーバは、
前記葉のスペクトルデータを受信するように、
前記葉のスペクトルデータを前記メモリに記憶するように、
前記葉のスペクトルデータを前記機械学習モデルに入力するように、
前記葉のスペクトルデータに基づいて前記機械学習モデルによって測定された前記葉柄栄養価を受信するように、及び、
前記葉柄栄養価を示すニアリアルタイム結果をモバイルデバイスに提供するように、
構成される、
システム。
前記農地における植物の葉の非破壊的スペクトル測定に基づいて、葉のスペクトルデータを生成するように、及び、
ネットワークを介したリモートサーバによる受信のために前記葉のスペクトルデータを伝送するように、
構成された、携帯型分光光度計と、
プロセッサ及びメモリを備える前記リモートサーバと、
を備え、
前記メモリは、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルを記憶し、前記リモートサーバは、
前記葉のスペクトルデータを受信するように、
前記葉のスペクトルデータを前記メモリに記憶するように、
前記葉のスペクトルデータを前記機械学習モデルに入力するように、
前記葉のスペクトルデータに基づいて前記機械学習モデルによって測定された前記葉柄栄養価を受信するように、及び、
前記葉柄栄養価を示すニアリアルタイム結果をモバイルデバイスに提供するように、
構成される、
システム。
【請求項23】
前記葉柄栄養価が前記モバイルデバイス上にグラフ表示される、請求項２２に記載のシステム。
【請求項24】
前記携帯型分光光度計が前記葉のスペクトルデータを前記モバイルデバイスに伝送するように構成され、前記モバイルデバイスが前記葉のスペクトルデータを前記リモートサーバに伝送する、請求項２２又は２３のいずれか一項に記載のシステム。
【請求項25】
前記植物がジャガイモ植物体である、請求項２２から２４のいずれか一項に記載のシステム。
【請求項26】
前記機械学習モデルがラッソー回帰モデルである、請求項２２から２５のいずれか一項に記載のシステム。
【請求項27】
前記メモリが、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ、及びフラッシュメモリのうちの１つ以上を含む、請求項２２から２６のいずれか一項に記載のシステム。
【発明の詳細な説明】
【技術分野】
【0001】
[0001] 本書は、携帯型分光光度計を使用して、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定するシステム、装置、及び方法に関する。
【背景技術】
【0002】
[0002] 植物は、成長及び生命維持のために多くの栄養素を必要とする。例えば植物は、大量の窒素（Ｎ）、リン（Ｐ）、カリウム（Ｋ）、カルシウム（Ｃａ）、マグネシウム（Ｍｇ）、及び硫黄（Ｓ）などの多量栄養素を必要とし得る。植物は、少量のマンガン（Ｍｎ）、亜鉛（Ｚｎ）、鉄（Ｆｅ）、ナトリウム（Ｎａ）、銅（Ｃｕ）、アルミニウム（Ａｌ）、及びホウ素（Ｂ）などの微量栄養素も必要とし得る。
【0003】
[0003] 農業の適用範囲では、農作物が適切な量の必要な各栄養素を受け取らない場合、収穫される作物の作物収量及び／又は品質に影響が及び得る。例えば、植物が十分な栄養素を受け取らない場合、作物収量及び／又は品質が低下し得る。場合によっては、栄養素の過度の供給も、作物収量及び／又は品質を低下させ得る。
【0004】
[0004] 植物の栄養価状況を測定することで、作物収量及び／又は品質を向上させるために実行するべき修正措置を実行可能にできる。例えば、植物の測定された栄養価状況に基づいて、１つ以上の特定の栄養素について肥料の配合及び量が調整され得る。
【発明の概要】
【0005】
[0005] 下記の要約は、その後のより詳細な考察を読者に紹介するために与えられる。要約は、請求されるか又はまだ請求されていないいずれの発明も、制限又は定義することを意図していない。１つ以上の発明は、特許請求の範囲及び図面を含む本書の任意の部分で開示される要素又はプロセスステップの任意の組み合わせ又は下位組み合わせで存在する。
【0006】
[0006] いくつかの態様によれば、携帯型分光光度計を使用して、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定する方法が提供される。方法は、（ａ）葉のスペクトルデータを生成するために、携帯型分光光度計を使用して、農地における植物の葉の非破壊的スペクトル測定を行うこと、（ｂ）葉のスペクトルデータをメモリに記憶すること、（ｃ）記憶された葉のスペクトルデータに基づいて、葉柄栄養価をプロセッサによって計算すること、及び、（ｄ）葉柄栄養価を示すニアリアルタイム結果を提供することを、含み得る。
【0007】
[0007] いくつかの態様によれば、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定するための装置が提供される。装置は、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルを記憶するメモリと、メモリと通信可能に結合された少なくとも１つのプロセッサとを、備え得る。少なくとも１つのプロセッサは、集合的に、農地における植物の葉の非破壊的スペクトル測定に基づいて、携帯型分光光度計によって生成される葉のスペクトルデータを受信するように、葉のスペクトルデータをメモリに記憶するように、葉のスペクトルデータを機械学習モデルに入力するように、葉のスペクトルデータに基づいて機械学習モデルによって測定された葉柄栄養価を含む出力を受信するように、及び、ニアリアルタイム結果をモバイルデバイスに提供するように、構成され得、ニアリアルタイム結果は葉柄栄養価を示す。
【0008】
[0008] いくつかの態様によれば、プロセッサによって実行可能な命令を含む非一時的コンピュータ可読媒体が提供される。命令は、実行されるとき、農地における植物の葉の非破壊的スペクトル測定に基づいて、携帯型分光光度計によって生成される葉のスペクトルデータを受信するように、葉のスペクトルデータをメモリに記憶するように、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルに葉のスペクトルデータを入力するように、葉のスペクトルデータに基づいて機械学習モデルによって測定された葉柄栄養価を含む出力を受信するように、及び、葉柄栄養価を示すニアリアルタイム結果を提供するように、プロセッサを構成し得る。
【0009】
[0009] いくつかの態様によれば、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定するためのシステムが提供される。システムは、携帯型分光光度計及びリモートサーバを備え得る。携帯型分光光度計は、農地における植物の葉の非破壊的スペクトル測定に基づいて、葉のスペクトルデータを生成するように、及び、ネットワークを介したリモートサーバによる受信のために葉のスペクトルデータを伝送するように、構成され得る。リモートサーバは、プロセッサ及びメモリを備え得、メモリは、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルを記憶する。リモートサーバは、葉のスペクトルデータを受信するように、葉のスペクトルデータをメモリに記憶するように、葉のスペクトルデータを機械学習モデルに入力するように、葉のスペクトルデータに基づいて機械学習モデルによって測定された葉柄栄養価を受信するように、及び、葉柄栄養価を示すニアリアルタイム結果をモバイルデバイスに提供するように、構成され得る。
【0010】
[0010] 本明細書に含まれる図面は、本明細書の品目、方法、及び装置の様々な例を示すためのものであり、任意の手法で教示された内容の範囲を限定することは意図されていない。
【図面の簡単な説明】
【0011】
【図1】[0011] 一実施形態に従った、栄養価が測定され得る植物の葉を示す図である。
【図2】[0012] 一実施形態に従った、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定するためのシステムを示す概略図である。
【図4】[0014] 一実施形態に従った、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定するための装置を示す概略図である。
【図5】[0015] 携帯型分光光度計を使用して、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定する例示の方法を示すフローチャートである。
【発明を実施するための形態】
【0012】
[0016] 本明細書では多数の実施形態が説明され、単に例示の目的で提示される。説明する実施形態は、いかなる意味においても限定的であるものとは意図されない。本発明は、本明細書における開示から容易に明らかになるように、多数の実施形態に広範に適用可能である。当業者であれば、本発明が、本明細書で開示される教示を逸脱することなく、改変及び変更を加えて実施され得ることを理解されよう。１つ以上の特定の実施形態又は図面を参照しながら本発明の特定の特徴を説明し得るが、こうした特徴は、それらを説明する際に参照する１つ以上の特定の実施形態又は図面における用法に限定されないことを理解されたい。
【0013】
[0017] 「an embodiment（実施形態）」、「embodiment」、「embodiments」、「the embodiment」、「the embodiments」、「one or more（１つ以上の）embodiments」、「some（いくつかの）embodiments」、及び「one（１つの）embodiment」という用語は、特に明白に指定されていない限り、「本発明の１つ以上の（ただしすべてではない）実施形態」を意味する。
【0014】
[0018] 「含む（including）」、「備える（comprising）」、及びそれらの変形の用語は、特に明白に指定されていない限り、「含むが限定されない」ことを意味する。アイテムの列挙は、特に明白に指定されていない限り、アイテムのいずれか又はすべてが相互に排他的であることを示唆しない。「a」、「an」、及び「the」という用語は、特に明白に指定されていない限り、「１つ以上」を意味する。
【0015】
[0019] 本明細書及び本特許請求の範囲で使用される際、２つ以上の部分は、リンクが生じる限り、部分が直接又は間接的（すなわち、１つ以上の中間部分を介して）のいずれかで共に接合されるか又は動作する場合、「結合」、「接続」、「取り付け」、「接合」、「添付」、又は「固定」されるものと考えられる。本明細書及び本特許請求の範囲で使用される際、２つ以上の部分は、部分が互いに物理的に接触して接続されている場合、「直接結合」、「直接接続」、「直接取り付け」、「直接接合」、「直接添付」、又は「直接固定」されるものと考えられる。本明細書で使用される際、２つ以上の部分は、部分が互いに関して一定の向きを維持しながら１つであるものとして移動するように結合される場合、「強固に結合」、「強固に接続」、「強固に取り付け」、「強固に接合」、「強固に添付」、又は「強固に固定」されるものと考えられる。「結合」、「接続」、「取り付け」、「接合」、「添付」、及び「固定」されるという用語のいずれも、２つ以上の部分が共に接合される様式を区別するものではない。
【0016】
[0020] 更に、方法ステップは、（本開示及び／又は本特許請求の範囲において）順次説明され得るが、こうした方法は、代替順序で作動するようにも構成され得る。言い換えれば、説明され得るステップのいずれのシーケンス又は順序も、ステップが必ずしもその順序で実行される要件を示すものではない。本明細書で説明する方法のステップは、実際には任意の順序で実行され得る。更に、いくつかのステップは同時に実行され得る。
【0017】
[0021] 本明細書及び本特許請求の範囲で使用される際、要素のグループは、行為が、グループ内の要素のうちのいずれか１つによって実行される場合、又は、グループ内の２つ以上（又はすべての）要素によって協働的に実行される場合、行為を「集合的に」実行するものと考えられる。
【0018】
[0022] 本明細書及び本特許請求の範囲で使用される際、第１の要素は、特に具体的に示されていない限り、第１の要素の少なくとも一部が第２の要素内に受け取られる場合、第２の要素内に「受け取られる」ものと考えられる。
【0019】
[0023] 本明細書におけるいくつかの要素は、アルファベット又は下付き数字接尾辞が後に続く基本番号（例えば、１１２ａ又は１１２１）からなる、部分番号によって識別され得る。本明細書における複数の要素は、基本番号を共に共有し、それらの接尾辞によって異なる（例えば、１１２１、１１２２、及び１１２３）、部分番号によって識別され得る。共通の基本番号を伴うすべての要素は、接尾辞のない基本番号（例えば、１１２）を使用して、集合的又は総称的に参照され得る。
【0020】
[0024] 本明細書及び本特許請求の範囲で使用される際、「上」、「下」、「の上方」、「の下方」、「上方へ」、「垂直」、「高位」、「上側」、「下側」、及び同様の用語は、一般に重力と位置合わせされた（例えば、平行な）方向性に関連する。「遠位」、「近位」、及び同様の用語は、一般に重力に対して直角（例えば、垂直）な方向性に関連する。しかしながら、この段落で言及される用語は、要素間のいずれかの特定のアライメントを示唆する。例えば、第１の要素は第２の要素の「垂直に上方」にあるものと考えられ得、第１の要素は第２の要素よりも高位にあり、第１の要素が第２の要素と垂直に位置合わせされるかどうかには関係ない。
【0021】
[0025] 一般に、植物の栄養価状況を測定するための植物組織試験は破壊的であり、リアルタイムの結果を提供しない。例えば、農業従事者は、測定のために農地における植物から葉柄を収穫し得る。収穫された葉柄は、試験のために研究所に出荷される。実行される試験に応じて、大量の葉柄を破壊的に除去することが必要であり得る。
【0022】
[0026] 次いで研究所は植物組織試験を実施し、葉柄栄養価を農業従事者に提供し得る。葉柄の除去、出荷、試験、及び結果通知のプロセスは、完了するのに数週間を要する場合がある。この遅延は、測定される植物の栄養分が介在期間中に変化する可能性があるため、結果に基づいて取られるいずれの修正措置（例えば、肥料の配合及び量を調整すること）の有効性をも弱体化させる。
【0023】
[0027] 開示するシステム、装置、及び方法は、携帯型分光光度計を使用して、植物の栄養価状況の非破壊的及びニアリアルタイムな測定を提供することができる。分子は、その構造の特徴である周波数における光を吸収する。携帯型分光光度計を使用して、探査領域内の様々な分子（栄養素）の存在及び濃度を示す、非破壊的スペクトル測定を行うことができる。携帯型分光光度計は、植物の栄養価状況を測定するために使用可能な、（非破壊的スペクトル測定に基づいて）葉のスペクトルデータを生成可能である。植物の葉又は葉柄を、試験のために植物から除去する必要はない。開示するシステム、装置、及び方法は、試験に使用される植物のいずれも破壊することなく、植物の栄養価状況を提供することができる。
【0024】
[0028] 更に、開示するシステム、装置、及び方法は、例えば１０～２０秒以内のニアリアルタイムで、分析を実行し結果を提供することができる。これは、いずれの必要な修正措置も、（測定された植物の栄養価状況に基づいて）即時の実行を可能にすることができる。本明細書及び本特許請求の範囲で使用される際、措置は、その措置が開始された時点から１分未満で実行される場合、「ニアリアルタイム」で実行されるものと考えられる。
【0025】
[0029] キャノピー反射率測定において、地上又は空中プラットフォームは、入来光の量に対するキャノピーを離れる光の量の比を測定するために使用される。キャノピー反射率測定は、作物栄養価状況を計算するために使用され得る。しかしながら、キャノピー反射率測定は、しばしば、大気及び土壌干渉を受ける。開示されるシステム、装置、及び方法は、地上又は空中プラットフォームを使用するキャノピー反射測定の実行に関連付けられる大気干渉及び／又は土壌干渉を回避する、携帯型分光光度計を使用して、植物の葉を探査することが可能である。
【0026】
[0030] 次に図１を参照すると、開示するシステム、装置、又は方法を使用して栄養価状況が測定され得る植物１０が示されている。図示された例において、植物１０は、茎１４、葉１８、及び、葉１８を茎１４に取り付ける葉柄２２を含む。葉１８は、葉身２６及び複数の葉脈３０を含む。
【0027】
[0031] 葉身２６の表面域は、葉柄２２と比較してかなり大きい可能性があり、したがって、スペクトル反射率測定は、葉柄２２の代わりに葉身２６から行うことができる。したがって、測定される栄養価は、葉柄栄養価の代わりに葉身に対応する栄養価を示し得る。
【0028】
[0032] 葉柄の栄養価は、葉の他の部分（例えば、葉身）で測定される栄養価と同じではない。現在及び歴史的に見て、農業従事者は葉柄を研究所に送り、研究所は葉柄栄養価を送り返してきた。したがって農業従事者は一般に、研究所の葉柄栄養価に基づいて、ただし植物の他の部分に関連付けられた栄養価には基づいていないが、どの修正措置が必要かを理解する。
【0029】
[0033] 開示するシステム、装置、及び方法は、葉のスペクトルデータを生成し、葉のスペクトルデータに基づいて葉柄栄養価を計算するために、植物の葉身からスペクトル測定を行うことができる。葉柄栄養価を（葉に関連付けられた栄養価とは対照的に）提供することで、ユーザが周知の理解された修正措置を選択及び適用できるようにすることができる。
【0030】
[0034] 次に図２を参照すると、一実施形態に従った、農地３４における植物の葉１８からニアリアルタイムで葉柄栄養価を非破壊的に測定するためのシステム１００の概略図が示されている。図に示されるように、システム１００は携帯型分光光度計１０４及びリモートサーバ１０８を含み得る。
【0031】
[0035] 図示された例において、携帯型分光光度計１０４及びリモートサーバ１０８は、ネットワーク１１２を使用して通信可能に結合される。ネットワーク１１２は、インターネット、ワイドエリアネットワーク（ＷＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、又は別のタイプのネットワークなどの、通信ネットワークを含み得る。他の例において、携帯型分光光度計１０４及びリモートサーバ１０８は、共通ネットワークに接続されず、中間デバイス及び／又は通信ネットワークを使用して通信し得る。
【0032】
[0036] 農地３４は、複数の植物１０（例えば、少なくとも５００の植物）を含み得る。各植物１０は、１枚以上の葉１８を有し得る。植物１０は、農業適用において育てられる任意の適切な植物を含み得る。例えば植物１０は、小麦、トウモロコシ、大豆、ジャガイモなどを含み得る。農地３４は、戸外又は温室内部に位置し得る。
【0033】
[0037] 携帯型分光光度計１０４は、携帯型であり、植物１０の葉の非破壊的スペクトル測定を行うことができる、任意の適切な設計を有し得る。携帯型分光光度計１０４は、オペレータがスペクトル測定を行うために携帯型分光光度計を使用する間、オペレータが持ち運ぶようにサイズ決定及び設計され得る。例えば、携帯型分光光度計１０４は電池式であり得、オペレータ３８によってバックパック内で持ち運べるように設計され得る。
【0034】
[0038] 携帯型分光光度計１０４内の光源は、葉上への入射光を生成することが可能であり、携帯型分光光度計１０４内部の検出器は、植物１０の葉から反射される光を測定可能である。携帯型分光光度計１０４は、反射したスペクトル測定に基づいて、葉のスペクトルデータを生成し得る。
【0035】
[0039] いくつかの実施形態において、携帯型分光光度計１０４はスペクトル測定を行い、可視及び／又は近赤外波長領域内の葉のスペクトルデータを生成し得る。例えば、携帯型分光光度計１０４は、４００ｎｍ～２５００ｎｍの波長領域内の葉のスペクトルデータを生成し得る。他の例では、携帯型分光光度計１０４は、より小さな（例えば、４００ｎｍ～２０００ｎｍ）又は大きな（例えば、３５０ｎｍ～２５００ｎｍ）波長領域内の葉のスペクトルデータを生成し得る。より小さな波長領域は、スペクトル測定のより高速な完了を実行可能にし得、及び／又は、葉柄栄養価を計算するために必要なリソースをより少なくし得る。より大きな波長領域は、より高い確度での葉柄栄養価の測定、及び／又は、より多数の栄養素の検出を、実行可能にし得る。波長領域は、測定される栄養価に基づいて手動又は自動で調整され得る。例えば、オペレータ３８は手動で波長領域を調整し得る。他の例では、波長領域は例えばリモートサーバ１０８によって自動で調整され得る。
【0036】
[0040] 携帯型分光光度計１０４は、測定される波長領域内の離散波長間隔において、スペクトル測定を行い得る。例えば携帯型分光光度計１０４は、測定される波長領域内の０．５ｎｍ波長間隔においてスペクトル測定を行い得る。測定の間に使用される波長間隔は、測定される栄養価に基づいて手動又は自動で調整され得る。例えばオペレータ３８は、手動で波長間隔を調整し得る。他の例では、波長間隔は、例えばリモートサーバ１０８によって自動で調整され得る。０．１ｎｍから１０ｎｍまでの範囲の、異なる波長間隔が使用され得る。より小さな波長間隔は、より高い確度での栄養価の測定、及び／又は、より多数の栄養素の測定を、実行可能にし得る。より大きな波長間隔は、より高速な栄養価の測定を実行可能にし得、及び／又は、栄養価の測定のために必要なコンピューティングリソースをより少なくし得る。
【0037】
[0041] いくつかの実施形態において、携帯型分光光度計１０４は、ＮＩＲＳ（商標）ＤＳ２５００ Ａｎａｌｙｚｅｒ又はＡＳＤ（商標）ＦｉｅｌｄＳｐｅｃ４分光放射計であってよい。他の実施形態では、携帯型分光光度計１０４は、任意の他の適切な分光光度計であってよい。
【0038】
[0042] 携帯型分光光度計１０４は、リモートサーバ１０８による受信のために、生成された葉のスペクトルデータを伝送するように構成され得る。図示された例では、携帯型分光光度計１０４は、生成された葉のスペクトルデータを、ネットワーク１１２を介してリモートサーバ１０８に伝送し得る。他の例では、携帯型分光光度計１０４は、生成された葉のスペクトルデータを、中間デバイス、例えばオペレータ３８のモバイルデバイス４２に伝送し得る。携帯型分光光度計１０４は、ポイントツーポイント通信又はローカルエリアネットワーク（例えば、Ｂｌｕｅｔｏｏｔｈ（商標））を使用して、生成された葉のスペクトルデータをモバイルデバイス４２に伝送し得、その後、モバイルデバイス４２は、広域ネットワーク／インターネットを使用して、葉のスペクトルデータをリモートサーバ１０８に伝送し得る。
【0039】
[0043] モバイルデバイス４２は、携帯型であり、通信ネットワーク（例えば、携帯電話ネットワーク及び／又はＷｉ－Ｆｉネットワークなどの無線通信ネットワーク）を介してデータを送信及び受信することが可能な、任意の適切なデバイスであり得る。例えばモバイルデバイス４２は、ワイヤレス通信機能を備えるラップトップ、タブレットデバイス、又はスマートフォンであり得る。モバイルデバイス４２は、携帯型分光光度計１０４と共に使用するように設計された、専用コンパニオンデバイスであり得る。いくつかの実施形態において、モバイルデバイス４２は、携帯型分光光度計１０４との通信のため、及び／又は、携帯型分光光度計１０４から受信するデータの分析のための、プロプライエタリソフトウェアを含む、汎用デバイスであり得る。いくつかの実施形態において、携帯型分光光度計１０４及びモバイルデバイス４２の機能性は、単一デバイスによって提供され得る。
【0040】
[0044] 図示された例において、リモートサーバ１０８はプロセッサ１１６及びメモリ１２０を含む。プロセッサ１１６は、リモートサーバ１０８の動作を制御し得る。プロセッサ１１６は、当業者であれば既知のように、システム１００の構成、目的、及び要件に応じて十分な処理パワーを提供可能な、任意の適切なプロセッサ、コントローラ、又はデジタル信号プロセッサであり得る。例えばプロセッサ１１６は、高性能汎用プロセッサであり得る。例えばプロセッサ１１６は、Ｉｎｔｅｌ（登録商標）プロセッサ又はＡＭＤ（登録商標）プロセッサなどの、標準プロセッサを含み得る。代替として、プロセッサ１１６は、各々のプロセッサが異なる専用タスクを実行するように構成された、複数のプロセッサを含み得る。代替として、特殊化されたハードウェア（例えば、グラフィック処理ユニット（ＧＰＵ））を使用して、プロセッサ１１６によって提供される機能のうちのいくつかを提供することができる。
【0041】
[0045] メモリ１２０は、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ、及びフラッシュメモリ（例えば、ソリッドステートドライブ）のうちの、１つ以上を含み得る。リモートサーバ１０８は、受信した葉のスペクトルデータをメモリ１２０内に記憶し得る。例えば、リモートサーバ１０８は、携帯型分光光度計１０４によって生成された葉のスペクトルデータを受信し得、受信した葉のスペクトルデータをメモリ１２０内に記憶し得る。
【0042】
[0046] メモリ１２０は、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた、機械学習モデルも記憶し得る。機械学習モデルは、リモートサーバ１０８によって生成及びトレーニングされ得る。いくつかの実施形態において、リモートサーバ１０８は、外部デバイスによって生成される機械学習モデルを受信し得る。リモートサーバ１０８は、受信した機械学習モデルをトレーニングし得、トレーニングされた機械学習モデルをメモリ１２０に記憶し得る。他の実施形態において、トレーニングされた機械学習モデルは、外部デバイスからリモートサーバ１０８によって受信され得る。リモートサーバ１０８は、トレーニングされた機械学習モデルをメモリ１２０に記憶し得る。
【0043】
[0047] 機械学習モデルに提供される葉のスペクトルデータ入力は、例えば、植物の葉身からスペクトル測定を行うことによって携帯型分光光度計１０４によって生成される、葉のスペクトルデータを含み得る。機械学習モデルによって提供される葉柄栄養価出力は、例えば、Ｎ、Ｐ、Ｋ、Ｃａ、Ｍｇ、Ｓ、Ｍｎ、Ｚｎ、Ｆｅ、Ｂ、Ｃｕ、Ａｌ、及びＮａなどの１つ以上の栄養素について測定される葉柄栄養価を含み得る。異なる栄養素についての葉柄栄養価は、（全質量の）パーセント値、ｇ／ｋｇ、及び／又は１００万分の１（ｐｐｍ）として表され得る。
【0044】
[0048] 機械学習モデルは、分析すべき入力データ、出力データ要件、使用可能トレーニングデータ、及び／又は使用可能コンピューティングリソースに基づく、任意の適切な機械学習モデルであり得る。いくつかの実施形態において、機械学習モデルは、多重線形回帰（ＭＬＲ）モデルであり得る。ラッソーサブセット選択方法は、ラッソー回帰モデルを生成するためにＭＬＲモデルについて実行され得る。他の実施形態において、機械学習モデルは、異なるモデル、例えば多項式回帰モデルであり得る。
【0045】
[0049] 機械学習モデルのためのトレーニングデータは、植物のスペクトル測定（例えば、葉身部分からの反射率スペクトル測定）を行うこと、及び、機械学習モデルについて予測因子（ｘ）として作用する葉のスペクトルデータを生成することによって、生成され得る。植物の対応する葉柄は除去され得、研究所組織分析に使用され得る。葉柄の研究所組織分析結果は、機械学習モデルについて応答（ｙ）として作用することができる。相関のモデルは、応答（ｙ）と予測因子（ｘ）との間で構築され得る。下記の式（１）は、相関係数βｉを使用するＭＬＲモデルの一例を提供する。
【0046】
【数1】
【0047】
[0050] 予測因子（ｘ）の数が応答（ｙ）の数よりも多い場合、結果として、ＭＬＲモデルの過剰適合を生じさせる可能性がある。ＭＬＲモデルの確度は、予測因子のサブセットを選択するためにサブセット選択方法を使用することによって向上し得る。いくつかの実施形態において、サブセット選択方法としてラッソーＭＬＲモデリングを使用し得る。他の実施形態において、ステップワイズサブセット選択又はベイズモデル平均化などの他のサブセット選択方法が使用され得る。
【0048】
[0051] ラッソーＭＬＲモデリングを使用して、収縮の量を制御する、複雑性パラメータ（λ）を使用する最も有益な最も冗長的でない予測因子（波長）を識別し得、λの値が大きいほどモデル内の非ゼロ係数のペナルティは重くなる可能性があり、その結果として係数値に課される収縮が大きくなる可能性がある。ラッソー回帰モデルは、２乗平均平方根誤差（ＲＭＳＥ）を最小にするλの値を選択することによって生成され得る。選択されたλパラメータは、ラッソー回帰モデルを構成する係数の数を測定することが可能であり、ターゲット予測因子との関連で最大の説明能力を伴うものとして選択される。モデルのトレーニング及び性能評価は、例えば最小ＲＭＳＥに基づいて選択されたλの値を用いる５重相互検証を使用して実施され得る。下記の表１は、異なる元素、例えばジャガイモ植物体から取得された葉のスペクトルデータの、ラッソーＭＬＲモデリングの結果として生じる、バンドの数、領域、及び第１の４つの主要波帯の値を示す。
【0049】
【表1】
【0050】
[0052] プロセッサ１１６は、（例えば、携帯型分光光度計１０４から）受信した葉のスペクトルデータ、及び／又は、（例えば、メモリ１２０内に）記憶された葉のスペクトルデータを、トレーニングされた機械学習モデル内に入力し得る。機械学習モデルは、葉のスペクトルデータに基づいて葉柄栄養価を測定することができる。例えば、機械学習モデルは、ジャガイモ植物体の葉身のスペクトル測定を行うことによって生成された葉のスペクトルデータに基づいて、Ｎ、Ｐ、Ｋ、Ｃａ、Ｍｇ、Ｓ、Ｍｎ、Ｚｎ、Ｆｅ、Ｂ、Ｃｕ、Ａｌ、及びＮａについての葉柄栄養価を測定することができる。プロセッサ１１６は、機械学習モデルによって測定された葉柄栄養価を受信することができる。
【0051】
[0053] プロセッサ１１６は、葉柄栄養価を示すニアリアルタイム結果をモバイルデバイスに提供することができる。例えば、プロセッサ１１６は、ニアリアルタイム結果をオペレータ３８のモバイルデバイス４２に提供し得る。例えば、プロセッサ１１６は、携帯型分光光度計がスペクトル測定を送信したときから１分未満（例えば、０．０１から３０秒以内）に、ニアリアルタイム結果をモバイルデバイス４２に提供し得る。これによりオペレータ３８は、農地内の複数の植物から、葉柄栄養価を示すニアリアルタイム結果を非破壊的に収集できるようになり得る。
【0052】
[0054] 次に図２及び図３を参照する。図３は、システム１００によって提供され、モバイルデバイス４２上にグラフ表示される、葉柄栄養価を示す結果の概略図を示す。モバイルデバイス４２は、対話型ディスプレイをオペレータ３８に提供する、タッチスクリーンディスプレイ４６を含み得る。タッチスクリーンディスプレイ４６は、複数のディスプレイ部５０ａ～５０ｃを提供し得る。例えばディスプレイ部５０ａは、測定された葉柄栄養価のグラフ表示を提供し得る。図示された例では、ディスプレイ部５０ａは、６つの栄養素について測定された葉柄栄養価を表示する棒グラフを提供する。他の実施形態では、ディスプレイ４６はタッチ入力を検出するように構成されない場合がある。
【0053】
[0055] ディスプレイ部５０ｂは、測定された葉柄栄養価に関する追加情報、例えば、行われた葉のスペクトル測定の数、測定された葉柄栄養価に関連付けられた信頼水準などを、提供し得る。ディスプレイ部５０ｃは、測定された葉柄栄養価に基づいて、推奨される修正措置を提供し得る。いくつかの例では、ディスプレイ部５０のうちの１つ以上は、葉柄栄養価を示す結果に関連しない他の情報を含み得る。
【0054】
[0056] 次に図４を参照すると、農地内の植物の葉からニアリアルタイムで葉柄栄養価を非破壊的に測定するための装置２００の、概略図が示されている。いくつかの実施形態において、装置２００はサーバデバイス（例えば、図２に示されるリモートサーバ１０８）として実装され得る。他の実施形態では、装置２００は、任意の他の適切なハードウェア構成要素を使用して実装され得る。例えば装置２００は、モバイルデバイス４２（図２及び図３）として実装され得る、携帯型分光光度計１０４（図２）と一体化され得る、又は、携帯型分光光度計１０４（図２）と共に使用可能なコンパニオン装置として実装され得る。
【0055】
[0057] 図４に示される例示の実施形態の場合、装置２００は、メモリ２０８、アプリケーション２１２、出力デバイス２１６、ディスプレイデバイス２２０、２次ストレージデバイス２２４、プロセッサ２２８、入力デバイス２３２、及び通信デバイス２３６を含む。メモリ２０８、アプリケーション２１２、出力デバイス２１６、ディスプレイデバイス２２０、２次ストレージデバイス２２４、プロセッサ２２８、入力デバイス２３２、及び通信デバイス２３６のうちの１つ以上（又はすべて）は、ワイヤによって、及び／又は、ワイヤレスに、通信可能に結合され得る。
【0056】
[0058] いくつかの実施形態において、装置２００は、メモリ２０８、アプリケーション２１２、出力デバイス２１６、ディスプレイデバイス２２０、２次ストレージデバイス２２４、プロセッサ２２８、入力デバイス２３２、及び通信デバイス２３６のうちの、複数の任意の１つ以上を含む。いくつかの実施形態において、装置２００は、アプリケーション２１２、２次ストレージデバイス２２４、ネットワーク接続、入力デバイス２３２、出力デバイス２１６、ディスプレイデバイス２２０、及び通信デバイス２３６のうちの１つ以上を含まない。
【0057】
[0059] 少なくとも１つの実施形態において、装置２００は、インターネット又はプライベートネットワークへのワイヤード又はワイヤレス接続などの、ネットワーク２０４との接続を含む。場合によっては、ネットワーク２０４は他のタイプのコンピュータ又は電気通信ネットワークを含む。装置２００は、農地（例えば、図２の農地３４）内の植物（例えば、ジャガイモ植物体）の葉の非破壊的スペクトル測定に基づいて、携帯型分光光度計（例えば、図２の携帯型分光光度計１０４）によって生成される葉のスペクトルデータを、ネットワーク２０４を介して受信し得る。
【0058】
[0060] いくつかの実施形態において、装置２００は、携帯型分光光度計から直接、ワイヤによって又はワイヤレスに、葉のスペクトルデータを受信し得る。他の実施形態において、装置２００は、中間デバイス（例えば、図２のモバイルデバイス４２）から、携帯型分光光度計によって生成される葉のスペクトルデータを受信し得る。
【0059】
[0061] メモリ２０８は、ランダムアクセスメモリ（ＲＡＭ）及び読み取り専用メモリ（ＲＯＭ）のうちの１つ以上を含むことができる。いくつかの実施形態において、メモリ２０８は、プロセッサ２２８による実行のために、１つ以上のアプリケーション２１２を記憶する。アプリケーション２１２は、本明細書に記載する機能及び方法のための処理を実行するための、コンピュータ実行可能命令を含むソフトウェアモジュールに対応する。
【0060】
[0062] メモリ２０８は、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた、機械学習モデルを記憶し得る。機械学習モデルは、装置２００によって生成及びトレーニングされ得る。いくつかの実施形態において、装置２００は、生成された機械学習モデルを外部デバイスから（例えば、ネットワーク２０４を介して）受信し得、受信された機械学習モデルをトレーニングし得る。いくつかの実施形態において、装置２００は、トレーニングされた機械学習モデルを外部デバイスから（例えば、ネットワーク２０４を介して）受信し得、トレーニングされた機械学習モデルをメモリ２０８内に記憶し得る。機械学習モデルは、任意の適切なモデル、例えばラッソー回帰モデルであってよい。
【0061】
[0063] いくつかの実施形態において、メモリ２０８は、受信された葉のスペクトルデータ、測定された葉柄栄養価、及び／又は、葉柄栄養価から導出された結果（例えば、葉柄栄養価のグラフ表現）も、記憶し得る。記憶されたデータは、履歴データ分析のためにユーザによって取り出され得る。
【0062】
[0064] ２次ストレージデバイス２２４は、プロセッサ（例えば、プロセッサ２２８）によって実行可能な命令を含む、任意の適切な非一時的コンピュータ可読媒体を含み得る。例えば、２次ストレージデバイス２２４は、ハードドライブ、フロッピードライブ、ＣＤドライブ、ＤＶＤドライブ、ブルーレイドライブ、ソリッドステートドライブ、フラッシュメモリ、又は他のタイプの不揮発性データストレージを含むことができる。プロセッサ２２８は、本明細書に記載の機能及び方法のための処理を実行するために、２次ストレージデバイス２２４上に含められた命令を実行し得る。
【0063】
[0065] いくつかの実施形態において、装置２００は、ネットワーク２０４又は別のネットワークなどのネットワークを介してアクセス可能な、クラウドストレージなどのリモートストレージデバイス内に、情報を記憶する。いくつかの実施形態において、装置２００は、メモリ２０８及び２次ストレージデバイス２２４などの複数のストレージデバイスにわたって分散された情報を記憶する（すなわち、複数のストレージデバイスの各々が情報の一部を記憶し、複数のストレージデバイスが集合的に情報のすべてを記憶する）。したがって、本明細書及び本特許請求の範囲で使用される際、ストレージデバイス上にデータを記憶することは、そのデータをローカルストレージデバイス内に記憶すること、そのデータをリモートストレージデバイス内に記憶すること、又は、そのデータを、各々がローカル又はリモートであり得る複数のストレージデバイスにわたって分散させて記憶することを意味する。
【0064】
[0066] 入力デバイス２３２は、情報を装置２００内に入力するための任意のデバイスを含むことができる。例えば入力デバイス２３２は、キーボード、キーパッド、カーソルデバイス、タッチスクリーン、カメラ、又はマイクロフォンとすることができる。入力デバイス２３２は、外部デバイスへワイヤード及びワイヤレスに接続するための、入力ポート及びワイヤレス通信（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又は８０２．１１ｘ）も含むことができる。
【0065】
[0067] ディスプレイデバイス２２０は、視覚情報を提示するための任意のタイプのデバイスを含むことができる。例えばディスプレイデバイス２２０は、コンピュータモニタ、フラットスクリーンディスプレイ、プロジェクタ、又はディスプレイパネルとすることができる。
【0066】
[0068] 出力デバイス２１６は、例えばプリンタなどの、情報のハードコピーを提示するための任意のタイプのデバイスを含むことができる。出力デバイス２１６は、例えばスピーカなどの、他のタイプの出力デバイスも含むことができる。少なくとも１つの実施形態において、出力デバイス２１６は、外部デバイスへワイヤード及びワイヤレスに接続するための、出力ポート及びワイヤレス通信（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又は８０２．１１ｘ）のうちの１つ以上を含む。
【0067】
[0069] 通信デバイス２３６は、アナログ及び／又はデジタルの入力を受信するため、並びに、アナログ及び／又はデジタルの出力を提供するために適切な、任意の設計を有することができる。いくつかの実施形態において、通信デバイス２３６は、アナログ及びデジタルの信号のための別々のモジュールを含み得る。
【0068】
[0070] プロセッサ２２８は、アプリケーション、コンピュータ可読命令、又はプログラムを実行することが可能な、任意のデバイスであり得る。アプリケーション、コンピュータ可読命令、又はプログラムは、メモリ２０８又は２次ストレージデバイス２２４内に記憶可能であるか、あるいは、例えばネットワーク２０４を介してアクセス可能なリモートストレージから受信可能である。プロセッサ２２８は、高性能汎用プロセッサ、標準プロセッサ（例えば、Ｉｎｔｅｌ（登録商標）プロセッサ又はＡＭＤ（登録商標）プロセッサ）、特殊化ハードウェア（例えば、ＧＰＵ）、又は、プロセッサ２２８によって提供される機能を集合的に実行する複数処理デバイスとすることができる。
【0069】
[0071] プロセッサ２２８は、葉のスペクトルデータ（例えば、メモリ２０８に記憶された葉のスペクトルデータ）をトレーニングされた機械学習モデル（例えば、メモリ２０８に記憶されたトレーニングされた機械学習モデル）内に入力し得る。機械学習モデルは、葉のスペクトルデータに基づいて、葉柄栄養価を測定することができる。プロセッサ２２８は、機械学習モデルによって測定された葉柄栄養価を含む機械学習モデルからの出力を受信し得る。
【0070】
[0072] いくつかの実施形態において、プロセッサ２２８は、葉柄栄養価を示すニアリアルタイム結果をモバイルデバイス（例えば、図２のモバイルデバイス４２）に提供することができる。葉柄栄養価は、モバイルデバイス上にグラフ表示され得る。他の実施形態において、プロセッサ２２８は、結果をディスプレイデバイス２２０に提供し得、葉柄栄養価はディスプレイデバイス２２０上にグラフ表示され得る。
【0071】
[0073] 図４は、装置２００のハードウェアの一例の概略図を示す。代替の実施形態において、装置２００は、より少ない、付加的な、又は異なる、構成要素を含む。加えて、装置２００の実装の態様はメモリに記憶されるものとして説明するが、当業者であれば、これらの態様は、ハードディスク、フロッピーディスク、ＣＤ、又はＤＶＤ；インターネット又は他のネットワークからの搬送波；あるいは他の形のＲＡＭ又はＲＯＭを含む、２次ストレージデバイスなどの、他のタイプのコンピュータプログラム製品又はコンピュータ可読媒体上に記憶すること、又はそれらから読み取ることも可能であることを理解されよう。例えば装置２００は、プロセッサ２２８によって実行されたとき、本明細書に記載される方法を実行するようにプロセッサ２２８を構成するコンピュータ可読命令を記憶する非一時的コンピュータ可読媒体を含み得る。
【0072】
[0074] 次に図５を参照すると、携帯型分光光度計を使用して、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定する例示の方法３００を示すフローチャートが示されている。方法３００は、例えば、システム１００（図２）又は装置２００（図４）を使用して実行され得、下記では図２及び図４も参照される。
【0073】
[0075] 方法３００は、農地において携帯型分光光度計を持ち運んでいる間に実行され得る。例えば、携帯型分光光度計１０４は、農地３４において人又は車両上で運ばれ得る。
【0074】
[0076] ３０８において、葉のスペクトルデータを生成するために、運ばれる分光光度計を使用して、農地内の植物の葉の非破壊的スペクトル測定が行われ得る。例えば、携帯型分光光度計１０４を使用して、ジャガイモ植物体の葉の非破壊的スペクトル測定が行われ得る。携帯型分光光度計１０４は、スペクトル測定に基づいて葉のスペクトルデータを生成することができる。
【0075】
[0077] ３１２において、葉のスペクトルデータはメモリに記憶され得る。いくつかの実施形態において、生成された葉のスペクトルデータは、ネットワークを介してリモートサーバに送信され得、リモートサーバのメモリに記憶され得る。例えば、携帯型分光光度計１０４は、生成された葉のスペクトルデータを、ネットワーク１１２を介してリモートサーバ１０８に送信し得、リモートサーバ１０８は葉のスペクトルデータをメモリ１２０に記憶し得る。
【0076】
[0078] 他の実施形態において、生成された葉のスペクトルデータはモバイルデバイスに送信され得、モバイルデバイスは葉のスペクトルデータを、ネットワークを介してリモートサーバに送信し得る。葉のスペクトルデータは、リモートサーバのメモリに記憶され得る。例えば、携帯型分光光度計１０４は、生成された葉のスペクトルデータをモバイルデバイス４２に送信し得、モバイルデバイス４２は葉のスペクトルデータを、ネットワーク１１２を介してリモートサーバ１０８に送信し得る。リモートサーバ１０８は、葉のスペクトルデータをメモリ１２０に記憶し得る。
【0077】
[0079] ３１６において、プロセッサは、記憶された葉のスペクトルデータに基づいて葉柄栄養価を計算し得る。プロセッサは、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデル内に、葉のスペクトルデータを入力することによって、葉柄栄養価を計算し得る。これに応答して、機械学習モデルは、葉柄栄養価をプロセッサに出力し得る。例えばプロセッサ１１６（又はプロセッサ２２８）は、メモリ１２０（又はメモリ２０８）に記憶されたトレーニングされた機械学習モデル内に、葉のスペクトルデータを入力し得る。機械学習モデルは、ラッソー回帰モデルであり得る。
【0078】
[0080] ３２０において、葉柄栄養価を示すニアリアルタイム結果が提供され得る。いくつかの実施形態において、ニアリアルタイム結果は、葉柄栄養価をモバイルデバイスに送信することによって提供され得る。次いで、葉柄栄養価は、モバイルデバイス上にグラフ表示され得る。例えば、リモートサーバ１０８又は装置２００は、葉柄栄養価をモバイルデバイス４２に送信することによって、ニアリアルタイム結果を提供し得る。モバイルデバイス４２は、葉柄栄養価をグラフ表示し得る。
【0079】
[0081] いくつかの実施形態において、測定のための追加の葉が存在する場合、方法３００は３０８へと進み得る。例えば、方法３００は、１０分以内に農地内の少なくとも５枚の他の植物の葉について、３０８から３２０をループし得る。これにより、短期間内に複数の葉から、非破壊的スペクトル測定に対応する葉柄栄養価を示すニアリアルタイム結果が取得可能であり得る。次にこれによって農場は、測定された植物の栄養分が変化する時間が経過する前に、（例えば、肥料の配合及び／又は量を調整することによって）戻された葉柄栄養価に同時に反応することが可能になる。これにより、修正措置の効果が向上し得、それによって作物収量及び／又は量が向上され得る。
【0080】
[0082] 上記では実施形態の例を提供しているが、記載された実施形態のいくつかの特徴及び／又は機能は、記載された実施形態の動作の趣旨及び原理を逸脱することなく、改変が可能であることを理解されよう。したがって、前述の内容は本発明の例示であり、非限定的であることが意図され、当業者であれば、本明細書に添付の特許請求の範囲で定義されるような本発明の範囲を逸脱することなく、他の変形及び改変が実行され得ることを理解されよう。特許請求の範囲は、好ましい実施形態及び例示によって限定されるべきではなく、全体として説明に適合する最も広義の解釈が与えられるべきである。
【0081】
項目
[0083] 項目１：携帯型分光光度計を使用して、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定する方法であって、方法は、（ａ）葉のスペクトルデータを生成するために、携帯型分光光度計を使用して、農地における植物の葉の非破壊的スペクトル測定を行うこと、（ｂ）葉のスペクトルデータをメモリに記憶すること、（ｃ）記憶された葉のスペクトルデータに基づいて、葉柄栄養価をプロセッサによって計算すること、及び、（ｄ）葉柄栄養価を示すニアリアルタイム結果を提供することを、含む。
[0083] 項目１：携帯型分光光度計を使用して、農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定する方法であって、方法は、（ａ）葉のスペクトルデータを生成するために、携帯型分光光度計を使用して、農地における植物の葉の非破壊的スペクトル測定を行うこと、（ｂ）葉のスペクトルデータをメモリに記憶すること、（ｃ）記憶された葉のスペクトルデータに基づいて、葉柄栄養価をプロセッサによって計算すること、及び、（ｄ）葉柄栄養価を示すニアリアルタイム結果を提供することを、含む。
【0082】
[0084] 項目２：提供することが、葉柄栄養価をモバイルデバイスに送信することを含む、項目１に記載の方法。
【0083】
[0085] 項目３：提供することが、葉柄栄養価をモバイルデバイス上にグラフ表示することを更に含む、項目１又は２に記載の方法。
【0084】
[0086] 項目４：記憶することが、葉のスペクトルデータを、ネットワークを介してリモートサーバに送信することを含み、リモートサーバが、メモリ及びプロセッサを備える、項目１から３のいずれかに記載の方法。
【0085】
[0087] 項目５：記憶することが、モバイルデバイスが葉のスペクトルデータを受信すること、及び、モバイルデバイスが葉のスペクトルデータを、ネットワークを介してリモートサーバに送信することを含み、リモートサーバがメモリ及びプロセッサを備える、項目１から４のいずれかに記載の方法。
【0086】
[0088] 項目６：提供することが、葉柄栄養価をリモートサーバからモバイルデバイスに送信すること、及び、葉柄栄養価をモバイルデバイス上にグラフ表示することを含む、項目１から５のいずれかに記載の方法。
【0087】
[0089] 項目７：１０分以内に農地内の少なくとも５枚の他の植物の葉についてステップ（ａ）から（ｄ）を反復することを更に含む、項目１から６のいずれかに記載の方法。
【0088】
[0090] 項目８：植物がジャガイモ植物体である、項目１から７のいずれかに記載の方法。
【0089】
[0091] 項目９：計算することが、葉のスペクトルデータを、葉のスペクトルデータ入力に基づいて葉柄栄養価を提供するようにトレーニングされた機械学習モデル内に入力することを含み、機械学習モデルが葉柄栄養価を出力する、項目１から８のいずれかに記載の方法。
【0090】
[0092] 項目１０：機械学習モデルがラッソー回帰モデルである、項目１から９のいずれかに記載の方法。
【0091】
[0093] 項目１１：農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定するための装置であって、装置は、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルを記憶するメモリと、メモリと通信可能に結合された少なくとも１つのプロセッサとを、備え、少なくとも１つのプロセッサは、集合的に、農地における植物の葉の非破壊的スペクトル測定に基づいて、携帯型分光光度計によって生成される葉のスペクトルデータを受信するように、葉のスペクトルデータをメモリに記憶するように、葉のスペクトルデータを機械学習モデルに入力するように、葉のスペクトルデータに基づいて機械学習モデルによって測定された葉柄栄養価を含む出力を受信するように、及び、ニアリアルタイム結果をモバイルデバイスに提供するように、構成され、ニアリアルタイム結果は葉柄栄養価を示す、装置。
【0092】
[0094] 項目１２：葉柄栄養価がモバイルデバイス上にグラフ表示される、項目１１に記載の装置。
【0093】
[0095] 項目１３：携帯型分光光度計によって生成された葉のスペクトルデータが、ネットワークを介してモバイルデバイスから受信される、項目１１又は１２に記載の装置。
【0094】
[0096] 項目１４：植物がジャガイモ植物体である、項目１１から１３のいずれかに記載の装置。
【0095】
[0097] 項目１５：機械学習モデルがラッソー回帰モデルである、項目１１から１４のいずれかに記載の装置。
【0096】
[0098] 項目１６：メモリが、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ、及びフラッシュメモリのうちの１つ以上を含む、項目１１から１５のいずれかに記載の装置。
【0097】
[0099] 項目１７：プロセッサによって実行可能な命令を含む非一時的コンピュータ可読媒体であって、命令は、実行されるとき、農地における植物の葉の非破壊的スペクトル測定に基づいて、携帯型分光光度計によって生成される葉のスペクトルデータを受信するように、葉のスペクトルデータをメモリに記憶するように、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルに葉のスペクトルデータを入力するように、葉のスペクトルデータに基づいて機械学習モデルによって測定された葉柄栄養価を含む出力を受信するように、及び、葉柄栄養価を示すニアリアルタイム結果を提供するように、プロセッサを構成する、非一時的コンピュータ可読媒体。
【0098】
[0100] 項目１８：携帯型分光光度計によって生成された葉のスペクトルデータが、ネットワークを介してモバイルデバイスから受信される、項目１７に記載の非一時的コンピュータ可読媒体。
【0099】
[0101] 項目１９：植物がジャガイモ植物体である、項目１７又は１８に記載の非一時的コンピュータ可読媒体。
【0100】
[0102] 項目２０：機械学習モデルがラッソー回帰モデルである、項目１７から１９のいずれかに記載の非一時的コンピュータ可読媒体。
【0101】
[0103] 項目２１：メモリが、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ、及びフラッシュメモリのうちの１つ以上を含む、項目１７から２０のいずれかに記載の非一時的コンピュータ可読媒体。
【0102】
[0104] 項目２２：農地における植物の葉から、ニアリアルタイムで葉柄栄養価を非破壊的に測定するためのシステムであって、システムは、農地における植物の葉の非破壊的スペクトル測定に基づいて、葉のスペクトルデータを生成するように、及び、ネットワークを介したリモートサーバによる受信のために葉のスペクトルデータを伝送するように、構成された、携帯型分光光度計と、プロセッサ及びメモリを備えるリモートサーバと、を備え、メモリは、葉のスペクトルデータ入力に基づいて葉柄栄養価出力を提供するようにトレーニングされた機械学習モデルを記憶し、リモートサーバは、葉のスペクトルデータを受信するように、葉のスペクトルデータをメモリに記憶するように、葉のスペクトルデータを機械学習モデルに入力するように、葉のスペクトルデータに基づいて機械学習モデルによって測定された葉柄栄養価を受信するように、及び、葉柄栄養価を示すニアリアルタイム結果をモバイルデバイスに提供するように、構成される、システム。
【0103】
[0105] 項目２３：葉柄栄養価がモバイルデバイス上にグラフ表示される、項目２２に記載のシステム。
【0104】
[0106] 項目２４：携帯型分光光度計が、葉のスペクトルデータをモバイルデバイスに伝送するように構成され、モバイルデバイスが葉のスペクトルデータをリモートサーバに伝送する、項目２２又は２３に記載のシステム。
【0105】
[0107] 項目２５：植物がジャガイモ植物体である、項目２２から２４のいずれかに記載のシステム。
【0106】
[0108] 項目２６：機械学習モデルがラッソー回帰モデルである、項目２２から２５のいずれかに記載のシステム。
【0107】
[0109] 項目２７：メモリが、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ、及びフラッシュメモリのうちの１つ以上を含む、項目２２から２６のいずれかに記載のシステム。
【図1】
【図2】
【図3】
【図4】
【図5】
【外国語明細書】