特開 2024-24247 葉温に関する学習データ作成装置、機械学習装置、推定装置、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】P2024024247

(43)【公開日】2024-02-22

(54)【発明の名称】葉温に関する学習データ作成装置、機械学習装置、推定装置、方法およびプログラム

(51)【国際特許分類】

   A01G 7/00 20060101AFI20240215BHJP

【ＦＩ】

A01G7/00 603

【審査請求】未請求

【請求項の数】18

【出願形態】ＯＬ

(21)【出願番号】P 2022126931

(22)【出願日】2022-08-09

(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】北野 雅治

(72)【発明者】

【氏名】野村 浩一

(72)【発明者】

【氏名】岩尾 忠重

(72)【発明者】

【氏名】齋藤 雅彦

(72)【発明者】

【氏名】山崎 富弘

(72)【発明者】

【氏名】但田 育直

(57)【要約】

【課題】植物の葉温を手軽に把握する。
【解決手段】植物の葉温を推定する推定用アルゴリズム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に基づいて個葉葉温を算出する個葉葉温算出部１１と、圃場９０において栽培されている植物９１の葉を含む熱画像４３を、個葉葉温と植物９１の葉を含む可視画像４２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１３と、を備える、学習データ作成装置１。
【選択図】図１

【特許請求の範囲】

【請求項1】

植物の葉温を推定する推定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葉温を算出する個葉葉温算出部と、
前記圃場において栽培されている植物の葉を含む熱画像を、前記個葉葉温と前記植物の葉を含む可視画像とに関連付けて、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】

前記植物の前記熱画像は、前記圃場において栽培されている前記植物の群落の葉温の分布に関する情報を含む、請求項１に記載の学習データ作成装置。

【請求項3】

前記植物の葉を含む可視画像に基づいて、前記葉に関する指標を算出する指標算出部をさらに含み、
前記学習データ作成部は、前記植物の前記熱画像を、前記葉に関する前記指標にさらに関連付けて前記学習データを作成する、請求項１に記載の学習データ作成装置。

【請求項4】

前記学習データ作成部は、前記植物の前記熱画像を、前記植物が栽培されている雰囲気の気温にさらに関連付けて前記学習データを作成する、請求項１に記載の学習データ作成装置。

【請求項5】

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

【請求項6】

請求項１から５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、前記植物の葉温を推定する推定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7】

前記推定用アルゴリズムは、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６に記載の機械学習装置。

【請求項8】

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植物の葉を含む可視画像を取得する植物画像取得部と、
前記環境データに基づいて、個葉葉温を算出する個葉葉温算出部と、
請求項６に記載の機械学習装置によって学習された推定用アルゴリズムに従って、前記個葉葉温と前記植物の葉を含む前記可視画像とに基づいて、前記植物の群落の葉温を推定する群落葉温推定部と、
を備える、推定装置。

【請求項9】

前記植物の葉を含む前記可視画像に基づいて、前記葉に関する指標を算出する指標算出部をさらに備え、
前記群落葉温推定部は、前記推定用アルゴリズムに従って、前記葉に関する前記指標にさらに基づいて、前記植物の群落の葉温を推定する、請求項８に記載の推定装置。

【請求項10】

前記群落葉温推定部は、前記推定用アルゴリズムに従って、前記植物が栽培されている雰囲気の気温にさらに基づいて、前記植物の群落の葉温を推定する、請求項８に記載の推定装置。

【請求項11】

前記植物の群落の葉温に基づいて、前記植物の熱画像を作成する熱画像作成部をさらに備える、請求項８に記載の推定装置。

【請求項12】

前記環境データに基づいて、前記植物が栽培されている雰囲気の露点を算出する露点温度算出部と、
前記植物の群落の葉温と前記雰囲気の前記露点とに基づいて、前記植物の葉の結露を予測する結露予測部と、
をさらに備える、請求項８に記載の推定装置。

【請求項13】

植物の葉温を推定する推定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、個葉葉温を算出する個葉葉温算出ステップと、
前記圃場において栽培されている植物の葉を含む熱画像を、前記個葉葉温と前記植物の葉を含む可視画像とに関連付けて、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14】

請求項１３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、前記植物の葉温を推定する推定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15】

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植物の葉を含む可視画像を取得する植物画像取得ステップと、
前記環境データに基づいて、個葉葉温を算出する個葉葉温算出ステップと、
請求項１４に記載の機械学習方法によって学習された推定用アルゴリズムに従って、前記個葉葉温と前記植物の葉を含む前記可視画像とに基づいて、前記植物の群落の葉温を推定する群落葉温推定ステップと、
を含む、推定方法。

【請求項16】

コンピュータに、
請求項１３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17】

コンピュータに、
請求項１４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18】

コンピュータに、
請求項１５に記載の推定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、植物の葉温を推定する技術に関する。

【背景技術】

【0002】

植物の体温は、葉の温度である葉温で表される。植物は、日差しが強い昼間に光合成をするため、多くの太陽光を吸収しようとして葉を大きく広げている。葉が大きく広がると葉から多くの熱も吸収されるので、葉温は雰囲気の気温と大きく異なる場合がある。一方で、葉温が低下して露点温度を下回ると、葉面結露が発生して病害の原因となる。葉温を管理して作物のより良い栽培環境を実現することは、農業の効率化を進めている営農現場にとって重要となっている。

【0003】

また近年では、例えば種々のセンシングデータ等を活用することにより、作物の生育や病害を予測する、いわゆるスマート農業への取り組みが進められている。例えば下記特許文献１に記載の葉の温度取得装置によると、作物の葉の温度を取得することができる。まず、赤外線カメラを用いて作物の葉を撮像することにより、熱画像のデータを取得する。次に、取得した熱画像から葉の背景の熱画像を除去する。作物の葉の温度は、背景が除去された熱画像に基づいて取得することができる。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２２－３５９９６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１に記載の葉の温度取得装置では、赤外線カメラを用いて作物の葉を撮像することにより熱画像のデータを取得しているが、熱画像を撮影できる赤外線カメラは未だ高価である。学術的な研究を目的とするのであれば、このような高価な赤外線カメラを使用することはできるが、研究者が使用するような高価な赤外線カメラを、営農現場において、特に小規模の生産者が圃場に設置して日常的に運用することは現実的ではない。

【0006】

このような事情から、営農現場においては、特に小規模の圃場においては、高温障害や結露による病害の発生は依然として生産者の経験や勘に基づいて把握されており、作物の葉温を測定して把握しようとする取り組みは進んでいない。作物のより良い栽培環境を実現するために、営農現場において葉温を手軽に把握することが求められている。

【0007】

本発明は、植物の葉温を手軽に把握することを目的とする。

【課題を解決するための手段】

【0008】

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。

【0009】

（項１）
植物の葉温を推定する推定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葉温を算出する個葉葉温算出部と、
前記圃場において栽培されている植物の葉を含む熱画像を、前記個葉葉温と前記植物の葉を含む可視画像とに関連付けて、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）
前記植物の前記熱画像は、前記圃場において栽培されている前記植物の群落の葉温の分布に関する情報を含む、項１に記載の学習データ作成装置。
（項３）
前記植物の葉を含む可視画像に基づいて、前記葉に関する指標を算出する指標算出部をさらに含み、
前記学習データ作成部は、前記植物の前記熱画像を、前記葉に関する前記指標にさらに関連付けて前記学習データを作成する、項１または２に記載の学習データ作成装置。
（項４）
前記学習データ作成部は、前記植物の前記熱画像を、前記植物が栽培されている雰囲気の気温にさらに関連付けて前記学習データを作成する、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）
前記個葉葉温算出部は、前記環境データと、植物生理生態モデルとに基づいて、前記個葉葉温を算出する、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）
項１から５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、前記植物の葉温を推定する推定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７）
前記推定用アルゴリズムは、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６に記載の機械学習装置。
（項８）
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植物の葉を含む可視画像を取得する植物画像取得部と、
前記環境データに基づいて、個葉葉温を算出する個葉葉温算出部と、
項６または７に記載の機械学習装置によって学習された推定用アルゴリズムに従って、前記個葉葉温と前記植物の葉を含む前記可視画像とに基づいて、前記植物の群落の葉温を推定する群落葉温推定部と、
を備える、推定装置。
（項９）
前記植物の葉を含む前記可視画像に基づいて、前記葉に関する指標を算出する指標算出部をさらに備え、
前記群落葉温推定部は、前記推定用アルゴリズムに従って、前記葉に関する前記指標にさらに基づいて、前記植物の群落の葉温を推定する、項８に記載の推定装置。
（項１０）
前記群落葉温推定部は、前記推定用アルゴリズムに従って、前記植物が栽培されている雰囲気の気温にさらに基づいて、前記植物の群落の葉温を推定する、項８または９に記載の推定装置。
（項１１）
前記植物の群落の葉温に基づいて、前記植物の熱画像を作成する熱画像作成部をさらに備える、項８から１０のいずれか一項に記載の推定装置。
（項１２）
前記環境データに基づいて、前記植物が栽培されている雰囲気の露点を算出する露点温度算出部と、
前記植物の群落の葉温と前記雰囲気の前記露点とに基づいて、前記植物の葉の結露を予測する結露予測部と、
をさらに備える、項８から１１のいずれか一項に記載の推定装置。
（項１３）
植物の葉温を推定する推定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、個葉葉温を算出する個葉葉温算出ステップと、
前記圃場において栽培されている植物の葉を含む熱画像を、前記個葉葉温と前記植物の葉を含む可視画像とに関連付けて、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１４）
項１３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、前記植物の葉温を推定する推定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１５）
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植物の葉を含む可視画像を取得する植物画像取得ステップと、
前記環境データに基づいて、個葉葉温を算出する個葉葉温算出ステップと、
項１４に記載の機械学習方法によって学習された推定用アルゴリズムに従って、前記個葉葉温と前記植物の葉を含む前記可視画像とに基づいて、前記植物の群落の葉温を推定する群落葉温推定ステップと、
を含む、推定方法。
（項１６）
コンピュータに、
項１３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１７）
コンピュータに、
項１４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１８）
コンピュータに、
項１５に記載の推定方法の各ステップを実行させるためのプログラム。
（項１９）
前記指標算出部は、人工知能を用いた画像解析により、前記可視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３に記載の学習データ作成装置。
（項２０）
前記葉に関する前記指標は、前記葉の葉面積指数と、前記葉の受光量との少なくともいずれかを含む、項３または１９に記載の学習データ作成装置。
（項２１）
前記指標算出部は、前記可視画像を二値化することにより得られる、前記可視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２０に記載の学習データ作成装置。
（項２２）
前記指標算出部は、前記可視画像について前記葉の領域の相対輝度を算出する受光量算出部を備える、項２０または２１に記載の学習データ作成装置。

【発明の効果】

【0010】

本発明によると、植物の葉温を手軽に把握することができる。

【図面の簡単な説明】

【0011】

【図1】本発明の一実施形態に係る葉温推定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】植物生理生態モデルに含まれる熱収支方程式を説明するための模式的な図である。

【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】本発明の一実施形態に係る推定用アルゴリズムに用いる全結合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7】本発明の一実施形態に係る推定用アルゴリズムに用いる畳み込み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8】本発明の一実施形態に係る推定装置の機能を説明するためのブロック図である。

【図9】本発明の一実施形態に係る機械学習装置を用いて推定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10】図９に示すフローチャートにおいて葉に関する指標を算出するステップのフローチャートである。

【図11】本発明の一実施形態に係る推定装置と学習済の推定用アルゴリズムとを用いて葉温を推定する手順を説明するためのフローチャートである。

【図12】図１１に示すフローチャートにおいて葉に関する指標を算出するステップのフローチャートである。

【図13】植物の葉の結露を予測した結果を熱画像に対応して表示する一例である。

【図14】実施例１において植物の可視画像および熱画像のペアを取得した際の状況を説明する図である。

【図15】実施例１において推定された葉温の変動を測定値と共に示すグラフである。

【図16】実施例１において葉温の空間分布の妥当性を検証するための可視画像および熱画像である。

【図17】実施例１に係る葉温の推定値と測定値との相関を示すグラフである

【発明を実施するための形態】

【0012】

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。

【0013】

［推定支援システム］
＜システムの概要＞
図１は、本発明の一実施形態に係る葉温推定支援システムの概略的な構成を模式的に示す図である。

【0014】

本発明の一実施形態に係る葉温推定支援システム１００（以下、単に推定支援システム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、推定装置３とを備える。推定支援システム１００は、小規模な圃場８０における生産者が、赤外線カメラのような高価な設備を用いることなく、生産者が運営する圃場８０における植物８１の群落（canopy）の葉温を手軽に把握することを可能にする。

【0015】

学習データ作成装置１、機械学習装置２、および推定装置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。

【0016】

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。推定装置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。

【0017】

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。葉温を把握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、ナスやニラ等の食用の作物に限らず、例えば生花とすることができる。すなわち圃場９０，８０において栽培する植物９１，８１は、光合成を行う植物であればよい。

【0018】

学習データ４の作成に用いる環境データ４１、植物９１の葉を含む可視画像４２、および植物９１の葉を含む熱画像４３は、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。

【0019】

学習データ作成装置１は、植物の葉温を推定する推定用アルゴリズム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。学習データ４および推定用アルゴリズム５は植物の種類毎に作成される。

【0020】

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、推定用アルゴリズム５を学習する。学習された推定用アルゴリズム５は、推定装置３に提供される。

【0021】

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の葉を含む可視画像が、環境測定装置６および撮像装置７を用いて取得される。

【0022】

推定装置３は、機械学習装置２によって学習された推定用アルゴリズム５に従って、個葉葉温と植物８１の葉を含む可視画像とに基づいて、植物８１の群落の葉温を推定する。学習に用いる推定用アルゴリズム５に応じて、推定装置３は、群落の葉温の時系列の温度を推定、または、群落の葉温の空間分布を示す熱画像４３Ｅを推定することができる。個葉葉温は、生産者の圃場８０において取得された環境データに基づいて算出される。

【0023】

これにより、小規模な圃場８０における生産者は、赤外線カメラのような高価な設備を用いることなく、生産者が運営する圃場８０において、植物８１の群落の葉温を把握することが可能になる。

【0024】

試験研究用の圃場９０では、圃場９０における環境データ４１、植物９１の葉を含む可視画像４２および熱画像４３が、環境測定装置９２および撮像装置７を用いて取得される。また本実施形態では、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。これら環境データ４１は、環境測定装置９２を用いて測定することができる。

【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の葉を含む可視画像４２および熱画像４３のペアを、赤外線カメラ９９ａ（サーマルカメラ９９ａ）を用いて取得する。可視画像４２および熱画像４３のペアは、植物９１の群落を含む撮影角度で撮像される。赤外線カメラ９９ａにより撮像される可視画像４２の色空間はＲＧＢ形式であり、群落の葉の分布に応じた輝度情報を含んでいる。熱画像４３は、植物９１の群落の葉の温度分布情報を持つ。赤外線カメラ９９ａは、試験研究用の圃場９０側に設けられており、生産者が運営する小規模な圃場８０側には設けられていない。

【0026】

また本実施形態では、後述する葉に関する指標を算出するために、圃場９０において栽培されている植物９１の葉を含む別角度からの画像が、ハウスの天井面に取り付けられた撮像装置９９ｂ（デジタルカメラ９９ｂ）を用いて撮像され、画像データが取得される。別角度からの画像は、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。植物９１の別角度からの画像データは、可視画像４２および熱画像４３のペアと同時に撮影されて、可視画像４２の別角度の画像データとして、可視画像４２とセットで保存される。撮像装置９９ｂにより撮像される別角度からの画像の色空間もＲＧＢ形式である。

【0027】

＜ハードウェア構成＞
学習データ作成装置１、機械学習装置２、および推定装置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、および推定装置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。

【0028】

例えばスマートフォンを用いると、推定装置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推定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推定装置に、さらに別体の環境測定装置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。

【0029】

学習データ作成装置１、機械学習装置２、および推定装置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、推定用アルゴリズム５、学習データ作成プログラム、機械学習プログラム、推定プログラム等が適宜記憶されている。

【0030】

推定装置３には、ハードウェアの構成として、環境測定装置６と撮像装置７とが接続されている。環境測定装置６および撮像装置７は、推定装置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の葉を含む可視画像とを取得するために用いられる。

【0031】

本実施形態では、環境測定装置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。環境測定装置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、環境測定装置６は手軽に使用することが可能である。

【0032】

撮像装置７は、圃場８０において栽培されている植物８１の葉を含む可視画像を撮像し、画像データを取得する。圃場９０において取得される可視画像４２と同様に、本実施形態では、後述する葉に関する指標を算出するために、撮像装置７は、植物８１の群落を含む撮影角度での画像と、植物８１の葉を含む別角度からの画像とを撮像する。別角度からの画像は、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。

【0033】

なお、後述する図８に示すように、本実施形態では、推定装置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、推定装置３のユーザである生産者に情報を表示する。また、推定装置３には、任意の構成として、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、ユーザからの入力操作を受け付ける。推定装置３は、例えばユーザが環境測定装置６を用いて測定した環境データの値を、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、推定装置３に接続してもよい。

【0034】

［学習データ作成装置］
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。

【0035】

学習データ作成装置１は、機能ブロックとして、個葉葉温算出部１１と、指標算出部１２と、学習データ作成部１３とを備えている。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、受光量算出部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。なお、指標算出部１２は任意の構成であり省略することができる。

【0036】

個葉葉温算出部１１は、圃場９０における環境データ４１に基づいて個葉葉温を算出する。本実施形態では、個葉葉温算出部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、個葉葉温（single-leaf photosynthetic rate）を算出する。

【0037】

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。図４は、植物生理生態モデルに含まれる熱収支方程式を説明するための模式的な図である。

【0038】

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、熱収支方程式とを含む。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、および熱収支方程式は、図３（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、個葉葉温Ｔ_Ｌを算出する。

【0039】

光合成生化学モデルは次の式１～式４で表される。

【数1】

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。

【0040】

なお、図３（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。

【0041】

輸送方程式は次の式５および式６で表される。

【数2】

気孔コンダクタンスモデルは次の式７で表される。

【数3】

熱収支方程式は次の式８および式９で表される。

【数4】

式１～式９、図３および図４中に表されている変数について説明する。

【0042】

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。

【0043】

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。

【0044】

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。

【0045】

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。

【0046】

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。

【0047】

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。

【0048】

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．
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。

【0049】

Ｔ_L，γ，Ｒ_ｎｉ，ｓ，ｇ_ＨＲ，ｇ_ＬＷは熱収支方程式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。

【0050】

α_ｓ，Ｒ_ｓ，α_ｌ，Ｒ_ｌｄ，Ｒ_ｌｕ，Ｈ，λＥ_ｌも熱収支方程式を記述する変数である。Ｒ_ｓは、太陽からの短波放射による熱フラックスである。Ｒ_ｌｄ，Ｒ_ｌｕは、それぞれ、葉に入射する下向き長波、葉から放射する上向き長波による熱フラックスである。α_ｓおよびα_ｌは、それぞれの波長に応じた葉の吸収係数である。ＨおよびλＥ_ｌはそれぞれ、外環境との温度差で奪われる顕熱フラックス、および蒸散で奪われる潜熱フラックスである。

【0051】

式１～式９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。

【0052】

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
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。

【0053】

再び図２を参照する。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、葉の受光量とを算出する。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。

【0054】

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。

【0055】

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。

【0056】

（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。

【0057】

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１０に基づいて算出することができる。

【数5】

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。

【0058】

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。

【0059】

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。

【0060】

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。

【0061】

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。

【0062】

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１１のように記述される。

【数6】

ここでＮを無限に大きくすると、式１１は次の式１２のように変形することができる。

【数7】

式１２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１２を変形することにより、次の式１３を得ることができる。

【数8】

式１３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。

【0063】

受光量算出部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抽出することにより、その値を受光量と見なす。

【0064】

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、そのベクトル長をその画素の相対輝度Ｌと定義した。
相対輝度Ｌ＝ （Ｒ^２ ＋ Ｇ^２ ＋ Ｂ^２）^１／２ （式１４）

【0065】

受光量算出部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する。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。

【0066】

学習データ作成部１３は、圃場９０において栽培されている植物９１の葉を含む熱画像４３を、個葉葉温と、葉に関する指標と、植物９１の葉を含む可視画像４２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、推定用アルゴリズム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。

【0067】

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、推定用アルゴリズム５の機械学習を行う。

【0068】

［機械学習装置］
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。

【0069】

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、植物の群落の葉温を推定する推定用アルゴリズム５を学習する。本実施形態では、学習に用いる推定用アルゴリズム５を、推定する葉温に応じて使い分ける。群落の葉温の時系列の温度を学習し推定する場合、学習部２１は、全結合ニューラルネットワークを推定用アルゴリズム５に使用し、群落の葉温の空間分布を示す熱画像を学習し推定する場合、学習部２１は、畳み込みニューラルネットワークを推定用アルゴリズム５に使用する。学習済の推定用アルゴリズム５は、機械学習装置２から推定装置３へ送信されて、推定装置３の補助記憶装置３９に記憶される。推定装置３は、受信した学習済みの推定用アルゴリズム５を用いて、生産者の圃場８０における植物８１の群落の葉温を推定する。

【0070】

・時系列の葉温の学習
図６は、本発明の一実施形態に係る推定用アルゴリズムに用いる全結合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。

【0071】

本実施形態では、時系列の葉温を学習する場合の推定用アルゴリズム５は、全結合型の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。推定用アルゴリズム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の葉を含む熱画像４３と、個葉葉温と、葉に関する指標と、植物９１の葉を含む可視画像４２とから構成されている。学習部２１は、個葉葉温と葉に関する指標と植物９１の葉を含む可視画像４２とを入力層に設定し、植物９１の葉を含む熱画像４３を出力層に設定して、推定用アルゴリズム５を学習する。学習済の推定用アルゴリズム５は補助記憶装置２９に記憶される。

【0072】

熱画像４３は、実測された植物の群落の葉温を画素毎に持ち、これにより、入力層５１に入力される個葉葉温、葉に関する指標、および可視画像４２の輝度情報と、出力層５３に設定される熱画像４３の輝度情報との対応関係が、推定用アルゴリズムに学習される。入力層５１に入力する可視画像４２の輝度情報は、可視画像４２の平均輝度とすることができ、出力層５３に設定する平均葉温の値は熱画像４３から算出することができる。この場合、推定用アルゴリズム５は、時系列の平均葉温を学習し推定することが可能となる。同様に、推定用アルゴリズム５は、可視画像４２の最大輝度と熱画像４３から算出される最大葉温とを学習し推定することが可能となり、可視画像４２の最小輝度と熱画像４３から算出される最小葉温とを学習し推定することが可能となる。

【0073】

なお、推定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、高い精度での推定が可能になる。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推定用アルゴリズム５の学習を行うことができる。この目的のために、本実施形態では、植物生理生態モデルに基づいて環境データ４１から植物９１の個葉葉温を算出し、算出した個葉葉温を推定用アルゴリズム５の説明変数として入力している。

【0074】

・葉温の空間分布の学習
図７は、本発明の一実施形態に係る推定用アルゴリズムに用いる畳み込み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。図中、（ｉ）に示す植物９１の可視画像４２は、（ｉｉ）に示すように葉の部分が抽出された後、（ｉｉｉ）から（ｉｖ）に示すように、畳み込み処理がなされて、（ｖ）に示す推定熱画像が生成される。

【0075】

本実施形態では、葉温の空間分布を学習する場合の推定用アルゴリズム５は、畳み込みニューラルネットワーク（Convolutional Neural Network）を用いて構成されている。例示する推定用アルゴリズム５のニューラルネットワークは、中間層に５ｘ５ピクセルと１ｘ１ピクセルのフィルタを持つ畳み込み層を含んでいる。プーリング層は設けず、入力画像と同サイズの葉温推定画像４３Ｅを生成する学習モデルである。

【0076】

時系列の葉温を学習する場合と同様に、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の葉を含む熱画像４３と、個葉葉温と、葉に関する指標と、植物９１の葉を含む可視画像４２とから構成されている。学習部２１は、個葉葉温と葉に関する指標と植物９１の葉を含む可視画像４２とを入力層に設定し、植物９１の葉を含む熱画像４３を出力層に設定して、推定用アルゴリズム５を学習する。学習済の推定用アルゴリズム５は補助記憶装置２９に記憶される。

【0077】

［推定装置］
図８は、本発明の一実施形態に係る推定装置の機能を説明するためのブロック図である。

【0078】

推定装置３は、機能ブロックとして、環境データ取得部３１と、植物画像取得部３２と、個葉葉温算出部３３と、指標算出部３４と、群落葉温推定部３５と、熱画像作成部３６と、露点温度算出部３７と、結露予測部３８とを備えている。指標算出部３４は、機能ブロックとして、葉領域抽出部３４１と、葉面積指数算出部３４２と、受光量算出部３４３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、推定装置３のプロセッサが、推定プログラムを推定装置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。なお、指標算出部３４、熱画像作成部３６、露点温度算出部３７、および結露予測部３８は任意の構成であり、省略することができる。

【0079】

推定装置３には、環境測定装置６と撮像装置７とが接続されている。推定装置３のユーザは、環境測定装置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。

【0080】

環境データ取得部３１は、圃場８０における環境データを環境測定装置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、環境測定装置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。

【0081】

植物画像取得部３２は、圃場８０において栽培されている植物８１の葉を含む可視画像を撮像装置７から取得する。推定装置３により葉温を推定する際には、植物８１の熱画像を取得する必要は無い。本実施形態では、植物８１の葉を含む可視画像を取得する方法は、圃場９０において植物９１の葉を含む可視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の葉を含む可視画像は、撮像装置７を用いて撮像され、植物８１の群落を含む撮影角度で撮像された画像と、植物８１の葉を含む別角度からの画像とのペアの画像データが取得される。別角度からの画像は、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により撮像されるペアの可視画像の色空間はＲＧＢ形式である。

【0082】

個葉葉温算出部３３は、図２に示す学習データ作成装置１の個葉葉温算出部１１と同一の機能を有している。個葉葉温算出部３３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、個葉葉温を算出する。

【0083】

指標算出部３４は、図２に示す学習データ作成装置１の指標算出部１２と同一の機能を有している。すなわち、指標算出部３４が備える葉領域抽出部３４１、葉面積指数算出部３４２、および受光量算出部３４３は、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、および受光量算出部１２３と同一の機能を有している。

【0084】

指標算出部３４は、植物画像取得部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３４１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３４２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。受光量算出部３４３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抽出することにより、その値を受光量と見なす。

【0085】

群落葉温推定部３５は、機械学習装置２によって学習された推定用アルゴリズム５に従って、個葉葉温と、葉に関する指標と、植物８１の葉を含む可視画像とに基づいて、植物８１の群落の葉温を推定する。学習に用いた推定用アルゴリズム５に応じて、推定装置３は、群落の葉温の時系列の温度を推定、または、群落の葉温の空間分布を示す熱画像４３Ｅを推定することができる。群落の葉温の時系列の温度を推定する場合、群落葉温推定部３５は、学習済みの全結合ニューラルネットワークを推定用アルゴリズム５に使用し、群落の葉温の空間分布を示す熱画像を推定する場合、群落葉温推定部３５は、学習済みの畳み込みニューラルネットワークを推定用アルゴリズム５に使用する。

【0086】

補助記憶装置３９には、学習済の推定用アルゴリズム５が記憶されている。群落葉温推定部３５は、個葉葉温算出部３３により算出した個葉葉温と、指標算出部３４により算出した葉に関する指標と、植物画像取得部３２により取得した植物８１の葉を含む可視画像とを、学習済の推定用アルゴリズム５の入力層５１に入力することにより、植物８１の群落の葉温の推定値が出力層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、得られた推定値は、表示装置８に表示され、推定装置３のユーザである生産者に提示される。

【0087】

これにより、小規模な圃場８０における生産者は、赤外線カメラのような高価な設備を用いることなく、生産者が運営する圃場８０において、植物８１の群落の葉温を手軽に把握することが可能になる。

【0088】

熱画像作成部３６は、群落葉温推定部３５により推定した植物８１の群落の葉温に基づいて、植物８１の熱画像（推定熱画像４３Ｅ）を作成する。作成された推定熱画像４３Ｅは、葉温の空間分布を表しており、表示装置８に表示され、推定装置３のユーザである生産者に提示される。

【0089】

露点温度算出部３７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が栽培されている雰囲気の露点を算出する。

【0090】

結露予測部３８は、群落葉温推定部３５により推定した植物８１の群落の葉温と、露点温度算出部３７により算出した雰囲気の露点とに基づいて、圃場８０において栽培されている植物８１の葉の結露を予測する。本実施形態では、葉温と露点との温度差に基づいて植物８１の葉の結露を予測する。例えば、推定された葉温が雰囲気の露点よりも低いほど、結露の可能性が高いと予測する。予測結果は、例えば、植物画像取得部３２により取得した、植物８１の葉を含む可視画像に対応して表示される。

【0091】

［機械学習の手順］
図９および図１０は、本発明の一実施形態に係る機械学習装置を用いて推定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。

【0092】

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。

【0093】

機械学習の手順は、推定用アルゴリズム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Ｓ６と、作成された学習データ４に基づいて推定用アルゴリズム５を学習するステップＳ７とを含む。ステップＳ１～ステップＳ６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Ｓ７の手順は機械学習装置２を用いて行われる。

【0094】

ステップＳ１において、圃場９０における環境データ４１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の葉を含む可視画像４２および熱画像４３のペアを取得する。例示的には、環境データ４１、葉を含む可視画像４２および熱画像４３のペアは、３０分毎に測定し、合計３日程度のデータを取得すれば葉温推定モデルを作成することができる。なお、葉温の季節変動も考慮したモデルとする場合には、1年間のデータを準備することが望ましい。
なお、葉を含む可視画像４２において、式１３で計算される葉面積指数Ｌの値の変化は、一日のうちでは無視できる程度に小さい。よって、同じ日に測定した環境データ４１について、データ４１を測定した日と同じ日に撮像した可視画像４２および熱画像４３を使いまわす（reuse）ことができる。

【0095】

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に設置されている環境測定装置９２を用いて取得する。植物９１の葉を含む可視画像４２および熱画像４３のペアは、赤外線カメラ９９ａ（サーマルカメラ９９ａ）を用いて取得される。これら取得した環境データ４１、植物９１の葉を含む可視画像データ４２、および植物９１の葉を含む熱画像データ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。

【0096】

ステップＳ３（個葉葉温算出ステップ）において、個葉葉温算出部１１は、取得した環境データ４１に基づいて個葉葉温を算出する。

【0097】

ステップＳ４（指標算出ステップ）において、指標算出部１２は、取得した植物９１の葉を含む可視画像データ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。

【0098】

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の葉を含む可視画像４２において葉の領域を抽出する。

【0099】

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の葉を含む可視画像４２を二値化することにより得られる、可視画像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。

【0100】

ステップＳ４ｃ（受光量算出ステップ）において、受光量算出部１２３は、植物９１の葉を含む可視画像４２について、葉の領域の相対輝度を抽出することにより、その値を受光量と見なす。

【0101】

ステップＳ５（学習データ作成ステップ）において、学習データ作成部１３は、圃場９０において栽培されている植物９１の葉を含む熱画像４３を、ステップＳ３において算出した個葉葉温と、ステップＳ４において算出した葉に関する指標と、植物９１の葉を含む可視画像４２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。

【0102】

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、推定用アルゴリズム５の機械学習を行う。

【0103】

ステップＳ６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Ｓ５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Ｓ７の手順を行う。例示的には、ステップＳ７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。

【0104】

ステップＳ７（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、植物の群落の葉温を推定する推定用アルゴリズム５を学習する。学習済の推定用アルゴリズム５は補助記憶装置２９に記憶される。

【0105】

また、学習済の推定用アルゴリズム５は、機械学習装置２から推定装置３へ送信されて、推定装置３の補助記憶装置３９に記憶される。推定装置３は、受信した学習済の推定用アルゴリズム５を用いて、生産者の圃場８０における植物８１の群落の葉温を推定する。

【0106】

［推定の手順］
図１１および図１２は、本発明の一実施形態に係る推定装置と学習済の推定用アルゴリズムとを用いて葉温を推定する手順を説明するためのフローチャートである。

【0107】

推定の手順は、例えば小規模な圃場８０における生産者により、推定装置３を用いて行われる。推定の手順は、次のステップＳ１１～ステップＳ１５を含む。

【0108】

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（植物画像取得ステップ）において、圃場８０において栽培されている植物８１の葉を含む可視画像を取得する。

【0109】

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

【0110】

ステップＳ１３（個葉葉温算出ステップ）において、個葉葉温算出部３３は、取得した環境データに基づいて個葉葉温を算出する。

【0111】

ステップＳ１４（指標算出ステップ）において、指標算出部３４は、取得した植物８１の葉を含む可視画像に基づいて、葉に関する指標を算出する。ステップＳ１４では、次に説明するステップＳ１４ａ～ステップＳ１４ｃの手順を行う。

【0112】

ステップＳ１４ａ（葉領域抽出ステップ）において、葉領域抽出部３４１は、人工知能を用いた画像解析により、植物８１の葉を含む可視画像において葉の領域を抽出する。

【0113】

ステップＳ１４ｂ（葉面積指数算出ステップ）において、葉面積指数算出部３４２は、植物８１の葉を含む可視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。

【0114】

ステップＳ１４ｃ（受光量算出ステップ）において、受光量算出部３４３は、植物８１の葉を含む可視画像について、葉の領域の相対輝度を抽出することにより、その値を受光量と見なす。

【0115】

ステップＳ１５（群落葉温推定ステップ）において、群落葉温推定部３５は、機械学習方法によって学習された推定用アルゴリズム５に従って、ステップＳ１３において算出した個葉葉温と、ステップＳ１４において算出した葉に関する指標と、ステップＳ１２において取得した植物８１の可視画像とに基づいて、植物８１の群落の葉温を推定する。得られた推定値は、例えば表示装置８に表示され、推定装置３のユーザである生産者に提示される。

【0116】

これにより、小規模な圃場８０における生産者は、赤外線カメラのような高価な設備を用いることなく、生産者が運営する圃場８０において、植物８１の群落の葉温を手軽に把握することが可能になる。

【0117】

任意の処理として、推定の手順は、ステップＳ１５に続いて以下のステップＳ１６～Ｓ１８を含むことができる。

【0118】

ステップＳ１６（熱画像作成ステップ）において、熱画像作成部３６は、群落葉温推定部３５により推定した植物８１の群落の葉温に基づいて、植物８１の熱画像を作成する。作成された熱画像は、葉温の空間分布を表しており、推定装置３のユーザである生産者に提示される。

【0119】

ステップＳ１７（露点温度算出ステップ）において、露点温度算出部３７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が栽培されている雰囲気の露点を算出する。

【0120】

ステップＳ１８（結露予測ステップ）において、結露予測部３８は、ステップＳ１５において推定した植物８１の群落の葉温と、ステップＳ１７において算出した雰囲気の露点とに基づいて、圃場８０において栽培されている植物８１の葉の結露を予測する。予測結果は、例えばステップＳ１２において取得した植物８１の葉を含む可視画像に対応して表示する。結露の予測結果を植物８１の群落の可視画像に対応して表示する例を図１３に示す。

【0121】

［効果］
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、および推定装置、並びに学習データ作成方法、機械学習方法、および推定方法によると、植物の葉温を手軽に把握することができる。

【0122】

これにより、小規模な圃場８０における生産者は、赤外線カメラのような高価な設備を用いることなく、生産者が運営する圃場８０において、植物８１の群落の葉温を手軽に把握することが可能になる。

【0123】

生産者が、圃場８０において植物８１の葉温を手軽に把握することが可能になると、営農現場において、葉面結露の発生を生産者の経験や勘に頼らずに把握することが可能になる。また、葉温が急激に上昇した場合には、蒸散が止まり、水が不足していることを示しており、従来は萎れるまで分からなかった作物の水ストレス状態をより早く知ることも可能になる。これにより、営農現場において作物のより良い栽培環境を実現することが可能になり、農業の効率化が促進される。

【0124】

営農現場において生産者が推定に用いる推定装置３には、タブレットＰＣやスマートフォン等の機器を用いることができ、さらに手持ち型の環境測定装置６をこのような推定装置３に通信可能に接続することにより、生産者は葉温の推定を手軽に行うことが可能になる。

【0125】

また、生産者は、このような葉温の推定を営農現場において日々行うことにより、作物の病害の原因となる葉面結露の可能性を、時系列で把握することも可能になる。これにより、葉面結露を防止するための対策の要否を、営農現場においてより適切に判断することが可能になり、農業の効率化がより促進される。

【0126】

［その他の形態］
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。

【0127】

上記実施形態では、学習データ作成装置１は指標算出部１２を備え、推定装置３は指標算出部３４を備えているが、指標算出部１２，３４は任意の構成であり省略することができる。この場合、学習データ作成部１３は、植物９１の葉を含む熱画像４３を、個葉葉温と、植物９１の葉を含む可視画像４２とに関連付けて、学習データ４を作成する。学習部２１は、個葉葉温と、植物９１の葉を含む可視画像４２とを入力層に設定し、植物９１の葉を含む熱画像４３を出力層に設定して、推定用アルゴリズム５を学習する。群落葉温推定部３５は、機械学習装置２によって学習された推定用アルゴリズム５に従って、個葉葉温と、植物８１の葉を含む可視画像とに基づいて、植物８１の群落の葉温を推定する。

【0128】

上記実施形態では、学習データ作成部１３は、植物９１の葉を含む熱画像４３を、個葉葉温と、葉に関する指標と、植物９１の葉を含む可視画像４２とに関連付けて、学習データ４を作成し、且つ、群落葉温推定部３５は、機械学習装置２によって学習された推定用アルゴリズム５に従って、個葉葉温と、葉に関する指標と、植物８１の葉を含む可視画像とに基づいて、植物８１の群落の葉温を推定しているが、学習データ４として関連付けるデータはこれらに限定されないし、植物８１の群落の葉温を推定する際に、学習済みの推定用アルゴリズム５の入力層５１に入力するデータはこれらに限定されない。他の実施形態では、学習データ作成部１３は、植物９１の葉を含む熱画像４３を、植物９１が栽培されている雰囲気の気温にさらに関連付けることができ、学習部２１は、植物９１が栽培されている雰囲気の気温がさらに関連付けられた学習データ４に基づいて、植物の群落の葉温を推定する推定用アルゴリズム５を学習することができ、且つ、群落葉温推定部３５は、学習済の推定用アルゴリズム５の入力層５１に、植物８１が栽培されている雰囲気の気温をさらに入力することにより、植物８１の群落の葉温の推定値を出力層５３から出力することができる。

【0129】

上記実施形態では、推定用アルゴリズム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、推定用アルゴリズム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推定用アルゴリズムを学習することができる限り、推定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。

【0130】

上記実施形態では、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量の両方を算出しているが、学習データ４の作成に用いられる、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量の少なくともいずれかとすることができる。なお、指標算出部１２自体が任意の構成であるので、葉に関する指標を算出すること自体を省略することもできる。

【0131】

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。

【0132】

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、および推定装置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、および推定装置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。

【0133】

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推定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。

【0134】

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および推定装置３についても、学習データ作成装置１と同様である。また、推定装置３に接続される環境測定装置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。

【0135】

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および推定装置３についても、学習データ作成装置１と同様である。

【0136】

学習データ作成装置１、機械学習装置２、および推定装置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。

【0137】

以下に本発明の実施例を示し、本発明の特徴をより明確にする。

【実施例0138】

実施例１では、推定装置により推定される群落の葉温の妥当性を検証した。検証に用いるデータは全て試験研究用の圃場において取得した。試験研究用の圃場において栽培した植物は、本実施例ではナスであった。

【0139】

検証は次の手順で行った。まず、試験研究用の圃場に設置した環境測定装置、熱画像カメラを用いて、妥当性の検証に用いる種々のデータを取得した。取得したデータは、圃場の環境データ、圃場において栽培されている植物（ナス）の可視画像データおよび熱画像データであった。これら種々のデータは、上記した実施形態のステップＳ１～ステップＳ２に示した態様に沿って、試験研究用の圃場において合計３０日間にわたって取得した。以後、取得した環境データと、可視画像データと、熱画像データとの組み合わせを、データセットとして管理した。

【0140】

図１４は、実施例１において植物の可視画像および熱画像のペアを取得した際の状況を説明する図である。図１４（Ａ）は、赤外線カメラの配置を示す図である。図１４（Ｂ）は、（ｉ）および（ｉｉ）に示すそれぞれの方向について取得した植物の可視画像および熱画像のペアの一例を示す図である。

【0141】

可視画像は、植物の群落を含む撮影角度での画像と、植物の葉を含む別角度からの画像とをそれぞれ取得した。図１４（Ａ）に示すように、東向きに設置した赤外線カメラでは、植物に接近して可視画像および熱画像を撮像し、南向きに設置した赤外線カメラでは、植物の群落を含むようにハウス内の遠方から植物の可視画像および熱画像を撮像した。接近した東向きカメラ画像よりも、広い範囲を撮影した南向きカメラの画像の方が、葉温推定結果の精度は高い結果となった。

【0142】

次に、取得した合計３０日分の複数のデータセットを所定の割合でランダムに分割した。本実施例では、取得した複数のデータセットを、トレーニング用：バリデーション用：テスト用＝０．５：０．３：０．２の割合でランダムに分割した。

【0143】

次に、トレーニング用のデータセットに含まれる環境データと植物の可視画像データおよび熱画像データとを用いて、学習データ作成装置により学習データを作成した。この学習データは、上記した実施形態のステップＳ３～ステップＳ６に示した態様に沿って作成した。次に、このように作成した学習データを用いて、上記した実施形態のステップＳ７に示した態様に沿って、機械学習装置により推定用アルゴリズムを学習させた。学習データの作成および推定用アルゴリズムの学習に用いたトレーニング用のデータセットは、取得したデータセットの約５０％に相当した。

【0144】

次に、推定装置により得られる推定値の妥当性を検証するために、この学習済の推定用アルゴリズムと推定装置とを用いて、テスト用のデータセットを推定装置が再現できるか否かを検証した。テスト用のデータセットは、取得したデータセットの残りの約２０％に相当した。

【0145】

まず、テスト用のデータセットに含まれる環境データと植物の可視画像データとを用いて、個葉葉温を推定装置により推定した。この推定は、上記した実施形態のステップＳ１３～ステップＳ１５に示した態様に沿って行った。次に、推定装置により得られた群落の葉温の推定値と、その推定値の推定に用いたテスト用のデータセットに含まれる実際の測定値である、葉の領域に関して植物の熱画像から得られる温度とを比較することにより、推定装置による推定値の再現性を確認した。

【0146】

図１５～図１７は、推定装置により推定された葉温の妥当性を検証するためのグラフおよび画像である。

【0147】

図１５は、推定された葉温の時系列の変動を測定値と共に示すグラフである。グラフ中、（ｉ）は推定された葉温を示し、（ｉｉ）は葉温の実測値を示す。（ｉｉｉ）は露点温度を示し、（ｉｖ）は外気温を示す。

【0148】

図１６は、葉温の空間分布の妥当性を検証するための可視画像および熱画像である。（ｉ）は実際に撮像された可視画像であり、（ｉｉ）は推定装置により推定された植物の推定熱画像であり、（ｉｉｉ）は実際に撮像された熱画像であり、（ｉｖ）は（ｉｉｉ）の実測による熱画像と（ｉｉ）の推定による熱画像との差分画像である。

【0149】

図１７は、葉温の推定値と測定値との相関を示すグラフである。図１７（Ａ）は時系列の平均葉温に関するグラフであり、図１７（Ｂ）は葉温の空間分布に関するグラフである。図１７（Ｃ）は、葉温の推定に用いたモデルの精度を評価するための指数（評価指数）を示す表である。（Ｃ）に示す表において、第１列に示す評価指数「平均値」は、（Ａ）に示す平均葉温の推定に用いたモデルの精度を示している。第２列に示す評価指数「画像分布」は、（Ｂ）に示す葉温の空間分布の推定に用いたモデルの精度を示している。

【0150】

図１５に示すように、推定値（ｉ）と測定値（ｉｉ）とは概ね一致していた。また、図１７（Ａ）～図１７（Ｃ）に示すように、推定値と測定値とは高い相関を示していた。図１７（Ｃ）に示すように、図１７（Ａ）に示す時系列の平均葉温の推定値に関する決定係数Ｒ^２はＲ^２＝０．９７０であり、平均平方二乗誤差（Root Mean Square Error; RMSE）はＲＭＳＥ＝０．８１３であった。図１７（Ｂ）に示す葉温の空間分布の推定値に関する決定係数Ｒ^２はＲ^２＝０．９２１であり、平均平方二乗誤差はＲＭＳＥ＝１．４９であった

【0151】

図１６の（ｉｖ）差分画像に示すように、実測による熱画像と推定による熱画像との間の温度差は、概ね２℃以下に収まっていた。また、図１７（Ａ）～図１７（Ｃ）に示すように、推定値と測定値とは高い相関を示していた。

【0152】

以上により、推定装置による推定値は、妥当性が高い値であることが確認された。

【符号の説明】

【0153】

１ 学習データ作成装置
２ 機械学習装置
３ 推定装置
４ 学習データ
５ 推定用アルゴリズム
６ 環境測定装置（ＰＰＦＤセンサ、温湿度センサ、ＣＯ_２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 個葉葉温算出部
１２ 指標算出部
１２１ 葉領域抽出部
１２２ 葉面積指数算出部
１２３ 受光量算出部
１３ 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 植物画像取得部
３３ 個葉葉温算出部
３４ 指標算出部
３４１ 葉領域抽出部
３４２ 葉面積指数算出部
３４３ 受光量算出部
３５ 群落葉温推定部
３６ 熱画像作成部
３７ 露点温度算出部
３８ 結露予測部
３９ 補助記憶装置
４１ 環境データ
４２ 可視画像データ
４３ 熱画像データ
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 環境測定装置（ＰＰＦＤセンサ、温湿度センサ、ＣＯ_２センサ）
９９ａ 赤外線カメラ（サーマルカメラ）
９９ｂ 撮像装置（デジタルカメラ）
１００ 葉温推定支援システム

【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】

【図15】

【図16】

【図17】