特許 7437061 生育環境予測装置、生育環境制御システムおよび生育環境予測方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-02-14

(45)【発行日】2024-02-22

(54)【発明の名称】生育環境予測装置、生育環境制御システムおよび生育環境予測方法

(51)【国際特許分類】

   A01G 7/00 20060101AFI20240215BHJP

   A01G 9/24 20060101ALI20240215BHJP

【ＦＩ】

A01G7/00 601Z

A01G9/24 A

【請求項の数】 11

(21)【出願番号】P 2022059622

(22)【出願日】2022-03-31

(65)【公開番号】P2023150493

(43)【公開日】2023-10-16

【審査請求日】2022-07-15

(73)【特許権者】

【識別番号】510179227

【氏名又は名称】ディーピーティー株式会社

(74)【代理人】

【識別番号】110000028

【氏名又は名称】弁理士法人明成国際特許事務所

(72)【発明者】

【氏名】水落 智

(72)【発明者】

【氏名】鈴木 輝基

【審査官】坂田 誠

(56)【参考文献】

【文献】特許第６９４２７９０（ＪＰ，Ｂ２）

【文献】特開２０２１－１０８５８５（ＪＰ，Ａ）

【文献】特開２０２３－７０５８８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ０１Ｇ ７／００

Ａ０１Ｇ ９／２４

(57)【特許請求の範囲】

【請求項1】

生物を生育する生育施設の内部環境を表わす少なくとも一つの物理量を計測する計測部からの計測値の時系列データを取得する計測値データ取得部と、
前記生育施設の内部空間に働き掛けて、前記少なくとも一つの物理量を変更する複数種類の変更装置の駆動量の時系列データを取得する駆動量データ取得部と、
前記生育施設に対応する対応施設における少なくとも一つの物理量の時系列データと前記対応施設における複数種類の変更装置の駆動量の時系列データとの関係を教師データとした機械学習を行なうことで得られた機械学習済みモデルを用いて、前記生育施設において取得された前記計測値の時系列データと前記駆動量の時系列データとに基づいて、前記少なくとも一つの前記物理量の現時点から所定時間後の値である予測値を予測する予測部と、
前記物理量の前記予測値を、利用可能な形態で出力する出力部と、
を備え、
前記生育施設に対応する前記対応施設は、前記生育施設および前記生育施設の環境との間で前記機械学習可能な共通性を有する施設の少なくとも一方を含む、生育環境予測装置。

【請求項2】

前記機械学習済みモデルは、訓練用モデルに前記機械学習を行なったものであり、
前記訓練用モデルは、回帰型ニューラルネットワーク（ＲＮＮ）を備える、
請求項１に記載の生育環境予測装置。

【請求項3】

前記訓練用モデルは、前記回帰型ニューラルネットワークの後段に、ディープラーニングを行なう複数層のニューラルネットワークを備える、請求項２に記載の生育環境予測装置。

【請求項4】

前記回帰型ニューラルネットワークには、前記対応施設における少なくとも一つの物理量の時系列データと前記対応施設における複数種類の変更装置の駆動量の時系列データとを入力し、
前記複数層のニューラルネットワークには、前記回帰型ニューラルネットワークの出力と、前記対応施設における前記複数種類の前記変更装置の次の駆動量とを入力し、
前記次の駆動量に対応する前記少なくとも一つの物理量をラベルとして、前記訓練用モデルの学習を行なって、得られた機械学習済みモデルを用いて、前記予測値の予測を行なう、
請求項３に記載の生育環境予測装置。

【請求項5】

前記機械学習済みモデルの前記回帰型ニューラルネットワークに前記生育施設において取得された前記計測値の時系列データと前記駆動量の時系列データとを入力し、前記複数層のニューラルネットワークに、前記回帰型ニューラルネットワークの出力と、前記生育施設における前記複数種類の前記変更装置の次の駆動量として用意された複数の組み合わせとを入力し、前記複数の組み合わせ毎に、前記予測値の予測を行なう、請求項４に記載の生育環境予測装置。

【請求項6】

前記複数種類の変更装置は、
前記生育施設おいて、前記内部空間に熱量を付与する加熱装置、前記内部空間の熱量を奪う冷却装置、前記内部空間に水蒸気を付与する加湿装置、前記内部空間の水蒸気を奪う乾燥装置、前記内部空間にミストを付与するミスト付与装置、前記内部空間に二酸化炭素を付与する二酸化炭素発生装置、前記内部空間と外部との気体の交換を行なう換気装置、前記内部空間内の気体の循環を図る循環装置、前記内部空間への日照の入射量を変更する遮光装置、前記内部空間に備えられた培養土に水を供給する灌水装置、前記生育施設の天井または壁面に設けられた窓の開口量を調整する開口量調整装置のうちの少なくとも二つを備える、請求項１から請求項３のいずれか一項に記載の生育環境予測装置。

【請求項7】

前記計測部は、前記生育施設において、前記内部空間の温度を計測する温度センサ、前記内部空間の湿度を計測する湿度センサ、前記内部空間の二酸化炭素濃度を計測する二酸化炭素センサ、前記内部空間と外部との間で交換される気体の換気量を計測する換気センサ、前記内部空間内の気体の循環量を計測する循環量センサ、前記内部空間への日照の入射量を計測する日照センサ、前記内部空間に備えられた培養土が含有する水分量を計測する水分量センサ、のうちの少なくとも一つを備える、請求項１から請求項３のいずれか一項に記載の生育環境予測装置。

【請求項8】

前記機械学習済みモデルに対して、前記生育施設での少なくとも一つの前記物理量の時系列データと前記生育施設における前記複数種類の変更装置の駆動量の時系列データとの関係を教師データとして追加学習を行なって、前記機械学習済みモデルの更新を行なう更新装置を備える、
請求項１から請求項３のいずれか一項に記載の生育環境予測装置。

【請求項9】

更に、所定時間の間の前記生育施設での少なくとも一つの前記物理量の時系列データと前記生育施設における前記複数種類の変更装置の駆動量の時系列データとの関係を所定期間に亘って蓄積する蓄積部を備え、
前記更新装置は、前記所定期間の経過後、前記蓄積された前記関係を用いて前記追加学習を行なう、
請求項８に記載の生育環境予測装置。

【請求項10】

請求項１から請求項９のいずれか一項に記載の生育環境予測装置と、
前記計測された物理量の内の少なくとも一つと、前記生育環境予測装置から出力された前記物理量の前記予測値とを比較し、両者の差が最も小さい駆動パターンで前記複数種類の変更装置を駆動する駆動部と、
を備えた生育環境制御システム。

【請求項11】

生物を生育する生育施設の内部環境を表わす少なくとも一つの物理量を計測し、
前記生育施設の内部空間に働き掛けて、前記少なくとも一つの物理量を変更する複数種類の変更装置の駆動量の時系列データを取得し、
前記生育施設および前記生育施設の環境との間で前記機械学習可能な共通性を有する施設の少なくとも一方を含む対応施設における少なくとも一つの物理量の時系列データと前記対応施設における複数種類の変更装置の駆動量の時系列データとの関係を教師データとした機械学習を行なうことで得られた機械学習済みモデルを用いて、前記生育施設において取得された前記駆動量の時系列データに基づいて、前記少なくとも一つの前記物理量の現時点から所定時間後の値である予測値を予測し、
前記物理量の前記予測値を、利用可能な形態で出力する、
生育環境予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、生物の生育環境を推定する技術に関する。

【背景技術】

【0002】

従来から各種生物を環境が調整できる空間で生育することが、農業や林業、漁業、更には畜産業などの分野で行なわれている。例を挙げれば、ビニールハウス内での野菜や茸類の栽培や繁殖、生け簀の中での魚類・甲殻類・貝類の養殖、大規模施設内での鶏の飼育や採卵などがある。近年、生物の生育環境に対してセンサや空調装置などを組み合わせて様々な支援を行なう技術が検討されている。例えば、特許文献１は、農地の温度を予測して、栽培を支援しようとする技術を開示している。また、特許文献２は、植物を栽培するビニールハウス内にセンサなどを設け、植物の栽培状況を目標に近づけるため、温度が高い場合には、空調装置を用いて温度を下げるといった制御について提案している。なお、本明細書では、「生育」は動物の「成育」を含む概念を示すものとして用いる。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１８－１７０９７１号公報

【文献】特開２０１９－１７０３５９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

こうした生物の生育は、工場のように完全に人工的な空間で行なわれることは少なく、外部の環境を取り込んで行なわれることが多い。これは、構造的に、ビニールハウス等では、季節的な気温の変動を無視して生育環境を一定にすることは困難だし、一定にしようとすれば、膨大なコストがかかってしまい、農業としての経済性を毀損する場合が多いからである。このため、生育環境の温度を生育に適切な温度に制御する場合、空調装置にのみに拠るのではなく、窓を開けて外気を取り込むことで温度の上昇または下降を図り、あるいは日照を利用してハウス内の温度上昇を図るといったことが行なわれる。このため、生育環境の制御は極めて複雑なものになり、従来の技術では、温度や湿度などの生育環境を高精度に予測して目標通りに制御することは困難であった。また、精度が低いまま、生育環境の制御を徒に自動化すると、生育環境が適切な環境範囲から外れてしまい、却って生物の生育を阻害することもあり得た。

【課題を解決するための手段】

【0005】

本開示は、以下の形態又は適用例として実現することが可能である。

【0006】

（１）本開示の第１の態様は、生育環境予測装置としての態様である。この生育環境予測装置は、生物を生育する生育施設の内部環境を表わす少なくとも一つの物理量を計測する計測部からの前記計測値の時系列データを取得する計測値データ取得部と、前記生育施設の内部空間に働き掛けて、前記少なくとも一つの物理量を変更する複数種類の変更装置の駆動量の時系列データを取得する駆動量データ取得部と、前記生育施設に対応する対応施設における少なくとも一つの物理量の時系列データと前記対応施設における複数種類の変更装置の駆動量の時系列データとの関係を教師データとした機械学習を行なうことで得られた機械学習済みモデルを用いて、前記生育施設において取得された前記計測値の時系列データと前記駆動量の時系列データとに基づいて、前記少なくとも一つの前記物理量の現時点から所定時間後の値である予測値を予測する予測部と、前記物理量の前記予測値を、利用可能な形態で出力する出力部と、を備える。ここで、前記生育施設に対応する前記対応施設は、前記生育施設および前記生育施設の環境との間で前記機械学習可能な共通性を有する施設の少なくとも一方を含む。

【0007】

（２）本開示第２態様は、生育施設制御システムとしての態様である。この生育施設制御システムは、上記の生育環境予測装置と、前記計測された物理量の内の少なくとも一つと、前記生育環境予測装置から出力された前記物理量の前記予測値とを比較し、両者の差が最も小さい駆動パターンで前記複数の変更装置を駆動する駆動部と、を備える。

【0008】

（３）本開示の第３の態様は、生育環境予測方法としての態様である。この生育環境予測方法は、生物を生育する生育施設の内部環境を表わす少なくとも一つの物理量を計測し、前記生育施設の内部空間に働き掛けて、前記少なくとも一つの物理量を変更する複数種類の変更装置の駆動量の時系列データを取得し、前記生育施設および前記生育施設の環境との間で前記機械学習可能な共通性を有する施設の少なくとも一方を含む対応施設における少なくとも一つの物理量の時系列データと前記施設における複数種類の変更装置の駆動量の時系列データとの関係を教師データとした機械学習を行なうことで得られた機械学習済みモデルを用いて、前記生育施設において取得された前記駆動量の時系列データに基づいて、前記少なくとも一つの前記物理量の現時点から所定時間後の値である予測値を予測し、前記物理量の前記予測値を、利用可能な形態で出力する。

【図面の簡単な説明】

【0009】

【図1】第１実施形態における生育施設制御システムを模式的に示す説明図。

【図2】計測ノードの構成を示す説明図。

【図3】データテーブルの一例を示す説明図。

【図4】制御ノードの構成を示す説明図。

【図5A】コマンドテーブルの一例を示す説明図。

【図5B】変更装置の駆動状態の推移の一例を示す説明図。

【図6】手動制御モード時に端末装置に表示されるユーザインタフェースの一例を示す説明図。

【図7】手動制御部の動作を示すフローチャート。

【図8】予測なし制御モード時に端末装置に表示されるユーザインタフェースの一例を示す説明図。

【図9】予測なし制御部の動作を示すフローチャート。

【図10】機械学習済みモデルを準備し、予測あり制御部を構成する工程を示す工程図。

【図11】訓練用学習モデルの説明図。

【図12】教師データの収集について説明する説明図。

【図13】教師付き機械学習の内容を示すフローチャート。

【図14】機械学習の一例を示す説明図。

【図15】機械学習済みモデルを用いた制御の様子を示す説明図。

【図16】予測あり制御部の処理を示すフローチャート。

【図17】駆動パターンを決定する仕組みを説明する説明図。

【図18】予測なし制御と予測あり制御との制御の様子を示す説明図。

【図19】第２実施形態の管理装置の予測あり自動制御部の構成を示すブロック図。

【図20】機械学習済みモデルの追加学習の処理を示すフローチャート。

【発明を実施するための形態】

【0010】

Ａ．第１実施形態：
（Ａ１）生育施設制御システム１００の全体構成：
図１は、生育施設制御システム１００を模式的に示す説明図である。この生育施設制御システム１００には、本開示の生育環境予測装置９０が組み込まれている。この生育環境予測装置９０は、ＲＮＮ（回帰型ニューラルネットワーク、Recurrent Neural Network）を用いたものであり、いわゆるＡＩの技術を利用したものである。この生育環境予測装置９０の構成と働きについては、後で詳述する。生育施設制御システム１００は、こうした生育環境予測装置９０を用いて生育施設２００の内部環境を制御する。そこで、まず生育施設制御システム１００の構成と各部の働きについて説明する。

【0011】

図１に示したように、生育施設制御システム１００は、生物を生育するための生育施設２００の内部空間２０１の環境状態を制御する。生物を生育するとは、野菜や果物などの植物を栽培すること、茸などの菌類を栽培すること、鶏や牛などの動物を飼育すること、および、魚介類や海藻などの水棲生物を養殖することを含む意味である。本実施形態では、生育施設２００は、野菜や果物などの植物を栽培するための圃場を内側に有するビニールハウスである。

【0012】

生育施設制御システム１００は、上述した生育施設２００に加えて、複数種類の変更装置３００と、制御ノード３０１と、複数種類のセンサ４００と、計測ノード４０１と、通信装置５００と、管理装置１０１と、端末装置６００と、を備えている。

【0013】

複数種類の変更装置３００は、生育施設２００の内部空間２０１に設けられている。複数種類の変更装置３００は、それぞれ、内部空間２０１の環境状態を変更する。本実施形態では、複数種類の変更装置３００には、加熱装置３１０と、冷却装置３１５と、加湿装置３２０と、乾燥装置３２５と、二酸化炭素発生装置３３０と、換気装置３４０と、循環装置３４５と、遮光装置３５０と、窓開閉装置３５５と、灌水装置３６０と、土壌加熱装置３６５と、が含まれている。上述した各種変更装置３１０～３６５は、制御ノード３０１の制御下で駆動される。制御ノード３０１の構成については後述する。なお、上述した各種変更装置３１０～３６５の一部が、生育施設２００の内部空間２０１ではなく、生育施設２００の外部に設けられてもよい。

【0014】

加熱装置３１０は、生育施設２００の内部空間２０１に熱量を付与する。加熱装置３１０には、例えば、温風を発生させる暖房を用いることができる。冷却装置３１５は、生育施設２００の内部空間２０１の熱量を奪う。本実施形態では、加熱装置３１０は、オンオフ制御によって動作する。冷却装置３１５には、例えば、生育施設２００の内部空間２０１の熱量を生育施設２００の外部に排出するヒートポンプ式の冷房を用いることができる。本実施形態では、冷却装置３１５は、オンオフ制御によって動作する。なお、加熱装置３１０と冷却装置３１５とが１台の空調装置で構成されてもよい。

【0015】

加湿装置３２０は、生育施設２００の内部空間２０１に水蒸気を付与する。加湿装置３２０には、例えば、一定の放出量で水蒸気を放出するミスト発生装置を用いることができる。本実施形態では、加湿装置３２０は、オンオフ制御によって動作する。乾燥装置３２５は、内部空間２０１の水蒸気を奪う。乾燥装置３２５は、例えば、一定の除去量で水蒸気を除去する。本実施形態では、乾燥装置３２５は、オンオフ制御によって動作する。

【0016】

二酸化炭素発生装置３３０は、生育施設２００の内部空間２０１に二酸化炭素を付与する。二酸化炭素発生装置３３０には、例えば、オンオフ制御によって動作し、重油を燃焼させることにより一定の放出量で二酸化炭素を発生させるボイラーを用いることができる。

【0017】

換気装置３４０は、生育施設２００の内部空間２０１と生育施設２００の外部との気体の交換を行なう。換気装置３４０には、例えば、生育施設２００の側壁面に設けられた換気扇を用いることができる。本実施形態では、換気装置３４０は、オンオフ制御によって動作する。循環装置３４５は、生育施設２００の内部空間２０１内の気体の循環を図る。循環装置３４５には、例えば、内部空間２０１に設けられた循環扇を用いることができる。本実施形態では、循環装置３４５は、オンオフ制御によって動作する。

【0018】

遮光装置３５０は、生育施設２００の内部空間２０１への日照の入射量を変更する。遮光装置３５０は、例えば、生育施設２００に設けられた遮光カーテンを開閉する。本実施形態では、遮光装置３５０は、オンオフ制御によって動作する。

【0019】

窓開閉装置３５５は、生育施設２００に設けられた窓を開閉する。窓開閉装置３５５は、例えば、天窓の開閉量、および、側窓の開閉量を、それぞれ独立に制御する。開閉量は、全開を６／６、全閉を０／６とし、１／６刻みで制御可能である。なお、窓開閉装置３５５は、オンオフ制御、つまり天窓等を全開と全閉に制御するものであってもよいし、更に細かく開度を制御できるものであってもよい。

【0020】

灌水装置３６０は、生育施設２００の内部空間２０１に備えられた培養土に水を供給する。灌水装置３６０には、例えば、スプリンクラーを用いることができる。本実施形態では、灌水装置３６０は、オンオフ制御によって動作する。土壌加熱装置３６５は、生育施設２００の内部空間２０１に備えられた培養土を加熱する。土壌加熱装置３６５には、例えば、培養土に埋設された電熱線を用いることができる。本実施形態では、土壌加熱装置３６５は、オンオフ制御によって動作する。

【0021】

生育施設制御システム１００は、上述した各種変更装置３１０～３６５の全てを備えていなくてもよい。但し、生育施設制御システム１００は、上述した各種変更装置３１０～３６５のうちの少なくとも二つを備えている。本実施形態では、加熱装置３１０などは、オンオフ制御するものとして説明したが、これらの装置は、オンの場合に強弱など、２以上の複数の段階に制御できるものであってもよい。各種変更装置３１０～３６５について、これらをまとめて扱う場合や、各装置の種類を区別する必要がない場合には、これらを単に変更装置３００と呼ぶことがある。

【0022】

複数種類のセンサ４００は、生育施設２００の内部空間２０１に設けられている。複数種類のセンサ４００は、それぞれ、内部空間２０１の環境状態を反映する複数種類の物理量を計測するために用いられる。本実施形態では、複数種類のセンサ４００には、内部空間２０１の温度を計測する温度センサ４１０と、内部空間２０１の湿度を計測する湿度センサ４２０と、内部空間２０１の二酸化炭素濃度を計測する二酸化炭素センサ４３０と、内部空間２０１と外部との間で交換される気体の換気量を計測する換気センサ４４０と、内部空間２０１内の気体の循環量を計測する循環量センサ４４５と、内部空間２０１への日照の入射量を計測する日照センサ４５０と、内部空間２０１に備えられた培養土が含有する水分量を計測する土壌水分量センサ４６０と、内部空間２０１に備えられた培養土の温度を計測する土壌温度センサ４６５と、が含まれている。上述した各種センサ４１０～４６５によって計測された物理量を表すデータは、計測ノード４０１に送信される。計測ノード４０１の構成については後述する。

【0023】

生育施設制御システム１００は、上述した各種センサ４１０～４６５の全てを備えていなくてもよい。但し、生育施設制御システム１００は、上述した各種センサ４１０～４６５のうちの少なくとも二つを備えている。生育施設２００の周辺には、生育施設２００の外部の環境状態を計測するためのセンサが設けられてもよい。例えば、生育施設２００の周辺の気温を計測するための温度センサ、生育施設２００の周辺の湿度を計測するための湿度センサ、生育施設２００の周辺の風向を計測するための風向センサ、生育施設２００の周辺の風速を計測するための風速センサが設けられてもよい。アメダスなど、気象状況を集約しているサイトからデータを取得するようにしてもよい。

【0024】

通信装置５００は、生育施設２００内、あるいは、生育施設２００の近傍に配置されている。通信装置５００は、管理装置１０１、制御ノード３０１、および、計測ノード４０１と通信可能に構成されている。本実施形態では、通信装置５００は、インターネットを介して管理装置１０１と通信し、通信装置５００は、近距離無線通信によって制御ノード３０１および計測ノード４０１と通信するように構成されている。もとより、これらの通信は有線・無線を問わないし、その通信プロトコルも、ＴＣＰ／ＩＰなどに限らず、種々のプロトコルを採用可能である。

【0025】

管理装置１０１は、生育環境制御システム１００を管理する管理会社の管理会社の建物内に配置されている。なお、管理装置１０１は、生育施設２００の近傍に配置されてもよい。管理装置１０１は、ＣＰＵ１０と、メモリ２０と、入出力インタフェース３０とを備えるコンピュータで構成されている。なお、管理装置１０１は、生育施設２００の近傍に設けられてもよい。

【0026】

管理装置１０１は、手動制御部１１０と、予測なし自動制御部１２０と、予測あり自動制御部１３０と、書込部１４０と、通信部１５０と、切替部１６０と、を備えている。管理装置１０１の具体的な構成については後述する。

【0027】

書込部１４０は、データテーブル１４２とコマンドテーブル１４１とを有している。データテーブル１４２には、上述した各種センサ４１０～４６５によって計測された各種物理量の時系列データが書き込まれる。コマンドテーブル１４１には、上述した各種変更装置３１０～３６５の駆動パターンが書き込まれる。

【0028】

切替部１６０は、管理装置１０１の動作モードを切り替える。本実施形態では、管理装置１０１は、動作モードとして、手動制御モードと、予測なし制御モードと、予測付き制御モードとを有している。手動制御モードは、手動制御部１１０が書込部１４０のコマンドテーブル１４１に駆動パターンを書き込む動作モードである。予測なし制御モードは、予測なし制御部１２０がコマンドテーブルに駆動パターンを書き込む動作モードである。予測付き制御モードは、予測付き制御部１３０がコマンドテーブルに駆動パターンを書き込む動作モードである。切替部１６０は、利用者の求めに応じて、管理装置１０１の動作モードを、手動制御モード、予測なし制御モード、予測付き制御モードのいずれかに切り替える。

【0029】

端末装置６００は、管理装置１０１と通信可能に構成されている。本実施形態では、端末装置６００は、インターネットを介して管理装置１０１と通信する。端末装置６００には、例えば、スマートフォン、タブレット、ノート型ＰＣ、あるいは、デスクトップ型ＰＣを用いることができる。端末装置６００は、生育施設２００にて生物を生育するユーザによって操作される。

【0030】

図２は、計測ノード４０１の構成を示す説明図である。計測ノード４０１は、ＣＰＵ４０２と、メモリ４０３と、入出力インタフェース４０４とを備えるコンピュータで構成されている。計測ノード４０１には、上述した各種センサ４１０～４６５が接続されている。計測ノード４０１のＣＰＵ４０２は、各種センサ４１０～４６５から物理量のデータを取得し、メモリ４０３に記憶させる。メモリ４０３は、例えば、リングバッファを有しており、各種センサ４１０～４６５から取得された最新のデータは、リングバッファに記憶されている最古のデータに上書きされる。ＣＰＵ４０２は、例えば、５分間隔などの所定の時間間隔で、メモリ４０３に記憶されたデータを、通信装置５００を介して管理装置１０１に送信する。この時間間隔は、リングバッファに記憶されているデータが管理装置１０１に送信される前に上書きされない間隔に設定される。管理装置１０１に送信されたデータは、書込部１４０のデータテーブル１４２に書き込まれる。

【0031】

図３は、データテーブル１４２の一例を示す説明図である。データテーブル１４２には、計測ノード４０１から送信されたデータが書き込まれる。図３に示すように、データテーブル１４２には、図３には、左から順に、各種センサ４１０～４６５によって物理量が計測された時刻、温度センサ４１０によって計測された温度、湿度センサ４２０によって計測された湿度、土壌温度センサ４６５によって計測された地温、および、二酸化炭素センサ４３０によって計測された二酸化炭素濃度が表されている。湿度センサ４２０によって計測された湿度は、相対湿度で表されている。二酸化炭素センサ４３０によって計測された二酸化炭素濃度は、百万分率（ｐｐｍ）で表されている。データテーブル１４２には、最上段が最新のデータになるように、時系列に沿って、物理量のデータが表されている。なお、本実施形態では、データテーブル１４２に一旦書き込まれた情報は、管理装置１０１内の各制御部１１０，１２０，１３０のいずれからも読み出すことができ、また、利用者は端末装置６００を用いていつでも閲覧できる。

【0032】

図４は、制御ノード３０１の構成を示す説明図である。制御ノード３０１は、ＣＰＵ３０２と、メモリ３０３と、入出力インタフェース３０４とを備えるコンピュータで構成されている。制御ノード３０１には、上述した各種変更装置３１０～３６５が接続されている。制御ノード３０１は、例えば、１分間隔などの所定の時間間隔で、通信装置５００を介して、書込部１４０のコマンドテーブル１４１を参照し、コマンドテーブル１４１に書き込まれている駆動パターンに従って、各種変更装置３１０～３６５を動作させる。

【0033】

図５Ａは、コマンドテーブル１４１の一例を示す説明図である。図５Ａに示した例では、コマンドテーブル１４１には、左から順に、制御番号、制御機器、制御フラグ、制御種別、制御時刻を書き込む欄が設けられている。制御番号の欄には、制御ＩＤが書き込まれる。制御機器の欄には、生育施設２００の名称、および、管理装置１０１の管理下で制御される各種変更装置３００の名称が書き込まれる。この例では、「ハウス２」という名称の生育施設２００に設けられた加熱装置３１０と換気装置３４０とが管理装置１０１の管理下で制御される。

【0034】

制御フラグの欄には、各種変更装置３００の駆動パターンが書き込まれる。この例では、加熱装置３１０と換気装置３５０との駆動パターンが２桁の数字で表されている。数字の１桁目は、加熱装置３１０のオンオフを表しており、数字の２桁目は、換気装置３５０のオンオフを表している。オンオフは、「１」と「０」とで表されており、「１」がオンを意味しており、「０」がオフを意味している。

【0035】

制御種別の欄には、手動制御部１１０と予測なし制御部１２０と予測あり制御部１３０とのうちのいずれによってコマンドテーブル１４１に駆動パターンの書き込みが実行されたかが表される。この例では、手動制御部１１０によって駆動パターンが書き込まれた場合には「Ａ」と表されており、予測なし制御部１２０によって駆動パターンが書き込まれた場合には「Ｂ」と表されており、予測あり制御部１３０によって駆動パターンが書き込まれた場合には「Ｃ」と表されている。制御時刻の欄には、コマンドテーブル１４１への駆動パターンの書き込みが実行された時刻が表示される。コマンドテーブル１４１には、例えば、５分間隔などの所定の時間間隔で、各種変更装置３００の駆動パターンが書き込まれる。なお、本実施形態では、コマンドテーブル１４１に一旦書き込まれた情報は、管理装置１０１内の各制御部１１０，１２０，１３０のいずれからも読み出すことができ、また、利用者は端末装置６００を用いていつでも閲覧することができる。

【0036】

図５Ｂは、各変更装置３００の駆動状態の推移の一例を示す説明図である。図には、左から順に、時刻と、加熱装置３１０のオンオフと、二酸化炭素発生装置３３０のオンオフと、窓開閉装置３５５によって開閉される天窓と側窓の開閉量とが表されている。制御ノード３０１は、コマンドテーブル１４１を参照することで、最新の駆動パターンに従って、各種変更装置３００を制御する。そのため、コマンドテーブル１４１に新たに書き込まれた駆動パターンが従前の駆動パターンから変更された場合に、制御ノード３０１によって各種変更装置３００の駆動状態が変更される。書込部１４０は、管理装置１０１内の各制御部１１０，１２０，１３０がコマンドテーブル１４１の各欄に書き込んだコマンドを、図５Ｂの形態に整理し、現在の駆動パターンとして保持しているので、管理装置１０１内の各制御部１１０，１２０，１３０は、これを読み出すことにより、現在の駆動パターンを知ることができる。

【0037】

（Ａ２）手動制御および予測なし制御の概要：
図６は、手動制御モード時に端末装置６００に表示されるユーザインタフェースＵＩ１の一例を示す説明図である。ユーザインタフェースＵＩ１には、動作モード選択領域Ｒ１と、計測値表示領域Ｒ２と、駆動状態選択領域Ｒ３とが設けられている。動作モード選択領域Ｒ１には、動作モードを切り替えるためのボタンが設けられている。計測値表示領域Ｒ２には、各種センサ４１０～４６５によって計測された計測値が表示される。図６に示した例では、計測値表示領域Ｒ２には、上から順に、温度センサ４１０によって計測された温度と、湿度センサ４２０によって計測された湿度と、土壌温度センサ４６５によって計測された温度と、二酸化炭素センサ４３０によって計測された二酸化炭素濃度とが表されている。駆動状態選択領域Ｒ３には、各種変更装置３１０～３６５の駆動状態を切り替えるためのボタンが設けられている。図６に示した例では、駆動状態選択領域Ｒ３には、上から順に、加熱装置３１０のオンオフを選択するためのボタンと、二酸化炭素発生装置３３０のオンオフを選択するためのボタンと、換気装置３４０の天窓および側窓の開度を選択するためのボタンとが表されている。

【0038】

次に、手動制御部１１０の動作について説明する。手動制御部１１０は、既に説明した様に、メモリ２０に記憶された手動制御用のプログラムをＣＰＵ１０が実行することにより、実現される。図７は、ＣＰＵ１０が実行する処理内容を示すフローチャートである。この処理は、管理装置１０１が手動制御モードで動作している場合に、例えば、５分間隔などの所定の時間間隔で、繰り返し実行され、手動制御部１１０としての機能を実現する。まず、ステップＳ１１０にて、手動制御部１１０は、ユーザによって端末装置６００に入力された駆動パターンを取得する。ステップＳ１２０にて、手動制御部１１０は、各種変更装置３１０～３６５の駆動パターンをコマンドテーブル１４１に書き込む。その後、手動制御部１１０は、この処理を終了する。管理装置１０１の動作モードが予測なし制御モードあるいは予測付き制御モードに切り替えられるまで、手動制御部１１０は、この処理を繰り返し実行する。

【0039】

図８は、予測なし制御モード時に端末装置６００に表示されるユーザインタフェースＵＩ２の一例を示す説明図である。ユーザインタフェースＵＩ２には、動作モード選択領域Ｒ１と、計測値表示領域Ｒ２と、目標値入力領域Ｒ４と、駆動状態表示領域Ｒ５とが設けられている。動作モード選択領域Ｒ１および計測値表示領域Ｒ２の構成は、手動制御モード時のユーザインタフェースＵＩ１における動作モード選択領域Ｒ１および計測値表示領域Ｒ２と同様である。目標値選択領域Ｒ４は、各物理量の目標値を入力する欄が設けられている。図８に示した例では、目標値入力領域Ｒ４には、上から順に、温度センサ４１０によって計測される温度の目標値と、湿度センサ４２０によって計測される湿度の目標値と、土壌温度センサ４６５によって計測される温度の目標値と、二酸化炭素センサ４３０によって計測される二酸化炭素濃度の目標値とが表されている。駆動状態表示領域Ｒ５には、各種変更装置３１０～３６５の駆動状態が表示される。

【0040】

次に、予測なし制御部１２０の動作について説明する。予測なし制御部１２０は、既に説明した様に、メモリ２０に記憶された予測なし制御用のプログラムをＣＰＵ１０が実行することにより、実現される。図９は、ＣＰＵ１０が実行する処理内容を示すフローチャートである。この処理は、管理装置１０１が予測なし制御モードで動作している場合に、例えば、５分間隔などの所定の時間間隔で、繰り返し実行され、予測なし制御部１２０としての機能を実現する。まず、ステップ２１０にて、予測なし制御部１２０は、端末装置６００によって入力された各種物理量の目標値を取得する。次に、ステップＳ２２０にて、予測なし制御部１２０は、各種物理量の計測値を取得する。本実施形態では、予測なし制御部は、データテーブル１４２を参照することによって、各種物理量の計測値を取得する。

【0041】

ステップＳ２３０にて、予測なし制御部１２０は、各種物理量の目標値と計測値とを比較して、各種変更装置３１０～３６５の駆動パターンを決定する。予測なし制御部１２０は、例えば、温度の目標値と計測値とを比較して加熱装置３１０のオンオフを決定し、湿度の目標値と計測値とを比較して加湿装置３２０のオンオフを決定し、二酸化炭素濃度の目標値と計測値とを比較して二酸化炭素発生装置３３０のオンオフを決定する。ステップＳ２４０にて、予測なし制御部１２０は、コマンドテーブル１４１に駆動パターンを書き込む。その後、予測なし制御部１２０は、この処理を終了する。管理装置１０１の動作モードが手動制御モードあるいは予測付き制御モードに切り替えられるまで、予測なし制御部１２０は、この処理を繰り返し実行する。

【0042】

（Ａ３）予測あり制御の概要：
次に、予測あり自動制御部１３０の構成と働きについて説明する。予測あり自動制御部１３０は、既に説明した様に、メモリ２０に記憶された予測あり制御用のプログラムをＣＰＵ１０が実行することにより実現される。フローチャートを用いたＣＰＵ１０の処理については、後述する。予測あり自動制御部１３０は、生育施設２００における各種変更装置３１０～３６５の過去の駆動量と、各種計測部４００が測定している温度などの物理量の計測値とから、将来の内部環境を予測して、各種変更装置３１０～３６５の駆動量の制御を行なう。こうした処理において、生育施設２００の将来の内部環境を予測する部分を、生育環境予測装置９０と呼ぶ。

【0043】

予測に用いてる各種変更装置３１０～３６５の駆動量とは、
（Ａ）各種変更装置３１０～３６５のオンオフ、
（Ｂ）オンの場合のパワー、
（Ｃ）窓開閉装置３５５のように開閉量が調整可能な場合は調整量、
等を含む。各種変更装置３１０～３６５のこれらの駆動量の組合わせを、以下、駆動パターンと呼ぶ。この予測あり自動制御部１３０は、内部にニューラルネットワークを用いた機械学習済みモデルを持ち、この機械学習済みモデルにより、２以上の変更装置３００を複数の駆動パターンで駆動した場合の現在時点から所定時間後（本実施形態では５分後）の生育施設２００の内部空間２０１の温度などの物理量を、駆動パターン毎に予測する。その上で、予測した物理量が目標値に最も近くなる駆動パターンで、各種変更装置３１０～３６５を駆動する。

【0044】

予測あり自動制御部１３０は、その動作のために、機械学習済みモデルを必要とするため、予め機械学習を行なうことが必要になる。そこで、予測あり自動制御部１３０としての機能を実現するために必要となる工程について、図１０を用いて説明する。

【0045】

まず、訓練用学習モデルＴＴＭを準備し（工程Ｔ１）、更に教師データＴＤを準備する（工程Ｔ２）。予測を可能とする訓練用学習モデルＴＴＭの一例を、図１１に示した。本実施形態の訓練用学習モデルＴＴＭに対して、後述する教師データを用いた機械学習を行なわせることで、機械学習済みモデル７０１が生成される。一旦学習が行なわれて、機械学習済みモデル７０１が得られれば、この機械学習済みモデル７０１に過去の駆動パターンおよび計測値の時系列データを入力し、これと、その時点での駆動パターンとから、所定時間後の物理量を予測することが可能となる。本実施形態での以下の説明では、時系列データ等は５分毎のデータであり、予測される物理量は、計測部４００の温度センサ４１０が検出する生育施設２００内の温度の推定値Ｔｍである。同一の訓練用学習モデルＴＴＭを用いても、学習の結果得られるものは、その予測結果が異なる。このため、教師付きの機械学習が終わったものは、機械学習済みモデル７０１として、訓練用学習モデルＴＴＭとは区別する。

【0046】

訓練用学習モデルＴＴＭは、内部に複数層のニューラルネットワークを備える。ニューラルネットワークの入力側は、ＲＮＮ（回帰型ニューラルネットワーク、Recurrent Neural Network）として構成されている。ＲＮＮは、図示するように、入力層ＬＲ１と中間層ＬＲ２と出力層ＬＲ３とを備え、中間層ＬＲ２が自己回帰構造を備える。自己回帰構造とは、時系列的に読み込まれるデータを、一度処理した後、時間的に後続する次のデータの入力の際に、回帰的に再入力して処理するニューラルネットワークである。訓練用学習モデルＴＴＭの後半は、ＲＮＮからの出力および実際の駆動パターンから、その駆動パターンで制御された場合の５分後の温度Ｔｈｓを予測する２層以上の処理層ＬＬ１～ＬＬｎを備える。ニューラルネットワークは、ＲＮＮの各層ＬＲ１、ＬＲ２、ＬＲ３、および後段のＬＬ１～ＬＬｎに複数のノードを備え、隣接する層のノードとの間に重み付けされたリンクを備える。「学習済み」とはこの重み付けの設定が完了した状態を意味する。

【0047】

この訓練用学習モデルＴＴＭに学習させるデータを教師データＴＤと呼ぶ。教師付きとは、そのデータを用いて学習させる際の結果をラベルとして備えるからである。教師付きの機械学習のための教師データは、過去の駆動パターンおよび計測値の時系列データと、次の駆動パターンのデータと、これらのデータに対応するラベルである所定時間後の実際の温度のデータＴｎとを含む。機械学習は、こうした教師データを多数用意し、各教師データを訓練用学習モデルＴＴＭに入力した際、最終的な出力層ＬＬｎの出力ノードｏｐ１の出力値Ｔｍが、実際の温度のデータＴｎと一致する様に、各層間の重み付けの設定を繰り返すことを言う。一般に、処理層ＬＬｎの出力ノードｏｐ１に現われる値は、値０～値１の間に正規化される。従って、教師データＴＤに含まれる温度のデータＴｎが、例えば１８℃～３０℃の範囲にあるとした場合、教師データＴＤに含まれる温度のデータＴｎが１８℃であれば、出力ノードｏｐ１が値０となり、教師データＴＤに含まれる温度のデータＴｎが３０℃であれば、出力ノードｏｐ１が値１となるように、各層間の重み付けが設定される。これが、訓練用学習モデルＴＴＭの学習処理（工程３）である。

【0048】

学習用の教師データＴＤは、既設の生育施設において、実際に行なわれた制御のデータを用いる。図１２は、既存の生育施設からのデータを取得する管理装置１０１が教師データＴＤを用意する様子を示す説明図である。図示するように、予測あり自動制御部１３０を備えるか否かを問わず、管理装置１０１には、地区Ａに設置された複数の生育施設２０２～２０７と、地区Ｂに設置された生育施設２１２～２１７が接続されており、各生育施設２０２～２１７の内部環境の制御が行なわれている。このため、管理装置１０１には、複数の生育施設２０２～２１７からの駆動パターンと計測値の５分おきのデータである時系列データが収集されている。管理装置１０１は、この時系列データを用いて、手動制御または予測なし自動制御１２０を行なっており、時系列データを取得・記憶する。この時系列データは、管理装置１０１に接続されたサーバ７００に集められ、ここで教師データＴＤとして集約され、記憶装置７１０に記憶される。なお、管理装置１０１は、各生育施設毎に設けられていてもよい。この場合には、サーバ７００は、複数の管理装置から時系列データを集めるように構成すればよい。

【0049】

記憶装置７１０に用意された教師データＴＤは、訓練用学習モデルＴＴＭの学習に用いられる。ここで学習されるのは、制御の対象である生育施設２００用の学習モデルである。図示したように、新設する生育施設２００とは別に既設の生育施設２０２～２１７が存在する。これら既設の生育施設２０２～２１７は、新たな生育施設２００と同じ地域Ａに存在する場合もあるし、異なる地域Ｂに存在する場合もある。本実施形態では、新たな生育施設２００と同じ地域Ａに存在する生育施設２０２～２０７における制御のデータを教師データＴＤとして利用する。もとより他の地区Ｂの生育施設２１２～２１７からのデータを併せて用いることも可能である。また、生育施設２００が既設であり、従来、手動制御部１１０および予測なし自動制御１２０による制御を行なっており、新たに予測あり自動制御部１３０を導入する場合には、生育施設２００について記憶装置７１０に記憶した時系列データのみを、教師データＴＤとして用いてもよい。

【0050】

訓練用学習モデルＴＴＭと教師データＴＤとを準備した上で行なう教師付きの機械学習処理（工程Ｔ３）の詳細を、図１３のフローチャートに示した。このフローチャートに基づいて、教師付きの機械学習処理について説明する。この機械学習は、管理装置１０１とは異なるサーバ７００に設けられた専用のコンピュータにより行なわれる。

【0051】

訓練用学習モデルＴＴＭは、学習が行なわれる前は、各層のノード間の接続に設定された重み付けは均一の値、またはランダムな値とされている。図１３に示した処理が開始されると、予め記憶装置７１０に準備された教師データＴＤを取得する処理を行なう（ステップＳ５００）。上述したように、この処理を開始するまでに、地域Ａに存在する実際の複数の生育施設２０２等から取得された時系列データが教師データＴＤとして収集されている。教師データＴＤは駆動パターンと計測値とを含む時系列データである。本実施形態では、駆動パターンとしては、各種変更装置３１０～３６５の駆動量の組合わせであり、計測値は、温度、湿度、ＣＯ２濃度など、計測部４００によって計測している全計測値である。

【0052】

この教師データＴＤを取得すると、続いて、訓練用学習モデルＴＴＭを用いた機械学習処理（ステップＳ５１０）を、汎化が完了するまで（ステップＳ５２０）行なう。訓練用学習モデルＴＴＭに対して教師データＴＤを与えて機械学習をすることにより、機械学習済みモデル７０１が生成されるので、最後にこれを生育施設２００用の機械学習済みモデルとして保存する（ステップＳ５３０）。保存された機械学習済みモデル７０１は、ネットワークを介してあるいは直接的に、生育施設制御システム１００の管理装置１０１のメモリ２０内に、予測あり自動制御部１３０から参照可能に保存される。

【0053】

以上のようにして、全ての教師データＴＤに対して、既定回数の重み付けの修正が行われると、訓練用学習モデルＴＴＭの汎化が完了したか否かを判定する（ステップＳ５２０）。すなわち、教師データＴＤを用いて訓練用学習モデルＴＴＭの入力と出力とが一致している度合いを取得し、一致していない度合い、つまり教師データと訓練用学習モデルＴＴＭの出力との誤差を誤差関数を用いて評価し、誤差が予め定めた閾値未満である場合には汎化が完了したと判定する。

【0054】

汎化が完了したと判断されなければ、機械学習処理（ステップＳ５１０）が繰り返される。つまり、さらに重みを修正する処理が行なわれ、誤差関数を用いた学習誤差の演算と評価が繰り返される。汎化が完了したと判断されると、学習済みの機械学習済みモデル７０１が生成される。この機械学習済みモデル７０１を、管理装置１０１のメモリ２０に保存することで（ステップＳ５３０）、予測あり自動制御部１３０が構成される（工程Ｔ４）。以上で、機械学習済みモデル７０１が生成され、予測あり自動制御部１３０が構成される。

【0055】

図１１に示した訓練用学習モデルＴＴＭを用いた機械学習の一例を、図１４に示す。図示するように、訓練用学習モデルＴＴＭに時系列データを順次読み込ませる。図では、２５分前のデータＤｐ２５～着目時間Ｄｐ０までの時系列データを示している。時間ｔがマイナス符号「－」付きで示されているのは、着目時間（ｔ＝０）から遡った時間であることを示す。また、時系列データＤｐ２５～Ｄｐ０には、計測ノード４０１により計測されて保存されたその時間の各種計測値ＤＳ２５～ＤＳ０、例えば生育施設２００の内部空間２０１の温度や湿度などと、制御ノード３０１により駆動される各種変更装置３００、例えば加熱装置３１０や二酸化炭素発生装置３３０などの動作状態を示す駆動パターンデータＤＤ２５～ＤＤ０が含まれる。なお、図では、加熱装置３１０を「暖房」として示した。天窓や側窓は、窓開閉装置３５５により天窓や側窓が開閉される割合を、１／６や、４／６として示す。

【0056】

学習の際には、訓練用学習モデルＴＴＭに５分毎の時系列データＤｐ２５～Ｄｐ０を順次入力し、更に、次の駆動パターンデータＤｆ５とその駆動パターンデータＤｆ５で制御した５分後の気温が２１℃であったという結果をラベルとするデータを入力する。これらの入力を受けて、最終的な出力ノードｏｐ１に２１℃に対応する値が出力されるように、訓練用学習モデルＴＴＭ内部のＲＮＮおよび処理層ＬＬ１～ＬＬｎの各処理層間の重み付けを学習する。

【0057】

以上の学習処理を行なうことで、機械学習済みモデル７０１が生成される。予測あり自動制御部１３０には、この機械学習済みモデル７０１が保存されている。そこで、次にこの機械学習済みモデル７０１を用いた予測あり自動制御部１３０の動作について説明する。図１５は、機械学習済みモデルを用いた生育環境予測装置９０の概略構成を示す説明図である。この図は、機械学習の様子を示した図１４と類似しているが、用いられるのは、訓練用学習モデルＴＴＭではなく機械学習済みモデル７０１である。この機械学習済みモデル７０１は、既に説明した学習を済ませているので、時系列データＤｐ２５～Ｄｐ０を順次入力した段階で、次の駆動パターンデータＤＰＤの一つを入力すると、５分後の生育施設２００の内部空間２０１の予測温度Ｔｍを出力ノードｏｐ１から出力する。なお、出力ノードｏｐ１の出力値を予測温度Ｔｍに換算して読み取るとき、制御に見合った精度で読み取ればよく、例えば１℃刻みで予測するものとしてもよく、０．１℃刻みで読み取ってもよい。あるいは制御に支障がなければ、２℃刻みなどの粗い刻みで読み取ってもよい。

【0058】

管理装置１０１のＣＰＵ１０は、図１６に示す処理を実行することで、この機械学習済みモデル７０１を用いた生育環境予測装置９０によって、生育施設２００の内部環境の一つとして、内部空間２０１の５分後の温度を予測する。更に、管理装置１０１はこの予測値を用いて、各種変更装置３１０～３６５の駆動パターンを決定する。図１６は、予測あり制御部の処理を示すフローチャートであり、この処理は５分毎に実行される。処理が開始されると、まず目標値Ｔｔを取得する（ステップＳ７００）。ここで目標値は、内部空間２０１の５分後の温度である。目標値Ｔｔは、図８に例示したように、端末装置６００に表示された各種計測値の目標値の一つである。なお、予測あり自動制御部１３０では同時２種類以上の物理量を目標値として扱えるが、ここでは、説明の便を図って、単一の物理量として温度を取り上げ、内部空間２０１の温度を目標値Ｔｔに制御するものとして。以下説明する。複数種類の物理量を目標値に制御する場合には、各物理量毎に機械学習済みモデルを用意し、それらの出力を結合する結合層を設けて、制御すればよい。

【0059】

生育施設２００の内部空間２０１の温度を目標値Ｔｔとして取得した後、次の直近の時系列データＤｐ０を取得する（ステップＳ７１０）。時系列データＤｐ０は、既に説明した様に、計測ノード４０１により計測されて保存されたその時間の各種計測値ＤＳ０、例えば生育施設２００の内部空間２０１の温度や湿度などのデータと、制御ノード３０１により駆動される各種変更装置３００、例えば加熱装置３１０や二酸化炭素発生装置３３０などの動作状態を示す駆動パターンデータＤＤ０が含まれる。これらのデータは、メモリ２０に用意されたコマンドテーブル１４１とデータテーブル１４２を読み取ることにより取得できる。この時系列データＤｐ０を機械学習済みモデル７０１のＲＮＮに入力し（ステップＳ７２０）、その後、５分後の温度を推定する処理（ステップＳ７３０～Ｓ７５０）を繰り返し実行する。

【0060】

温度の推定を行なう繰り返しの処理（ＲＰＴｓ～ＲＰＴｅ）は、駆動パターンを読み込む処理（ステップＳ７３０）、推定値Ｔｎを取得する処理（ステップＳ７４０）、推定値を記憶する処理（ステップＳ７５０）からなる。温度の推定処理では、これらの処理を、駆動パターンの全てを尽くすまで繰り返す。駆動パターンとは、各種変更装置３００に含まれる各装置のオンオフや駆動量の組み合わせである。図１５には、パターン１として、パターンの一部であるが、加熱装置３１０をＯＦＦ（暖房しない）とし、二酸化炭素発生装置３３０をＯＦＦ、遮光装置３５０により天窓を全閉（０／６）かつ側窓を２／６だけ開いた、という組み合わせを示した。図では、パターン１～４の４つを示したが、全ての組合わせを駆動パターンとして用意し、各駆動パターンでの内部空間２０１の温度を推定する。なお、駆動パターンの全ての組み合わせに代えて、実際に温度を制御する場合に影響を与える各種変更装置３１０～３６５の動作状態の組み合わせだけを駆動パターンとして取り上げてもよいし、教師付き学習の際に学習の対象とした組み合わせだけを駆動パターンとして取り上げてもよい。

【0061】

全ての駆動パターンを読み込んで（ステップＳ７３０）、温度の推定値Ｔｎを求め（ステップＳ７４０）、これを記憶する（ステップＳ７５０）。この結果、駆動パターンがｎ個あれば、ｎ個の推定値Ｔ１、Ｔ２、・・・Ｔｎがメモリ２０に記憶される。全ての駆動パターンについての上記処理が完了すると、次に、得られた推定値Ｔｎの内で、目標値Ｔｔに最も近い推定値を探し、その推定値Ｔｎに対応する駆動パターンを選択する（ステップＳ７６０）。この様子を、図１７に示した。この例では、目標値Ｔｔを２１℃としている。駆動パターンテーブルＤＰＤに含まれる駆動パターン１から順に機械学習済みモデル７０１に入力して、温度の推定値を取得し記憶する。温度の推定値を記憶した推定結果テーブルＲＳＴには、駆動パターン毎の推定温度が記憶されているから、これと目標温度Ｔｔ（２１℃）とを突き合わせることで、駆動パターン４が選択される。この結果を受けて、予測あり自動制御部１３０は、その駆動パターン（この例では駆動パターン４）で各種変更装置３１０～３６５を駆動する（ステップＳ７７０）。実際の各種変更装置３００の駆動制御は、既に説明した様に、コマンドテーブル１４１に各種変更装置３１０～３６５のオンオフや駆動量を書き込むことにより実現される。

【0062】

以上説明した第１実施形態の生育環境予測装置９０によれば、植物などを生育する生育施設２００の内部環境を、過去の時系列データから精度良く予測し、この予測値に対応する各種変更装置３１０～３６５の駆動パターンを選択して、これらを駆動することで、生育施設２００の内部空間２０１の温度を安定に制御することができる。予測なし自動制御１２０による制御と予測あり自動制御部１３０による制御の一例を、図１８に例示した。図において、破線ＴＧ１は目標温度Ｔｔを示し、実線Ｊ１は予測なし自動制御１２０による制御例を示し、二点鎖線Ｂ１は予測あり自動制御部１３０による制御の想定例を示す。図示するように、目標温度Ｔｔが一定の場合には、予測なし自動制御１２０による制御でも、内部空間２０１の温度は一定の範囲に入っているが、目標温度Ｔｔが変化すると、予測なし自動制御１２０による制御では、内部空間２０１の温度がハンチングを繰り返すといった挙動が見られる場合があった。他方、生育環境予測装置９０を組み込んだ予測あり自動制御部１３０による制御では、シミュレーションによる想定結果である二点鎖線Ｂ１として示したように、目標温度に対して大きなオーバシュートやアンダシュートなしで追従できるものと想定できる。この結果は、予測あり自動制御部１３０に組み込まれた生育環境予測装置９０による所定時間後の物理量（ここでは、５分後の内部空間２０１の温度）の予測の精度が高いことを示していると言える。

【0063】

Ｂ．第２実施形態：
次に本開示の第２実施形態について説明する。第２実施形態の生育環境予測装置９０Ｂは、第１実施形態の生育環境予測装置９０と比べて、追加学習の仕組みを有する点で異なり、他はほぼ同様の構成を備える。第２実施形態の生育環境予測装置９０Ｂの要部を、図１９に示す。図示するように、第２実施形態における管理装置１０１や予測あり自動制御部１３０は、第１実施形態と変わる所はない。第２実施形態の生育環境予測装置９０Ｂは、予測あり自動制御部１３０が用いる機械学習済みモデル７０１を更新する更新装置９００を備える点で、第１実施形態と相違する。

【0064】

生育環境予測装置９０Ｂの更新装置９００は、追加学習用の教師データＡＴＤを記憶する追加データ蓄積部９１０と、追加学習を行なう追加学習部９２０とを備える。追加データ蓄積部９１０は、追加学習部９２０指示を受けて、管理装置１０１のメモリ２０のコマンドテーブル１４１やデータテーブル１４２から追加学習に必要な時系列データを取得する。追加学習部９２０は、追加学習の処理を行なう。

【0065】

図２０は、追加学習部９２０が実行する追加学習処理を示すフローチャートである。この処理は、管理装置１０１とはネットワークＮＷを介して接続された更新装置９００において実行される。更新装置９００はこの処理を実行する際、内部に現在管理装置１０１において用いられている学習済みモデル７０１と同じものを保存している。追加学習は、本実施形態では、１日に１回行なわれ、現在管理装置１０１で用いられる機械学習済みモデル７０１を更新する。つまり、追加学習が行なわれる前には、前日更新された機械学習済みモデル７０１が、更新装置９００に保存されており、追加学習が行なわれて内容が刷新された追加学習済みの機械学習済みモデル７０１は、管理装置１０１にコピーされるが、同じものが更新装置９００に残されており、翌日の追加学習の際には、この機械学習済みモデル７０１が用いられる。こうして次第に機械学習済みモデル７０１は学習が重ねられることになる。

【0066】

更新装置９００の図示しないＣＰＵは、図２０に示した処理を、所定時間毎、例えば５分毎に実行する。処理が開始されると、まず処理のタイミングについて判定する（ステップＳ８００）。処理のタイミングとは、追加学習を行なうタイミングか、駆動量および計測値のデータの取得・蓄積を行なうタイミングか、のいずれかである。追加学習は一日に１回、例えば生育施設２００の外気温が安定する夜間の予め定めたタイミングで行なわれる。これ以外のタイミングであれば、ステップＳ８１０に移行し、ネットワークＮＷを介して、管理装置１０１のメモリ２０から駆動量と計測値のデータを取得する処理を行なう（ステップＳ８１０）。続いて、このデータを追加学習用の時系列データとして、追加データ蓄積部９１０に保存する処理を行なう（ステップＳ８１５）。このとき、追加学習部９２０は、取得したデータを追加学習用における教師データＡＴＤとして、ラベル付与などの整形を併せて行なう。以上の処理の後、「ＲＴＮ」に抜けて、本処理ルーチンを一旦終了する。

【0067】

管理装置においても本実施形態では、５分毎に各種変更装置３１０～３６５を駆動する処理が行なわれ、コマンドテーブル１４１やデータテーブル１４２が書き換えられていくから、一日が経過すると、
（６０分÷５分）×２４時間＝１２×２４＝２８８
個の時系列データが、追加学習用の教師データＡＴＤとして、追加データ蓄積部９１０に用意されることになる。

【0068】

そこで、ステップＳ８００の判断において、追加学習のタイミングであると判断されると、次に追加学習処理を行なう（ステップＳ８２０）。追加学習処理は、既に図１０～図１４を用いて説明した学習処理と同様の処理である。図１０～図１４を用いて説明した学習処理では、学習の対象は訓練用学習モデルＴＴＭを用いて学習したが、追加学習処理では、既に一度学習された機械学習済みモデル７０１を対象として学習を行なう。こうした学習済みのモデルの学習は、再学習と呼ぶこともある。いずれにせよ、最新のデータに基づいて用意された追加学習用の教師データＡＴＤを用いて、機械学習済みモデル７０１の各処理層間の結合の重み付けを修正する。追加学習（ステップＳ８２０）が終了したら、ネットワークＮＷを介して、予測あり自動制御部１３０に作動停止をリクエストする（ステップＳ８３０）。

【0069】

このリクエストを受けると、予測あり自動制御部１３０は動作を停止する。この場合、生育施設２００の内部環境の制御は、予測なし自動制御１２０が行なうものとすればよい。予測あり自動制御部１３０の動作をネットワークＮＷを介して監視し、停止したと判断すれば（ステップＳ８４０：「ＹＥＳ」）、追加学習が行なわれた機械学習済みモデル７０１をネットワークＮＷを介して、予測あり自動制御部１３０に送信し、予測あり自動制御部１３０に内蔵された機械学習済みモデル７０１を更新する（ステップＳ８５０）。その後、「ＲＴＮ」に抜けて、本処理ルーチンを終了する。

【0070】

こうして機械学習済みモデル７０１が更新されると、その後、予測あり自動制御部１３０は制御可能な状態に復し、必要に応じて、生育施設２００の内部空間２０１の各物理量の制御を担う。

【0071】

以上説明した第２実施形態の生育環境予測装置９０Ｂでは、一日に行なわれた制御に基づいて機械学習済みモデル７０１を追加で学習する追加の教師データＡＴＤを用意し、追加学習を行なうので、機械学習済みモデル７０１が日々更新され、生育施設２００が設置された場所毎に異なる外部環境に適合した制御が可能となる。図１２に示したように、内部環境の予測と制御を行なおうとする生育施設２００が特定の地域Ａに設置されており、生育施設２００において生育環境予測装置９０Ｂによる予測と予測あり自動制御部１３０による制御が行なわれる前に存在した生育施設２０２～２０７からの時系列データを利用して、訓練用学習モデルＴＴＭを学習したとしても、生育施設２０２～２０７は生育施設２００と同一ではあり得ない。設置場所が違えば、外気温や日照、風量などの条件はもとより、内部空間２０１の大きさや、各種変更装置３００の効率、内部空間２０１における設置場所なども異なる。従って、実際に制御の対象となる生育施設２００において取得された時系列データに基づいて用意された教師データＡＴＤを用いて追加学習を行なうことにより、予測精度の向上を図り、延いては制御の高精度化や安定化を図ることが可能となる。

【0072】

本実施形態では、追加学習は、教師データＡＴＤをまとめて保存しておき、一日に一度のタイミングで行なうものとしたが、管理装置１０１による制御が行なわれて新たな時系列データが得られたタイミングで逐次行なうようにしてもよい。また、一週間や一か月など、長期間毎に追加学習を行なうようにしたり、手動で、追加学習の指示を受けて追加学習するようにしたりしても良い。また、管理装置１０１のＣＰＵ１０や付設したＧＰＵなどの性能が高ければ、追加学習を管理装置１０１内で行なうようにしてもよい。追加学習に代えて、訓練用学習モデルＴＴＭを学習して、別の機械学習済みモデルを生成し、これと既設の機械学習済みモデル７０１とを連結して予測させるようにしてもよい。

【0073】

Ｃ．他の実施形態：
（１）本開示の他の実施形態の一つは、生物を生育する生育施設の内部環境を表わす少なくとも一つの物理量を計測する計測部からの計測値の時系列データを取得する計測値データ取得部と、前記生育施設の内部空間に働き掛けて、前記内部環境を変更する複数種類の変更装置の駆動量の時系列データを取得する駆動量データ取得部と、前記生育施設に対応する施設における少なくとも一つの物理量の時系列データと前記施設における複数種類の変更装置の駆動量の時系列データとの関係を教師データとした機械学習を行なうことで得られた機械学習済みモデルを用いて、前記生育施設において取得された前記計測値の時系列データと前記駆動量の時系列データとに基づいて、前記少なくとも一つの前記物理量の現時点から所定時間後の値である予測値を予測する予測部と、前記物理量の前記予測値を、利用可能な形態で出力する出力部とを備える。こうすれば、生育施設のように外部環境と接しており、内部空間の環境を予測しがたいものであっても、少なくとも一つの前記物理量の現時点から所定時間後の値である予測値を予測でき、これを表示や制御に利用できる。

【0074】

こうした生育環境予測装置は、農業や林業、漁業、更には畜産業などの分野で利用できる。対象となる生育施設としては、野菜や茸類の栽培や繁殖を行なうビニールハウス、魚類・甲殻類・貝類の養殖を行なう生け簀、鶏の飼育や採卵などを行なう大規模施設などがある。生育施設に対応する施設は、その生育施設そのものでもよいし、予測の対象となる生育施設とは別の生育施設でもよい。他の生育施設は、予測の対象となる生育施設と、環境に共通点を有する地域に存在するものであれば、初期の機械学習の結果が近いものとなり、好ましいが、多数の教師データで学習を行なうという観点や、汎用性の高い機械学習済みモデルを利用するという観点では、共通性は低くても差し支えない。

【0075】

生育施設の内部環境を表わす少なくとも一つの物理量としては、温度、湿度、気圧、日射量など、種々のものを想定できる。また、内部環境を表わしていれば、計測部としてはどのようなセンサでもよい。こうした物理量は２以上であってもよい。この場合、複数の物理量の組合わせを予測することになり、複数の物理量の組み合わせの数を扱えるだけの大きさを備えた訓練用学習モデルを用意するか、各物理量毎に訓練用学習モデルを用意して、各訓練用学習モデルの出力層を結合して両者の予測値を出力する最終層を用意するなどの対応をとることができる。

【0076】

内部環境を変更する複数種類の変更装置の駆動量としては、単純なオンオフに対応した駆動量や、多段階あるいは無段階に調整できる駆動量などがあり得る。駆動量は、オンオフといったステータスとして把握してもよいし、駆動時間として把握してもよいし、変更装置が駆動した総エネルギなどにより把握してもよい。全開から全閉までを、何等分かして、つまり全駆動量に対する割合として把握してもよい。

【0077】

（２）こうした構成において、前記機械学習済みモデルは、訓練用モデルに前記機械学習を行なったものであり、前記訓練用モデルは、回帰型ニューラルネットワーク（ＲＮＮ）を備えるものとしてもよい。こうすれば、時系列データの処理が容易になる。もとより時系列データを個々に扱うニューラルネットワークを用意し、これらを統合する出力層を設けた構成を採用してもよい。

【0078】

（３）こうした上記（１）や（２）の構成において、前記訓練用モデルは、前記回帰型ニューラルネットワークの後段に、ディープラーニングを行なう複数層のニューラルネットワークを備えるものとしてよい。こうすれば、回帰型ニューラルネットワークの後段に設けられた複数層のニューラルネットワークをディープラーニングさせることで、生育施設における駆動量の時系列データに基づいて、少なくとも一つの物理量の現時点から所定時間後の値である予測値を予測するための学習が容易となる。

【0079】

（４）こうした上記（１）～（３）の構成において、前記回帰型ニューラルネットワークには、前記生育施設に対応する施設における少なくとも一つの物理量の時系列データと前記施設における複数種類の変更装置の駆動量の時系列データとを入力し、前記複数層のニューラルネットワークには、前記回帰型ニューラルネットワークの出力と、前記生育施設に対応する施設における前記複数種類の前記変更装置の次の駆動量とを入力し、前記次の駆動量に対応する前記少なくとも一つの物理量をラベルとして、前記訓練用モデルの学習を行なって、得られた機械学習済みモデルを用いて、前記予測値の予測を行なうものとしてよい。こうすれば、生育施設対応する施設における時系列データと生育施設に対応する施設における複数種類の変更装置の次の駆動量とに基づいて予測を行なう機械学習済みモデルを生成でき、この機械学習済みモデルを用いた予測の精度を高めることができる。訓練用学習モデルの回帰型ニューラルネットワークの入力層のノードの数を増やして、複数種類の変更装置の次の駆動量も、他の時系列データと共に、回帰型ニューラルネットワークに入力するようにしてもよい。

【0080】

（５）こうした上記（１）～（４）の構成において、前記機械学習済みモデルの前記回帰型ニューラルネットワークに前記生育施設において取得された前記計測値の時系列データと前記駆動量の時系列データとを入力し、前記複数層のニューラルネットワークに、前記回帰型ニューラルネットワークの出力と、前記生育施設における前記複数種類の前記変更装置の次の駆動量として用意された複数の組み合わせとを入力し、前記複数の組み合わせ毎に、前記予測値の予測を行なうものとしてよい。こうすれば、生育施設における複数種類の変更装置の次の駆動量として用意された複数の組み合わせ毎に、予測値の予測を行なうので、得られた予測値と複数の変更装置の駆動量の組合わせとが把握でき、いずれの駆動量の組合わせを用いればよいかを知ることができる。このため、出力部により出力された複数の予測値を用いて利用者が変更装置の動作を設定してもよいし、複数の予測値を用いて、自動制御を行なうといったことも可能になる。こうした複数の組み合わせとしては、複数種類の変更装置の駆動量のある得る全ての組み合わせでもよいし、学習時に用いた組み合わせでもよい。あるいは予測する少なくとも一つの物理量に影響を与えるとして予め準備した組み合わせでもよい。

【0081】

（６）こうした上記（１）～（５）の構成において、前記複数種類の変更装置は、前記生育施設おいて、前記内部空間に熱量を付与する加熱装置、前記内部空間の熱量を奪う冷却装置、前記内部空間に水蒸気を付与する加湿装置、前記内部空間の水蒸気を奪う乾燥装置、前記内部空間にミストを付与するミスト付与装置、前記内部空間に二酸化炭素を付与する二酸化炭素発生装置、前記内部空間と外部との気体の交換を行なう換気装置、前記内部空間内の気体の循環を図る循環装置、前記内部空間への日照の入射量を変更する遮光装置、前記内部空間に備えられた培養土に水を供給する灌水装置、前記生育施設の天井または壁面に設けられた窓の開口量を調整する開口量調整装置のうちの少なくとも二つを備えるものとしてよい。こうすれば、生育施設の内部空間の環境の制御を種々行なうことができる。もとより変更装置としては、複数種類備えられていればよく、３種類以上備えても差し支えない。

【0082】

（７）こうした上記（１）～（６）の構成において、前記計測部は、前記生育施設において、前記内部空間の温度を計測する温度センサ、前記内部空間の湿度を計測する湿度センサ、前記内部空間の二酸化炭素濃度を計測する二酸化炭素センサ、前記内部空間と外部との間で交換される気体の換気量を計測する換気センサ、前記内部空間内の気体の循環量を計測する循環量センサ、前記内部空間への日照の入射量を計測する日照センサ、前記内部空間に備えられた培養土が含有する水分量を計測する水分量センサ、のうちの少なくとも一つを備えるものとしてよい。もとより、複数のセンサを備えることも差し支えない。

【0083】

（８）こうした上記（１）～（７）の構成において、前記機械学習済みモデルに対して、前記生育施設での少なくとも一つの前記物理量の時系列データと前記生育施設における前記複数種類の変更装置の駆動量の時系列データとの関係を教師データとして追加学習を行なって、前記機械学習済みモデルの更新を行なう更新装置を備えるものとしてよい。こうすれば、生育施設での生物の生育が行なわれるにしたがって、予測の精度を高めることができる。特に、訓練用学習モデルの学習を行なった教師データが、対象となる生育施設自体のものではなく、生育施設に対応する施設のものであった場合には、こうした追加学習の効果は大きい。生育施設に生育環境予測装置を付設する場合、生物の生育を開始する時点では、地域や全国の施設、あるいは内部空間の大きさや備えられた変更装置の種類や能力が異なる施設から取得した時系列データに基づく教師データで学習した機械学習済みモデルを用意せざるを得ない場合があり、こうした場合に、生物の生育を繰り返すことで、生育施設が存在する場所に固有の機械学習済みモデルに成長させることができる。従って、生物の生育を繰り返すことで、次第に予測の精度を高められる。

【0084】

（９）こうした上記（１）～（８）の構成において、更に、所定時間の間の前記生育施設での少なくとも一つの前記物理量の時系列データと前記生育施設における前記複数種類の変更装置の駆動量の時系列データとの関係を所定期間に亘って蓄積する蓄積部を備え、前記更新装置は、前記所定期間の経過後、前記蓄積された前記関係を用いて前記追加学習を行なうものとしてよい。こうすれば、まとめて追加学習を行なうことができ、効率的に機械学習済みモデルを更新できる。もとより、生育環境予測装置の処理能力が十分に高ければ、更新装置を生育環境予測装置内に設け、時系列データを蓄積せず、新たな時系列データが得られる度に追加学習を行なうものとしてもよい。

【0085】

（１０）本開示は生育環境制御システムとしても実施可能である。この生育環境制御システムは、上記（１）～（９）に記載の生育環境予測装置と、前記計測された物理量の内の少なくとも一つと、前記生育環境予測装置から出力された前記物理量の前記予測値とを比較し、両者の差が最も小さい駆動パターンで前記複数種類の変更装置を駆動する駆動部とを備える。こうすれば、生育施設の内部環境を表わす少なくとも一つの物理量を目標値に制御する処理を行なうことができる。

【0086】

（１１）本開示は、生育環境予測方法としても実施可能である。この生育環境予測方法は、生物を生育する生育施設の内部環境を表わす少なくとも一つの物理量を計測し、前記生育施設の内部空間に働き掛けて、前記内部環境を変更する複数種類の変更装置の駆動量の時系列データを取得し、前記生育施設に対応する施設における少なくとも一つの物理量の時系列データと前記施設における複数種類の変更装置の駆動量の時系列データとの関係を教師データとした機械学習を行なうことで得られた機械学習済みモデルを用いて、前記生育施設において取得された前記駆動量の時系列データに基づいて、前記少なくとも一つの前記物理量の現時点から所定時間後の値である予測値を予測し、前記物理量の前記予測値を、利用可能な形態で出力する。こうすれば、生育施設のように外部環境と接しており、内部空間の環境を予測しがたいものであっても、少なくとも一つの前記物理量の現時点から所定時間後の値である予測値を予測でき、これを表示や制御に利用できる。

【0087】

（１２）上記各実施形態において、ハードウェアによって実現されていた構成の一部をソフトウェアに置き換えるようにしてもよい。ソフトウェアによって実現されていた構成の少なくとも一部は、ディスクリートな回路構成により実現することも可能である。また、本開示の機能の一部または全部がソフトウェアで実現される場合には、そのソフトウェア（コンピュータプログラム）は、コンピュータ読み取り可能な記録媒体に格納された形で提供することができる。「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスクやＣＤ－ＲＯＭのような携帯型の記録媒体に限らず、各種のＲＡＭやＲＯＭ等のコンピュータ内の内部記憶装置や、ハードディスク等のコンピュータに固定されている外部記憶装置も含んでいる。すなわち、「コンピュータ読み取り可能な記録媒体」とは、データパケットを一時的ではなく固定可能な任意の記録媒体を含む広い意味を有している。

【0088】

本開示は、上述の実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の構成で実現することができる。例えば、発明の概要の欄に記載した各形態中の技術的特徴に対応する実施形態中の技術的特徴は、上述の課題の一部又は全部を解決するために、あるいは、上述の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。

【符号の説明】

【0089】

１０…ＣＰＵ、２０…メモリ、３０…入出力インタフェース、９０，９０Ｂ…生育環境予測装置、１００…生育施設制御システム、１０１…管理装置、１１０…手動制御部、１２０…予測なし自動制御部、１３０…予測あり自動制御部、１４０…書込部、１４１…コマンドテーブル、１４２…データテーブル、１５０…通信部、１６０…切替部、２００…生育施設、２０１…内部空間、２０２～２０７，２１２～２１７…生育施設、３００…変更装置、３０１…制御ノード、３０２…ＣＰＵ、３０３…メモリ、３０４…入出力インタフェース、３１０…加熱装置、３１５…冷却装置、３２０…加湿装置、３２５…乾燥装置、３３０…二酸化炭素発生装置、３４０…換気装置、３４５…循環装置、３５０…遮光装置、３５５…窓開閉装置、３６０…灌水装置、３６５…土壌加熱装置、４００…計測部、４０１…計測ノード、４０２…ＣＰＵ、４０３…メモリ、４０４…入出力インタフェース、４１０…温度センサ、４２０…湿度センサ、４３０…二酸化炭素センサ、４４０…換気センサ、４４５…循環量センサ、４５０…日照センサ、４６０…土壌水分量センサ、４６５…土壌温度センサ、５００…通信装置、６００…端末装置、７００…サーバ、７０１…機械学習済みモデル、７１０…記憶装置、９００…更新装置、９１０…追加データ蓄積部、９２０…追加学習部、ＴＴＭ…訓練用学習モデル

【図1】

【図2】

【図3】

【図4】

【図5A】

【図5B】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】