ホーム > 特許ランキング > 株式会社レフ・テクノロジー
▶ 株式会社レフ・テクノロジーの特許一覧 ▶ カンダシステム株式会社の特許一覧
特許7441371生成方法、判別方法、コンピュータプログラム、生成装置及び判別装置
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2024-02-20
(45)【発行日】2024-02-29
(54)【発明の名称】生成方法、判別方法、コンピュータプログラム、生成装置及び判別装置
(51)【国際特許分類】
G01N 21/27 20060101AFI20240221BHJP
【ＦＩ】
G01N21/27 A
【請求項の数】
11
(21)【出願番号】P 2023199346
(22)【出願日】2023-11-24
【審査請求日】2023-11-24
【早期審査対象出願】
(73)【特許権者】
【識別番号】507014553
【氏名又は名称】株式会社レフ・テクノロジー
(73)【特許権者】
【識別番号】523445298
【氏名又は名称】カンダシステム株式会社
(74)【代理人】
【識別番号】100145403
【弁理士】
【氏名又は名称】山尾 憲人
(74)【代理人】
【識別番号】100131808
【弁理士】
【氏名又は名称】柳橋 泰雄
(74)【代理人】
【識別番号】100163902
【弁理士】
【氏名又は名称】市川 奈月
(72)【発明者】
【氏名】浅香 尚洋
(72)【発明者】
【氏名】井形 俊幸
(72)【発明者】
【氏名】赤崎 直哉
【審査官】伊藤 裕美
(56)【参考文献】
【文献】特許第７２３２３７６（ＪＰ，Ｂ１）
【文献】特開２０１８－１６１０５８（ＪＰ，Ａ）
【文献】特開２０２３－１４７５２６（ＪＰ，Ａ）
【文献】特開２０２３－１３９６７４（ＪＰ，Ａ）
【文献】特開２０２３－１１７７７７（ＪＰ，Ａ）
【文献】特許第７３０５９０２（ＪＰ，Ｂ１）
【文献】YEE-RENDON, Arturo et al.，Analysis of New RGB Vegetation Indices for PHYVV and TMV Identification in Jalapeno Pepper (Capsicum annuum) Leaves Using CNNs-Based Model，Plants，2021年09月22日，10,1977，1-17
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ０１Ｇ ７／００ － Ａ０１Ｇ ７／０６
Ｇ０６Ｔ １／００ － Ｇ０６Ｔ １／６０
Ｇ０６Ｔ ７／００ － Ｇ０６Ｔ ７／３８
Ｇ０１Ｎ ２１／００ － Ｇ０１Ｎ ２１／６１
ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）
(57)【特許請求の範囲】
【請求項1】
記憶装置にアクセス可能な演算回路を含むコンピュータにより実行される植物の生育状態を判別する判別モデルの生成方法であって、前記記憶装置は、
複数の植物の葉の画像を用いて、画像の画素毎に、以下の式（１）を用いて得られた、複数の葉緑体疎密画像を記憶し、
（赤色光の強度×ｘ＋緑色光の強度×ｙ）／（ｘ＋ｙ）－青色光の強度 （１）
（ただし、０≦ｘ、０≦ｙ、であり、ｘ＝ｙ＝０の場合は除く）
前記生成方法は、
前記演算回路が、前記記憶装置から複数の前記葉緑体疎密画像を読み出し、
前記演算回路が、複数の前記葉緑体疎密画像を機械学習の学習用データとして用いて植物の生育状態の判別モデルを生成する、
生成方法であって、さらに、
前記演算回路が、前記式（１）のｘとｙとの値を、判別精度の最も高くなる組み合わせに最適化する工程を含む
生成方法。
【請求項2】
前記植物の生育状態は、健康状態、病害罹患状態、栄養不良又は過多状態、生育環境不良状態、虫害状態の群から選択された少なくとも一つを含む、請求項１に記載の生成方法。
【請求項3】
前記生育状態は、程度の異なるレベルのうち選択されたレベルを含む、請求項１に記載の生成方法。
【請求項4】
前記植物の葉の画像の取得には、輝度が面に対して略均一の面光源を内蔵した透過型光学系を用いる請求項１に記載の生成方法。
【請求項5】
前記機械学習は、教師あり学習と教師なし学習のうち、少なくとも一種類を含む、請求項１に記載の生成方法。
【請求項6】
前記記憶装置は、前記各葉緑体疎密画像に、前記植物の生育状態を示すラベルを関連付けて記憶し、
前記生成方法は、
前記演算回路が、前記記憶装置から前記葉緑体疎密画像とともに前記ラベルを教師あり学習の学習用データとして読み出し、
前記演算回路が、前記学習用データに含まれる複数の前記葉緑体疎密画像と、対応する前記ラベルとの関係を機械学習により学習し、新たな植物の葉緑体疎密画像に対して、前記新たな植物の生育状態を判別結果として出力する判別モデルを生成する、
請求項１に記載の生成方法。
【請求項7】
前記演算回路が、前記記憶装置から複数の前記葉緑体疎密画像を教師なし学習の学習用データとして読み出し、前記演算回路が、前記学習用データの複数の前記葉緑体疎密画像の特徴を分析結果に基づいて、植物の生育状態の特徴毎の複数のクラスタを生成し、
前記演算回路が、各クラスタに前記植物の生育状態を示すラベルが付与されると、前記クラスタに含まれる複数の前記葉緑体疎密画像と、前記クラスタに付与されたラベルとを教師あり学習の学習用データとし、複数の前記葉緑体疎密画像と、対応する前記ラベルとの関係を学習し、新たな植物の葉緑体疎密画像に対して、前記新たな植物の生育状態を判別結果として出力する判別モデルを生成する、
請求項１に記載の生成方法。
【請求項8】
演算回路を含むコンピュータにより実行される植物の生育状態を判別する判別方法であって、前記演算回路が、判別用の植物の葉の画像を受け付け、
前記演算回路が、前記画像から、植物の葉緑体の疎密を示す葉緑体疎密画像を演算し、
前記演算回路が、演算された前記葉緑体疎密画像を請求項１の生成方法で生成された前記判別モデルへの入力として、前記植物の生育状態を判別する、
判別方法。
【請求項9】
請求項１から７のいずれか１に記載の生成方法を前記コンピュータに実行させるコンピュータプログラム。
【請求項10】
請求項８に記載の判別方法を前記コンピュータに実行させるコンピュータプログラム。
【請求項11】
記憶装置にアクセス可能な演算回路を含み、植物の生育状態を判別する判別モデルの生成装置であって、前記記憶装置は、
複数の植物の葉の画像を用いて、画像の画素毎に、以下の式（１）を用いて得られた、複数の葉緑体疎密画像を記憶し、
（赤色光の強度×ｘ＋緑色光の強度×ｙ）／（ｘ＋ｙ）－青色光の強度 （１）
（ただし、０≦ｘ、０≦ｙ、であり、ｘ＝ｙ＝０の場合は除く）
前記演算回路は、
前記記憶装置から複数の前記葉緑体疎密画像を読み出し、
複数の前記葉緑体疎密画像を機械学習の学習用データとして用いて植物の生育状態の判別モデルを生成する、
生成装置であって、
前記演算回路は、さらに、
前記式（１）のｘとｙとの値を、判別精度の最も高くなる組み合わせに最適化する
生成装置。
【発明の詳細な説明】
【技術分野】
【0001】
植物の生育状態を判別する判別モデルの生成方法及び生成装置、植物の生育状態を判別する判別方法及び判別装置、これら方法を実行するコンピュータプログラムに関する。
【背景技術】
【0002】
植物の生育状態は、植物の生葉から観察されることがある。例えば、特許文献１には、植物の葉に励起光を照射して植物が病原菌に感染しているか診断する装置が記載される。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１３－３６８８９号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、植物の生育状態を容易に観察する点及び精度良く観察する点においては、未だ改善の余地がある。
【0005】
そこで、本開示は、植物の生育状態の容易及び／又は精度良い観察を可能とする、植物の生育状態を判別する判別モデルの生成方法及び生成装置、植物の生育状態を判別する判別方法及び判別装置、これら方法を実行するコンピュータプログラムを提供することを目的とする。
【課題を解決するための手段】
【0006】
本開示に係る生成方法は、記憶装置にアクセス可能な演算回路を含むコンピュータにより実行される植物の生育状態を判別する判別モデルを生成する。前記記憶装置は、複数の学習用の植物の葉の画像から得られた、前記植物葉に含まれるクロロフィルとカロテノイドの吸光スペクトルの差を反映した画像である葉緑体疎密画像を記憶する。生成方法は、前記演算回路に実行され、前記記憶装置から前記葉緑体疎密画像を読み出し、前記葉緑体疎密画像を機械学習の学習用データとして用いて植物の生育状態の判別モデルを生成する。
【0007】
このような概括的かつ特定の態様は、システム、方法、及びコンピュータプログラム、並びに、それらの組み合わせにより、実現されてもよい。
【発明の効果】
【0008】
本開示に係る植物の生育状態を判別する判別モデルの生成方法及び生成装置、植物の生育状態を判別する判別方法及び判別装置、これら方法を実行するコンピュータプログラムは、植物の生育状態の容易及び／又は精度良い観察を提供する。
【図面の簡単な説明】
【0009】
【図1A】白色ＬＥＤの発光スペクトルのモデルを示す。
【図1B】クロロフィルの吸光スペクトルのモデルを示す。
【図1C】カロテノイドの吸光スペクトルのモデルを示す。
【図1D】クロロフィルの作用スペクトルのモデルを示す。
【図2A】健康部分のスペクトルのモデルを示す。
【図2B】黄化部分のスペクトルのモデルを示す。
【図2C】葉脈部分のスペクトルのモデルを示す。
【図3A】デジタルカメラのＲの分光感度曲線のモデルを示す。
【図3B】デジタルカメラのＧの分光感度曲線のモデルを示す。
【図3C】デジタルカメラのＢの分光感度曲線のモデルを示す。
【図4】黄化部分のモデルスペクトルと健康部分のモデルスペクトルの差を示す。
【図5A】葉の表面を撮影した画像である。
【図6A】判別モデルの生成を説明する概略図である。
【図6B】判別モデルを用いた判別を説明する概略図である。
【図7】第１実施形態に係る生成装置の一例を示すブロック図である。
【図8】第１実施形態に係る判別装置の一例を示すブロック図である。
【図9】第１実施形態に係る生成装置で実行される判別モデルの生成の処理の一例を示すフローチャートである。
【図10】第１実施形態に係る判別装置で実行される判別処理の一例を示すフローチャートである。
【図11】第２実施形態に係る生成装置の一例を示すブロック図である。
【図12A】クラスタリング用データを説明する概略図である。
【図12B】クラスタリング結果を説明する概略図である。
【図12C】クラスタリング結果へのラベルの受け付けを説明する概略図である。
【図13】第２実施形態に係る生成装置で実行されるクラスタリング及び判別モデルの生成の処理の一例を示すフローチャートである。
【図14】実験例１で利用するデータの一例を示す概略図である。
【図16】実験例３の結果を示すグラフである。
【発明を実施するための形態】
【0010】
以下に、図面を用いて本開示における実施形態を、図面を適宜参照しながら説明する。ただし、詳細な説明において、従来技術および実質的に同一の構成に関する説明のうち不必要な部分は省略されることもある。これは、説明を簡単にするためである。また、以下の説明および添付の図面は、当業者が本開示を充分に理解できるよう開示されるのであって、特許請求の範囲の主題を限定することを意図されていない。
【0011】
本開示は、植物の生育状態を判別する判別モデルの生成方法および判別方法に関する。以下では、植物の生育状態として、植物の健康生育状態を判別する判別モデルの生成及び利用を例として説明する。より具体的には、植物の病気が葉の黄化として現れる一例で説明する。
【0012】
〈植物の生育状態〉
植物の生育状態は、植物の葉に現れることがある。例えば、植物が、健康状態または病気に感染した状態の何れの生育状態であるかを、葉の外観から判断できることがある。一方で、植物が健康であっても、一見すると、病気に感染した場合と同様の生育状態に見える場合もある。
植物の生育状態は、植物の葉に現れることがある。例えば、植物が、健康状態または病気に感染した状態の何れの生育状態であるかを、葉の外観から判断できることがある。一方で、植物が健康であっても、一見すると、病気に感染した場合と同様の生育状態に見える場合もある。
【0013】
例えば、植物が病気に感染した場合、植物の葉が黄化することがある。したがって、植物の栽培者は、植物の葉が黄化した場合に、この植物が病気に感染したと判断することがある。一方で、植物が病気に感染していない場合であっても、植物の葉が黄化することがある。例えば、植物が、栄養不足や日照不足等の条件下にあるとき、植物が病気に感染していない場合であっても、葉が黄化することがある。このような場合、植物が病気に感染したか、または、感染していないかは、専門家であっても判別しにくいことがある。
【0014】
植物が病気に感染していない場合と、病気に感染した場合とでは、植物に対して行う対応が異なる。したがって、植物が病気に感染したか否かの判別精度を向上することが望まれる。
【0015】
植物の葉は、クロロフィルの量が変化することで相対的にカロテノイドの密度が高くなり、黄化する。栄養不足などの黄化と病害による黄化では、その形状や分布、濃淡などの違いがある場合がある。熟練の農作業者のみがこの黄化部分の差異を認識できるケースもある。
【0016】
植物が光合成を行うため、葉の葉肉には、葉緑体が有するクロロフィル（葉緑素）やカロテノイドといった光合成色素が含まれる。葉緑体が有するクロロフィルは、主要な光合成色素の１つであり、カロテノイドは、補助的な光合成色素の１つである。
【0017】
植物がウイルス感染等による病気に罹患せず、生育が良好であるとき、すなわち植物が健康なときは、葉の葉肉はクロロフィル及びカロテノイドを十分に含む。以下では、このようにクロロフィル及びカロテノイドを十分に含む部分を「健康部分」とも称する。
【0018】
植物が病害に罹患したり、栄養不足になると、葉肉の緑体の発達が悪くなりクロロフィルが減少し、葉が黄化する。以下では、このような部分を「黄化部分」と称する。すなわち、黄化部分は、「病害に罹患したことが原因となる場合」と、「病害に罹患したこと以外が原因となる場合」とがある。
【0019】
なお、葉の葉脈は、通常、クロロフィル及びカロテノイドが少ない、又は含んでいない。
【0020】
したがって、各部分のクロロフィル及びカロテノイドの量は、以下の表１のようになる。
（表１）
（表１）
【0021】
ここで、上述したように、黄化部分は、「病害に罹患したことが原因となる場合」と、「病害に罹患したこと以外が原因となる場合」とがある。この原因に応じて、黄化部分を含む葉の表面上のクロロフィルの分布が異なる。換言すると、クロロフィル量の減少を原因とする黄化部分の形状や濃淡、分布が異なる。このような見た目では容易に区別することができないクロロフィルの分布の様相を判別することができれば、黄化の原因が、「病害」または「それ以外」であるかを区別することができる。例えば、黄化部分の形状や葉における分布、濃淡の識別がしやすくなれば、判別の精度を向上することができる。
【0022】
〈葉緑体での光の透過〉
次に、クロロフィルとカロテノイドの光の透過について説明する。一例として、光源に白色ＬＥＤを使用した場合を考える。図１Ａに、白色ＬＥＤの発光スペクトルのモデルを示す。図１Ｂにクロロフィルの吸光スペクトルのモデルを示す。図１Ｃにカロテノイドの吸光スペクトルのモデルを示す。
次に、クロロフィルとカロテノイドの光の透過について説明する。一例として、光源に白色ＬＥＤを使用した場合を考える。図１Ａに、白色ＬＥＤの発光スペクトルのモデルを示す。図１Ｂにクロロフィルの吸光スペクトルのモデルを示す。図１Ｃにカロテノイドの吸光スペクトルのモデルを示す。
【0023】
しかしながら、図１Ｂ及び図１Ｃで示す吸光度は溶液内で理想的に計測されたものであり、実際には、葉に侵入した光は、葉内で内部散乱することにより、緑色光であっても葉緑体またはその他の葉内の物質に吸収され光合成に寄与しうる。この効果は、例えば、図１Ｄに示すように、光合成の作用スペクトルという形で見ることが出来る。
【0024】
前述のように、緑色光の吸収効果は、葉内の内部散乱によるところが大きいため、アオサなどの薄い植物においては、理想的なクロロフィルの吸光スペクトルに近い光合成作用スペクトルを持つことが知られている。緑色光を吸収する物質が何であれ、緑色光の吸収効果は、葉緑体の存在による内部散乱効果がもたらす入射光と吸光物質の遭遇確率の増加による所が大きいため、葉緑体が葉の黄化により消失すれば、緑色の吸収効果も弱くなる。その意味において、ここでは、図１Ｄの作用スペクトルを、便宜上クロロフィルの作用スペクトルとして採用する。また、カロテノイドについては、図１をそのまま採用する。
【0025】
表１に従い、光源の光にそれぞれの条件で吸光スペクトルを作用させる。即ち、健康部分には図１Ｂに示すクロロフィルの吸光スペクトルと図１Ｃに示すカロテノイドの吸光スペクトルを作用させる。黄化部分には図１Ｃに示すカロテノイドの吸光スペクトルのみ作用させる。葉脈部分にはクロロフィルの吸光スペクトルもカロテノイドの吸光スペクトルも作用させない。図２Ａに健康部分の結果（健康部分のスペクトルのモデル）、図２Ｂに黄化部分の結果（黄化部分のスペクトルのモデル）、図２Ｃに葉脈部分の結果（葉脈部分のスペクトルのモデル）を示す。
【0026】
次に、これらのスペクトル群にデジタルカメラの分光感度曲線を作用させる。即ち、ＲＧＢの三色に区分されるわけだが、分光したときには波長情報はなく、積算された画素値が残ることになる。なお、格子状に並んだ、画像を構成する最小要素を画素（pixel＝ピクセル）という。各画素は、数値によって光の強さや色を表す。また、各画素の光の強さや色を表す値を画素値という。図３Ａに、Ｒの分光感度曲線のモデルを示す。図３Ｂに、Ｇの分光感度曲線のモデルを示す。図３Ｃに、Ｂの分光感度曲線のモデルを示す。
【0027】
表２．１は、Ｒ、Ｇ、Ｂの各光を作用させたときの、健康部分、黄化部分、葉脈部分の各光の強さを表す画素値の一例を示す。表２．１によると、Ｒ、Ｇ、Ｂいずれの場合においても、もっとも高い値となるのは葉脈部分であり、黄化部分を強調できていないことが分かる。また、各画素値を比較すると、葉脈部分はＲ画像、Ｇ画像、Ｂ画像全ての帯域で高い値であるのに対し、健康部分と黄化部分おいてはＢ画像が、Ｒ画像およびＧ画像よりも低い値であることが分かる。
（表２．１）
（表２．１）
【0028】
図４は、黄化部分のモデルスペクトルと健康部分のモデルスペクトルの差を示す。具体的には、図２Ｂのモデルスペクトルから図２Ａのモデルスペクトルを減算した値を示すグラフである。図４では、短波長側（例えば、波長約４００ｎｍ～５００ｎｍ）よりも、中波長（例えば、約５００ｎｍ～６００ｎｍ）及び長波長側（例えば、約６００ｎｍ～７８０ｎｍ）で差が大きいことが分かる。つまり、Ｇ（緑色光：例えば、中波長）とＲ（赤色光：例えば、長波長）にまたがって分布している波長部分に大きな差があり、Ｂ（青色光：例えば、短波長）にカウントされる波長帯域には、黄化と健康の差は相対的に少ない。これは、上記マトリックスにおいて、Ｒ、Ｇ、Ｂの画素値それぞれにおいて黄化部分と健康部分の値の差を計算しても明白である。
【0029】
以上の内容から、以下の二点が言える。
黄化部分と健康部分の差はＲとＧにまたがる波長帯域の画素値に現れる
葉脈部分はＲＧＢ全ての波長帯域において高い画素値を持っている
黄化部分と健康部分の差はＲとＧにまたがる波長帯域の画素値に現れる
葉脈部分はＲＧＢ全ての波長帯域において高い画素値を持っている
【0030】
このことから、「黄化部分と健康部分の差」、すなわち、「葉緑体の疎密」を最大限強調するには、式（１．１）が最適の計算式であると言える。
（Ｒ画像とＧ画像を任意の重み付けで配合する式）－（Ｂ画像を用いた式） （１．１）
（Ｒ画像とＧ画像を任意の重み付けで配合する式）－（Ｂ画像を用いた式） （１．１）
【0031】
ここで、（Ｒ画像とＧ画像を任意の重み付けで配合する式）は、算術平均、幾何平均、その他二つの要素の重み付けが可能な式を含む。（Ｂ画像を用いた式）には、例えば、葉脈除去の効果が高まるように、係数や補正項を用いてもよい。（Ｒ画像とＧ画像を任意の重み付けで配合する式）と（Ｂ画像を用いた式）は、最終的にモノクロ画像として葉緑体疎密画像を出力するため、両者の最大最小範囲を同一にするために、規格化してもよい。
【0032】
上記式（１．１）の第一項で、黄化部分と健康部分の差が明確になる。式（１．１）の第二項で、葉脈部分の情報をカットする。ここで、式（１．１）第一項と二項の最大最小範囲を同一にする必要がある。一般的に、ＲＧＢそれぞれの画素値は、０から２５５までの値をとる。したがって、式（１．１）の第一項は式（１．２）となる。
（Ｒ画像×ｘ＋Ｇ画像×ｙ）／（ｘ＋ｙ） （１．２）
（ただし、０≦ｘ、０≦ｙ）
（Ｒ画像×ｘ＋Ｇ画像×ｙ）／（ｘ＋ｙ） （１．２）
（ただし、０≦ｘ、０≦ｙ）
【0033】
ここで、ｘとｙの値が一意に定められない理由は、植物葉によって、光合成の作用スペクトルが異なるからである。植物の種類によって、ＲとＧどちらに比重をかけた方がより黄化部分と健康部分の差が強調されるか異なるのである。
【0034】
表２．２は、以下の式（１．３）のｘ及びｙ値を、それぞれ、（０、１）、（１、０）、（１、１）としたときの、健康部分、黄化部分、葉脈部分の積算された画素値の一例である。いずれのケースも、黄化部分が最大の画素値となり、モノクロ画像において黄化部分が最も強調されていることが分かる。
（Ｒ画像×ｘ＋Ｇ画像×ｙ）／（ｘ＋ｙ）－Ｂ画像 （１．３）
（ただし、０≦ｘ、０≦ｙ）
式（１．３）で得られた画像は、本開示における「葉緑体疎密画像」の一例である。
（表２．２）
（Ｒ画像×ｘ＋Ｇ画像×ｙ）／（ｘ＋ｙ）－Ｂ画像 （１．３）
（ただし、０≦ｘ、０≦ｙ）
式（１．３）で得られた画像は、本開示における「葉緑体疎密画像」の一例である。
（表２．２）
【0035】
〈葉緑体疎密画像〉
ここで、図５Ａから図５Ｃを用いて、本開示の判別モデルで使用する葉緑体疎密画像を説明する。図５Ａは、葉の表面を撮影した画像である。実際は、図５Ａでは、モノクロ画像で示すが、実際は、カラー画像である。
ここで、図５Ａから図５Ｃを用いて、本開示の判別モデルで使用する葉緑体疎密画像を説明する。図５Ａは、葉の表面を撮影した画像である。実際は、図５Ａでは、モノクロ画像で示すが、実際は、カラー画像である。
【0036】
図５Ｂは、図５Ａをモノクロ化した画像を、所定の閾値で二値化した画像である。閾値は、黄化部分が抽出できるように調整しながら決定された。また、図５Ｂの画像において、黒色の部分が主に黄化部分とされる。しかしながら、図５Ｂの画像では、黄化していない葉脈部分等も黒く検出されている。
【0037】
図５Ｃは、図５Ａのカラー画像を用いて求めたＲ画像及びＢ画像を利用した葉緑体疎密画像を黄化部分が抽出できるように閾値を調整して二値化した画像の一例を示す。具体的には、図５Ｃの画像は、以下の式（１．３）において、ｘ及びｙの値を、それぞれ（１、０）としたときの葉緑体疎密画像を二値化した画像である。
（Ｒ画像×ｘ＋Ｇ画像×ｙ）／（ｘ＋ｙ）－Ｂ画像 （１．３）
図５Ｃの画像でも、黒色の部分が主に黄化部分とされる。図５Ｂの二値化画像と、図５Ｃの葉緑体疎密画像を二値化した画像とを比較すると、図５Ｃの葉緑体疎密画像を二値化した画像は、葉脈の部分が黄化として抽出されることを軽減することができる。これは上記でも述べた通りの葉脈削減効果（葉脈部分の情報をカットした効果）が表れている。
（Ｒ画像×ｘ＋Ｇ画像×ｙ）／（ｘ＋ｙ）－Ｂ画像 （１．３）
図５Ｃの画像でも、黒色の部分が主に黄化部分とされる。図５Ｂの二値化画像と、図５Ｃの葉緑体疎密画像を二値化した画像とを比較すると、図５Ｃの葉緑体疎密画像を二値化した画像は、葉脈の部分が黄化として抽出されることを軽減することができる。これは上記でも述べた通りの葉脈削減効果（葉脈部分の情報をカットした効果）が表れている。
【0038】
〈判別モデル〉
図６Ａおよび図６Ｂを用いて、植物の生育状態を判別する判別モデルＭについて簡単に説明する。図６Ａに示すように、判別モデルの生成に利用する学習用データＤ１３は、複数組の画像データと、画像に付与されたラベルとを含む。各画像データは、「植物の葉の葉緑体疎密画像」である。また、ラベルは、各画像データと対応する「植物の生育状態」である。具体的には、植物の生育状態は、健康状態並びに葉色に影響を及ぼし得る、病害罹患状態、栄養不良・過多状態、生育環境不良状態（日照、気温、湿度、水やりが不適切）、虫害状態のうち、少なくとも一つである。
図６Ａおよび図６Ｂを用いて、植物の生育状態を判別する判別モデルＭについて簡単に説明する。図６Ａに示すように、判別モデルの生成に利用する学習用データＤ１３は、複数組の画像データと、画像に付与されたラベルとを含む。各画像データは、「植物の葉の葉緑体疎密画像」である。また、ラベルは、各画像データと対応する「植物の生育状態」である。具体的には、植物の生育状態は、健康状態並びに葉色に影響を及ぼし得る、病害罹患状態、栄養不良・過多状態、生育環境不良状態（日照、気温、湿度、水やりが不適切）、虫害状態のうち、少なくとも一つである。
【0039】
学習器において、学習用データＤ１３に含まれる各画像データと、植物の生育状態との関係を機械学習により学習し、判別モデルＭを生成する。判別モデルＭは、新たに植物の疎密を示す画像が入力されると、判別結果である植物の生育状態を出力する。仮に、ラベルである植物の生育状態が、「良好」と「不良」とであるとき、判別モデルＭは、例えば、植物の疎密を示す入力画像に対して、その植物が「良好」または「不良」である可能性を出力する。なお、植物の生育状態を示すラベルは、「良好」及び「不良」の２種類に限定されない。例えば、植物の生育状態を、３種以上のラベルで表してもよい。判別モデルＭを利用することで、目視だけでは難しい植物の判別を容易に行うことが可能となる。
【0040】
なお、各画像データ（葉緑体疎密画像）は、例えば、植物の葉の表面を撮影した画像データから生成されたデータである。なお、１つの学習用データセットに含まれる画像データは、同一の条件で撮影及び生成されることが好ましい。例えば、１つの学習用データセットに含まれる画像データ（葉緑体疎密画像）は、同一又は同程度の光の照射条件で撮影した画像データで生成され得る。より具体的には、輝度が面に対してほぼ均一の面光源を内蔵した透過型光学系を用いて撮影された画像データであり得る。また、１つの学習用データセットに含まれる画像データ（葉緑体疎密画像）は、撮影データから同一の方法（演算式）で生成される。このように、同一又は同程度の学習用データと、判別用データとは、同一の条件で撮影されることで、正確な判別を可能とする。
【0041】
仮に、光の照射条件が異なる複数の撮影条件で画像を撮影した場合、光源スペクトルや分光感度曲線が異なる可能性がある。上述したモデルスペクトルの議論より、光の照射条件が異なる場合、最適なｘとｙの値を一意に定めることができず、非効率的である。したがって、学習用データと判別用データを同一又は同程度の撮影条件とすることで、より正確な判別が可能となる。
【0042】
また、上述のモデルスペクトルの議論は、葉の健康（葉肉）部分、黄化部分、葉脈部分を明確に区別できるように撮影することを前提としている。本発明は、高品質な植物葉撮影データを用いることを前提に、判別モデルＭの判別精度をさらに向上させる技術である。例えば、透過型光学系のような高精度の撮影環境を採用することで、高品質な植物葉の画像を撮影することができる。
【0043】
〈生成装置の構成〉
図７を用いて、判別モデルＭを生成する生成装置１の構成を説明する。生成装置１は、図７に示すように、演算回路１１、入力装置１２、出力装置１３、通信回路１４及び記憶装置１５等を備える。例えば、生成装置１は、パーソナルコンピュータや情報処理装置である。
図７を用いて、判別モデルＭを生成する生成装置１の構成を説明する。生成装置１は、図７に示すように、演算回路１１、入力装置１２、出力装置１３、通信回路１４及び記憶装置１５等を備える。例えば、生成装置１は、パーソナルコンピュータや情報処理装置である。
【0044】
演算回路１１は、生成装置１全体の制御を司るコントローラである。例えば、演算回路１１は、記憶装置１５に記憶されている生成プログラムＰ１を読み出して実行することにより、判別モデルＭの生成に関する各種の処理を実現する。演算回路１１は、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＦＰＧＡ、ＤＳＰ、ＡＳＩＣ等、種々のプロセッサ又は専用に設計されたハードウェア回路であってもよい。
【0045】
入力装置１２は、ユーザによる操作やデータの入力に利用される。入力装置１２は、例えば、操作ボタン、キーボード、マウス、タッチパネル、マイクロフォン等でありうる。出力装置１３は、処理結果やデータの出力に利用される。出力装置１３は、例えば、ディスプレイ、スピーカ等の出力手段でありうる。
【0046】
通信回路１４は、他の装置とのデータ通信を行う。データ通信は、有線および／または無線で行われ、例えば公知の通信規格にしたがう。例えば、有線によるデータ通信は、イーサネット（登録商標）規格、および／またはＵＳＢ（登録商標）規格等に準拠して動作する半導体集積回路の通信コントローラを通信回路１４として用いることによって行われてもよい。また無線によるデータ通信は、無線ＬＡＮ（Local Area Network）に関するＩＥＥＥ８０２．１１規格、および／または移動体通信に関する、いわゆる４Ｇ／５Ｇ／６Ｇと呼ばれる、第４／第５／第６世代移動通信システム等に準拠して動作する半導体集積回路の通信コントローラを通信回路１４として用いることによって行われてもよい。
【0047】
記憶装置１５は種々の情報を記録する記録媒体である。記憶装置１５は、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＳＳＤ（Solid State Drive）、ハードディスクドライブ、その他の記憶デバイス又はそれらを適宜組み合わせて実現される。記憶装置１５は、生成プログラムＰ１、撮影データＤ１１、光強度データＤ１２、学習用データＤ１３、判別モデルＭ等を格納する。生成プログラムＰ１は、演算回路１１が実行するコンピュータプログラムである。生成プログラムＰ１が実行されることで、判別モデルＭを生成する各種の処理が実行される。
【0048】
撮影データＤ１１は、植物の葉を撮影して得られた画像データである。
【0049】
光強度データＤ１２は、撮影データＤ１１から生成されたＲ画像、Ｇ画像及びＢ画像のデータである。
【0050】
学習用データＤ１３は、図６Ａを用いて上述したように、葉緑体疎密画像と、対応する植物の生育状態を示すラベルとを複数組含むデータである。葉緑体疎密画像は、光強度データＤ１２から生成される。
【0051】
【0052】
図７は、生成装置１が１台の情報処理装置で実現される例を示す。しかしながら、生成装置１は、複数の情報処理装置で実現されてもよい。例えば、実行される複数の処理の少なくとも一部が、演算回路で実行されてもよい。また例えば、複数のデータのうち少なくとも一部が、異なる記憶装置に記憶されていてもよい。
【0053】
生成装置１が、各状態を示すラベルが付された葉緑体疎密画像を用いて学習することで、表１に関連して上述した「病害に罹患したことが原因となる黄化」と、「病害に罹患したこと以外が原因となる黄化」とを区別して判別する判別モデルＭを生成することができる。すなわち、「病害に罹患したことが原因となる黄化」と、「病害に罹患したこと以外が原因となる黄化」は、カラー画像の目視だけでは区別しにくい。しかしながら、クロロフィルの量に応じて求められた葉緑体の疎密を示す葉緑体疎密画像を学習用データとすることで、目視では区別が困難な「病害に罹患したことが原因の黄化の程度」と、「病害に罹患したこと以外が原因となる黄化の程度」とを区別することが可能となる。
【0054】
〈判別装置の構成〉
図８を用いて、判別モデルＭを用いて植物の生育状態を判別する判別装置２の構成を説明する。判別装置２は、図８に示すように、演算回路２１、入力装置２２、出力装置２３、通信回路２４及び記憶装置２５等を備える。例えば、判別装置２は、パーソナルコンピュータや情報処理装置である。
図８を用いて、判別モデルＭを用いて植物の生育状態を判別する判別装置２の構成を説明する。判別装置２は、図８に示すように、演算回路２１、入力装置２２、出力装置２３、通信回路２４及び記憶装置２５等を備える。例えば、判別装置２は、パーソナルコンピュータや情報処理装置である。
【0055】
演算回路２１、入力装置２２、出力装置２３、通信回路２４及び記憶装置２５は、それぞれ、図８を用いて上述した演算回路１１、入力装置１２、出力装置１３、通信回路１４及び記憶装置１５と同様の具体的手段で実現される。
【0056】
記憶装置２５は、判別プログラムＰ２、判別モデルＭ、撮影データＤ２１、光強度データＤ２２、判別用データＤ２３等を格納する。
【0057】
判別プログラムＰ２は、演算回路２１が実行するコンピュータプログラムである。判別プログラムＰ２が実行されることで、判別のための各種の処理が実行される。
【0058】
判別モデルＭは、上述した生成装置１で生成された学習済みモデルである。
【0059】
撮影データＤ２１は、生育状態を判別する植物の葉の画像データである。
【0060】
光強度データＤ２２は、撮影データＤ２１から生成されたＲ画像、Ｇ画像及びＢ画像のデータである。
【0061】
判別用データＤ２３は、撮影データＤ２１から得られた葉緑体疎密画像である。
【0062】
図８は、判別装置２が１台の情報処理装置で実現される例を示す。しかしながら、判別装置２は、複数の情報処理装置で実現されてもよい。
【0063】
なお、図８に示す判別装置２は、図７を用いて上述した生成装置１と同一の装置で実現してもよい。すなわち、判別モデルＭの生成と、判別モデルＭを用いた植物の生育状態の判別が、同一の情報処理装置で実行されてもよい。
【0064】
〈判別モデルの生成の処理〉
図９に示すフローチャートを用いて、生成装置１で実行される判別モデルＭを生成する処理を説明する。
図９に示すフローチャートを用いて、生成装置１で実行される判別モデルＭを生成する処理を説明する。
【0065】
演算回路１１は、まず、複数の植物の葉の撮影データＤ１１を取得する（Ｓ０１）。演算回路１１は、取得した複数の撮影データＤ１１を記憶装置１５に記憶させる。ここで、各撮影データＤ１１には、植物の生育状態を示すラベルが予め関連付けられていてもよい。例えば、各撮影データＤ１１には、「健康」、「病気初期」、「病気中期」、「病気末期」などのラベルが関連付けられる。また、各撮影データＤ１１を植物の生育状態を示すラベルと関連付けて記憶装置１５に記憶させる。なお、ステップＳ０１で取得した撮影データＤ１１に植物の生育状態を示すラベルが関連付けられていないとき、演算回路１１は、各撮影データＤ１１へのラベル付けの処理を実行する。
【0066】
演算回路１１は、ステップＳ０１で取得した撮影データＤ１１を用いて、光強度データＤ１２を生成する（Ｓ０２）。具体的には、演算回路１１は、各撮影データＤ１１を、Ｒ成分、Ｇ成分、Ｂ成分に分解して、赤色光の強度を示すＲ画像、緑色光の強度を示すＧ画像、青色光の強度を示すＢ画像を生成することで、複数の光強度データＤ１２を生成する。また、演算回路１１は、生成した光強度データＤ１２を記憶装置１５に記憶させる。
【0067】
演算回路１１は、ステップＳ０２で生成した光強度データＤ１２を用いて、葉緑体疎密画像を生成する（Ｓ０３）。演算回路１１は、例えば、画像の対応する画素毎に、以下の式（１．３）を適用することにより、葉緑体疎密画像を生成する。ステップＳ０２からステップＳ０３の処理は、いわゆる前処理である。ここで、ステップＳ０２またはステップＳ０３の処理の前後で他の前処理が必要な場合、他の前処理を実行してもよい。例えば、前処理の一例としては、画像のトリミングや画像の回転等の処理があり得る。
（Ｒ画像×ｘ＋Ｇ画像×ｙ）／（ｘ＋ｙ）－Ｂ画像 （１．３）
（ただし、０≦ｘ、０≦ｙ）
（Ｒ画像×ｘ＋Ｇ画像×ｙ）／（ｘ＋ｙ）－Ｂ画像 （１．３）
（ただし、０≦ｘ、０≦ｙ）
【0068】
一つの判別モデルにおいては、同一の演算式を用いて葉緑体疎密画像を取得する。ここで、式（１．３）又は上述の式（１．２）において、約分をすれば同じ式になるｘとｙの組み合わせについては、全て同一であると定義する。換言すると、ｘとｙの比率が同じとき、同一であると定義する。例えば、ｘ：ｙが１：２、２：４、３：６の組み合わせは、同一であると定義する。
【0069】
演算回路１１は、ステップＳ０３で生成した各葉緑体疎密画像に、対応するラベルを関連付けて、学習用データＤ１３を生成する（Ｓ０４）。また、演算回路１１は、生成した学習用データＤ１３を記憶装置１５に記憶させる。
【0070】
演算回路１１は、ステップＳ０４で生成した学習用データＤ１３を用いて、判別モデルＭを生成する（Ｓ０５）。具体的には、演算回路１１は、学習用データＤ１３に含まれる葉緑体の疎密を示す画像と植物の生育状態との関係を学習して判別モデルＭを生成する。また、演算回路１１は、生成した判別モデルＭを記憶装置１５に記憶させる。
【0071】
このようにして、生成装置１は、植物の葉の画像から植物の葉の生育状態を判別する判別モデルＭを生成することができる。
【0072】
〈判別モデルを用いた判別の処理〉
図１０に示すフローチャートを用いて、判別装置２で実行される判別モデルＭを用いて植物の生育状態を判別する処理を説明する。
図１０に示すフローチャートを用いて、判別装置２で実行される判別モデルＭを用いて植物の生育状態を判別する処理を説明する。
【0073】
演算回路２１は、まず、生育状態を判別する植物の葉の撮影データを取得する（Ｓ１１）。演算回路２１は、取得した撮影データＤ２１を記憶装置２５に記憶させる。
【0074】
演算回路２１は、ステップＳ１１で取得した撮影データＤ２１を用いて、光強度データＤ２２を生成する（Ｓ１２）。光強度データＤ２２の生成は、図６を用いて上述したステップＳ０２と同様の処理で実行することができる。また、演算回路２１は、生成した光強度データＤ２２を記憶装置２５に記憶させる。
【0075】
演算回路２１は、ステップＳ１２で生成した光強度データＤ２２を用いて、葉緑体疎密画像を生成する（Ｓ１３）。葉緑体疎密画像の生成は、図９を用いて上述したステップＳ０３と同様の処理で実行することができる。また、演算回路２１は、生成した葉緑体疎密画像を判別用データＤ２３として記憶装置２５に記憶させる。
【0076】
演算回路２１は、ステップＳ１３で生成した判別用データＤ２３を、判別モデルＭの入力として、対象の植物の生育状態を判別する（Ｓ１４）。
【0077】
演算回路２１は、出力装置２３にステップＳ１４における判別結果を出力する（Ｓ１５）。
【0078】
このようにして、判別装置２は、判別モデルＭを用いて、植物の葉の画像から植物の葉の生育状態を判別することができる。
【0079】
《式（１．３）に使用するｘ、ｙの決定》
式（１．３）に用いるｘ、ｙの最適な値の決定を、その時に得られた判別精度をフィードバックし、最適化することにより決定することができる。例えば、式（１．３）に用いるｘ、ｙの値の決定は、生成装置１において、実行してもよい。このとき、演算回路１１は、一般的な最適化問題で利用される手法を用いて、ｘとｙの値を決定することができる。ｘとｙの値の決定に利用されるデータは、例えば、専門家によって「健康」「病気初期」」、「病気中期」、「病気末期」がラベル付けされた「撮影データ」が関連付けられるデータである。
式（１．３）に用いるｘ、ｙの最適な値の決定を、その時に得られた判別精度をフィードバックし、最適化することにより決定することができる。例えば、式（１．３）に用いるｘ、ｙの値の決定は、生成装置１において、実行してもよい。このとき、演算回路１１は、一般的な最適化問題で利用される手法を用いて、ｘとｙの値を決定することができる。ｘとｙの値の決定に利用されるデータは、例えば、専門家によって「健康」「病気初期」」、「病気中期」、「病気末期」がラベル付けされた「撮影データ」が関連付けられるデータである。
【0080】
〈第２実施形態〉
図１１～１３を用いて、第２実施形態に係る生成装置１Ａを説明する。上述した第１実施形態では、生成装置１が、教師あり学習を利用して判別モデルＭを生成する例で説明した。具体的には、生成装置１は、前処理によって予めラベルが付された画像を含む学習用データＤ１３を用いて判別モデルＭを生成する。これに対し、第２実施形態に係る生成装置１Ａは、教師なし学習を利用してラベルが付与されていない画像をクラスタリングする。また、生成装置１Ａは、クラスタリングで生成された各クラスタのラベルを受け付けると、学習用データを生成して判別モデルＭを生成する。実施形態２において、実施形態１に係る生成装置１と同一の構成及び同一の処理は、同一の符号を用いて説明を省略することもある。
図１１～１３を用いて、第２実施形態に係る生成装置１Ａを説明する。上述した第１実施形態では、生成装置１が、教師あり学習を利用して判別モデルＭを生成する例で説明した。具体的には、生成装置１は、前処理によって予めラベルが付された画像を含む学習用データＤ１３を用いて判別モデルＭを生成する。これに対し、第２実施形態に係る生成装置１Ａは、教師なし学習を利用してラベルが付与されていない画像をクラスタリングする。また、生成装置１Ａは、クラスタリングで生成された各クラスタのラベルを受け付けると、学習用データを生成して判別モデルＭを生成する。実施形態２において、実施形態１に係る生成装置１と同一の構成及び同一の処理は、同一の符号を用いて説明を省略することもある。
【0081】
〈生成装置の構成〉
図１１に示すように、第２実施形態に係る生成装置１Ａは、演算回路１１は、入力装置１２、出力装置１３、通信回路１４及び記憶装置１５を含む情報処理装置で実現される。第２実施形態に係る生成装置１Ａの記憶装置１５は、図１４に示すように、クラスタリングプログラムＰ３、生成プログラムＰ１、撮影データＤ１１、光強度データＤ１２、クラスタリング用データＤ３１、クラスタリング結果データＤ３２、学習用データＤ１３、判別モデルＭを記憶する。
図１１に示すように、第２実施形態に係る生成装置１Ａは、演算回路１１は、入力装置１２、出力装置１３、通信回路１４及び記憶装置１５を含む情報処理装置で実現される。第２実施形態に係る生成装置１Ａの記憶装置１５は、図１４に示すように、クラスタリングプログラムＰ３、生成プログラムＰ１、撮影データＤ１１、光強度データＤ１２、クラスタリング用データＤ３１、クラスタリング結果データＤ３２、学習用データＤ１３、判別モデルＭを記憶する。
【0082】
クラスタリングプログラムＰ３は、演算回路１１が実行するコンピュータプログラムである。クラスタリングプログラムＰ３が実行されることで、生成装置１Ａにおいて、クラスタリングの処理が実行される。クラスタリングプログラムＰ３は、例えば階層的クラスタリング及び非階層的クラスタリングといったハードクラスタリングや、ソフトクラスタリングを利用してクラスタを生成する。
【0083】
クラスタリング用データＤ３１は、図１２Ａに示すように、フラグが付されていない単なる画像を含むデータである。クラスタリング用データは、例えば、複数の撮影データＤ１１からそれぞれ生成された葉緑体疎密画像であり得る。
【0084】
クラスタリング結果データＤ３２は、クラスタリング用データＤ３１がクラスタリングされた結果である。例えば、図１２Ｂに示すように、教師なし学習により、クラスタリング用データＤ３１から複数のクラスタが得られ、クラスタリング結果データＤ３２となる。例えば、図１２Ｂは、一つのデータが一つのクラスタにしか属さないハードクラスタリングを用いて、クラスタＡ～Ｅが得られた一例を示す。なお、一つのデータが複数のクラスタに属することを許容するソフトクラスタリングを用いた場合、例えば、「病害かつ栄養不足」という複数の項目のラベルが付与されてもよい。また、複数のラベルの相対的な配分まで評価してもよい。一般的に、葉の黄化を含む自然現象は、複合的な要因によって発現する。
【0085】
学習用データＤ１３は、クラスタリング結果データＤ３２の各クラスタＡ～Ｅに、ユーザによってラベルが付され、生成されたデータである。学習用データＤ１３は、判別モデルＭの生成で利用される。図１２Ｃは、図１２Ｂで得られたクラスタＡ～Ｃに、それぞれ「病気」、「健康」、「栄養不足」のラベルが付された例である。なお、全てのクラスタのラベルが特定できない場合もあり得る。特定できない場合、図１２Ｃに示すように、「不明」のラベルを付してもよい。また、例えば柑橘グリーニング病のように、病害の発現の仕方が複数パターン存在する場合や、病原菌の遺伝子系統が複数存在する場合もあり得る。そのような場合は、例えば「病気」ラベルのクラスタを「病気パターンＡ」、「病気パターンＢ」のように、細分化し、階層化してもよい。尚、ラベルの細分化と階層化は「病気」ラベルに限らない。
【0086】
〈クラスタリング及び判別モデルの生成の処理〉
図１３に示すフローチャートを用いて、生成装置１Ａで実行されるクラスタリング及び判別モデルＭを生成する処理を説明する。具体的には、図１３に示すフローチャートの破線内（Ｓ２１～Ｓ２３）が、クラスタリングの処理である。
図１３に示すフローチャートを用いて、生成装置１Ａで実行されるクラスタリング及び判別モデルＭを生成する処理を説明する。具体的には、図１３に示すフローチャートの破線内（Ｓ２１～Ｓ２３）が、クラスタリングの処理である。
【0087】
演算回路１１は、まず、複数の植物の葉の撮影データＤ１１を取得する（Ｓ０１）。演算回路１１は、取得した複数の撮影データＤ１１を記憶装置１５に記憶させる。なお、生成装置１Ａでは、クラスタリングの後にラベルが付されるため、ステップＳ０１ではラベルは付されない。
【0088】
演算回路１１は、ステップＳ０１で取得した撮影データＤ１１を用いて、光強度データＤ１２を生成する（Ｓ０２）。光強度データＤ１２の生成方法は、第１実施形態に係る生成装置１と同様である。また、演算回路１１は、生成した光強度データＤ１２を記憶装置１５に記憶させる。
【0089】
演算回路１１は、ステップＳ０２で生成した光強度データＤ１２を用いて、葉緑体疎密画像を生成する（Ｓ０３）。葉緑体疎密画像の生成方法は、第１実施形態に係る生成装置１と同様である。また、演算回路１１は、生成した複数の葉緑体疎密画像を、クラスタリング用データＤ３１として記憶装置１５に記憶させる。
【0090】
演算回路１１は、教師なし学習により、ステップＳ０３で記憶したクラスタリング用データＤ３１を用いて、クラスタリングする（Ｓ２１）。演算回路１１は、クラスタリングの結果を、クラスタリング結果データＤ３２として、記憶装置１５に記憶させる。
【0091】
演算回路１１は、ステップＳ２１で得られた各クラスタのラベルを受け付ける（Ｓ２２）。例えば、各クラスタのラベルは、入力装置１２を介してユーザによって入力される。
【0092】
演算回路１１は、クラスタリング用データＤ３１の各葉緑体疎密画像に、ステップＳ２２で受け付けた対応するラベルを関連付けて、学習用データＤ１３を生成する（Ｓ２３）。また、演算回路１１は、生成した学習用データＤ１３を記憶装置１５に記憶させる。
【0093】
演算回路１１は、ステップＳ０４で生成した学習用データＤ１３を用いて、判別モデルＭを生成する（Ｓ０５）。判別モデルＭの生成方法は、第１実施形態に係る生成装置１と同様である。また、演算回路１１は、生成した判別モデルＭを記憶装置１５に記憶させる。
【0094】
このようにして、生成装置１Ａは、植物の葉の画像からクラスタリングを行う。また生成装置１Ａ、クラスタリングの結果を用いて植物の葉の生育状態を判別する判別モデルＭを生成することができる。
【0095】
なお、上述の説明では、生成装置１Ａが、葉緑体疎密画像の生成、クラスタリング及び判別モデルＭの生成の全てを実行する例で説明した。しかしながら、一部の処理を別の情報処理装置で実行してもよい。また、各処理を異なる情報処理装置で実行してもよい。例えば、他の情報処理装置で生成された葉緑体疎密画像を利用してクラスタリングを実行してもよい。また、クラスタリングと、判別モデルＭの生成を異なる情報処理装置で実行してもよい。
【0096】
第２実施形態で上述したように生成された判別モデルＭによる判別は、第１実施形態で上述した説明と同様に実行される。なお、図１２Ｃでは、各クラスタにそれぞれ「病気」、「健康」、「栄養不足」、「不明１」、「不明２」のラベルが付される例で説明した。このように生成された学習用データＤ１３で生成された判別モデルＭでは、判別結果は「病気」、「健康」または「栄養不足」の他、「不明」となることもあり得る。また、後に、「不明」であったクラスタに付すラベルが分かったとき、正しいラベルを付してもよい。これにより、判別モデルＭは、より正確に判別することが可能となる。
【0097】
〈変形例１〉
上述の第１実施形態では、健康であるか、黄化が生じた病気であるかを判別する例で説明した。また、病気の中で、病気初期、病気中期、病気末期のいずれであるかのラベルを利用して学習した判別モデルを利用して判別していた。しかしながら、もちろん、判別モデルは、これ以外のラベルが付された学習用データを利用してもよい。例えば、判別モデルは、上記のラベルに加え、又は、上記のラベルの代わりに、「栄養不足」、「水のやりすぎ」等のラベルを付した学習用データを用いて生成されてもよい。
上述の第１実施形態では、健康であるか、黄化が生じた病気であるかを判別する例で説明した。また、病気の中で、病気初期、病気中期、病気末期のいずれであるかのラベルを利用して学習した判別モデルを利用して判別していた。しかしながら、もちろん、判別モデルは、これ以外のラベルが付された学習用データを利用してもよい。例えば、判別モデルは、上記のラベルに加え、又は、上記のラベルの代わりに、「栄養不足」、「水のやりすぎ」等のラベルを付した学習用データを用いて生成されてもよい。
【0098】
〈変形例２〉
上述の例では、撮影データにおける葉の向きについては言及していない。一方、笹の葉等のように、葉脈の向きが分かりやすい植物もある。このような場合は、学習用データと、判別用データとで、葉の向きを所定の向きに調整することで、判別精度を向上させることができる。
上述の例では、撮影データにおける葉の向きについては言及していない。一方、笹の葉等のように、葉脈の向きが分かりやすい植物もある。このような場合は、学習用データと、判別用データとで、葉の向きを所定の向きに調整することで、判別精度を向上させることができる。
【0099】
〈変形例３〉
変形例２では、葉脈の向きが分かりやすい植物に関し、葉の向きを調整している。しかしながら、葉脈の向きが揃っていない葉の場合は、１つの撮影データを回転させて学習用データの数を、増加させてもよい。このように１つの撮影データに対して回転させた画像データを学習することで、葉の撮影向きに依存せずに、判別が可能となり、判別用の撮影データの撮影を容易にすることができる。また、仮に、画像内でグラデーションがかかっているような場合であっても、そのグラデーションの方向性に依存せずに学習することができる。したがって、学習用データのグラデーションによる過学習を防止し、判別の精度を向上させることができる。
変形例２では、葉脈の向きが分かりやすい植物に関し、葉の向きを調整している。しかしながら、葉脈の向きが揃っていない葉の場合は、１つの撮影データを回転させて学習用データの数を、増加させてもよい。このように１つの撮影データに対して回転させた画像データを学習することで、葉の撮影向きに依存せずに、判別が可能となり、判別用の撮影データの撮影を容易にすることができる。また、仮に、画像内でグラデーションがかかっているような場合であっても、そのグラデーションの方向性に依存せずに学習することができる。したがって、学習用データのグラデーションによる過学習を防止し、判別の精度を向上させることができる。
【0100】
〈変形例４〉
上述の例では、撮影データＤ１１は、「輝度が略均一な透過型光学系」を利用して撮影する一例で説明した。しかしながら、撮影データＤ１１の撮影に利用する撮影光学系は、透過型光学系に限定されない。具体的には、撮影データＤ１１は、黄化部分、健康部分及び葉脈部分を分離することができるデータであり得る。また、撮影データＤ１１の撮影に利用する撮影光学系は、各サンプルで均一な条件で撮影できる撮影光学系あり得る。例えば、フィールドに屋外に携帯可能な透過型光学系の他、屋内の撮影環境が均一に整った撮影光学系であってもよい。
上述の例では、撮影データＤ１１は、「輝度が略均一な透過型光学系」を利用して撮影する一例で説明した。しかしながら、撮影データＤ１１の撮影に利用する撮影光学系は、透過型光学系に限定されない。具体的には、撮影データＤ１１は、黄化部分、健康部分及び葉脈部分を分離することができるデータであり得る。また、撮影データＤ１１の撮影に利用する撮影光学系は、各サンプルで均一な条件で撮影できる撮影光学系あり得る。例えば、フィールドに屋外に携帯可能な透過型光学系の他、屋内の撮影環境が均一に整った撮影光学系であってもよい。
【0101】
〈その他の変形例〉
上述した例では、機械学習により、植物の状態を判別する一例で説明したが、同一の学習用データに基づいて、例えば敵対的生成ネットワークを用いて生成ＡＩを実現することもできる。具体的には、葉緑体疎密画像を学習させ、任意の条件での実在しない葉緑体疎密画像を生成し、例えば画素値が高い部分から低い部分にかけて黄色から緑色に着色することにより、疑似的に葉のＲＧＢ画像を復元する。このような生成ＡＩは、例えば、仮想の「健康」な葉の画像、仮想の「病気初期＋栄養不足中期」の葉の画像等、所望の条件画像を生成することができる。このような生成ＡＩを用いることにより、例えば柑橘グリーニング病の場合、未だに病気が広がっていない地域の柑橘類がその病気に罹患したとき、どのような黄化の様相になるかを予測することが出来、早期発見に役立てることが出来る。
上述した例では、機械学習により、植物の状態を判別する一例で説明したが、同一の学習用データに基づいて、例えば敵対的生成ネットワークを用いて生成ＡＩを実現することもできる。具体的には、葉緑体疎密画像を学習させ、任意の条件での実在しない葉緑体疎密画像を生成し、例えば画素値が高い部分から低い部分にかけて黄色から緑色に着色することにより、疑似的に葉のＲＧＢ画像を復元する。このような生成ＡＩは、例えば、仮想の「健康」な葉の画像、仮想の「病気初期＋栄養不足中期」の葉の画像等、所望の条件画像を生成することができる。このような生成ＡＩを用いることにより、例えば柑橘グリーニング病の場合、未だに病気が広がっていない地域の柑橘類がその病気に罹患したとき、どのような黄化の様相になるかを予測することが出来、早期発見に役立てることが出来る。
【0102】
〈実験例１〉
上述した判別モデルＭの生成の実験結果を以下で説明する。実験では、健康な植物の葉と病気の植物の葉とを含む８４１枚の撮影データを用意した。各撮影データは、上述した輝度が面に対して略均一の面光源を内蔵した透過型光学系を用いて撮影された画像である。植物は、シークワーサー等カンキツの葉であり、病気は、柑橘グリーニング病である。図１４に示すように、各撮影データには、「健康」、「病気初期」、「病気中期」、「病気末期」のいずれかのラベルが付した。また、撮影データは、撮影時間毎にグループ１（撮影初期）、グループ２（撮影中期）、グループ３（撮影後期）に分け、各グループから学習用データと評価用データとを選択して評価した。なお、異なるグループに、同一の葉の画像が入らないようにグループを作成した。
上述した判別モデルＭの生成の実験結果を以下で説明する。実験では、健康な植物の葉と病気の植物の葉とを含む８４１枚の撮影データを用意した。各撮影データは、上述した輝度が面に対して略均一の面光源を内蔵した透過型光学系を用いて撮影された画像である。植物は、シークワーサー等カンキツの葉であり、病気は、柑橘グリーニング病である。図１４に示すように、各撮影データには、「健康」、「病気初期」、「病気中期」、「病気末期」のいずれかのラベルが付した。また、撮影データは、撮影時間毎にグループ１（撮影初期）、グループ２（撮影中期）、グループ３（撮影後期）に分け、各グループから学習用データと評価用データとを選択して評価した。なお、異なるグループに、同一の葉の画像が入らないようにグループを作成した。
【0103】
図１５に示すように、学習および評価を異なる組み合わせで、３回行うことを３回繰り返した。具体的には、１回目の学習では、グループ２及びグループ３の撮影データに基づいて学習を実行し、グループ１の撮影データに基づいて評価を行った。また、２回目の学習では、グループ１及びグループ３の撮影データに基づいて学習を実行し、グループ２の撮影データに基づいて評価を行った。３回目の学習では、グループ１及びグループ２の撮影データに基づいて学習を実行し、グループ３の撮影データに基づいて評価を行った。４回目と７回目は、１回目と同様の組で評価を行った。５回目と８回目は、２回目と同様の組で評価を行った。６回目と９回目は、１回目と同様の組で評価を行った。
【0104】
具体的には、判別モデルの生成及び検証は様々な処理または演算結果で得られた画像を用いて行った。ここでは、それらの中で、撮影データ自体（表３．１）に加え、評価の精度が高い結果を示す。具体的には、Ｒ画像とＢ画像で演算された画像（Ｒ画像－Ｂ画像）（表３．２）、Ｇ画像とＢ画像で演算された画像（Ｇ画像－Ｂ画像）（表３．３）、（Ｇ画像＋Ｒ画像）／２－Ｂ画像で求めた画像（表３．４）、表３．３の画像を、４５°ずつ回転させて８倍に増加させた画像（表３．５）で判別モデルの生成及び検証を行った結果を示す。
【0105】
以下の表では、「病気初期」を単に「初期」、「病気中期」を単に「中期」、「病気末期」を単に「末期」とした。
【0106】
また、以下では、「正答率」は、病気初期～中期の、各ラベルに分類した分類結果の正答率である。また、「病害葉正答率」は、健康であるか、病気であるかの分類結果の正答率である。例えば、病気の初期と中期の境界は曖昧である。また、病気の中期と末期の境界は曖昧である。したがって、病気初期から末期を、「病気」という１つの判別結果とみなし、いずれかに分類されれば、正とした場合の正答率である。以下では、説明の簡易化のため、「病害葉正答率」を中心に、「病害葉正答率」と「正答率」の双方が上がっている傾向にある場合に、「評価結果の精度が向上」したとして説明する。
【0107】
さらに、下記の結果は、図１５に示す組み合わせで行った１回目から９回目の学習と評価の結果の合計を示す。
【0108】
（表３．１）
【0109】
表３．２は、撮影データから求めたＲ画像及びＢ画像を用いて、画素毎に、以下の式（２．１）を適用して求めた画像を用いて、学習及び評価を行った例を示す。
Ｒ画像－Ｂ画像 （２．１）
Ｒ画像－Ｂ画像 （２．１）
【0110】
表３．１の撮影データの場合と比較して、評価結果の精度が向上している。
（表３．２）
（表３．２）
【0111】
表３．３は、撮影データから求めたＧ画像及びＲ画像を用いて、画素毎に、以下の式（２．２）を適用して求めた画像を用いて、学習及び評価を行った例を示す。
Ｇ画像－Ｂ画像 （２．２）
Ｇ画像－Ｂ画像 （２．２）
【0112】
表３．１の撮影データの場合と比較して、評価結果の精度が向上している。
（表３．３）
（表３．３）
【0113】
表３．４は、撮影データから求めたＧ画像及びＲ画像を用いて、画素毎に、以下の式（２．３）で得られた画像を用いて、学習及び評価を行った例を示す。
（Ｇ画像＋Ｒ画像）／２－Ｂ画像 （２．３）
式（２．３）は、上述の式（１．３）のｘ及びｙの値を、（１、１）とした場合である。
（Ｇ画像＋Ｒ画像）／２－Ｂ画像 （２．３）
式（２．３）は、上述の式（１．３）のｘ及びｙの値を、（１、１）とした場合である。
【0114】
表３．１の撮影データの場合と比較して、評価結果の精度が向上している。
（表３．４）
（表３．４）
【0115】
表３．５は、上述の式（２．２）で求めた画像を、４５°ずつ回転させて、８倍に増加させた画像を用いて、学習及び評価を行った例を示す。
【0116】
表３．１の撮影データの場合と比較して、評価結果の精度が向上している。また、当該表３．５で示す評価結果は、上記の表３．２から表３．４の他の全ての評価結果と比較しても、評価結果の精度が高いことが分かる。
（表３．５）
（表３．５）
【0117】
〈実験例２〉
実験例２では、色相（Ｈ）画像、彩度（Ｓ）画像、明度（Ｖ）画像、Ｒ画像、Ｇ画像、Ｂ画像の画像を使用した。実験例２でも、図１４に示したグループで、図１５に示すように、合計９回の学習及び評価を繰り返してその結果を合計した。また、実験例２では、実験１で最も評価結果の精度が高い表３．５の結果と比較した。Ｈ画像、Ｓ画像、Ｖ画像、Ｒ画像、Ｇ画像、Ｂ画像のいずれの場合の評価結果も、表３．５の結果と比較して精度が低くなっている。一例として、Ｈ画像の評価結果のみ、下記で説明する。
実験例２では、色相（Ｈ）画像、彩度（Ｓ）画像、明度（Ｖ）画像、Ｒ画像、Ｇ画像、Ｂ画像の画像を使用した。実験例２でも、図１４に示したグループで、図１５に示すように、合計９回の学習及び評価を繰り返してその結果を合計した。また、実験例２では、実験１で最も評価結果の精度が高い表３．５の結果と比較した。Ｈ画像、Ｓ画像、Ｖ画像、Ｒ画像、Ｇ画像、Ｂ画像のいずれの場合の評価結果も、表３．５の結果と比較して精度が低くなっている。一例として、Ｈ画像の評価結果のみ、下記で説明する。
【0118】
表４は、カラー画像の撮影データを色相画像に変換した画像で学習及び評価を行った例を示す。表３．５の場合と比較して、評価結果の精度が低い。また、元画像である表３．１の結果と比較しても病害葉正答率が全体的に悪化している。
（表４）
（表４）
【0119】
Ｈ画像は、葉の枯死部分の情報を、他の黄化部分や健康部分と同等に扱ったため、評価結果が悪くなったと考えられる。これにより、黄化は色味の違いであるが、色味の違いを示すＨ画像を用いる判別モデルを利用すれば判別の精度が高くなるわけでないことが分かる。また、式（１．３）で得られた画像を用いる判別モデルが、有用であることも分かる。
【0120】
〈実験例３〉
実験例３では、式（１．３）のｘ、ｙの値を変化させたときの判別精度の推移を評価した。実験例３は、実験例１で使用した画像から、式（１．３）で得られた画像を生成し、判別モデルを生成した場合の判別精度である。表５に、実験例３の結果を示す。表５は、Ｒ：ＧにおけるＲの比率（ｘ／（ｘ＋ｙ））のが各値であるときの、病害葉正答率の代表値を示す。病害葉正答率の代表値は、病害葉正答率の合計の数値である。
（表５）
実験例３では、式（１．３）のｘ、ｙの値を変化させたときの判別精度の推移を評価した。実験例３は、実験例１で使用した画像から、式（１．３）で得られた画像を生成し、判別モデルを生成した場合の判別精度である。表５に、実験例３の結果を示す。表５は、Ｒ：ＧにおけるＲの比率（ｘ／（ｘ＋ｙ））のが各値であるときの、病害葉正答率の代表値を示す。病害葉正答率の代表値は、病害葉正答率の合計の数値である。
（表５）
【0121】
また、表５の結果を、図１６に示す。図１６に示すグラフの傾向から、Ｒの比率が少ない方が、判別の精度が高いことが分かる。最も判別の精度が高いｘ＝０、ｙ＝１を採用してもよい。また例えば、ｘ、ｙの値は、判別の精度が８７％以上である、Ｒの比率が０．０～０．３の平均値であるｘ＝０．１５、ｙ＝０．８５を採用してもよい。
【0122】
（１）本開示の生成方法は、記憶装置にアクセス可能な演算回路を含むコンピュータにより実行される植物の生育状態を判別する判別モデルの生成方法であって、
前記記憶装置は、
複数の学習用の植物の葉の画像から得られた、前記植物に含まれるクロロフィルとカロテノイドの吸光スペクトルの差を反映した画像である葉緑体疎密画像を記憶し、
前記演算回路に実行され、
前記記憶装置から前記葉緑体疎密画像を読み出し、
前記葉緑体疎密画像を機械学習の学習用データとして用いて植物の生育状態の判別モデルを生成する。
前記記憶装置は、
複数の学習用の植物の葉の画像から得られた、前記植物に含まれるクロロフィルとカロテノイドの吸光スペクトルの差を反映した画像である葉緑体疎密画像を記憶し、
前記演算回路に実行され、
前記記憶装置から前記葉緑体疎密画像を読み出し、
前記葉緑体疎密画像を機械学習の学習用データとして用いて植物の生育状態の判別モデルを生成する。
【0123】
（２）（１）の生成方法では、前記葉緑体疎密画像は、植物の葉の画像から得られたＲ画像、Ｇ画像及びＢ画像のうち二以上を用いて、対応する画素の値毎に、以下の式（１）により求められた画像であって、
（Ｒ画像とＧ画像を任意の重み付けで配合する式）－（Ｂ画像を用いた式） （１）
前記式（１）において、前記Ｒ画像、前記Ｇ画像及び前記Ｂ画像のうち、使用しない画像の画素の値は０であってもよい。
（Ｒ画像とＧ画像を任意の重み付けで配合する式）－（Ｂ画像を用いた式） （１）
前記式（１）において、前記Ｒ画像、前記Ｇ画像及び前記Ｂ画像のうち、使用しない画像の画素の値は０であってもよい。
【0124】
（３）（２）の生成方法では、前記式（１）は、以下の式（２）であってもよい。
（Ｒ画像×ｘ＋Ｇ画像×ｙ）／（ｘ＋ｙ）－Ｂ画像 （２）
（ただし、０≦ｘ、０≦ｙ）
（Ｒ画像×ｘ＋Ｇ画像×ｙ）／（ｘ＋ｙ）－Ｂ画像 （２）
（ただし、０≦ｘ、０≦ｙ）
【0125】
（４）（１）から（３）の生成方法では、前記植物の生育状態は、健康状態、病害罹患状態、栄養不良又は過多状態、生育環境不良状態、虫害状態の群から選択された少なくとも一つを含んでもよい。
【0126】
（５）（１）から（４）の生成方法では、程度の異なるレベルのうち選択されたレベルを含んでもよい。
【0127】
（６）（３）の生成方法では、前記式（２）のｘとｙとの値を、判別精度の最も高くなる組み合わせに最適化する工程を含んでもよい。
【0128】
（７）（１）から（６）の生成方法では、前記植物の葉の画像の取得には、輝度が面に対して略均一の面光源を内蔵した透過型光学系を用いてもよい。
【0129】
（８）（１）から（７）の生成方法では、前記機械学習は、教師あり学習と教師なし学習のうち、少なくとも一種類を含んでもよい。
【0130】
（９）（１）から（８）の生成方法では、前記記憶装置は、
前記各葉緑体疎密画像に、前記植物の状態を示すラベルを関連付けて記憶し、
前記演算回路は、
前記記憶装置から前記葉緑体疎密画像とともに前記ラベルを教師あり学習の学習用データとして読み出し、
前記学習用データに含まれる複数の前記葉緑体疎密画像と、対応する前記ラベルとの関係を機械学習により学習し、新たな植物の葉緑体疎密画像に対して、前記新たな植物の状態を判別結果として出力する判別モデルを生成してもよい。
前記各葉緑体疎密画像に、前記植物の状態を示すラベルを関連付けて記憶し、
前記演算回路は、
前記記憶装置から前記葉緑体疎密画像とともに前記ラベルを教師あり学習の学習用データとして読み出し、
前記学習用データに含まれる複数の前記葉緑体疎密画像と、対応する前記ラベルとの関係を機械学習により学習し、新たな植物の葉緑体疎密画像に対して、前記新たな植物の状態を判別結果として出力する判別モデルを生成してもよい。
【0131】
（１０）（１）から（９）の生成方法では、前記演算回路は、
前記記憶装置から複数の前記葉緑体疎密画像を教師なし学習の学習用データとして読み出し、
前記学習用データの複数の前記葉緑体疎密画像の特徴を分析結果に基づいて、植物の状態の特徴毎の複数のクラスタを生成し、
各クラスタに前記植物の状態を示すラベルが付与されると、前記クラスタに含まれる複数の前記葉緑体疎密画像と、前記クラスタに付与されたラベルとを教師あり学習の学習用データとし、複数の前記葉緑体疎密画像と、対応する前記ラベルとの関係を学習し、新たな植物の葉緑体疎密画像に対して、前記新たな植物の状態を判別結果として出力する判別モデルを生成してもよい。
前記記憶装置から複数の前記葉緑体疎密画像を教師なし学習の学習用データとして読み出し、
前記学習用データの複数の前記葉緑体疎密画像の特徴を分析結果に基づいて、植物の状態の特徴毎の複数のクラスタを生成し、
各クラスタに前記植物の状態を示すラベルが付与されると、前記クラスタに含まれる複数の前記葉緑体疎密画像と、前記クラスタに付与されたラベルとを教師あり学習の学習用データとし、複数の前記葉緑体疎密画像と、対応する前記ラベルとの関係を学習し、新たな植物の葉緑体疎密画像に対して、前記新たな植物の状態を判別結果として出力する判別モデルを生成してもよい。
【0132】
（１１）本開示の判別方法は、記憶装置にアクセス可能な演算回路を含むコンピュータにより実行される植物の状態を判別する判別方法であって、
前記演算回路に実行され、
前記記憶装置から判別用の植物の葉の画像を読み出し、
前記画像から、植物の葉緑体の疎密を示す葉緑体疎密画像を演算し、
演算された前記葉緑体疎密画像を請求項１の生成方法で生成された前記判別モデルへの入力として、前記植物の状態を判別する。
前記演算回路に実行され、
前記記憶装置から判別用の植物の葉の画像を読み出し、
前記画像から、植物の葉緑体の疎密を示す葉緑体疎密画像を演算し、
演算された前記葉緑体疎密画像を請求項１の生成方法で生成された前記判別モデルへの入力として、前記植物の状態を判別する。
【0133】
（１２）本開示のコンピュータプログラムは、（１）から（１０）のいずれか１の生成方法を実行する。
【0134】
（１３）本開示のコンピュータプログラムは、（１１）の判別方法を実行する。
【0135】
（１４）本開示の生成装置は、記憶装置にアクセス可能な演算回路を含み、植物の状態を判別する判別モデルの生成装置であって、
前記記憶装置は、
複数の学習用の植物の葉の画像から得られた、前記植物に含まれるクロロフィルとカロテノイドの吸光スペクトルの差を反映した画像である葉緑体疎密画像を記憶し、
前記演算回路により、
前記記憶装置から前記葉緑体疎密画像を読み出し、
前記葉緑体疎密画像を機械学習の学習用データとして用いて植物の生育状態の判別モデルを生成する。
前記記憶装置は、
複数の学習用の植物の葉の画像から得られた、前記植物に含まれるクロロフィルとカロテノイドの吸光スペクトルの差を反映した画像である葉緑体疎密画像を記憶し、
前記演算回路により、
前記記憶装置から前記葉緑体疎密画像を読み出し、
前記葉緑体疎密画像を機械学習の学習用データとして用いて植物の生育状態の判別モデルを生成する。
【符号の説明】
【0136】
１ 生成装置
２ 判別装置
１１，２１ 演算回路
１２，２２ 入力装置
１３，２３ 出力装置
１４，２４ 通信回路
１５，２５ 記憶装置
Ｄ１１ 撮影データ
Ｄ１２ 光強度データ
Ｄ１３ 学習用データ
Ｄ２１ 撮影データ
Ｄ２２ 光強度データ
Ｄ２３ 判別用データ
Ｍ 判別モデル
Ｐ１ 生成プログラム
Ｐ２ 判別プログラム
２ 判別装置
１１，２１ 演算回路
１２，２２ 入力装置
１３，２３ 出力装置
１４，２４ 通信回路
１５，２５ 記憶装置
Ｄ１１ 撮影データ
Ｄ１２ 光強度データ
Ｄ１３ 学習用データ
Ｄ２１ 撮影データ
Ｄ２２ 光強度データ
Ｄ２３ 判別用データ
Ｍ 判別モデル
Ｐ１ 生成プログラム
Ｐ２ 判別プログラム
【要約】
【課題】植物の生育状態を判別する。
生成方法は、記憶装置にアクセス可能な演算回路を含むコンピュータにより実行される植物の生育状態を判別する判別モデルを生成する。前記記憶装置は、複数の学習用の植物の葉の画像から得られた、前記植物に含まれるクロロフィルとカロテノイドの吸光スペクトルの差を反映した画像である葉緑体疎密画像を記憶する。生成方法は、前記演算回路に実行され、前記記憶装置から前記葉緑体疎密画像を読み出し、前記葉緑体疎密画像を機械学習の学習用データとして用いて植物の生育状態の判別モデルを生成する。
【選択図】図６Ａ
生成方法は、記憶装置にアクセス可能な演算回路を含むコンピュータにより実行される植物の生育状態を判別する判別モデルを生成する。前記記憶装置は、複数の学習用の植物の葉の画像から得られた、前記植物に含まれるクロロフィルとカロテノイドの吸光スペクトルの差を反映した画像である葉緑体疎密画像を記憶する。生成方法は、前記演算回路に実行され、前記記憶装置から前記葉緑体疎密画像を読み出し、前記葉緑体疎密画像を機械学習の学習用データとして用いて植物の生育状態の判別モデルを生成する。
【選択図】図６Ａ
【図1A】
【図1B】
【図1C】
【図1D】
【図2A】
【図2B】
【図2C】
【図3A】
【図3B】
【図3C】
【図4】
【図5A】
【図5B】
【図5C】
【図6A】
【図6B】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12A】
【図12B】
【図12C】
【図13】
【図14】
【図15】
【図16】