WO2020008777A1 - 情報処理装置、情報処理システム、およびプログラム - Google Patents

情報処理装置、情報処理システム、およびプログラム Download PDF

Info

Publication number
WO2020008777A1
WO2020008777A1 PCT/JP2019/022084 JP2019022084W WO2020008777A1 WO 2020008777 A1 WO2020008777 A1 WO 2020008777A1 JP 2019022084 W JP2019022084 W JP 2019022084W WO 2020008777 A1 WO2020008777 A1 WO 2020008777A1
Authority
WO
WIPO (PCT)
Prior art keywords
event
occurrence
period
information
infection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2019/022084
Other languages
English (en)
French (fr)
Inventor
聖 伊藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bosch Corp
Original Assignee
Bosch Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bosch Corp filed Critical Bosch Corp
Priority to EP19829966.1A priority Critical patent/EP3819856B1/en
Priority to BR112020026869-0A priority patent/BR112020026869A2/pt
Priority to CN201980048499.4A priority patent/CN112400184A/zh
Priority to KR1020207037211A priority patent/KR20210025015A/ko
Priority to JP2020528732A priority patent/JP7511470B2/ja
Priority to US17/257,660 priority patent/US20210248691A1/en
Priority to AU2019297721A priority patent/AU2019297721A1/en
Publication of WO2020008777A1 publication Critical patent/WO2020008777A1/ja
Anticipated expiration legal-status Critical
Priority to AU2023200270A priority patent/AU2023200270A1/en
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G13/00—Protection of plants
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Definitions

  • the present invention relates to an information processing device, an information processing system, and a program.
  • Patent Literature 1 and Patent Literature 2 disclose techniques for predicting the occurrence of pests. These are techniques for searching for conditions leading to the occurrence of pests from past environmental information, crop cultivation information, and the like. farmers protect the crops from pests by spraying pesticides on the basis of the predicted pest occurrence.
  • Patent Literature 3 discloses a technique for predicting a disease that may cause infection and selecting an optimal pesticide.
  • Infection is difficult to detect like onset, and it is not easy to estimate the infection time from the onset time and predict the future infection.
  • data before the onset of the disease include conditions that lead to the transmission of the disease and conditions that do not lead to the transmission of the disease, and it is difficult to estimate the time of infection from the mixed conditions.
  • the present invention has been made in view of the above-described problems, and it is an object of the present invention to be able to estimate an event occurrence time at which an event leading to the occurrence of damage to a crop by a pest has occurred. It is to provide a new and improved information processing device.
  • an acquisition unit that acquires pest occurrence information including information at the time of occurrence of damage to a crop by a pest and environmental information including a cultivation environment of the crop, Using the pest occurrence information, determine an estimated event occurrence period in which the event leading to the damage occurrence to the crop has occurred and an event-free period in which the event leading to the damage occurrence has not occurred.
  • a period determination unit, the environment information of the estimated event occurrence period, and the environment information of the no event period are compared, and an event occurrence time at which the event has occurred is estimated from the estimated event occurrence period, And an event estimating unit.
  • a computer configured to acquire pest occurrence information including information when a pest causes damage to a crop and environmental information including a cultivation environment of the crop.
  • an estimated event occurrence period in which the event leading to the damage to the crop is suspected to have occurred and an event-free period in which the event leading to the damage occurrence has not occurred
  • the event period determining unit which determines the environment information of the estimated event occurrence period, and the environment information of the no event period, and compares the event information from the estimated event occurrence period
  • a program for functioning as an event estimating unit for estimating the occurrence time is provided.
  • an information processing system includes: an estimating unit;
  • environmental information of an estimated event occurrence period including at least one or more periods in which an event leading to damage to the crop is included, and environmental information of an event-free period in which no event leading to damage to the crop has occurred
  • FIG. 3 is a conceptual diagram of machine learning used in the embodiment.
  • FIG. 2 is a block diagram illustrating functions and configurations of the information processing system according to the embodiment.
  • FIG. 3 is a diagram illustrating an example in which occurrence of an event is estimated in the information processing system according to the embodiment.
  • It is a flowchart showing an example of an operation flow of the information processing system according to the embodiment.
  • It is a flowchart showing an example of an operation flow of the information processing system according to the embodiment.
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of the information processing system according to the embodiment.
  • the present invention relates to a technique for estimating an event occurrence time at which an event leading to damage occurrence on a crop has occurred, based on information at the time of the occurrence of damage to the crop by pests and environmental information of the crop.
  • the information processing system 1 includes an information processing device 100, a cultivation sensor 300, a weather server 400, and an information processing terminal 200.
  • the information processing apparatus 100 acquires the pest occurrence information input by the user or the like to the information processing terminal 200 when the crop causes the pest.
  • the pest occurrence information referred to here is, for example, information including information when a pest has occurred in a crop.
  • the information processing apparatus 100 Based on the pest occurrence information and the environmental information obtained from the cultivation sensor 300 and the weather server 400 that acquire information on cultivation in the house, the information processing apparatus 100 has generated an event that leads to damage to the crop. Estimate when an event occurs.
  • the information processing apparatus 100 uses a machine learning method called Multi-Instances Learning when estimating the occurrence of the event.
  • Multi-Instances Learning a machine learning method called Multi-Instances Learning when estimating the occurrence of the event.
  • the features that lead to damage to crops are extracted from the events that lead to damage to crops and the events that do not lead to damage in the environmental information. Is calculated, and the occurrence time of the event is accurately estimated based on the probability.
  • FIG. 2 shows the landscape 11, landscape 12, landscape 13, landscape 14, landscape 15, landscape 16, and landscape 17 of the seven types of rooms.
  • Each scene includes various items S, item X1, item X2, item X3, item X4, and item X5.
  • the landscape 11 includes the item S and the item X1, and the landscape 12 includes the item X1, the item X2, and the item S.
  • the landscape 13 includes an item X2, an item X3, and an item S, and the landscape 14 includes an item X2, an item S, and an item X4.
  • the landscape 15 includes the item X5 and the item X6, the landscape 16 includes the item X1 and the item X5, and the landscape 17 includes the item X4 and the item X5.
  • the present method first sets the scenes 11 to 14 to one Bag and the scenes 15 to 17 to another Bag. Specifically, the scenery 11 to the scenery 14 are determined as PositiveBag (hereinafter, referred to as PB). On the other hand, landscapes 15 to 17 are determined as NegativeBag (hereinafter, referred to as NB).
  • PB PositiveBag
  • NB NegativeBag
  • the PB includes one or more factors for classifying the landscapes 15 to 17 and the landscapes 11 to 14.
  • the NB does not include any factor for classifying the landscapes 15 to 17 and the landscapes 11 to 14. In this way, PB and NB Bags are determined from a plurality of samples.
  • PB and NB are classified based on whether or not the item S is included. That is, when the landscapes 11 to 14 and the landscapes 15 to 17 are compared, the landscapes 11 to 14 include the item S, but the landscapes 15 to 17 do not include the item S.
  • the scenery 11 to the scenery 14 are classified as PB and the scenery 15 to 17 are classified as NB, with the item S as a feature amount as an influencing factor.
  • the feature amount at the time of classification is S.
  • ⁇ when a positive sample including a feature amount and a negative sample including no feature amount are mixed in the PB, a feature amount that separates the PB and the NB can be found. Further, in the present method, it is possible to determine whether an unknown Bag is Positive or Negative by finding a feature amount as described above. Further, in this method, it is possible to determine which Bag in the PB is a positive sample or the like using the feature amount.
  • the information processing apparatus 100 uses PB for the environmental information of the estimated event time occurrence period in which an event leading to the occurrence of crop damage is likely to occur.
  • the comparison is made as the environmental information NB in the non-event period that has not been performed.
  • the feature amount leading to the occurrence of the event is grasped, and the time of occurrence of the event is estimated from the estimated occurrence time period of the event.
  • machine learning of an event occurrence prediction model based on estimation at the time of event occurrence is performed.
  • the event occurrence prediction model can be autonomously updated by machine learning the event occurrence prediction model. Therefore, it is possible to improve the accuracy of calculating the event occurrence probability.
  • the environment information of the crop specifically, the predicted value or the current value of the environment information for the crop is newly input to the event occurrence prediction model after the machine learning. Based on these pieces of environmental information, the information processing apparatus 100 can output a change over time in the current or future event occurrence probability to the crop. It goes without saying that the event occurrence probability may be calculated not only for the present or the future but also for the past.
  • FIG. 3 is a block diagram illustrating an example of a schematic functional configuration of the information processing system 1 according to an embodiment of the present invention.
  • the information processing system 1 includes an information processing device 100, an information processing terminal 200, a cultivation sensor 300, and a weather server 400.
  • the information processing apparatus 100 performs a pest infection prediction on a crop using information obtained from the information processing terminal 200 and the cultivation sensor 300 or the weather server 400.
  • the information processing terminal 200 that acquires information required when the information processing apparatus 100 performs information processing, the cultivation sensor 300, and the weather server 400 will be described in order.
  • the information processing terminal 200 includes an input unit 210, a display unit 230, and a communication unit 220.
  • the information processing terminal 200 has a function of acquiring pest occurrence information, and the acquired pest occurrence information is output to the acquisition unit 110 of the information processing device 100.
  • the information processing terminal 200 may be a mobile terminal such as a smartphone or an information processing device such as a computer. Note that the pest occurrence information does not necessarily need to be acquired via the information processing terminal 200, and the acquisition method is not limited as long as it can be acquired by the information processing device 100.
  • pest occurrence information including information when a disease or the like caused by a pest has developed in a crop is input by an input or the like by a user.
  • the pest occurrence information includes information on the date and time of the onset of the disease caused by the pest on the crop.
  • Disease onset means detecting or recognizing that damage has occurred to a crop or that the incubation period has ended after infection and symptoms of infection due to pests have developed. For example, if there is a sensor or the like for observing the growth status of the crop, the disease may be determined based on information detected by the sensor or the like, and the user recognizes the disease on the crop when observing the crop. It may be performed by doing.
  • the time of onset indicates an arbitrary period including a time when it is determined that onset occurs, and may be an onset date or onset time.
  • the pest occurrence information includes information on the types of pests that have occurred, in addition to information on the date and time when the disease or the like caused by the pests or the like. Specifically, the information includes information on microbial diseases, pest diseases, physiological disorders, physiological disorders due to weeds, and the like. It also contains information on each type of further details. For example, in the case of a microbial disease, the information includes the type of disease such as gray mold and leaf mold.
  • the pest occurrence information also includes information on the incubation period from infection or infestation of the pest to disease onset.
  • the incubation period of the disease refers to the number of days from the infection of the disease to the onset of the disease.
  • the incubation period of the insect disease is the onset of the disease (or the occurrence of insect damage) due to the eggs laying, the larva hatching from the eggs, eating the crops, etc. Is the period until is recognized. That is, the incubation period indicates a period until damage to the crop due to pests and insects occurs.
  • the incubation period may be information obtained from a history of occurrence of disease and pests, literature, investigation, or the like.
  • the information processing terminal 200 may acquire not only pest occurrence information but also environmental information of a space where a crop is cultivated and environmental information on a cultivation state of the crop cultivation (hereinafter, generally referred to as environmental information).
  • the environment information acquired by the information processing terminal 200 may be information that is difficult to detect by the cultivation sensor 300 described below.
  • the environmental information acquired by the information processing terminal 200 includes, for example, the cultivation status of the crop.
  • the cultivation status of the crop includes, specifically, the cultivar of the crop, the altitude of the cultivation place of the crop, the type of soil, the nutritional status of the soil, the sowing date and time of the crop, the planting date and time, and the status of leaf cutting of the crop. , Such as the history of spraying the medicine, the residual effect of the medicine, the state of weeding, the state of the tree, the growth stage of the crop, etc.
  • the process may be performed by, for example, an auxiliary input operation by a user or the like. That is, the environment information may be acquired by the information processing system 1 not only by information acquired by the cultivation sensor 300 described later but also by information acquired by the information processing terminal 200.
  • the environment information acquired by the information processing terminal 200 or the cultivation sensor 300 may be environment information including a past history, or may be environment information indicating a current value or a predicted value.
  • the communication unit 220 has a function of acquiring the pest occurrence information or the environmental information input by the input unit 210 and outputting the information to the information processing apparatus 100.
  • the communication unit 220 also has a function of acquiring information processed by the information processing apparatus 100 and outputting the information to the display unit 230.
  • the communication unit 220 when the pest occurrence information or the environmental information is obtained, the communication may be appropriately performed, or the communication may be continuously performed. Communication may be performed according to an instruction from the information processing device 100.
  • the display unit 230 has a function of outputting information output from the communication unit 220.
  • the display unit 230 presents the infection probability predicted by the information processing device 100 to the user.
  • the cultivation sensor 300 has a function of acquiring environmental information of a space where a crop is cultivated.
  • the cultivation sensor 300 includes a sensor unit 310 that senses environmental information, and a communication unit 320 that outputs the sensed environmental information.
  • the sensor unit 310 senses environmental information.
  • the sensor unit 310 may be configured by, for example, a thermometer, a hygrometer, a solar radiation meter, a carbon dioxide concentration meter, a moisture content meter that measures the moisture content of soil, and the like.
  • the space where the crop of the environmental information acquired by the cultivation sensor 300 is cultivated may be a space surrounding the place where the crop is cultivated, and may be, for example, an agricultural facility for cultivating the crop such as a greenhouse. As long as the crops are cultivated, they need not be enclosed, and may be open spaces such as fields or rice fields.
  • the cultivation sensor 300 acquires environmental information such as the temperature, humidity, solar radiation, carbon dioxide concentration, and moisture content of the soil where the crop is cultivated, for example, around the crop.
  • the communication unit 320 has a function of outputting the environment information acquired by the sensor unit 310 to the information processing device 100.
  • the communication unit 320 may appropriately perform communication when environment information is acquired, or may continuously perform communication. Communication may be performed according to an instruction from the information processing device 100.
  • the weather server 400 has a function of outputting environmental information relating to weather in a region where a crop is cultivated.
  • the environmental information to be output includes temperature, humidity, solar radiation, rainfall, and the like.
  • the weather server 400 may selectively output information used for the information processing device 100 when requested by the information processing device 100.
  • the environment information output by the weather server 400 may be a past history, or a current value or a predicted value of the environment information.
  • the information processing apparatus 100 has a function of acquiring information output from the information processing terminal 200, the cultivation sensor 300, and the weather server 400, and estimating an infection time at which an infection that causes disease or the like to a crop due to a pest has occurred. Mainly have.
  • the information processing device 100 includes an acquisition unit 110, a storage unit 120, an estimated infection period determination unit 130, an infection occurrence estimation unit 140, a machine learning unit 150, and an infection occurrence prediction unit 160.
  • the acquisition unit 110 has a function of acquiring environmental information and disease occurrence information output from the information processing terminal 200, the cultivation sensor 300, and the weather server 400.
  • the acquired environmental information and disease occurrence information are stored in the storage unit 120.
  • the storage unit 120 has a function of storing the information acquired by the acquisition unit 110. Specifically, the storage unit 120 stores the disease occurrence information and the environment information acquired by the acquisition unit 110. The storage unit 120 also stores parameters related to machine learning in infection estimation, which will be described later, an infection prediction model, and the like.
  • the estimated infection period determination unit 130 has a function of using the pest occurrence information to determine an estimated infection period in which infection leading to the onset of crops is suspected and a non-infection period in which infection leading to onset is not occurring. .
  • the estimated infection period may be a period that includes at least one period during which infection that causes disease to crops has occurred. Specifically, the estimated infection period may include the date and time when the infection to the crop occurred. Further, the estimated infection period may include a plurality of periods during which infection to the crop occurs.
  • the estimated infection period may include both the date and time when the infection occurred and the date and time when the infection did not occur.
  • the estimated infection period determination unit 130 may determine a period in which the number of days of the incubation period of the pest has been traced back from the onset of the disease as the estimated infection period.
  • the estimated infection period may include a period during which the infection occurs, and may be appropriately determined according to the type of the pest and the required accuracy of the infection prediction. For example, when the incubation period of a known pest may change according to the environment or the like, the incubation period may be set longer to make the estimated infection period longer.
  • the estimated infection period determination unit 130 may determine a period during which it is known that no infection has occurred as the non-infection period. For example, a period in which at least the incubation period of the pest is traced back from the point in time when the onset of disease is not confirmed is determined as the non-infection period.
  • the non-infection period may be a period including consecutive non-infection dates and times, or a period with an arbitrary date and time as a temporary point. Further, as the non-infection period, a plurality of dates and times may be determined with an arbitrary date and time as a temporary point.
  • the infection occurrence estimation unit 140 compares the environmental information of the estimated infection period determined by the estimated infection period determination unit 130 with the environmental information of the non-infection period, and estimates the time of infection at which infection has occurred from the estimated infection period. Has functions.
  • FIG. 4 shows a time axis T.
  • the onset time A is November 30 first.
  • the starting point C of the estimated infection period is November 23, which is 7 days, the longest number of days of the incubation period, from the onset date A.
  • the end point B of the estimated infection period is November 27, which is three days, which is the shortest number of days of the incubation period, from the onset date A.
  • the non-infection period may be any date and time when it is known that no infection has occurred, and may be appropriately determined at least as long as the period is before the start point C of the estimated infection period.
  • the non-infection period may be a period other than the estimated infection period. In FIG. 4, the non-infection period is determined by the date and time D before the start point C of the estimated infection period, that is, October 21, and the date and time E, that is, October 20.
  • the infection occurrence estimating unit 140 specifies and compares the environmental information of the estimated infection period with the environmental information of the non-infection period.
  • the environmental information of the estimated infection period is designated as PositiveBag (PB), and the environmental information of the non-infection period is designated as NegativeBag (NB).
  • the estimated infection period is five days from November 23 to November 27.
  • the environment information corresponding to the date and time classified as PB is designated as PB1 on November 23, designated as PB2 on November 24, designated as PB3 on November 25, and designated as PB3 on November 26, respectively.
  • Is designated as PB4, and November 27 is designated as PB5.
  • the environment information corresponding to the date and time classified as NB is specified as NB1 on October 20, and NB2 on October 21.
  • the environmental information NB1 of the date and time E of October 20, which is the non-infection period includes four white circles, two black circles, and two black triangles.
  • NB2 includes four white circles, three black circles, and two black triangles.
  • the environmental information PB1 on November 23 includes four white circles, two black circles, two black triangles, and three white triangles.
  • the day environment information PB2 includes four white circles, three black circles, one black triangle, and one white triangle.
  • the environment information PB3 on November 25 includes three white circles, three black circles, and two black triangles.
  • the environmental information PB4 on November 26 includes four white circles and two black circles.
  • Two black triangles, and three white triangles, and the environmental information PB5 on November 27 includes three white circles, three black circles, two black triangles, and one white triangle. ing.
  • the infection occurrence estimating unit 140 compares the environmental information NB1 and NB2 during the non-infection period with the environmental information PB1 to PB5 during the estimated infection period. In this comparison, the infection occurrence estimation unit 140 does not include a white triangle in the environmental information NB1 and the environmental information NB2 during the non-infection period, and includes a white triangle in the environmental information PB1 to PB5 during the estimated infection period. Understand that. As a result, among the factors of the environmental information, the white triangle is extracted as the feature amount S leading to the onset.
  • the infection occurrence estimation unit 140 uses the extracted feature value S to further calculate an infection probability due to a change in the feature value S during the estimated infection period.
  • FIG. 4 shows, as a table, the date and time X of the non-infection period and the estimated infection period, the number of days Y that goes back each date and time from the onset of the crop, and the change Z of the feature value at each date and time. Note that, specifically, in FIG. 4, the characteristic amount S is shown as humidity (%).
  • the humidity (%) is 95% on November 23, 60% on November 24, 55% on November 25, 95% on November 26, and November. It is 50% on 27th.
  • the humidity during the infection-free period is 55% on October 20 and 60% on October 21.
  • the higher the humidity the higher the probability of infection. Therefore, during the estimated infection period, November 23 and November 26, when the humidity was the highest, were estimated to be infected. You. In this example, the case where the probability of infection increases as the value of the feature amount increases has been described. However, the probability of infection may increase as the value of the feature amount decreases.
  • the probability of infection may be calculated according to the type of feature value and the change transition of the feature value, such as the probability of occurrence of infection increasing as the feature value changes more rapidly.
  • the infection occurrence estimation unit 140 may estimate a plurality of infection dates and times or one date and time from the estimated infection period.
  • the infection occurrence estimation unit 140 may set a threshold value for the infection probability to determine whether or not infection has occurred. For example, when the infection probability is higher than the threshold value, it may be estimated as the time of infection. On the other hand, if the infection probability is lower than the threshold, the infection occurrence estimation unit 140 may calculate the infection probability again.
  • the infection occurrence estimation unit 140 has a function of determining whether the estimated infection time is appropriate and selecting an appropriate infection time in order to increase the reliability of the estimated infection time. Is also good. For example, when a plurality of infection dates and times are estimated from the estimated infection period, the estimated infection time may be determined to be inappropriate, and a more reliable infection time may be selected from the plurality of infection times. This function may be performed by a user. That is, it is determined whether or not the plurality of estimated infection times is more appropriate for the user, and the appropriate infection time may be selected by the user from the plurality of estimated infection times. In this way, the infection occurrence estimating unit 140 estimates the time of infection more accurately.
  • the machine learning unit 150 has a function of performing machine learning on environmental information at the time of infection estimated by the infection occurrence estimating unit 140 and constructing an infection prediction model for predicting a current or future infection probability. Since the infection occurrence estimating unit 140 estimates the time of infection, information such as which factor in the environmental information causes the infection for the infection leading to the onset of the disease is accumulated. By machine learning such environmental information that causes infection, the machine learning unit 150 can construct an infection prediction model indicating the relationship between each factor in the environmental information and the infection.
  • the machine learning unit 150 constructs an infection prediction model and outputs the model to the storage unit 120.
  • the infection prediction model stored in the storage unit 120 is appropriately used for predicting infection of a crop.
  • the infection occurrence prediction unit 160 has a function of predicting an infection probability using an infection prediction model stored in the storage unit 120 and a current value or a predicted value of crop environmental information.
  • the environmental information of the crop is environmental information on the crop in which the onset of pests is predicted, and is at least one of the environmental information output by the cultivation sensor 300 and the environmental information output by the weather server 400. It may be the environment information output by one.
  • the current value or the predicted value indicates current environmental information or predicted environmental information for the crop.
  • the current value may be environmental information continuously acquired by the cultivation sensor 300 up to the present, or may be environmental information periodically updated and acquired. Further, the current value may be appropriately acquired according to an instruction of the information processing apparatus 100 or a user, without being periodically updated.
  • the predicted value indicates future environmental information after the current value, and indicates a predicted value several hours, several days, several weeks later, etc. from the present.
  • the predicted value of the environmental information indicates a weather forecast or the like output from the weather server 400.
  • the infection occurrence prediction unit 160 predicts the probability of occurrence of infection using the current value or the predicted value of the environmental information described above.
  • the infection probability may be an infection probability at an arbitrary point in time with respect to a temporal change of the crop, or may be a continuous infection probability corresponding to the temporal change. Further, not only the probability but also whether or not the infection occurs may be predicted. Note that the infection probability may be predicted for the past.
  • the infection occurrence prediction unit 160 may calculate the infection probability for each type of pest. This makes it possible to predict the probability of infection with respect to a plurality of pests and diseases, and to strengthen measures against pests and pests.
  • the infection occurrence prediction unit 160 has a function of outputting the predicted infection probability to the information processing terminal 200.
  • the infection probability is displayed on the display unit 230 and presented to the user.
  • the user can check the probability of infection on the information processing terminal 200 and plan spraying of a chemical such as an agricultural chemical.
  • the output destination of the infection probability is not limited to the information processing terminal 200, and may be a plurality of information processing terminals.
  • the information processing system 1 roughly performs two processes. That is, the information processing system 1 first constructs an infection prediction model (S100), and then predicts an infection probability using the constructed infection prediction model (S200). Hereinafter, each operation flow will be described in detail.
  • S100 an infection prediction model
  • S200 constructed infection prediction model
  • the acquisition unit 110 of the information processing apparatus 100 acquires pest occurrence information and environmental information (S102).
  • the pest occurrence information includes information indicating the date and time of onset, and is acquired by the information processing apparatus 100 through the information processing terminal 200 or the like.
  • the environmental information is, for example, information output from the cultivation sensor 300 or the weather server 400 installed in the cultivation environment of the crop, and may be acquired by the information processing apparatus 100 through at least one of the cultivation sensor 300 and the weather server 400. .
  • the estimated infection period and the non-infection period are determined by the estimated infection period determining unit 130 of the information processing apparatus 100 (S104).
  • the estimated infection period is a period including a period in which at least one disease infection of the crop occurs, and the non-infection period is a period in which no infection has been confirmed.
  • the estimated infection period determination unit 130 assigns a Bag number to a plurality of pieces of environmental information in the estimated infection period and the non-infection period, and assigns a PositiveBag (PB) number to the environmental information corresponding to the estimated infection period.
  • NegativeBag (NB) number is given to the environmental information corresponding to the non-infection period.
  • the NB number is assigned to the environmental information corresponding to the non-infection period from the history of the disease occurrence information in which the pests targeted for the construction of the infection prediction model have been confirmed.
  • the number of NBs can be increased and the accuracy of the infection prediction model can be improved.
  • NB1 is assigned to environmental information in a non-infection period based on disease occurrence information in a certain farmhouse
  • NB2 is assigned to environmental information in a non-infection period based on disease occurrence information in another farmhouse.
  • the NB number is assigned to the environmental information of the non-infection period corresponding to the crop of the same species as the crop for which the infection is predicted and the pest of the same kind as the pest for which the infection is predicted.
  • the time of infection is estimated during processing.
  • the infection occurrence estimation unit 140 compares the environmental information of the estimated infection period with the environmental information of the non-infection period, and estimates the time of infection from the estimated infection period (S106).
  • the environmental information to which the PB number and the NB number are assigned is compared to extract a feature amount at which infection occurs, and estimation at the time of infection is performed.
  • the infection occurrence estimating unit 140 determines whether the estimated infection time has been appropriately estimated (S108). For example, this determination may be made by the user confirming the estimated infection time.
  • the process proceeds to the next process.
  • the infection occurrence estimating unit 140 compares the environmental information of the estimated infection period and the environmental information of the non-infection period again to estimate the time of infection. May be performed.
  • the threshold range is set as the range where the probability of infection is appropriate. And the likelihood that the infection probability is out of the threshold range.
  • the infection occurrence estimating unit 140 performs a process of determining the estimated infection (S110). If the infection time estimated in the pre-processing is appropriate (S108 / Yes), the infection-determining process is performed as it is. On the other hand, if the estimated time of infection is inappropriate (S108 / No), the user or the like determines the time of infection with the highest certainty of infection from the estimated time of infection without re-estimating the time of infection. May be selected to determine the time of infection.
  • the machine learning unit 150 performs machine learning on the environmental information at the time of infection in the estimation at the time of infection, and constructs an infection prediction model (S112).
  • the infection occurrence prediction unit 160 acquires an infection prediction model from the storage unit 120 (S202).
  • the storage unit 120 stores the infection prediction model constructed by the above-described method, and outputs the infection prediction model from the storage unit 120 according to an instruction from the infection occurrence prediction unit 160.
  • the infection occurrence prediction unit 160 acquires the current value or the predicted value of the environment information stored in the storage unit 120 (S204).
  • the storage unit 120 stores the current value or the predicted value of the environment information acquired from the cultivation sensor 300 or the weather server 400, and the current value or the predicted value of the environment information from the storage unit 120 according to the instruction of the infection occurrence prediction unit 160.
  • the predicted value is output.
  • the infection occurrence prediction unit 160 predicts the infection probability using the infection prediction model and the current value or the predicted value of the crop environmental information (S206).
  • the infection occurrence prediction unit 160 outputs the predicted infection probability (S208).
  • the output destination may be, for example, a terminal possessed by a user who needs the infection probability, such as the information processing terminal 200, or a terminal such as a computer or a smartphone.
  • the information processing system 1 accurately estimates an infection at the time of infection by the above-described operation flow. Furthermore, it is possible to predict the probability of infection of crops from now onward.
  • FIG. 8 is a block diagram illustrating an example of a hardware configuration of the information processing system 1 according to the present embodiment.
  • the information processing apparatus 900 illustrated in FIG. 8 can realize, for example, the information processing system 1 illustrated in FIG.
  • Information processing by the information processing system 1 according to the present embodiment is realized by cooperation between software and hardware described below.
  • the information processing apparatus 900 includes a CPU (Central Processing Unit) 901, a ROM (Read Only Memory) 902, a RAM (Random Access Memory) 903, and a host bus 904a.
  • the information processing device 900 includes a bridge 904, an external bus 904b, an interface 905, an input device 906, an output device 907, a storage device 908, a drive 909, a connection port 911, and a communication device 913.
  • the information processing apparatus 900 may include, instead of or in addition to the CPU 901, a processing circuit such as an electric circuit, a DSP (Digital Signal Processor), or an ASIC (Application Specific Integrated Circuit).
  • a processing circuit such as an electric circuit, a DSP (Digital Signal Processor), or an ASIC (Application Specific Integrated Circuit).
  • the CPU 901 functions as an arithmetic processing device and a control device, and controls overall operations in the information processing device 900 according to various programs. Further, the CPU 901 may be a microprocessor.
  • the ROM 902 stores programs used by the CPU 901 and operation parameters.
  • the RAM 903 temporarily stores programs used in the execution of the CPU 901 and parameters that change as appropriate in the execution.
  • the CPU 901 may execute, for example, the function of the information processing device 100 or the information processing terminal 200 illustrated in FIG.
  • the CPU 901, the ROM 902, and the RAM 903 are interconnected by a host bus 904a including a CPU bus and the like.
  • the host bus 904a is connected via a bridge 904 to an external bus 904b such as a PCI (Peripheral Component Interconnect / Interface) bus.
  • PCI Peripheral Component Interconnect / Interface
  • the host bus 904a, the bridge 904, and the external bus 904b do not necessarily need to be separately configured, and these functions may be mounted on one bus.
  • the input device 906 is realized by a device to which information is input by a user, such as a mouse, a keyboard, a touch panel, a button, a microphone, a switch, and a lever.
  • the input device 906 may be, for example, a remote control device using infrared rays or other radio waves, or an externally connected device such as a mobile phone or a PDA (Personal Digital Assistant) corresponding to the operation of the information processing device 900. It may be.
  • the input device 906 may include, for example, an input control circuit that generates an input signal based on information input by the user using the above-described input unit and outputs the input signal to the CPU 901.
  • the user of the information processing device 900 can input various data to the information processing device 900 and instruct a processing operation.
  • the input device 906 may correspond to the input unit 210 of the information processing terminal 200 shown in FIG.
  • the output device 907 is formed of a device that can visually or audibly notify the user of the acquired information. Examples of such a device include a CRT (Cathode Ray Tube) display device, a liquid crystal display device, a plasma display device, an EL (electroluminescence) display device, a laser projector, a display device such as an LED projector and a lamp, and a sound output device such as a speaker and headphones. There are devices.
  • the output device 907 outputs, for example, results obtained by various processes performed by the information processing device 900. Specifically, the output device 907 visually displays the results obtained by the various processes performed by the information processing device 900 in various formats such as text, images, tables, and graphs.
  • an audio output device when used, an audio signal including reproduced audio data and acoustic data is converted into an analog signal and output audibly.
  • the output device 907 can execute the function of the display unit 230 of the information processing terminal 200 shown in FIG. 3, for example.
  • the storage device 908 is a data storage device formed as an example of a storage unit of the information processing device 900.
  • the storage device 908 is realized by, for example, a magnetic storage device such as an HDD (Hard Disk Drive), a semiconductor storage device, an optical storage device, or a magneto-optical storage device.
  • the storage device 908 may include a storage medium, a recording device that records data on the storage medium, a reading device that reads data from the storage medium, a deletion device that deletes data recorded on the storage medium, and the like.
  • the storage device 908 stores programs executed by the CPU 901 and various data, various data acquired from the outside, and the like.
  • the storage device 908 can execute, for example, the function of the storage unit 120 of the information processing device 100 illustrated in FIG.
  • the drive 909 is a reader / writer for a storage medium, and is built in or external to the information processing apparatus 900.
  • the drive 909 reads information recorded on a removable storage medium such as a mounted magnetic disk, optical disk, magneto-optical disk, or semiconductor memory, and outputs the information to the RAM 903.
  • the drive 909 can also write information on a removable storage medium.
  • connection port 911 is an interface connected to an external device, and is a connection port with an external device that can transmit data by, for example, USB (Universal Serial Bus).
  • USB Universal Serial Bus
  • the communication device 913 is, for example, a communication interface formed by a communication device or the like for connecting to the network 920.
  • the communication device 913 is, for example, a communication card for a wired or wireless LAN (Local Area Network), LTE (Long Term Evolution), Bluetooth (registered trademark), or WUSB (Wireless USB).
  • the communication device 913 may be a router for optical communication, a router for ADSL (Asymmetric Digital Subscriber Line), a modem for various communication, or the like.
  • the communication device 913 can transmit and receive signals and the like to and from the Internet and other communication devices in accordance with a predetermined protocol such as TCP / IP.
  • the communication device 913 may execute a function of the communication unit 220 of the cultivation sensor 300 illustrated in FIG. 3 or the communication unit 220 of the information processing terminal 200, for example.
  • the network 920 is a wired or wireless transmission path for information transmitted from a device connected to the network 920.
  • the network 920 may include a public line network such as the Internet, a telephone line network, and a satellite communication network, various LANs including Ethernet (registered trademark) (Local Area Network), and a WAN (Wide Area Network).
  • the network 920 may include a dedicated line network such as an IP-VPN (Internet Protocol-Virtual Private Network).
  • a computer program for causing hardware such as a CPU, a ROM, and a RAM built in the information processing system 1 to perform the same functions as the respective components of the information processing system 1 according to the above-described embodiment can be created.
  • a recording medium storing the computer program is provided.
  • the present invention is applicable to identification of the date and time of infection when an animal develops an infectious disease. By the time the animal develops the infection, the infection is transmitted and the infection develops after the incubation period of the infection.
  • infectious diseases in animals it is often the case that taking the drug before the onset of the infection, particularly before and after the infection, is more effective in suppressing the infectious disease than after the onset of the infectious disease. Therefore, in growing animals, it is important to predict the probability of infection.
  • infectious disease occurrence information including the date and time of occurrence of the infectious disease, and environmental information including the growth environment of the animal are acquired.
  • infectious disease occurrence information including the date and time of occurrence of the infectious disease, and environmental information including the growth environment of the animal are acquired.
  • the infectious disease occurrence information the period during which the animal is suspected of having an infectious disease is defined as the estimated event occurrence period, and the period during which no infection is suspected is defined as the no event period.
  • the present invention is also applicable to identification of a causal food or identification of a poisoning time when an animal develops food poisoning. By the time an animal develops food poisoning, ingestion of food poisoning and proliferation of viruses or bacteria causing food poisoning occur. When growth exceeds the threshold, animals develop food poisoning symptoms. In the case of food poisoning, it is more likely that taking the drug before the propagation of viruses or fungi will alleviate or suppress the symptoms of food poisoning. In addition, since drugs to be taken differ depending on the cause of food poisoning, identifying the cause of food poisoning is important for alleviating symptoms.
  • the time of onset of food poisoning is regarded as the time of occurrence of damage. That is, food poisoning occurrence information including the date and time of food poisoning onset and information on the ingestion of the food or the like by the animal are obtained. Using this food poisoning occurrence information, a period during which there is a suspicion of ingesting a food or the like that causes food poisoning is assumed to be an estimated event-occurring period, and a period during which there is no doubt of ingestion is a non-event period.
  • a feature amount causing food poisoning that is, a food or the like is extracted from the intake information.
  • the event occurrence time can be estimated from the estimated event occurrence period.
  • Reference Signs List 100 information processing device 110 acquisition unit 120 storage unit 130 estimated infection period determination unit 140 infection occurrence estimation unit 150 machine learning unit 160 infection occurrence prediction unit 200 information processing terminal 210 input unit 220 communication unit 230 display unit 300 cultivation sensor 310 sensor unit 320 Communication unit 400 weather server

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Toxicology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)

Abstract

病害虫による作物への被害発生につながる事象が生じた事象発生時を推定する。　病害虫による作物への被害発生時の情報を含む病害虫発生情報および前記作物の栽培環境を含む環境情報を取得する、取得部と、前記病害虫発生情報を用いて、前記作物への前記被害発生につながる事象が生じた疑いがある推定事象発生期間と前記被害発生につながる前記事象が生じていない無事象期間とを決定する、事象期間決定部と、前記推定事象発生期間の前記環境情報と、前記無事象期間の前記環境情報と、を比較して、前記推定事象発生期間から前記事象が生じた事象発生時を推定する、事象推定部と、を備える、情報処理装置が提供される。

Description

情報処理装置、情報処理システム、およびプログラム
　本発明は、情報処理装置、情報処理システム、およびプログラムに関する。
　作物の収穫を左右する要因として病害虫の発生が挙げられる。近年、情報通信技術を用いてこれらの病害虫から作物を守る技術が研究開発されている。病害虫には、作物への感染、潜伏、発病（発生）の３つの段階があり、病害虫の発生を予測することにより、農作物の効率的な生産に役立てる技術が種々開発されている。特許文献１および特許文献２には、病害虫の発生を予測する技術が開示されている。これらは、過去の環境情報、作物の栽培情報等から病害虫の発生につながる条件を探索する技術である。この病害虫発生予測を基に、農家では農薬を散布する等して、作物を病害虫から守っている。
特開平１１－２８７８７１号公報 特開２００３－１６７９７５号公報 特開２００９－１０６２６１号公報
　しかしながら、農薬の散布は、病害虫の発病（発生）よりも病害虫への感染前後、あるいは感染前に行うとより効果的である。例えば、特許文献３には、感染のおそれのある病害を予測するとともに、最適な農薬を選定する技術が開示されている。このように病害の感染を予測する上で、感染と発病の関係を把握することは重要である。一方で、特許文献３には、病害の感染推定に関する具体的な記述はない。感染は発病のように検知することが難しく、発病時期から感染時期を推定して、将来の感染予測を行うことは容易ではない。特に、発病前のデータには、病害の感染につながる条件と病害の感染につながらない条件とが混在し、その中から、感染時期を推定することは困難である。以上のような理由により、病害虫から作物を守る上で、病害虫への感染推定の精度の向上が求められていた。
　そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、病害虫による作物への被害発生につながる事象が生じた事象発生時を推定することが可能な、新規かつ改良された情報処理装置を提供することにある。
　上記課題を解決するために、本発明のある観点によれば、病害虫による作物への被害発生時の情報を含む病害虫発生情報および前記作物の栽培環境を含む環境情報を取得する、取得部と、前記病害虫発生情報を用いて、前記作物への前記被害発生につながる事象が生じた疑いがある推定事象発生期間と前記被害発生につながる前記事象が生じていない無事象期間とを決定する、事象期間決定部と、前記推定事象発生期間の前記環境情報と、前記無事象期間の前記環境情報と、を比較して、前記推定事象発生期間から前記事象が生じた事象発生時を推定する、事象推定部と、を備える、情報処理装置が提供される。
　また、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、病害虫による作物への被害発生時の情報を含む病害虫発生情報および前記作物の栽培環境を含む環境情報を取得する、取得部と、前記病害虫発生情報を用いて、前記作物への前記被害発生につながる事象が生じた疑いがある推定事象発生期間と前記被害発生につながる前記事象が生じていない無事象期間とを決定する、事象期間決定部と、前記推定事象発生期間の前記環境情報と、前記無事象期間の前記環境情報と、を比較して、前記推定事象発生期間から前記事象が生じた事象発生時を推定する、事象推定部と、として機能させるためのプログラムが提供される。
　また、上記課題を解決するために、本発明の別の観点によれば、病害虫による作物への被害発生時の情報を含む病害虫発生情報および前記作物の栽培環境を含む環境情報を取得する、取得部と、前記病害虫発生情報を用いて、前記作物への前記被害発生につながる事象が生じた疑いがある推定事象発生期間と前記被害発生につながる前記事象が生じていない無事象期間とを決定する、事象期間決定部と、前記推定事象発生期間の前記環境情報と、前記無事象期間の前記環境情報と、を比較して、前記推定事象発生期間から前記事象が生じた事象発生時を推定する、事象推定部と、を含む、情報処理システムが提供される。
　上記構成により、作物への被害発生につながる事象が生じた期間が少なくとも一つ以上含まれる推定事象発生期間の環境情報と、作物への被害発生につながる事象が生じていない無事象期間の環境情報とを比較することで、推定事象発生期間の中から事象発生時をより正確に推定できる。
　以上説明したように本発明によれば、病害虫による作物への被害発生につながる事象が生じた事象発生時をより正確に推定することができる。
本発明の実施形態に係る概念を示す概念図である。 同実施形態で用いられる機械学習の概念図である。 同実施形態に係る情報処理システムの機能及び構成を示すブロック図である。 同実施形態に係る情報処理システムにおいて、事象発生の推定が行われる一例を示した図である。 同実施形態に係る情報処理システムの動作フローの一例を示すフローチャートである。 同実施形態に係る情報処理システムの動作フローの一例を示すフローチャートである。 同実施形態に係る情報処理システムの動作フローの一例を示すフローチャートである。 同実施形態に係る情報処理システムのハードウェア構成の一例を示す図である。
　以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
　＜１．情報処理システム概略＞
　（１．１．技術概要）
　本発明は、作物への病害虫による被害発生時の情報および該作物の環境情報に基づいて、作物への被害発生につながる事象が生じた事象発生時を推定する技術に関する。
　図１を参照して、該事象発生時を推定する情報処理装置１００と該事象発生推定に必要な情報を取得、および出力するその他構成を含んだ情報処理システム１に関して説明する。情報処理システム１には、情報処理装置１００と、栽培センサ３００と、気象サーバ４００と、情報処理端末２００とが備えられている。
　情報処理装置１００は、作物に病虫害が発生した際に、情報処理端末２００にユーザ等が入力等した病害虫発生情報を取得する。ここで言う病害虫発生情報は、例えば作物に病害虫が発生した時の情報を含む情報である。この病害虫発生情報と、ハウス内の栽培に関する情報を取得する栽培センサ３００および気象サーバ４００から得られる環境情報と、に基づいて、情報処理装置１００は、作物への被害発生につながる事象が生じた事象発生時を推定する。
　情報処理装置１００では、この事象発生時の推定の際に、マルチインスタンス学習（Ｍｕｌｔｉｐｌｅ　Ｉｎｓｔａｎｃｅｓ　Ｌｅａｒｎｉｎｇ）と称される機械学習手法を用いる。この手法を用いることにより、環境情報の中に混在する作物への被害発生につながる事象とつながらない事象との中から、作物への被害発生につながる特徴量を抽出し、特徴量に基づいて、事象が生じる確率を算出し、該確率に基づいて、事象発生時を精度よく推定する。
　（１．２．機械学習）
　図２を参照して、マルチインスタンス学習（Ｍｕｌｔｉｐｌｅ　Ｉｎｓｔａｎｃｅｓ　Ｌｅａｒｎｉｎｇ）を用いた機械学習手法に関して説明する。本手法では、例えば、複数のサンプルを、２つに分類する際に、その分類が何をもって分類されているか、を把握することができる。本手法では、複数のサンプルをひとつの集合体（ｂａｇ）として扱う。ここでは、複数のサンプルを２つに分類する際に関して説明を行うが、分類は２つに限らず３つ以上の複数行われてもよい。
　図２では、７種類の部屋の風景１１、風景１２、風景１３、風景１４、風景１５、風景１６、風景１７が示されている。各風景には、様々なアイテムＳ、アイテムＸ１、アイテムＸ２、アイテムＸ３、アイテムＸ４、アイテムＸ５が含まれている。
　風景１１には、アイテムＳとアイテムＸ１とが含まれており、風景１２には、アイテムＸ１とアイテムＸ２とアイテムＳとが含まれている。風景１３には、アイテムＸ２とアイテムＸ３とアイテムＳとが含まれており、風景１４には、アイテムＸ２とアイテムＳとアイテムＸ４とが含まれている。
　風景１５には、アイテムＸ５とアイテムＸ６とが含まれ、風景１６には、アイテムＸ１と、アイテムＸ５とが含まれ、風景１７には、アイテムＸ４とアイテムＸ５とが含まれている。
　これらの風景１１～風景１７を複数のサンプルとしたときに、本手法では、まず風景１１～風景１４を一つのＢａｇとし、風景１５～風景１７を別のＢａｇとする。具体的には、風景１１～風景１４を、ＰｏｓｉｔｉｖｅＢａｇ（以下、ＰＢと称す。）として決定する。一方、風景１５～風景１７を、ＮｅｇａｔｉｖｅＢａｇ（以下、ＮＢと称す。）として決定する。
　ここで、ＰＢでは、風景１５～風景１７と風景１１～風景１４とを分類する因子が一つ以上は、含まれている。一方、ＮＢでは、風景１５～風景１７と風景１１～風景１４とを分類する因子が一つも含まれていない。このように、複数のサンプルからＰＢおよびＮＢのＢａｇを決定する。
　本手法では、このようにＰＢおよびＮＢに分類された複数のＢａｇから、ＰＢに分類されるＢａｇおよびＮＢに分類されるＢａｇを比較することで、ＰＢおよびＮＢの分類に際して影響する各Ｂａｇ内の因子を抽出する。
　図２では、ＰＢおよびＮＢに分類されるＢａｇを比較することで、ＰＢおよびＮＢはアイテムＳが含まれるか否かで分類されたことを見出すことができる。つまり、風景１１～風景１４と風景１５～風景１７とを比較すると、風景１１～風景１４にはアイテムＳが含まれているが、風景１５～風景１７には、アイテムＳは含まれていない。ここでは、アイテムＳを影響因子である特徴量として、風景１１～風景１４がＰＢ、風景１５～風景１７がＮＢとして分類されていることがわかる。このように本手法では、ＰＢおよびＮＢを比較することで、分類する際の特徴量がＳであることを見出す。
　本手法では、ＰＢの中に、特徴量を含むＰｏｓｉｔｉｖｅなサンプルと、特徴量が含まれないＮｅｇａｔｉｖｅなサンプルとが混在する場合に、ＰＢとＮＢとを分けるような特徴量を見つけることができる。また、本手法では、上述のように特徴量を見つけることで、未知のＢａｇに対して、Ｐｏｓｉｔｉｖｅであるか、Ｎｅｇａｔｉｖｅであるかを判定することができる。更に本手法では、該特徴量を用いて、ＰＢの中のどのＢａｇがＰｏｓｉｔｉｖｅサンプルであるか等を判定することができる。
　上記のような手法を用いて、本発明の一実施形態にかかる情報処理装置１００では、作物の被害発生につながる事象が発生する疑いがある推定事象時発生期間の環境情報をＰＢ、事象が発生していない無事象期間の環境情報ＮＢとして比較する。この比較により、事象発生につながる特徴量を把握し、推定事象時発生期間から事象発生時を推定する。
　さらに、本発明では、事象発生時の推定に基づいた事象発生予測モデルの機械学習が行われる。このように、事象発生予測モデルを機械学習させることにより、自律的に事象発生予測モデルを更新することができる。したがって、事象発生確率の算出の正確性を向上させることが可能である。
　さらにまた、情報処理装置１００では、機械学習後の事象発生予測モデルに対して、作物の環境情報、具体的には、作物に対する環境情報の予測値、または現在値等が新たに入力される。これらの環境情報に基づいて、情報処理装置１００では、作物に対して、現在または未来の事象発生確率の経時的な変化を出力することができる。なお、現在または未来に限らず、過去に対しても事象発生確率を算出してもよいことは言うまでもない。
　＜２．情報処理装置の機能構成＞
　以上、本発明の一実施形態に係る情報処理システムの概略について説明した。次に、本発明の一実施形態に係る情報処理システム１の機能構成について説明する。具体例として、作物に対して病害虫による被害が発生した際に、被害につながる事象が発生した事象発生時を推定する例を挙げて説明する。以下では、事象を病害虫への感染、被害発生を発病として説明する。
　図３を参照して、情報処理システム１の機能構成について説明する。図３は、本発明の一実施形態に係る情報処理システム１の概略的な機能構成の例を示すブロック図である。
　図３に示したように、情報処理システム１は、情報処理装置１００と、情報処理端末２００と、栽培センサ３００と、気象サーバ４００と、を備える。情報処理システム１では、情報処理装置１００が、情報処理端末２００と、栽培センサ３００または気象サーバ４００と、から取得される情報を用いて、作物に対する病害虫感染予測を行う。以下では、まず情報処理装置１００が情報処理を行う際に要する情報を取得する情報処理端末２００と、栽培センサ３００と、気象サーバ４００とを順に説明する。
　（情報処理端末）
　情報処理端末２００は、入力部２１０と表示部２３０と通信部２２０とを備える。情報処理端末２００では、病害虫発生情報を取得する機能を有し、取得された病害虫発生情報は、情報処理装置１００の取得部１１０へ出力される。情報処理端末２００は、スマートフォンのような携帯端末でもよく、コンピュータ等の情報処理装置であってもよい。なお、病害虫発生情報は、必ずしも情報処理端末２００を介して取得される必要はなく、情報処理装置１００にて、取得できれば取得方法は限られない。
　（（入力部））
　入力部２１０では、ユーザによる入力等により、病害虫による病害等が作物で発病した時の情報を含む病害虫発生情報が入力される。病害虫発生情報は、病害虫による病害等が作物で発病した発病日時の情報を含む。発病とは、作物に対して被害が発生したこと、あるいは感染後に潜伏期間が終了し、病虫害による感染の症状が発症したこと、が検知または認知されることを言う。例えば、発病の判断は、該作物の生育状況を観察するセンサ等があれば、センサ等が検知した情報を基に行われてもよく、ユーザが該作物の観察時に、作物への発病を認知することで行われてもよい。また、発病時とは、発病と判断された時を含む任意の期間を表し、発病日または発病時刻であってよい。
　病害虫発生情報は、病害虫による病害等が発病した日時の情報の他に、発生した病害虫の種類に関する情報も含む。具体的には、微生物病、害虫病、生理障害、雑草による生理障害等の情報を含む。さらに、各種類の更なる詳細に関する情報も含む。例えば、微生物病であれば、灰色かび病、葉かび病等の病気の種類に関する情報を含む。
　また、病害虫発生情報は、病害虫の感染または寄生から発病までの潜伏期間の情報も含む。病害の潜伏期間とは、病害の感染から発病までに要する日数を言い、虫害の潜伏期間とは、虫が産卵し、卵から幼虫が孵り、作物を食する等して発病（または虫害発生）が認知されるまでの期間を言う。つまり、潜伏期間とは、病虫害による作物への被害が発生するまでの期間を示す。この潜伏期間は、病虫害発生履歴、文献または調査等により得られる情報であってよい。
　また、情報処理端末２００は、病害虫発生情報のみならず、作物が栽培される空間の環境情報および作物栽培の栽培状況に関する環境情報（以下、概して環境情報と称す。）を取得してもよい。なお、情報処理端末２００にて取得される環境情報は、後述する栽培センサ３００にて、検知が困難な情報であってよい。
　情報処理端末２００にて取得される環境情報として、例えば、作物の栽培状況が挙げられる。作物の栽培状況とは、具体的には、作物の品種、該作物の栽培場所の標高、土壌の種類、土壌の栄養状態、該作物の播種日時、定植日時、該作物の葉の摘葉の状況、薬剤の散布履歴、薬剤の残効状況、除草の状況、樹勢の状況、作物の生育ステージ等の情報を含む。
　情報処理端末２００にて、環境情報が取得される場合には、例えばユーザ等による補助入力の作業によって行われてもよい。つまり、環境情報は、後述する栽培センサ３００で取得される情報のみならず、情報処理端末２００で取得される情報により、情報処理システム１に取得されてよい。情報処理端末２００または栽培センサ３００により取得される環境情報は、過去の履歴を含む環境情報であってもよく、現在値または予測値を示した環境情報であってもよい。
　（（通信部））
　通信部２２０は、入力部２１０にて入力された病害虫発生情報または環境情報を取得し、情報処理装置１００に出力する機能を有する。また、通信部２２０では、情報処理装置１００により処理された情報が取得され、表示部２３０に出力する機能も有する。通信部２２０では、病害虫発生情報または環境情報が取得される際に、適宜通信を行ってもよく、連続的に通信を行ってもよい。また、情報処理装置１００の指示により、通信を行ってもよい。
　（（表示部））
　表示部２３０は、通信部２２０から出力された情報を出力する機能を有する。例えば、表示部２３０は、情報処理装置１００にて予測された感染確率を、ユーザに呈示する。
　（栽培センサ）
　栽培センサ３００は、作物が栽培される空間の環境情報を取得する機能を有する。栽培センサ３００は、環境情報をセンシングするセンサ部３１０と、センシングした環境情報を出力する通信部３２０と、を備える。
　（（センサ部））
　センサ部３１０は、環境情報をセンシングする。センサ部３１０は、例えば、温度計、湿度計、日射量計、二酸化炭素濃度計、土壌の水分率を計測する水分率計等により構成されてよい。
　栽培センサ３００が取得する環境情報の作物が栽培される空間とは、作物が栽培されている場所を囲む空間であってよく、例えば、ビニールハウス等の作物栽培を行う農業施設であってよい。作物が栽培されている場所であれば、囲まれていなくともよく、畑または田んぼ等の解放された空間であってもよい。
　栽培センサ３００は、例えば、作物の周囲環境の温度、湿度、日射量、二酸化炭素濃度、作物が栽培される土壌の水分率などの環境情報を取得する。
　（（通信部））
　通信部３２０は、センサ部３１０にて取得された環境情報を情報処理装置１００に出力する機能を有する。通信部３２０では、環境情報が取得される際に、適宜通信を行ってもよく、連続的に通信を行ってもよい。また、情報処理装置１００の指示により、通信を行ってもよい。
　（気象サーバ）
　気象サーバ４００は、作物の栽培を行う地域の気象に関する環境情報を出力する機能を有する。出力する環境情報としては、気温、湿度、日射量、雨量等が挙げられる。気象サーバ４００は、情報処理装置１００に要求されることにより、情報処理装置１００に使用される情報を選択的に出力してもよい。気象サーバ４００によって出力される環境情報は、過去の履歴であってもよく、環境情報の現在値または予測値であってもよい。
　（情報処理装置）
　情報処理装置１００は、情報処理端末２００と栽培センサ３００と気象サーバ４００により出力された情報を取得して、病害虫による作物への病害等の発病につながる感染が生じた感染時を推定する機能を主に有する。情報処理装置１００は、取得部１１０と、記憶部１２０と、推定感染期間決定部１３０と、感染発生推定部１４０と、機械学習部１５０と、感染発生予測部１６０と、を備える。
　（（取得部））
　取得部１１０は、情報処理端末２００と栽培センサ３００と気象サーバ４００とにより出力された環境情報および病害発生情報を取得する機能を有する。取得した環境情報および病害発生情報は、記憶部１２０に記憶される。
　（（記憶部））
　記憶部１２０は、取得部１１０にて取得した情報を記憶する機能を有する。具体的には、記憶部１２０は、取得部１１０にて取得した病害発生情報および環境情報を記憶する。また、記憶部１２０では、後述する感染推定における機械学習に関するパラメータ、感染予測モデル等も記憶する。
　（（推定感染期間決定部））
　推定感染期間決定部１３０は、病害虫発生情報を用いて、作物への発病につながる感染が生じた疑いがある推定感染期間と発病につながる感染が生じていない無感染期間とを決定する機能を有する。
　推定感染期間は、作物への発病につながる感染が生じた期間を少なくとも１点含む期間であればよい。具体的に推定感染期間には、作物への感染が生じた日時が含まれてもよい。また、推定感染期間には、作物への感染が生じる期間が複数含まれていてもよい。
　推定感染期間には、感染が生じた日時および感染が生じていない日時が混在して含まれてよい。推定感染期間として、例えば、推定感染期間決定部１３０では、発病時から、該病害虫の潜伏期間の日数を遡った期間を推定感染期間として決定してもよい。推定感染期間は、感染が生じる期間を含んでいればよく、病害虫の種類、感染予測の必要な精度に応じて適宜決定されてよい。例えば、既知の病害虫の潜伏期間が環境等に応じて変化する可能性がある場合には、潜伏期間をさらに長く設定して、推定感染期間をより長めにとってもよい。
　一方、推定感染期間決定部１３０では、感染が発生していないことが既知である期間を無感染期間として決定すればよい。例えば、発病が確認されていない時点から、少なくとも該病害虫の潜伏期間を遡った期間を無感染期間として決定する。無感染期間は、連続した無感染日時を含む期間であってもよく、任意の日時を一時点とした期間であってよい。また、無感染期間として、任意の日時を一時点として、複数の日時が決定されてもよい。
　（（感染発生推定部））
　感染発生推定部１４０は、推定感染期間決定部１３０により決定された推定感染期間の環境情報と、無感染期間の環境情報とを比較して、推定感染期間から感染が生じた感染時を推定する機能を有する。
　図４を参照して、感染発生推定部１４０における感染推定について具体的に説明する。図４では、時間軸Ｔが示されている。ここではまず、発病時点Ａが１１月３０日とする。該病害虫の潜伏期間が３～７日の間である場合に、推定感染期間の始点Ｃは、発病日時Ａから潜伏期間の最長日数である７日を遡った１１月２３日となる。また、推定感染期間の終点Ｂは、発病日時Ａから潜伏期間の最短日数である３日を遡った１１月２７日となる。
　一方で、無感染期間は、感染が生じていないことが既知の日時であればよく、少なくとも推定感染期間の始点Ｃよりも前の期間であれば、適宜決定されてよい。また、無感染期間は、推定感染期間以外の期間であってよい。図４では、無感染期間は、推定感染期間の始点Ｃよりも前の日時Ｄ、つまり１０月２１日、および日時Ｅ、つまり１０月２０日で決定されている。
　感染発生推定部１４０では、推定感染期間の環境情報と、無感染期間の環境情報とを指定して比較する。推定感染期間の環境情報をそれぞれＰｏｓｉｔｉｖｅＢａｇ（ＰＢ）、無感染期間の環境情報をそれぞれＮｅｇａｔｉｖｅＢａｇ（ＮＢ）として指定する。また、推定感染期間は、１１月２３日から１１月２７日の５日間である。
　ここでＰＢに分類される日時に対応する環境情報をそれぞれ、１１月２３日はＰＢ１と指定し、１１月２４日はＰＢ２と指定し、１１月２５日はＰＢ３と指定し、１１月２６日はＰＢ４と指定し、１１月２７日はＰＢ５と指定する。一方で、ＮＢに分類される日時に対応する環境情報をそれぞれ、１０月２０日はＮＢ１と指定し、１０月２１日はＮＢ２と指定する。
　環境情報に含まれる因子を模式的に、白丸、黒丸、黒三角、白三角で示している。無感染期間とされる１０月２０日の日時Ｅの環境情報ＮＢ１には、白丸が４つ、黒丸が２つ、黒三角が２つ含まれており、１０月２１日の日時Ｄの環境情報ＮＢ２には、白丸が４つ、黒丸が３つ、黒三角が２つ含まれている。一方、推定感染期間とされる日時では、１１月２３日の環境情報ＰＢ１は、白丸が４つ、黒丸が２つ、黒三角が２つ、白三角が３つ含まれており、１１月２４日の環境情報ＰＢ２には、白丸が４つ、黒丸が３つ、黒三角が１つ、白三角が１つ含まれている。同様に、１１月２５日の環境情報ＰＢ３は、白丸が３つ、黒丸が３つ、黒三角が２つ含まれ、１１月２６日の環境情報ＰＢ４には、白丸が４つ、黒丸が２つ、黒三角が２つ、白三角が３つ含まれ、１１月２７日の環境情報ＰＢ５には、白丸が３つ、黒丸が３つ、黒三角が２つ、白三角が１つ含まれている。
　ここで、感染発生推定部１４０では、無感染期間の環境情報ＮＢ１及び環境情報ＮＢ２と、推定感染期間の環境情報ＰＢ１～環境情報ＰＢ５とを比較する。感染発生推定部１４０では、この比較により、無感染期間の環境情報ＮＢ１及び環境情報ＮＢ２には、白三角が含まれず、推定感染期間の環境情報ＰＢ１～環境情報ＰＢ５には、白三角が含まれることを把握する。これにより、環境情報の因子のうち白三角が発病につながる特徴量Ｓであるとして抽出する。
　感染発生推定部１４０では、抽出した特徴量Ｓを用いて、さらに推定感染期間の中での、該特徴量Ｓの変化による感染確率を算出する。図４では、無感染期間および推定感染期間の日時Ｘ、作物への発病から各日時を遡った日数Ｙ、および各日時における特徴量の変化Ｚを表として示している。なお、具体的に、図４では、特徴量Ｓを湿度（％）として示している。
　特徴量の変化Ｚの欄に着目すると、湿度（％）が１１月２３日は９５％、１１月２４日は６０％、１１月２５日は５５％、１１月２６日は９５％、１１月２７日は５０％である。一方、無感染期間における湿度は１０月２０日が５５％、１０月２１日が６０％である。これらの特徴量Ｓを用いて、感染発生推定部１４０では、推定感染期間の中から感染時を推定する。
　例えば、図４に示した例では、湿度が高いほど、感染確率は高くなるため、推定感染期間で、湿度が最高値であった１１月２３日、および１１月２６日が感染時と推定される。係る例では、特徴量の値が高くなるほど、感染確率が高くなる場合を挙げたが、特徴量の値が低くなるほど、感染確率が高くなる場合であってもよい。
　さらに、特徴量の変化が急激であるほど、感染の発生確率が高くなる等、特徴量の種類および特徴量の変化推移に応じて、感染の発生確率が算出されてよい。また、感染発生推定部１４０では、このように、推定感染期間の中から、複数の感染日時を推定してもよく、一つの日時が推定されてもよい。
　感染発生推定部１４０では、感染確率に閾値を設け、感染が生じたか否かを判定してもよい。例えば、該閾値より高い感染確率を示した場合に、感染時として推定してもよい。一方で、該閾値より低い感染確率を示した場合には、再度、感染発生推定部１４０にて、感染確率の算出を行ってもよい。
　さらに、感染発生推定部１４０では、推定された感染時の信頼性を高めるために、推定された感染時が適切であるか否かを判定し、適切な感染時を選択する機能を有してもよい。例えば、推定感染期間の中から、複数の感染日時が推定された場合に、推定された感染時が適切でないと判定して、複数の感染時からより確実な感染時を選択してもよい。本機能は、ユーザにより行われてもよい。つまり、推定された複数の感染時が、ユーザにより適切であるか否かが判定され、該推定された複数の感染時の中から適切な感染時が、ユーザにより選択されてよい。この様にして、感染発生推定部１４０では、感染時がより精度よく推定される。
　（（機械学習部））
　機械学習部１５０は、感染発生推定部１４０により推定された感染時における環境情報に関して機械学習を行い、現在または未来の感染確率を予測するための感染予測モデルを構築する機能を有する。感染発生推定部１４０では、感染時が推定されるため、発病につながる感染に対して、環境情報の中のどの因子が感染を生じさせるか等の情報が蓄積される。このような、感染を生じさせる環境情報を機械学習することにより、機械学習部１５０では、環境情報内の各因子と感染との関係性を示した感染予測モデルを構築することができる。
　機械学習部１５０は、感染予測モデルを構築し、さらに、記憶部１２０に出力する。記憶部１２０に記憶された感染予測モデルは、作物の感染予測に適宜用いられる。
　（（感染発生予測部））
　感染発生予測部１６０は、記憶部１２０に記憶された感染予測モデルと、作物の環境情報の現在値または予測値とを用いて、感染確率を予測する機能を有する。ここで、作物の環境情報とは、病害虫の発病が予測される作物に対する環境情報であり、栽培センサ３００にて出力された環境情報と気象サーバ４００にて出力された環境情報との少なくともどちらか一方により出力された環境情報であってよい。
　現在値または予測値とは、作物に対する現在の環境情報または、予測された環境情報を示す。例えば、現在値とは、栽培センサ３００により、現在までに連続して取得される環境情報であってよく、定期的に更新取得される環境情報であってよい。また、現在値とは、定期的に更新されなくとも、情報処理装置１００またはユーザの指示等により、適宜取得されてもよい。また、予測値とは、現在値よりも後の将来の環境情報を示し、現在から数時間後、数日後、数週間後等の予測値を示している。例えば、環境情報の予測値とは、気象サーバ４００から出力される気象予報等を示す。
　感染発生予測部１６０は、上述した環境情報の現在値または予測値を用いて、感染が発生する確率の予測を行う。感染確率は、作物の経時的な変化に対して、任意の時点における感染確率であってもよく、経時的な変化に対応して、連続した感染確率であってもよい。また、確率のみならず、感染が発生するか否かを予測してもよい。なお、過去に対して、感染確率を予測してもよい。
　また、感染発生予測部１６０は、病害虫の種類毎に感染確率を算出してもよい。これにより、複数の病虫害に対して、感染確率を予測でき、病虫害対策の強化が可能である。
　感染発生予測部１６０は、さらに予測された感染確率を情報処理端末２００に出力する機能を有する。情報処理端末２００では、例えば、表示部２３０にて感染確率を表示し、ユーザに呈示する。ユーザは、感染確率を情報処理端末２００にて確認して、農薬などの薬剤の散布等を計画することができる。また、感染確率の出力先は情報処理端末２００に限定されず、複数の情報処理端末でもよい。
　＜３．動作フロー＞
　以上までで、情報処理システム１の機能構成を説明した。次に、図５～図７を参照して、情報処理システム１の動作フローを説明する。
　情報処理システム１では、大まかに２つの処理を行う。つまり、情報処理システム１は、まず感染予測モデルを構築し（Ｓ１００）、次に、構築した感染予測モデルを用いて、感染確率を予測する（Ｓ２００）。以下それぞれの動作フローを詳細に説明する。
　（感染予測モデルの構築）
　感染予測モデルを構築する際には、まず、情報処理装置１００の取得部１１０にて、病害虫発生情報および環境情報の取得が行われる（Ｓ１０２）。病害虫発生情報は、発病日時を示す情報を含み、情報処理端末２００等を通して、情報処理装置１００に取得される。環境情報は、例えば、作物の栽培環境に設置された栽培センサ３００または気象サーバ４００にて出力された情報であり、栽培センサ３００または気象サーバ４００の少なくとも一方を通して、情報処理装置１００に取得され得る。
　次に、情報処理装置１００の推定感染期間決定部１３０にて、推定感染期間および無感染期間が決定される（Ｓ１０４）。推定感染期間は、作物の病害感染が少なくとも一つは生じる期間が含まれる期間であり、無感染期間は、感染が確認されていない期間である。
　ここで、推定感染期間決定部１３０では、例えば、推定感染期間および無感染期間における複数の環境情報に対してＢａｇ番号の付与を行い、推定感染期間に該当する環境情報にＰｏｓｉｔｉｖｅＢａｇ（ＰＢ）番号を与え、無感染期間に該当する環境情報にＮｅｇａｔｉｖｅＢａｇ（ＮＢ）番号を与える。
　無感染期間に該当する環境情報ＮＢを選択する際には、感染予測モデル構築の対象となる病害虫の発病が確認された病害発生情報の履歴から、無感染期間に該当する環境情報にＮＢ番号を付与する。この時、病害虫発生情報として、複数の農家にて報告がされた病害虫発生情報を用いることにより、ＮＢ数を増やして感染予測モデルの精度を高めることができる。例えば、ある農家における病害発生情報に基づいた無感染期間における環境情報にＮＢ１を付与し、別の農家における病害発生情報に基づいた無感染期間における環境情報にＮＢ２を付与する。このように、感染を予測する作物と同種の作物、および感染予測を行う病害虫と同種の病害虫による感染に対応する無感染期間の環境情報にＮＢ番号を付与して、ＮＢ番号の指定により、次処理にて感染時が推定される。
　次に、感染発生推定部１４０は、推定感染期間の環境情報および無感染期間の環境情報を比較して、推定感染期間の中から感染時の推定を行う（Ｓ１０６）。上述したＰＢ番号およびＮＢ番号が付与された環境情報を比較して、感染が発生する特徴量を抽出し、感染時の推定が行われる。
　さらに、感染発生推定部１４０では、推定された感染時が適切に推定されたか否かの判定が行われる（Ｓ１０８）。例えば、この判定は、推定された感染時をユーザが確認することで行われてもよい。
　推定された感染時が適切（Ｓ１０８／Ｙｅｓ）であれば、次処理に移行する。一方、推定された感染時が不適切（Ｓ１０８／Ｎｏ）であれば、再度、感染発生推定部１４０において、推定感染期間の環境情報および無感染期間の環境情報を比較して、感染時の推定を行ってよい。
　なお、推定された感染時が不適切とは、推定感染期間内で推定された感染時が複数ある場合、または、感染時の推定に際して、感染の確率が適切である範囲として、閾値範囲が設定された際に、感染確率が閾値範囲から外れる場合などが挙げられる。
　次に、感染発生推定部１４０では、推定した感染時の確定処理が行われる（Ｓ１１０）。前処理にて推定された感染時が適切（Ｓ１０８／Ｙｅｓ）であれば、そのまま感染時の確定処理が行われる。一方、推定された感染時が不適切（Ｓ１０８／Ｎｏ）である場合には、再度感染時の推定を行わなくとも、推定された感染時から、最も感染の確実性が高い感染時をユーザ等が選択して、感染時を確定させてもよい。
　次に、機械学習部１５０では、感染時の推定における感染時の環境情報に関して機械学習を行い、感染予測モデルを構築する（Ｓ１１２）。
　（感染予測モデルを用いた感染予測）
　以上までで、感染予測モデル構築を行うまでの動作フローを説明した。次に、該感染予測モデルを用いた作物の病害虫感染予測に関して図７を参照して説明を行う。
　まず、感染発生予測部１６０では、記憶部１２０から感染予測モデルを取得する（Ｓ２０２）。記憶部１２０には、上述した方法で構築された感染予測モデルが記憶されており、感染発生予測部１６０の指示により、記憶部１２０から感染予測モデルが出力される。
　さらに、感染発生予測部１６０では、記憶部１２０に記憶された環境情報の現在値または予測値を取得する（Ｓ２０４）。記憶部１２０には、栽培センサ３００または気象サーバ４００から取得された環境情報の現在値または予測値が記憶されており、感染発生予測部１６０の指示により、記憶部１２０から環境情報の現在値または予測値が出力される。
　次に、感染発生予測部１６０では、感染予測モデルと作物の環境情報の現在値または予測値とを用いて感染確率を予測する（Ｓ２０６）。
　感染発生予測部１６０は、予測された感染確率を出力する（Ｓ２０８）。出力先は、例えば、情報処理端末２００等の感染確率を必要とするユーザが所持する端末であってよく、コンピュータまたはスマートフォン等の端末であってよい。
　以上のような、動作フローにより情報処理システム１にて、感染時の推定が精度よく行われる。更には、作物に対する現在以降の感染確率を予測することもできる。
　＜４．ハードウェア構成例＞
　次に、図８を参照して、本実施形態に係る情報処理装置のハードウェア構成について説明する。図８は、本実施形態に係る情報処理システム１のハードウェア構成の一例を示すブロック図である。なお、図８に示す情報処理装置９００は、例えば、図３に示した情報処理システム１を実現し得る。本実施形態に係る情報処理システム１による情報処理は、ソフトウェアと、以下に説明するハードウェアとの協働により実現される。
　図８に示すように、情報処理装置９００は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）９０１、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）９０２、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）９０３及びホストバス９０４ａを備える。また、情報処理装置９００は、ブリッジ９０４、外部バス９０４ｂ、インタフェース９０５、入力装置９０６、出力装置９０７、ストレージ装置９０８、ドライブ９０９、接続ポート９１１及び通信装置９１３を備える。情報処理装置９００は、ＣＰＵ９０１に代えて、又はこれとともに、電気回路、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）若しくはＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の処理回路を有してもよい。
　ＣＰＵ９０１は、演算処理装置および制御装置として機能し、各種プログラムに従って情報処理装置９００内の動作全般を制御する。また、ＣＰＵ９０１は、マイクロプロセッサであってもよい。ＲＯＭ９０２は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０３は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータ等を一時記憶する。ＣＰＵ９０１は、例えば、図３に示す情報処理装置１００または情報処理端末２００の機能を実行し得る。
　ＣＰＵ９０１、ＲＯＭ９０２及びＲＡＭ９０３は、ＣＰＵバスなどを含むホストバス９０４ａにより相互に接続されている。ホストバス９０４ａは、ブリッジ９０４を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ　Ｃｏｍｐｏｎｅｎｔ　Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バス９０４ｂに接続されている。なお、必ずしもホストバス９０４ａ、ブリッジ９０４および外部バス９０４ｂを分離構成する必要はなく、１つのバスにこれらの機能を実装してもよい。
　入力装置９０６は、例えば、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、スイッチ及びレバー等、ユーザによって情報が入力される装置によって実現される。また、入力装置９０６は、例えば、赤外線やその他の電波を利用したリモートコントロール装置であってもよいし、情報処理装置９００の操作に対応した携帯電話やＰＤＡ（Ｐｅｒｓｏｎａｌ　Ｄｉｇｉｔａｌ　Ａｓｓｉｓｔａｎｔ）等の外部接続機器であってもよい。さらに、入力装置９０６は、例えば、上記の入力手段を用いてユーザにより入力された情報に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などを含んでいてもよい。情報処理装置９００のユーザは、この入力装置９０６を操作することにより、情報処理装置９００に対して各種のデータを入力したり処理動作を指示したりすることができる。入力装置９０６は、図３に示す情報処理端末２００の入力部２１０に対応してもよい。
　出力装置９０７は、取得した情報をユーザに対して視覚的又は聴覚的に通知することが可能な装置で形成される。このような装置として、ＣＲＴ（Ｃａｔｈｏｄｅ　Ｒａｙ　Ｔｕｂｅ）ディスプレイ装置、液晶ディスプレイ装置、プラズマディスプレイ装置、ＥＬ （ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ装置、レーザープロジェクタ、ＬＥＤプロジェクタ及びランプ等の表示装置や、スピーカ及びヘッドホン等の音声出力装置等がある。出力装置９０７は、例えば、情報処理装置９００が行った各種処理により得られた結果を出力する。具体的には、出力装置９０７は、情報処理装置９００が行った各種処理により得られた結果を、テキスト、イメージ、表、グラフ等、様々な形式で視覚的に表示する。他方、音声出力装置を用いる場合は、再生された音声データや音響データ等からなるオーディオ信号をアナログ信号に変換して聴覚的に出力する。出力装置９０７は、例えば、図３に示す情報処理端末２００の表示部２３０の機能を実行し得る。
　ストレージ装置９０８は、情報処理装置９００の記憶部の一例として形成されたデータ格納用の装置である。ストレージ装置９０８は、例えば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）等の磁気記憶部デバイス、半導体記憶デバイス、光記憶デバイス又は光磁気記憶デバイス等により実現される。ストレージ装置９０８は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置および記憶媒体に記録されたデータを削除する削除装置などを含んでもよい。このストレージ装置９０８は、ＣＰＵ９０１が実行するプログラムや各種データ及び外部から取得した各種のデータ等を格納する。ストレージ装置９０８は、例えば、図３に示す情報処理装置１００の記憶部１２０の機能を実行し得る。
　ドライブ９０９は、記憶媒体用リーダライタであり、情報処理装置９００に内蔵、あるいは外付けされる。ドライブ９０９は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記憶媒体に記録されている情報を読み出して、ＲＡＭ９０３に出力する。また、ドライブ９０９は、リムーバブル記憶媒体に情報を書き込むこともできる。
　接続ポート９１１は、外部機器と接続されるインタフェースであって、例えばＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）などによりデータ伝送可能な外部機器との接続口である。
　通信装置９１３は、例えば、ネットワーク９２０に接続するための通信デバイス等で形成された通信インタフェースである。通信装置９１３は、例えば、有線若しくは無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＬＴＥ（Ｌｏｎｇ　Ｔｅｒｍ　Ｅｖｏｌｕｔｉｏｎ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＷＵＳＢ（Ｗｉｒｅｌｅｓｓ　ＵＳＢ）用の通信カード等である。また、通信装置９１３は、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ　Ｄｉｇｉｔａｌ　Ｓｕｂｓｃｒｉｂｅｒ　Ｌｉｎｅ）用のルータ又は各種通信用のモデム等であってもよい。この通信装置９１３は、例えば、インターネットや他の通信機器との間で、例えばＴＣＰ／ＩＰ等の所定のプロトコルに則して信号等を送受信することができる。通信装置９１３は、例えば、図３に示す栽培センサ３００の通信部２２０、または情報処理端末２００の通信部２２０等の機能を実行し得る。
　なお、ネットワーク９２０は、ネットワーク９２０に接続されている装置から送信される情報の有線、または無線の伝送路である。例えば、ネットワーク９２０は、インターネット、電話回線網、衛星通信網などの公衆回線網や、Ｅｔｈｅｒｎｅｔ（登録商標）を含む各種のＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）などを含んでもよい。また、ネットワーク９２０は、ＩＰ－ＶＰＮ（Ｉｎｔｅｒｎｅｔ　Ｐｒｏｔｏｃｏｌ－Ｖｉｒｔｕａｌ　Ｐｒｉｖａｔｅ　Ｎｅｔｗｏｒｋ）などの専用回線網を含んでもよい。
　また、情報処理システム１に内蔵されるＣＰＵ、ＲＯＭ及びＲＡＭなどのハードウェアを上述した本実施形態に係る情報処理システム１の各構成と同等の機能を発揮させるためのコンピュータプログラムも作成可能である。また、該コンピュータプログラムを記憶させた記録媒体も提供される。
　＜５．変形例＞
　以上までで、本発明が、作物への被害発生につながる事象の発生を推定する場合、病虫害の発生を主に例として説明した。本発明は、係る例に限らず、被害発生と被害につながる事象発生とが同時に起こらない事例に関して適用可能である。本発明は、具体的には、動物の感染症、動物の食中毒発生等に対しても用いることができる。
　（動物の感染症）
　本実施形態においては、作物に病虫害が発生する例を挙げて説明したが、本発明は、動物が感染症を発病したときの感染日時の特定に適用可能である。動物が感染症を発症するまでには、感染症の感染が起こり、該感染症の潜伏期間を経て、該感染症が発症する。動物の感染症の場合、感染症が発症してからよりも、発症前、特に感染前後に薬剤を服薬する方が、感染症抑制効果が高い場合が多い。よって、動物を生育させる上で、感染確率を予測することは重要である。
　動物の感染症において、本発明が適用される場合には、動物への被害発生時、つまり感染症発生日時を含む感染症発生情報と、動物の生育環境を含む環境情報が取得される。感染症発生情報を用いて、動物へ感染症が感染した疑いのある期間を推定事象発生期間、感染疑いのない期間を無事象期間とする。
　該推定事象発生期間と該無事象期間との生育環境情報を比較して、生育環境情報の中から感染症に感染する因子となる特徴量を抽出する。この特徴量を用いて、該推定事象発生期間から、事象発生時を推定する。
　（動物の食中毒発生）
　本発明は、動物が食中毒を発生した際に、原因食品の特定、または毒摂取時期の特定等にも適用可能である。動物が食中毒を発病するまでには、食中毒の摂取、食中毒を引き起こすウイルスまたは菌などの増殖が起こる。増殖が閾値を超えた場合に、動物に対して食中毒の症状が発症する。食中毒の場合、ウイルスまたは菌などの増殖が起こる前に、薬剤を服薬することにより食中毒の症状が緩和または抑制される可能性が高くなる。また、食中毒の原因によって、服薬する薬剤も異なるため、食中毒の原因が特定されることは、症状を緩和する上で重要となる。
　動物の食中毒において、本発明が適用される場合には、食中毒の発症時が被害発生時とされる。つまり、食中毒発症日時を含む食中毒発生情報と、動物が食品などを摂取した摂取情報が取得される。この食中毒発生情報を用いて、食中毒の原因となる食品等を摂取した疑いのある期間を推定事象発生期間、摂取疑いの無い期間を無事象期間とする。
　該推定事象発生期間と該無事象期間との摂取情報を比較して、摂取情報の中から食中毒の原因となる特徴量、つまり食品等を抽出する。この特徴量を用いて、該推定事象発生期間から、事象発生時を推定することができる。
　以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
　１００　　情報処理装置
　１１０　　取得部
　１２０　　記憶部
　１３０　　推定感染期間決定部
　１４０　　感染発生推定部
　１５０　　機械学習部
　１６０　　感染発生予測部
　２００　　情報処理端末
　２１０　　入力部
　２２０　　通信部
　２３０　　表示部
　３００　　栽培センサ
　３１０　　センサ部
　３２０　　通信部
　４００　　気象サーバ
 

Claims (9)

  1. 　病害虫による作物への被害発生時の情報を含む病害虫発生情報および前記作物の栽培環境を含む環境情報を取得する、取得部と、
    　前記病害虫発生情報を用いて、前記作物への前記被害発生につながる事象が生じた疑いがある推定事象発生期間と前記被害発生につながる前記事象が生じていない無事象期間とを決定する、事象期間決定部と、
    　前記推定事象発生期間の前記環境情報と、前記無事象期間の前記環境情報と、を比較して、前記推定事象発生期間から前記事象が生じた事象発生時を推定する、事象推定部と、を備える、情報処理装置。
  2. 　前記事象推定部は、前記推定事象発生期間の前記環境情報の中から、前記被害発生に影響する特徴量を抽出する、請求項１に記載の情報処理装置。
  3. 　前記特徴量を用いて、前記推定事象発生期間における前記事象が生じる事象発生確率を算出し、
    　前記事象発生確率に基づいて、前記事象発生時を推定する、前記請求項２に記載の情報処理装置。
  4. 　前記推定事象発生期間は、前記作物への前記被害発生時よりも前の期間であり、前記事象発生時を含む期間が少なくとも一つ以上含まれる、請求項１～３のいずれか一項に記載の情報処理装置。
  5. 　前記事象推定部により推定された前記事象発生時における前記環境情報に関して機械学習を行うことにより、前記事象発生確率を予測するための事象発生予測モデルを構築する機械学習部、を備える、請求項３に記載の情報処理装置。
  6. 　前記事象発生予測モデルと、前記作物の前記環境情報の現在値または予測値とを用いて、前記作物の前記事象発生確率を予測する、請求項５に記載の情報処理装置。
  7. 　前記病害虫の種類毎に前記事象発生確率を出力する出力部、を備える、請求項６に記載の情報処理装置。
  8. 　コンピュータを、
    　病害虫による作物への被害発生時の情報を含む病害虫発生情報および前記作物の栽培環境を含む環境情報を取得する、取得部と、
    　前記病害虫発生情報を用いて、前記作物への前記被害発生につながる事象が生じた疑いがある推定事象発生期間と前記被害発生につながる前記事象が生じていない無事象期間とを決定する、事象期間決定部と、
    　前記推定事象発生期間の前記環境情報と、前記無事象期間の前記環境情報と、を比較して、前記推定事象発生期間から前記事象が生じた事象発生時を推定する、事象推定部と、として機能させるためのプログラム。
  9. 　病害虫による作物への被害発生時の情報を含む病害虫発生情報および前記作物の栽培環境を含む環境情報を取得する、取得部と、
    　前記病害虫発生情報を用いて、前記作物への前記被害発生につながる事象が生じた疑いがある推定事象発生期間と前記被害発生につながる前記事象が生じていない無事象期間とを決定する、事象期間決定部と、
    　前記推定事象発生期間の前記環境情報と、前記無事象期間の前記環境情報と、を比較して、前記推定事象発生期間から前記事象が生じた事象発生時を推定する、事象推定部と、を含む、情報処理システム。
     
PCT/JP2019/022084 2018-07-02 2019-06-04 情報処理装置、情報処理システム、およびプログラム Ceased WO2020008777A1 (ja)

Priority Applications (8)

Application Number Priority Date Filing Date Title
EP19829966.1A EP3819856B1 (en) 2018-07-02 2019-06-04 Information processing device, information processing system, and program
BR112020026869-0A BR112020026869A2 (pt) 2018-07-02 2019-06-04 Dispositivo de processamento de informação, sistema de processamento de informação, e programa
CN201980048499.4A CN112400184A (zh) 2018-07-02 2019-06-04 信息处理装置、信息处理系统以及程序
KR1020207037211A KR20210025015A (ko) 2018-07-02 2019-06-04 정보 처리 장치, 정보 처리 시스템, 및 프로그램
JP2020528732A JP7511470B2 (ja) 2018-07-02 2019-06-04 情報処理装置、情報処理システム、およびプログラム
US17/257,660 US20210248691A1 (en) 2018-07-02 2019-06-04 Information processing device, information processing system, and program
AU2019297721A AU2019297721A1 (en) 2018-07-02 2019-06-04 Information processing device, information processing system, and program
AU2023200270A AU2023200270A1 (en) 2018-07-02 2023-01-19 Information processing device, information processing system, and program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018126001 2018-07-02
JP2018-126001 2018-07-02

Publications (1)

Publication Number Publication Date
WO2020008777A1 true WO2020008777A1 (ja) 2020-01-09

Family

ID=69059550

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/022084 Ceased WO2020008777A1 (ja) 2018-07-02 2019-06-04 情報処理装置、情報処理システム、およびプログラム

Country Status (8)

Country Link
US (1) US20210248691A1 (ja)
EP (1) EP3819856B1 (ja)
JP (1) JP7511470B2 (ja)
KR (1) KR20210025015A (ja)
CN (1) CN112400184A (ja)
AU (2) AU2019297721A1 (ja)
BR (1) BR112020026869A2 (ja)
WO (1) WO2020008777A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021135623A (ja) * 2020-02-25 2021-09-13 株式会社Eco‐Pork 疾病情報管理システム、疾病情報管理サーバ、疾病情報管理方法、及び疾病情報管理プログラム
WO2022045021A1 (en) * 2020-08-31 2022-03-03 Bayer Cropscience K.K. Information processing device and information processing system
JP2023019915A (ja) * 2021-07-30 2023-02-09 横河電機株式会社 栽培支援システム、栽培支援方法、及びプログラム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7757028B2 (ja) * 2020-01-16 2025-10-21 横河電機株式会社 支援システム、及び支援方法
CN113115679B (zh) * 2021-04-21 2023-04-07 中国农业科学院农业信息研究所 一种基于苹果病害预测的智能调控方法及其装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11287871A (ja) 1998-03-31 1999-10-19 Ntt Data Corp 病害虫の発生予察及び情報提供のためのシステム並びに方法
JP2003167975A (ja) 2001-11-30 2003-06-13 Fujitsu Ltd 病害虫の対応策情報提供方法、プログラム、記録媒体及びシステム
JP2009106261A (ja) 2007-10-30 2009-05-21 Asuzac Inc 作物の栽培支援装置
WO2018047726A1 (ja) * 2016-09-07 2018-03-15 ボッシュ株式会社 情報処理装置および情報処理システム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2466978A1 (en) * 2004-05-07 2005-11-07 Isca Technologies, Inc. Method for pest management using pest identification sensors and network accessible database
KR20090002711A (ko) * 2007-07-04 2009-01-09 순천대학교 산학협력단 무선 센서 네트워크를 이용한 병해충 예측 관리 시스템
CN103616482B (zh) * 2013-12-04 2015-10-28 吉林省农业科学院 害虫发生期自动预警仪
WO2016127094A1 (en) * 2015-02-06 2016-08-11 The Climate Corporation Methods and systems for recommending agricultural activities
CN106960267B (zh) * 2016-01-08 2021-01-12 生态环境部南京环境科学研究所 一种食叶类农业虫害风险评估方法
US9563852B1 (en) * 2016-06-21 2017-02-07 Iteris, Inc. Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11287871A (ja) 1998-03-31 1999-10-19 Ntt Data Corp 病害虫の発生予察及び情報提供のためのシステム並びに方法
JP2003167975A (ja) 2001-11-30 2003-06-13 Fujitsu Ltd 病害虫の対応策情報提供方法、プログラム、記録媒体及びシステム
JP2009106261A (ja) 2007-10-30 2009-05-21 Asuzac Inc 作物の栽培支援装置
WO2018047726A1 (ja) * 2016-09-07 2018-03-15 ボッシュ株式会社 情報処理装置および情報処理システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3819856A4

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021135623A (ja) * 2020-02-25 2021-09-13 株式会社Eco‐Pork 疾病情報管理システム、疾病情報管理サーバ、疾病情報管理方法、及び疾病情報管理プログラム
WO2022045021A1 (en) * 2020-08-31 2022-03-03 Bayer Cropscience K.K. Information processing device and information processing system
JP2023539869A (ja) * 2020-08-31 2023-09-20 バイエルクロップサイエンス株式会社 情報処理装置および情報処理システム
JP2023019915A (ja) * 2021-07-30 2023-02-09 横河電機株式会社 栽培支援システム、栽培支援方法、及びプログラム
JP7416025B2 (ja) 2021-07-30 2024-01-17 横河電機株式会社 栽培支援システム、栽培支援方法、及びプログラム

Also Published As

Publication number Publication date
JPWO2020008777A1 (ja) 2021-07-08
US20210248691A1 (en) 2021-08-12
EP3819856A4 (en) 2021-10-06
EP3819856B1 (en) 2025-10-15
JP7511470B2 (ja) 2024-07-05
EP3819856C0 (en) 2025-10-15
AU2019297721A1 (en) 2021-02-25
AU2023200270A1 (en) 2023-02-16
KR20210025015A (ko) 2021-03-08
BR112020026869A2 (pt) 2021-04-06
EP3819856A1 (en) 2021-05-12
CN112400184A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
WO2020008777A1 (ja) 情報処理装置、情報処理システム、およびプログラム
Jain et al. RETRACTED ARTICLE: A review of plant leaf fungal diseases and its environment speciation
Dutra et al. From lab to field: the influence of urban landscapes on the invasive potential of Wolbachia in Brazilian Aedes aegypti mosquitoes
Ali et al. Will climate change affect outbreak patterns of planthoppers in Bangladesh?
CN106940824B (zh) 用于估计有效害虫严重程度指数的系统和方法
EP3550498A1 (en) Information processing device and information processing system
Jeffries et al. Characteristics and drivers of high-altitude ladybird flight: insights from vertical-looking entomological radar
Barker et al. DDRP: real-time phenology and climatic suitability modeling of invasive insects
Kumar et al. Assessing the potential for establishment of western cherry fruit fly using ecological niche modeling
US11564384B2 (en) Manage and control pests infestation using machine learning in conjunction with automated devices
Chappell et al. Interacting virus abundance and transmission intensity underlie tomato spotted wilt virus incidence: an example weather-based model for cultivated tobacco
Cooper et al. Incidence of grapevine leafroll disease: Effects of grape mealybug (Pseudococcus maritimus) abundance and pathogen supply
Harman et al. Predicted range expansion of Prostephanus truncatus (Coleoptera: Bostrichidae) under projected climate change scenarios
Curran et al. One bat’s waste is another man’s treasure: a DNA metabarcoding approach for the assessment of biodiversity and ecosystem services in Ireland using bat faeces
WO2020184241A1 (ja) 農作物の収穫量予測プログラム、栽培環境判別プログラム
CN115803459A (zh) 早期识别植物中的病原
Adeniran et al. Mathematical Model for Spread and Control of Cocoa Black Pod
Vennila et al. Future of Rice Yellow Stem Borer Scirpophaga incertulas (Walker) Under Changing Climate: S. Vennila et al.
Harteveld et al. Predicting Ascospore release of Monilinia vaccinii-corymbosi of blueberry with machine learning
Paul et al. Seasonal dynamics of sterility mosaic of pigeonpea and its prediction using statistical models for Banaskantha region of Gujarat, India
WO2023083746A1 (en) Systems and methods for determining a location of a pest infested and/or diseased plant
JP2023029004A (ja) 推定モデルの生成方法、推定方法、推定モデルの生成装置、推定装置、及び推定システム
Angelella et al. Differential life history trait associations of aphids with nonpersistent viruses in cucurbits
Warmer et al. Validating Airborne eDNA Using Manual Surveys, Acoustic Monitoring and Camera Traps to Detect Birds and Mammals in an Agroforestry Setting
Day et al. Impact of the introduced parasitoid Peristenus digoneutis (Hymenoptera: Braconidae) on tarnished plant bug (Hemiptera: Miridae) infesting strawberries in northwestern New Jersey, USA

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19829966

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020528732

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 20207037211

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112020026869

Country of ref document: BR

ENP Entry into the national phase

Ref document number: 2019829966

Country of ref document: EP

Effective date: 20210202

ENP Entry into the national phase

Ref document number: 2019297721

Country of ref document: AU

Date of ref document: 20190604

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 112020026869

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20201229

WWG Wipo information: grant in national office

Ref document number: 2019829966

Country of ref document: EP