WO2020255677A1 - 情報処理装置及び方法 - Google Patents

情報処理装置及び方法 Download PDF

Info

Publication number
WO2020255677A1
WO2020255677A1 PCT/JP2020/021366 JP2020021366W WO2020255677A1 WO 2020255677 A1 WO2020255677 A1 WO 2020255677A1 JP 2020021366 W JP2020021366 W JP 2020021366W WO 2020255677 A1 WO2020255677 A1 WO 2020255677A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
risk
house
prediction
relative humidity
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/JP2020/021366
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 EP20827401.9A priority Critical patent/EP3984350A4/en
Priority to JP2021527529A priority patent/JPWO2020255677A1/ja
Priority to CN202080044283.3A priority patent/CN114206109B/zh
Priority to MX2021015706A priority patent/MX2021015706A/es
Priority to KR1020227000891A priority patent/KR20220024480A/ko
Priority to CA3143484A priority patent/CA3143484A1/en
Priority to US17/619,194 priority patent/US20220279731A1/en
Publication of WO2020255677A1 publication Critical patent/WO2020255677A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089—Regulating or controlling systems
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/245—Earth materials for agricultural purposes

Definitions

  • the present invention relates to an information processing device and a method.
  • a system In facility gardening in houses, etc., a system has been developed that measures the environmental conditions inside the house with sensors and provides information on pests from the measurement results. For example, a system has been proposed in which the location of pests is estimated from the measurement results of temperature and humidity in a greenhouse and information is provided (see Patent Document 1). In addition, a system for predicting the degree of infection by inputting measurement results such as temperature, precipitation, and wind speed into an infection prediction model for pests has also been proposed (see Patent Document 2). Based on such information, it is possible to take measures such as spraying the drug in advance.
  • JP-A-2015-119646 Japanese Unexamined Patent Publication No. 2008-125496
  • Condensation is known to increase the risk of pests in institutional horticulture.
  • Botrytis cinerea if the crop remains wet due to dew condensation for a long period of time, the risk of bacterial spores adhering to the crop and infecting the crop tends to increase. Therefore, it is possible to predict the risk of infection by determining the wet state based on the temperature and humidity measured by the sensor in the house.
  • spore scattering may occur under dry conditions, depending on the type of disease.
  • powdery mildew spores are known to germinate even under dry conditions because they either absorb moisture by themselves or have a particularly high water content of conidia.
  • the increased risk under dry conditions is difficult to predict by the above-mentioned determination of the wet state.
  • An object of the present invention is to improve the accuracy of predicting the risk of pests.
  • an information acquisition unit (421) that acquires measurement information of the relative humidity in the house and a feature amount representing the drying conditions in the house are generated from the measurement information of the relative humidity.
  • An information processing device (40) including a prediction unit (423) for predicting the risk of pests in the house based on the feature amount is provided.
  • it is a method of predicting the risk of pests in the house, in which the step of acquiring the measurement information of the relative humidity in the house and the measurement information of the relative humidity in the house are used.
  • a method is provided that includes a step of generating a feature amount representing the drying conditions of the greenhouse and predicting the risk of pests in the house based on the feature amount.
  • the accuracy of predicting the risk of pests can be improved.
  • FIG. 1 It is a figure which shows the structure of the information providing system including the information processing server of this embodiment. It is a figure which shows the structure of an information processing server. It is a flowchart which shows the processing procedure which an information processing server generates a prediction model. It is a graph which shows the correlation between the relative humidity and the increase rate of a pest. It is a flowchart which shows the processing procedure which an information processing server predicts the risk of a pest. It is a figure which shows the display example of the prediction information of the risk of a pest.
  • FIG. 1 shows an information providing system 1 according to an embodiment of the present invention.
  • the information providing system 1 measures temperature, relative humidity, etc. inside and outside the houses 10a to 10c, and provides predictive information on the risk of pests in the houses 10a to 10c based on the measurement results.
  • FIG. 1 shows an example in which the prediction information of the three houses 10a to 10c is provided, but the number of houses that can provide the prediction information is not particularly limited, and the prediction information of one or a plurality of houses can be provided.
  • the information providing system 1 includes a plurality of sensors 21 to 23, a communication device 26, a weather server 30, an information processing server 40, and a user terminal 50.
  • the communication device 26, the weather server 30, the information processing server 40, and the user terminal 50 are connected to each other so as to be able to communicate with each other via the network 12.
  • the network 12 can include the Internet, a telephone line network, a LAN (Local Area Network), and the like.
  • Each sensor 21 to 23 is provided in the houses 10a to 10c, and measures the environmental conditions in the houses 10a to 10c at regular intervals such as 10 minutes.
  • environmental conditions include temperature, relative humidity, amount of solar radiation, carbon dioxide concentration, wind speed, geothermal heat, and amount of soil moisture.
  • the sensor 21 measures the temperature
  • the sensor 22 measures the relative humidity
  • the sensor 23 measures the amount of solar radiation, but even if a sensor for measuring other environmental conditions such as carbon dioxide concentration is provided. Good.
  • the communication device 26 transmits the temperature, relative humidity, solar radiation, etc. measured by the sensors 21 to 23 to the information processing server 40 as measurement information of the environmental conditions in the houses 10a to 10c. Further, a control device 20 for adjusting environmental conditions may be provided in the houses 10a to 10c. The communication device 26 can acquire necessary information from the control device 20, generate operation information of the control device 20, and transmit it to the information processing server 40. Examples of the control device 20 include an air conductor, a sprinkler, a sunshade curtain, a window opening / closing control device, and the like.
  • the communication between the communication device 26 and the sensors 21 to 23 and the control device 20 is wireless communication such as BLE (Bluetooth (registered trademark) Low Energy), Wi-Fi (registered trademark), but even wired communication. Good.
  • BLE Bluetooth (registered trademark) Low Energy
  • Wi-Fi registered trademark
  • the meteorological server 30 transmits measurement information of meteorological conditions outside the houses 10a to 10c to the information processing server 40.
  • meteorological conditions include temperature, relative humidity, solar radiation, rainfall, wind speed, etc. for each region.
  • the meteorological server 30 can transmit not only the measurement information but also the forecast information of the meteorological conditions such as the weather forecast to the information processing server 40.
  • the information processing server 40 acquires measurement information of environmental conditions including relative humidity in the houses 10a to 10c from the communication device 26, and predicts the risk of pests in the houses 10a to 10c based on the acquired measurement information. Is.
  • the information processing server 40 can generate and output prediction information of the risk of pests based on the prediction result.
  • the user terminal 50 is, for example, a mobile phone, a tablet, a PC (Personal Computer), or the like.
  • the user terminal 50 is used by a user such as a farmer who manages the houses 10a to 10c, and displays the prediction information transmitted from the information processing server 40.
  • FIG. 2 shows a configuration example of the information processing server 40.
  • the information processing server 40 includes a communication unit 410, a control unit 420, and a storage unit 430.
  • the communication unit 410 is an interface for communicating with an external device on the network 12, such as the communication device 26, the weather server 30, and the user terminal 50.
  • the control unit 420 controls the operation of the information processing server 40. In addition, the control unit 420 predicts the risk of pests in each of the houses 10a to 10c.
  • the control unit 420 includes an information acquisition unit 421, a learning unit 422, and a prediction unit 423 as shown in FIG.
  • the information acquisition unit 421, the learning unit 422, and the prediction unit 423 are realized by software processing in which a processor such as a CPU (Central Processing Unit) executes a program stored in a storage medium such as the storage unit 430 or other memory described above. It may be realized by hardware such as ASIC (Application Specific Integrated Circuit).
  • a processor such as a CPU (Central Processing Unit) executes a program stored in a storage medium such as the storage unit 430 or other memory described above. It may be realized by hardware such as ASIC (Application Specific Integrated Circuit).
  • ASIC Application Specific Integrated Circuit
  • the information acquisition unit 421 acquires the measurement information of the relative humidity in the houses 10a to 10c from the communication device 26 via the communication unit 410.
  • the information acquisition unit 421 can acquire the measurement information of the environmental conditions in the houses 10a to 10c and the operation information of the control device 20 from the communication device 26 in addition to the relative humidity, and can acquire the measurement information of the weather conditions from the weather server 30.
  • the information acquisition unit 421 may acquire measurement information at predetermined intervals such as 10-minute intervals.
  • the information acquisition unit 421 stores each acquired information in the storage unit 430.
  • the learning unit 422 generates a feature amount representing the drying condition from the measurement information of the relative humidity stored in the storage unit 430, and generates a prediction model of the risk of pests using the feature amount.
  • the generated prediction model is stored in the storage unit 430.
  • the prediction model may be a prediction formula that can calculate the risk of pests using the feature amount as a variable, or may be a table in which the risk predicted for the variable is determined in advance. Further, the prediction model may be a model generated by machine learning using a feature amount representing a drying condition as input data and using the risk of pests under the drying condition as teacher data. In this embodiment, an example of a prediction model by machine learning with higher prediction accuracy will be described.
  • the prediction unit 423 generates a feature amount representing the drying conditions in the houses 10a to 10c from the measurement information of the relative humidity in the houses 10a to 10c acquired by the information acquisition unit 421, and based on the generated feature amount, the house 10a to 10a to Predict the risk of pests within 10c. Specifically, the prediction unit 423 can acquire the prediction result of the risk of pests in the houses 10a to 10c by inputting the feature amount generated in the prediction model generated by the learning unit 422.
  • the storage unit 430 stores various information acquired by the information acquisition unit 421. Further, the storage unit 430 stores the prediction model generated by the learning unit 422. As the storage unit 430, a storage medium such as a large-capacity hard disk can be used.
  • the information processing server 40 generates a model for predicting the risk of pests that increase under specific dry conditions by generating feature quantities representing dry conditions using past relative humidity measurement information.
  • FIG. 3 shows a processing procedure in which the information processing server 40 generates a prediction model.
  • the information acquisition unit 421 acquires the measurement information of the relative humidity measured in the houses 10a to 10c by the sensor 22 from the communication device 26 and stores it in the storage unit 430. (Step S11).
  • the learning unit 422 generates a feature amount representing the drying conditions in the houses 10a to 10c from the measurement information of the relative humidity stored in the storage unit 430 (step S12).
  • Examples of the feature amount generated from the measurement information of the relative humidity include the following feature amounts (f11) to (f17). The larger the values of the following feature amounts (f11) to (f13), the higher the risk of pests in the houses 10a to 10c is under dry conditions.
  • (F11) Daily average value (f12) of pest risk (A) when a value of relative humidity acquired at a predetermined interval (for example, 10 minutes) is input to a relational expression representing the correlation between relative humidity and pest risk. ) Daily integrated value of the above risk (A) (f13) Daily average of the values obtained by binarizing the above risk (A) to a value of 1 when it is higher than the threshold value and to a value of 0 when it is lower than the threshold value.
  • the relational expression expressing the correlation between the relative humidity and the risk of the pest is the relational expression that outputs the infection rate, the incidence rate, the increase rate, etc. of the pest to the relative humidity. May be. Since the drying conditions that increase the risk of pests differ depending on the type of pest, a relational expression is prepared based on the correlation between the two for each type of pest.
  • FIG. 4 shows the correlation between the relative humidity K (%) and the increase rate P (%) of the disease a as an example of the correlation. As shown in FIG. 4, in the case of disease a, the increase rate P gradually increases as the relative humidity K increases, and the increase rate P becomes maximum when the relative humidity K is around 40 to 50%. When the relative humidity K exceeds 50%, the rate of increase P gradually decreases. That is, the risk of disease a increases under dry conditions with a relative humidity of 40-50%.
  • the learning unit 422 can also generate a feature amount representing a drying condition from measurement information of environmental conditions other than relative humidity such as temperature and solar radiation in the houses 10a to 10c.
  • the following feature quantities (f21) to (f26) can be generated from the temperature measurement information measured by the sensor 21.
  • the following relational expression is prepared for each type of pest based on the correlation between the temperature and the risk of the pest, as in the case of the relative humidity.
  • the learning unit 422 can also generate the following feature quantities (f31) and (f32) from the temperature measurement information as the feature quantities representing the drying conditions.
  • F31 Temperature difference between maximum temperature and minimum temperature in a day
  • f32 Difference between two percentile values with different temperatures in a day (for example, difference between 75th percentile value and 25th percentile value)
  • the learning unit 422 uses the feature amount generated from the humidity measurement information for a certain period in the past as the primary feature amount, and uses the primary feature amount as the secondary feature amount to represent the drying conditions in the houses 10a to 10c for a certain period. Further features may be generated. Examples of the secondary feature amount include an average value and a percentile value of the primary feature amount generated during a certain period such as one week and one month.
  • the risk of pests can be predicted based on the length of the duration of the dry state, and the prediction accuracy is further improved.
  • the onset of pests is likely to occur when long-term drying conditions such as one or two weeks or one month continue instead of short-term drying conditions of several hours. Therefore, it is preferable that the fixed period for generating the secondary feature amount is a weekly or monthly period rather than an hourly period, because the drying conditions at which the risk increases can be estimated more accurately.
  • the learning unit 422 When the learning unit 422 generates a feature amount representing the dry condition, the feature amount is used as input data, the risk of the pest under the dry condition is used as the teacher data, and a prediction model of the risk of the pest is generated by machine learning. (Step S13).
  • the learning unit 422 stores the generated prediction model in the storage unit 430.
  • Examples of machine learning for generating a prediction model include linear regression, filters such as Kalman filter, support vector machine, decision tree such as random forest, neighbor method, neural network such as deep learning, and Bayesian network. These machine learnings can be used alone or in combination of two or more.
  • the learning unit 422 can generate a prediction model by using the feature amount representing the drying condition and the information affecting the drying condition as input data. By using a plurality of input data, multifaceted prediction becomes possible and the prediction accuracy is further improved.
  • the information acquisition unit 421 may acquire the measurement information of the weather conditions outside the houses 10a to 10c from the weather server 30, and the learning unit 422 may use the measurement information of the weather conditions as one of the input data. As a result, it becomes possible to make a prediction considering the influence of weather conditions, and the prediction accuracy is further improved.
  • the cultivation conditions in the houses 10a to 10c for example, the cultivation conditions such as the planted area, density, and growth stage of the crop also affect the drying conditions. Therefore, the information acquisition unit 421 may acquire the cultivation information of the houses 10a to 10c, and the learning unit 422 may use the cultivation information as one of the input data. This makes it possible to make predictions that take into account the effects of crop cultivation conditions, and the prediction accuracy is further improved.
  • Cultivation information is, for example, information on cultivation conditions such as crop type, cultivation amount, growth status, and medium.
  • the type of crop is, for example, a classification of cucumber, tomato, and the like.
  • Examples of the amount of cultivation include the planted area of the house, the number of planted plants, and the planting density. The planting density may be calculated by dividing the number of planted plants by the planted area.
  • Examples of the growth situation include the number of days after planting after the planting date, the growth stage estimated from the number of days after planting, and the like.
  • the medium is classified into, for example, soil cultivation and hydroponics.
  • Information on the number of days after planting and the growth stage may be estimated by the information acquisition unit 421 based on the elapsed time from the planting date. That is, the information acquisition unit 421 may estimate the growth stage by setting the number of days elapsed from the planting date to the present in the acquired cultivation information as the number of days after planting and comparing the number of days after planting with the threshold value.
  • the control device 20 that adjusts the environmental conditions in the houses 10a to 10c also affects the drying conditions.
  • the information acquisition unit 421 acquires the operation information of the control device 20 from the communication device 26, and the learning unit 422 can use the operation information as one of the input data. This makes it possible to make predictions in consideration of the adjustment of environmental conditions by the control device 20, and the prediction accuracy is further improved.
  • Examples of the operation information include the presence / absence of installation of the control device 20, the type of the control device 20, the operation status indicating whether the control device 20 is stopped or in operation, the operation content such as the target temperature and the target humidity, and the like.
  • the learning unit 422 periodically or arbitrarily performs the above-described processing to update the prediction model stored in the storage unit 430. This makes it possible to make predictions according to the latest trends.
  • FIG. 5 shows a processing procedure in which the information processing server 40 predicts the risk of pests.
  • the information acquisition unit 421 acquires the measurement information of the relative humidity measured in the houses 10a to 10c by the sensor 22 from the communication device 26 and stores it in the storage unit 430.
  • the prediction unit 423 generates a feature amount representing the drying conditions of the houses 10a to 10c from the stored relative humidity measurement information in the same manner as the feature amount generation by the learning unit 422 (step S22).
  • the prediction unit 423 inputs the generated feature amount into the prediction model, and acquires the prediction result of the risk of pests output from the prediction model (step S23).
  • the prediction unit 423 can improve the prediction accuracy by using the feature amount or various information other than the feature amount generated from the measurement information of the relative humidity as the input data to the prediction model.
  • Examples of the prediction result output from the prediction model include the type of pest to be predicted, the infection rate or the incidence rate for each predicted date, and the like.
  • the prediction unit 423 generates prediction information for pests based on the acquired prediction results. As predictive information on the risk of pests, for example, the infection rate of pests, the incidence rate, the day when infection or onset is predicted, the day when countermeasures against infection or onset such as drug spraying and control of environmental conditions are predicted to be optimal, etc. Includes information about.
  • the prediction unit 423 transmits the generated prediction information to the user terminal 50 (step S24).
  • FIG. 6 shows an example of a display screen of the prediction information of the house 10a.
  • the risk d11 of infection with disease a and the risk d12 of infection with pest b from the 29th of last month to the 9th of this month are displayed as one of the prediction information.
  • the mark d2 in the frame indicates today's date.
  • Each risk d11 and d12 is represented by a circle mark, the size of the circle increases as the infection rate increases, and the concentration of the circle increases as the infection rate increases. For example, according to risk d11, it is found that the infection rate of disease a is highest in 4 days, and according to risk d12, it is found that the infection rate of pest b is highest in 8 days.
  • marks d31 to d33 indicating the days when the infection control of pests is predicted to be optimal are displayed on the display screen d.
  • the mark d31 is a mark indicating a day when the control of environmental conditions by air conditioning in the house 10a is effective.
  • the marks d32 and d33 are marks indicating the effective days when the chemical spraying of the disease a and the pest b is effective, respectively.
  • the forecast information shown in FIG. 6 is an example, and is not limited to this.
  • a graph of the infection rate that changes on a daily or weekly basis may be provided for each type of pest so that the user can easily grasp when and what type of pest is at high risk. ..
  • a feature amount representing the drying conditions in the houses 10a to 10c is generated from the measurement information of the relative humidity measured in the houses 10a to 10c, and the feature is generated. Predict the risk of pests based on quantity. This makes it possible to accurately predict the increased risk of pests under dry conditions. Prediction accuracy is further improved by using a machine learning prediction model for prediction.
  • the information processing server 40 of the present embodiment also generates a feature amount representing a drying condition from the temperature measurement information. Further, the information processing server 40 uses not only the feature amount representing the drying condition but also at least one or more of the measurement information of the weather condition affecting the drying condition, the cultivation information and the operation information of the control device 20 as input data of the prediction model. Use. The more input data used for prediction, the more multifaceted prediction becomes possible and the higher the prediction accuracy.
  • the learning unit 422 is provided not in the information processing server 40 but in an external device such as another server, and the information processing server 40 acquires the prediction model generated in the external device and stores it in the storage unit 430. There may be.
  • the information processing server 40 may transmit the prediction information to the control device 20.
  • the control device 20 can control the environmental conditions in the houses 10a to 10c based on the prediction information.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Environmental Sciences (AREA)
  • Primary Health Care (AREA)
  • Agronomy & Crop Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Analytical Chemistry (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biochemistry (AREA)
  • Software Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)

Abstract

病害虫のリスクの予測精度を向上させる。　ハウス内の相対湿度の計測情報を取得する情報取得部（４２１）と、前記相対湿度の計測情報から前記ハウス内の乾燥条件を表す特徴量を生成し、前記特徴量に基づいて前記ハウス内における病害虫のリスクを予測する予測部（４２３）と、を備える情報処理装置（４０）。

Description

情報処理装置及び方法
　本発明は、情報処理装置及び方法に関する。
　ハウス等での施設園芸においては、ハウス内の環境条件をセンサにより計測し、その計測結果から病害虫に関する情報提供を行うシステムが開発されている。例えば、温室内の温度及び湿度の計測結果から病害虫の発生箇所を推定して情報提供するシステムが提案されている（特許文献１参照。）。また、気温、降水量、風速等の計測結果を病害虫の感染予測モデルに入力することで感染度を予測するシステムも提案されている（特許文献２参照。）。このような情報によれば、事前に薬剤を散布する等の対策が可能である。
特開２０１５－１１９６４６号公報 特開２００８－１２５４９６号公報
　施設園芸において、結露は病害虫のリスクを高めることが知られている。例えば、灰色かび病の場合、結露により作物が濡れた状態が長期化すると、菌の胞子が作物に付着して感染するリスクが高まりやすい。よって、ハウス内のセンサにより計測した温度や湿度によって濡れ状態を判定することで、感染のリスクを予測することが可能である。
　一方、感染後、病害の種類にもよるが、胞子の飛散が乾燥条件下で生じることがある。例えば、うどんこ病の胞子は、自ら吸湿するか、又は分生胞子の含水量が特に多いため、乾燥条件下でも発芽することが知られている。このように、乾燥条件下で高まるリスクは、上記のような濡れ状態の判定によっては予測することが難しい。
　本発明は、病害虫のリスクの予測精度を向上させることを目的とする。
　本発明の一態様によれば、ハウス内の相対湿度の計測情報を取得する情報取得部（４２１）と、前記相対湿度の計測情報から前記ハウス内の乾燥条件を表す特徴量を生成し、前記特徴量に基づいて前記ハウス内における病害虫のリスクを予測する予測部（４２３）と、を備える情報処理装置（４０）が提供される。
　本発明の他の一態様によれば、ハウス内における病害虫のリスクを予測する方法であって、前記ハウス内の相対湿度の計測情報を取得するステップと、前記相対湿度の計測情報から前記ハウス内の乾燥条件を表す特徴量を生成し、前記特徴量に基づいて前記ハウス内における病害虫のリスクを予測するステップと、を含む方法が提供される。
　本発明によれば、病害虫のリスクの予測精度を向上させることができる。
本実施形態の情報処理サーバを含む情報提供システムの構成を示す図である。 情報処理サーバの構成を示す図である。 情報処理サーバが予測モデルを生成する処理手順を示すフローチャートである。 相対湿度と病害虫の増加率との相関を示すグラフである。 情報処理サーバが病害虫のリスクを予測する処理手順を示すフローチャートである。 病害虫のリスクの予測情報の表示例を示す図である。
　以下、本発明の情報処理装置及び方法の実施の形態について、図面を参照して説明する。以下に説明する構成は、本発明の一実施態様としての一例（代表例）であり、本発明は以下に説明する構成に限定されない。
　図１は、本発明の一実施形態に係る情報提供システム１を示す。
　情報提供システム１は、ハウス１０ａ～１０ｃの内外で温度、相対湿度等を計測し、計測結果によってハウス１０ａ～１０ｃでの病害虫のリスクの予測情報を提供する。図１は３つのハウス１０ａ～１０ｃの予測情報が提供される例を示すが、予測情報を提供できるハウスの数は特に限定されず、１又は複数のハウスの予測情報を提供可能である。
　図１に示すように、情報提供システム１は、複数のセンサ２１～２３、通信装置２６、気象サーバ３０、情報処理サーバ４０及びユーザ端末５０を備える。通信装置２６、気象サーバ３０、情報処理サーバ４０及びユーザ端末５０は、ネットワーク１２を介して互いに通信可能に接続されている。ネットワーク１２は、インターネット、電話回線網、ＬＡＮ（Local Area Network）等を含むことができる。
　各センサ２１～２３は、ハウス１０ａ～１０ｃ内に設けられ、ハウス１０ａ～１０ｃ内の環境条件を例えば１０分等の一定間隔で計測する。環境条件としては、例えば温度、相対湿度、日射量、二酸化炭素濃度、風速、地熱、土壌水分量等が挙げられる。本実施形態において、センサ２１は温度を計測し、センサ２２は相対湿度を計測し、センサ２３は日射量を計測するが、二酸化炭素濃度等の他の環境条件を計測するセンサが設けられてもよい。
　通信装置２６は、各センサ２１～２３により計測された温度、相対湿度及び日射量等をハウス１０ａ～１０ｃ内の環境条件の計測情報として情報処理サーバ４０へ送信する。
　また、ハウス１０ａ～１０ｃ内には、環境条件を調整する制御機器２０が設けられていることがある。通信装置２６は、制御機器２０から必要な情報を取得して制御機器２０の稼働情報を生成し、情報処理サーバ４０に送信することができる。制御機器２０としては、例えばエアコンダクター、スプリンクラー、日よけカーテン、窓の開閉制御機器等が挙げられる。
　通信装置２６と各センサ２１～２３及び制御機器２０間の通信は、ＢＬＥ（Bluetooth（登録商標） Low Energy）、Ｗｉ－Ｆｉ（登録商標）等の無線通信であるが、有線通信であってもよい。
　気象サーバ３０は、ハウス１０ａ～１０ｃ外の気象条件の計測情報を情報処理サーバ４０に送信する。気象条件としては、例えば地域ごとの気温、相対湿度、日射量、雨量、風速等が挙げられる。気象サーバ３０は、計測情報だけではなく、天気予報等の気象条件の予測情報を情報処理サーバ４０に送信することもできる。
　情報処理サーバ４０は、通信装置２６からハウス１０ａ～１０ｃ内の相対湿度を含む環境条件の計測情報を取得し、取得した計測情報に基づいてハウス１０ａ～１０ｃにおける病害虫のリスクを予測する情報処理装置である。情報処理サーバ４０は、予測結果に基づいて病害虫のリスクの予測情報を生成し、出力することができる。
　ユーザ端末５０は、例えば携帯電話、タブレット、ＰＣ（Personal Computer）等である。ユーザ端末５０は、ハウス１０ａ～１０ｃを管理する農家等のユーザによって使用され、情報処理サーバ４０から送信された予測情報を表示する。
（情報処理サーバ）
　図２は、情報処理サーバ４０の構成例を示す。
　図２に示すように、情報処理サーバ４０は、通信部４１０、制御部４２０及び記憶部４３０を備える。
　通信部４１０は、通信装置２６、気象サーバ３０、ユーザ端末５０等のネットワーク１２上の外部装置と通信するためのインターフェイスである。
　制御部４２０は、情報処理サーバ４０の動作を制御する。
　また、制御部４２０は、各ハウス１０ａ～１０ｃでの病害虫のリスクの予測を行う。予測のため、制御部４２０は、図２に示すように情報取得部４２１、学習部４２２及び予測部４２３を備える。情報取得部４２１、学習部４２２及び予測部４２３は、ＣＰＵ（Central Processing Unit）等のプロセッサが、上述した記憶部４３０やその他のメモリ等の記憶媒体に記憶されたプログラムを実行するソフトウェア処理によって実現されてもよいし、ＡＳＩＣ（Application Specific Integrated Circuit）等のハードウェアによって実現されてもよい。
　情報取得部４２１は、通信部４１０を介して、通信装置２６からハウス１０ａ～１０ｃ内の相対湿度の計測情報を取得する。情報取得部４２１は、通信装置２６から相対湿度以外にハウス１０ａ～１０ｃ内の環境条件の計測情報及び制御機器２０の稼働情報を取得でき、気象サーバ３０から気象条件の計測情報を取得できる。情報取得部４２１は、例えば１０分間隔等の所定間隔で計測情報を取得すればよい。情報取得部４２１は、取得した各情報を記憶部４３０に保存する。
　学習部４２２は、記憶部４３０に保存された相対湿度の計測情報から乾燥条件を表す特徴量を生成し、当該特徴量を用いて病害虫のリスクの予測モデルを生成する。生成された予測モデルは、記憶部４３０に保存される。
　予測モデルは、特徴量を変数として病害虫のリスクを算出できる予測式であってもよいし、あらかじめ変数に対して予測されるリスクが定められたテーブルであってもよい。また、予測モデルは、乾燥条件を表す特徴量を入力データとして用い、当該乾燥条件での病害虫のリスクを教師データとして用いて、機械学習により生成されるモデルであってもよい。本実施形態では、予測精度がより高い機械学習による予測モデルの例を説明する。
　予測部４２３は、情報取得部４２１により取得したハウス１０ａ～１０ｃ内の相対湿度の計測情報からハウス１０ａ～１０ｃ内の乾燥条件を表す特徴量を生成し、生成した特徴量に基づいてハウス１０ａ～１０ｃ内における病害虫のリスクを予測する。具体的には、予測部４２３は、学習部４２２により生成された予測モデルに生成した特徴量を入力することによって、ハウス１０ａ～１０ｃ内における病害虫のリスクの予測結果を取得できる。
　記憶部４３０は、情報取得部４２１により取得された各種情報を記憶する。また、記憶部４３０は、学習部４２２により生成された予測モデルを記憶する。記憶部４３０としては、例えば大容量のハードディスク等の記憶媒体を使用できる。
（情報提供サーバの処理）
　一般的に、病害を引き起こす菌が作物に感染すると潜伏期間を経て発病する。害虫の場合も同様に、害虫の卵が作物に付着（感染）し、一定期間（潜伏期間）後に孵化した害虫が食害（発病）する。発病によって次の感染を引き起こす菌の胞子や害虫の卵が生じる。このようなサイクルで発生する病害虫を予防するには、感染又は発病の前、特に感染前に農薬の散布、送風等の対策をとることが効果的である。
　病害虫のなかには、発病が乾燥条件下で起こる病害虫がある。このような病害虫については、ハウス１０ａ～１０ｃ内が乾燥条件下にあるか否かによって発病のリスク又は発病後に生じる感染のリスクを予測することが可能である。情報処理サーバ４０は、過去の相対湿度の計測情報を用いて乾燥条件を表す特徴量を生成することで、特定の乾燥条件下で高まる病害虫のリスクの予測モデルを生成する。
　図３は、情報処理サーバ４０が予測モデルを生成する処理手順を示す。
　図３に示すように、情報処理サーバ４０では、情報取得部４２１が、センサ２２によりハウス１０ａ～１０ｃ内で計測された相対湿度の計測情報を通信装置２６から取得し、記憶部４３０に保存する（ステップＳ１１）。
　学習部４２２は、記憶部４３０に保存された相対湿度の計測情報からハウス１０ａ～１０ｃ内の乾燥条件を表す特徴量を生成する（ステップＳ１２）。
　相対湿度の計測情報から生成される特徴量としては、例えば下記特徴量（ｆ１１）～（ｆ１７）が挙げられる。下記特徴量（ｆ１１）～（ｆ１３）の数値が大きいほど、ハウス１０ａ～１０ｃ内が病害虫のリスクが高い乾燥条件下にあることを意味する。
　（ｆ１１）相対湿度と病害虫のリスクの相関を表す関係式に、所定間隔（例えば１０分）で取得した相対湿度の値を入力したときの病害虫のリスク（Ａ）の１日の平均値
　（ｆ１２）上記リスク（Ａ）の１日の積算値
　（ｆ１３）上記リスク（Ａ）が閾値より高い場合は１の値に、低い場合は０の値に２値化して得られる値の１日の平均値又は１の値の積算値
　（ｆ１４）１日の平均湿度
　（ｆ１５）相対湿度が閾値より高い場合は１の値に、低い場合は０の値に２値化して得られる値の１日の平均値又は１の値の積算値
　（ｆ１６）１００（％）から相対湿度を引いた値
　（ｆ１７）相対湿度の逆数
　上記相対湿度と病害虫のリスクの相関を表す関係式は、相対湿度に対するリスクを表すことができるのであれば、相対湿度に対して病害虫の感染率、発病率、増加率等を出力する関係式等であってもよい。病害虫の種類によって病害虫のリスクが高まる乾燥条件が異なるため、病害虫の種類ごとの両者の相関に基づいて関係式が用意される。
　図４は、相関の一例として、相対湿度Ｋ（％）と病害ａの増加率Ｐ（％）との相関を示す。
　図４に示すように、病害ａの場合は、相対湿度Ｋが高くなるにつれて増加率Ｐも緩やかに上昇し、相対湿度Ｋが４０～５０％付近で増加率Ｐが最大となる。相対湿度Ｋが５０％を超えると増加率Ｐは緩やかに下降する。すなわち、病害ａのリスクは、相対湿度が４０～５０％の乾燥条件下で高まる。
　学習部４２２は、ハウス１０ａ～１０ｃ内の温度、日射量等の相対湿度以外の環境条件の計測情報から乾燥条件を表す特徴量を生成することもできる。
　例えば、センサ２１により計測された温度の計測情報から、次のような特徴量（ｆ２１）～（ｆ２６）を生成できる。下記特徴量（ｆ２１）～（ｆ２３）及び（ｆ２６）の数値が大きいほど、ハウス１０ａ～１０ｃ内が病害のリスクが高い乾燥条件下にあることを意味する。なお、下記関係式は、上記相対湿度の場合と同様に、温度と病害虫のリスクとの相関に基づいて病害虫の種類ごとに用意される。
　（ｆ２１）温度と病害虫のリスクとの相関を表す関係式に、所定間隔（例えば１０分）で取得した温度の値を入力したときの病害虫のリスク（Ｂ）の１日の平均値
　（ｆ２２）上記リスク（Ｂ）の１日の積算値
　（ｆ２３）上記リスク（Ｂ）が閾値より高い場合は１の値に、低い場合は０の値に２値化して得られる値の１日の平均値又は１の値の積算値
　（ｆ２４）１日の平均温度
　（ｆ２５）温度が閾値より高い場合は１の値に、低い場合は０の値に２値化して得られる値の１日の平均値又は１の値の積算値
　（ｆ２６）所定間隔でそれぞれ算出される、上記リスク（Ａ）に上記リスク（Ｂ）を乗算して得られる値（Ａ＊Ｂ）の１日の積算値
　温度差は乾燥条件への影響が大きいことから、学習部４２２は、乾燥条件を表す特徴量として温度の計測情報から次のような特徴量（ｆ３１）及び（ｆ３２）も生成することができる。
　（ｆ３１）１日のうちの最高温度と最低温度の温度差
　（ｆ３２）１日のうちの温度の異なる２つのパーセンタイル値の差（例えば７５パーセンタイル値と２５パーセンタイル値の差）
　学習部４２２は、過去の一定期間の湿度の計測情報から生成された特徴量を１次特徴量として用いて、この１次特徴量から一定期間におけるハウス１０ａ～１０ｃ内の乾燥条件を表す２次特徴量をさらに生成してもよい。２次特徴量としては、例えば１週間、１か月等の一定期間中に生成される１次特徴量の平均値、パーセンタイル値等が挙げられる。
　１次特徴量よりも長期的な乾燥条件を表す２次特徴量を用いることにより、乾燥状態の継続期間の長さに基づいて病害虫のリスクを予測することができ、予測精度がより向上する。病害虫の発病は、数時間程度の短期間の乾燥条件ではなく、１，２週間や１か月等の長期間の乾燥条件が続くことで起こりやすい。よって、２次特徴量を生成する一定期間は、時間単位よりは週単位又は月単位の期間であると、リスクが高まる乾燥条件をより正確に推定でき、好ましい。
　学習部４２２は、乾燥条件を表す特徴量を生成すると、当該特徴量を入力データとして用い、当該乾燥条件における病害虫のリスクを教師データとして用いて、病害虫のリスクの予測モデルを機械学習により生成する（ステップＳ１３）。学習部４２２は、生成した予測モデルを記憶部４３０に保存する。
　予測モデルを生成する機械学習としては、例えば線形回帰、カルマンフィルタ等のフィルタ、サポートベクタマシン、ランダムフォレスト等の決定木、近傍法、ディープラーニング等のニューラルネットワーク、ベイジアンネットワーク等が挙げられる。これら機械学習は、１種を単独で又は２種以上を組み合わせて使用することができる。
　学習部４２２は、上記乾燥条件を表す特徴量とともに乾燥条件に影響する情報を入力データとして用いて予測モデルを生成することができる。複数の入力データを用いることにより、多面的な予測が可能となり、予測精度がより向上する。
　例えば、ハウス１０ａ～１０ｃ外の気象条件はハウス１０ａ～１０ｃ内の乾燥条件に影響する。よって、情報取得部４２１がハウス１０ａ～１０ｃ外の気象条件の計測情報を気象サーバ３０から取得し、学習部４２２は、当該気象条件の計測情報を入力データの１つとして用いてもよい。これにより、気象条件の影響を考慮した予測が可能になり、予測精度がより向上する。
　また、ハウス１０ａ～１０ｃ内の栽培条件、例えば作物の作付面積、密度、生育ステージ等の栽培条件も乾燥条件に影響する。よって、情報取得部４２１がハウス１０ａ～１０ｃの栽培情報を取得し、学習部４２２が当該栽培情報を入力データの１つとして用いてもよい。これにより、作物の栽培条件の影響を考慮した予測が可能になり、予測精度がより向上する。
　栽培情報は、例えば作物の種類、栽培量、生育状況及び培地等の栽培条件に関する情報である。作物の種類は、例えばキュウリ、トマト等の分類である。栽培量としては、例えばハウスの作付面積、定植本数、栽植密度等が挙げられる。栽植密度は、定植本数を作付面積で除算することで算出されてもよい。生育状況としては、例えば定植日から経過した定植後日数、定植後日数から推定される生育ステージ等が挙げられる。培地は、例えば土耕、水耕等の分類である。これら栽培情報は、例えばユーザ端末５０から入力することによって、あらかじめ情報処理サーバ４０の記憶部４３０に保存される。定植後日数及び生育ステージの情報は、定植日からの経過時間によって情報取得部４２１が推定すればよい。すなわち、情報取得部４２１は、取得した栽培情報中の定植日から現在までの経過日数を定植後日数とし、当該定植後日数と閾値とを比較することで生育ステージを推定すればよい。
　ハウス１０ａ～１０ｃ内の環境条件を調整する制御機器２０も乾燥条件に影響する。情報取得部４２１が通信装置２６から制御機器２０の稼働情報を取得し、学習部４２２は当該稼働情報を入力データの１つとして用いることができる。これにより、制御機器２０による環境条件の調整も考慮した予測が可能になり、予測精度がより向上する。稼働情報としては、例えば制御機器２０の設置の有無、制御機器２０の種類、停止中か稼働中かを示す稼働状況、目標温度、目標湿度等の稼働内容等が挙げられる。
　学習部４２２は、定期的に又は任意に上述した処理を行って、記憶部４３０に保存された予測モデルを更新することが好ましい。これにより、最新の傾向に応じた予測が可能となる。
　図５は、情報処理サーバ４０が病害虫のリスクを予測する処理手順を示す。
　図５に示すように、情報処理サーバ４０では、情報取得部４２１が、センサ２２によりハウス１０ａ～１０ｃ内で計測された相対湿度の計測情報を通信装置２６から取得し、記憶部４３０に保存する（ステップＳ２１）。予測部４２３は、学習部４２２による特徴量の生成と同様にして、保存された相対湿度の計測情報からハウス１０ａ～１０ｃの乾燥条件を表す特徴量を生成する（ステップＳ２２）。
　次に、予測部４２３は、生成した特徴量を予測モデルに入力し、予測モデルから出力された病害虫のリスクの予測結果を取得する（ステップＳ２３）。上述のように、予測部４２３は、相対湿度の計測情報から生成される特徴量以外の特徴量又は各種情報を、予測モデルへの入力データとして用いることで予測精度を高めることができる。予測モデルから出力される予測結果としては、例えば予測対象の病害虫の種類、予測された日にち単位の感染率又は発病率等が挙げられる。
　予測部４２３は、取得した予測結果に基づいて病害虫の予測情報を生成する。病害虫のリスクの予測情報としては、例えば病害虫の感染率、発病率、感染又は発病が予測される日、薬剤散布、環境条件の制御等の感染又は発病への対策が最適と予測される日等の情報を含む。予測部４２３は、生成した予測情報をユーザ端末５０へ送信する（ステップＳ２４）。
　ユーザ端末５０は、情報処理サーバ４０から送信された予測情報を表示することができる。
　図６は、ハウス１０ａの予測情報の表示画面例を示す。
　図６に示す表示画面ｄでは予測情報の１つとして、先月２９日から今月９日までの病害ａの感染のリスクｄ１１と害虫ｂの感染のリスクｄ１２が表示されている。枠のマークｄ２は、今日の日付を示す。各リスクｄ１１及びｄ１２はサークルのマークで表され、サークルのサイズは感染率が高いほど大きく、サークルの濃度は感染率が高いほど濃い。例えば、リスクｄ１１によれば、病害ａの感染率が最も高いのは４日であることが分かり、リスクｄ１２によれば、害虫ｂの感染率が最も高いのは８日であることが分かる。
　また、表示画面ｄでは予測情報の１つとして、病害虫の感染対策が最適と予測される日を示すマークｄ３１～ｄ３３が表示されている。マークｄ３１は、ハウス１０ａ内の空調による環境条件の制御が有効な日を示すマークである。マークｄ３２及びｄ３３は、それぞれ病害ａ及び害虫ｂの薬剤散布が有効な日を示すマークである。
　なお、図６に示す予測情報は一例であり、これに限定されない。例えば、予測情報として、いつどの種類の病害虫のリスクが高いのかをユーザが容易に把握できるように、１日単位又は週単位で推移する感染率のグラフを病害虫の種類ごとに提供してもよい。
　以上のように、本実施形態の情報処理サーバ４０によれば、ハウス１０ａ～１０ｃ内で計測された相対湿度の計測情報からハウス１０ａ～１０ｃ内の乾燥条件を表す特徴量を生成し、当該特徴量に基づいて病害虫のリスクを予測する。これにより、乾燥条件下で高まる病害虫のリスクを精度良く予測することができる。予測に機械学習による予測モデルを使用することにより、予測精度はより向上する。
　本実施形態の情報処理サーバ４０は、温度の計測情報からも乾燥条件を表す特徴量を生成する。また、情報処理サーバ４０は、乾燥条件を表す特徴量だけでなく、乾燥条件に影響する気象条件の計測情報、栽培情報及び制御機器２０の稼働情報の少なくとも１つ以上を予測モデルの入力データとして用いる。予測に用いる入力データが多いほど、多面的な予測が可能となり、予測精度がより向上する。
　以上、本発明の好ましい実施形態について説明したが、本発明は、これらの実施形態に限定されず、その要旨の範囲内で種々の変形及び変更が可能である。
　例えば、学習部４２２は情報処理サーバ４０ではなく他のサーバ等の外部装置に設けられて、情報処理サーバ４０は当該外部装置において生成された予測モデルを取得して記憶部４３０に記憶する構成であってもよい。
　また、ハウス１０ａ～１０ｃ内に環境条件を調整する制御機器２０が設けられている場合、情報処理サーバ４０から制御機器２０に予測情報を送信してもよい。制御機器２０は、予測情報に基づいてハウス１０ａ～１０ｃ内の環境条件を制御することができる。
１・・・情報提供システム、１０ａ～１０ｃ・・・ハウス、２１～２３・・・センサ、２６・・・通信装置、３０・・・気象サーバ、４０・・・情報処理サーバ、４２１・・・情報取得部、４２２・・・学習部、４２３・・・予測部

 

Claims (8)

  1. 　ハウス内の相対湿度の計測情報を取得する情報取得部（４２１）と、
    　前記相対湿度の計測情報から前記ハウス内の乾燥条件を表す特徴量を生成し、前記特徴量に基づいて前記ハウス内における病害虫のリスクを予測する予測部（４２３）と、
    　を備える情報処理装置（４０）。
  2. 　前記予測部（４２３）は、過去の一定期間の前記相対湿度の計測情報から生成された前記特徴量を用いて、前記一定期間における前記ハウス内の乾燥条件を表す特徴量をさらに生成し、前記各特徴量に基づいて前記病害虫のリスクの予測を行う、
    　請求項１に記載の情報処理装置（４０）。
  3. 　前記情報取得部（４２１）は、前記ハウス内の温度の計測情報をさらに取得し、
    　前記予測部（４２３）は、前記相対湿度及び前記温度の各計測情報から前記ハウス内の乾燥条件を表す複数の特徴量を生成し、前記複数の特徴量に基づいて前記ハウス内における病害虫のリスクを予測する、
    　請求項１又は２に記載の情報処理装置（４０）。
  4. 　前記情報取得部（４２１）は、前記ハウス内の環境条件の計測情報、前記ハウス内の栽培条件に関する栽培情報及び前記ハウス外の気象条件の計測情報のうちの少なくとも１つの情報をさらに取得し、
    　前記予測部（４２３）は、前記乾燥条件を表す特徴量とともに前記少なくとも１つの情報に基づいて前記病害虫のリスクを予測する、
    　請求項１～３のいずれか一項に記載の情報処理装置（４０）。
  5. 　前記予測部（４２３）は、前記乾燥条件を表す特徴量を少なくとも含む１又は複数の特徴量が入力されると、前記乾燥条件における前記病害虫のリスクを出力する予測モデルを用いて、前記病害虫のリスクを予測する、
    　請求項１～４のいずれか一項に記載の情報処理装置（４０）。
  6. 　前記１又は複数の特徴量を入力データとして用い、前記乾燥条件での前記病害虫のリスクを教師データとして用いて、前記予測モデルを機械学習により生成する学習部（４２２）を備える、
    　請求項５に記載の情報処理装置（４０）。
  7. 　前記予測部（４２３）は、前記病害虫のリスクの予測結果に基づいて予測情報を生成し、ユーザ端末（５０）に送信する、
    　請求項１～６のいずれか一項に記載の情報処理装置（４０）。
  8. 　ハウス内における病害虫のリスクを予測する方法であって、
    　前記ハウス内の相対湿度の計測情報を取得するステップと、
    　前記相対湿度の計測情報から前記ハウス内の乾燥条件を表す特徴量を生成し、前記特徴量に基づいて前記ハウス内における病害虫のリスクを予測するステップと、
    　を含む方法。

     
PCT/JP2020/021366 2019-06-17 2020-05-29 情報処理装置及び方法 Ceased WO2020255677A1 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
EP20827401.9A EP3984350A4 (en) 2019-06-17 2020-05-29 INFORMATION PROCESSING DEVICE AND METHOD
JP2021527529A JPWO2020255677A1 (ja) 2019-06-17 2020-05-29
CN202080044283.3A CN114206109B (zh) 2019-06-17 2020-05-29 信息处理装置及方法
MX2021015706A MX2021015706A (es) 2019-06-17 2020-05-29 Dispositivo y metodo de procesamiento de informacion.
KR1020227000891A KR20220024480A (ko) 2019-06-17 2020-05-29 정보 처리 장치 및 방법
CA3143484A CA3143484A1 (en) 2019-06-17 2020-05-29 Information processing device and method
US17/619,194 US20220279731A1 (en) 2019-06-17 2020-05-29 Information processing device and method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019111698 2019-06-17
JP2019-111698 2019-06-17

Publications (1)

Publication Number Publication Date
WO2020255677A1 true WO2020255677A1 (ja) 2020-12-24

Family

ID=74037124

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/021366 Ceased WO2020255677A1 (ja) 2019-06-17 2020-05-29 情報処理装置及び方法

Country Status (8)

Country Link
US (1) US20220279731A1 (ja)
EP (1) EP3984350A4 (ja)
JP (1) JPWO2020255677A1 (ja)
KR (1) KR20220024480A (ja)
CN (1) CN114206109B (ja)
CA (1) CA3143484A1 (ja)
MX (1) MX2021015706A (ja)
WO (1) WO2020255677A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021145081A1 (ja) * 2020-01-16 2021-07-22 横河電機株式会社 支援システム、及び支援方法
EP4124924A1 (en) * 2021-07-30 2023-02-01 Yokogawa Electric Corporation Cultivation assistance system, cultivation assistance method, program, and recording medium

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6237210B2 (ja) * 1980-11-25 1987-08-11 Kansai Denryoku Kk
JP2008125496A (ja) 2006-11-27 2008-06-05 Akita Prefectural Univ ネギさび病の発生予測法
JP2015119646A (ja) 2013-12-20 2015-07-02 大日本印刷株式会社 病害虫発生推定装置及びプログラム
JP2016019505A (ja) * 2014-07-15 2016-02-04 近藤電子株式会社 害虫発生推定装置
WO2016047726A1 (ja) * 2014-09-26 2016-03-31 日本電産サンキョー株式会社 照明装置および表示装置
US20160150744A1 (en) * 2014-11-27 2016-06-02 National Taiwan University System and method for applying a pesticide to a crop

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4203717B2 (ja) * 2002-09-20 2009-01-07 高知県 加温システム
JP2006115704A (ja) * 2004-10-19 2006-05-11 Hitachi Software Eng Co Ltd 病害虫防除管理方法及びシステム並びにプログラム
US20160061472A1 (en) * 2014-09-02 2016-03-03 Samsung Electronics Co., Ltd. Method and device for controlling room temperature and humidity
KR20160076907A (ko) * 2014-12-23 2016-07-01 주식회사 케이티 병충해 발생 예측 시스템 및 방법
KR20190046841A (ko) * 2016-09-07 2019-05-07 봇슈 가부시키가이샤 정보 처리 장치 및 정보 처리 시스템
JP6942790B2 (ja) * 2017-03-27 2021-09-29 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方法
CN107220903A (zh) * 2017-06-23 2017-09-29 深圳市盛路物联通讯技术有限公司 一种智能农业管理方法和系统
US20170364816A1 (en) * 2017-08-29 2017-12-21 aWhere, Inc. Prediction of Discernible Fungus Establishment on a Crop
CN110197381B (zh) * 2019-06-04 2020-07-07 黑龙江省七星农场 基于农业物联网综合服务管理系统的可追溯信息处理方法
CN110197308B (zh) * 2019-06-05 2020-06-26 黑龙江省七星农场 一种用于农业物联网的作物监测系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6237210B2 (ja) * 1980-11-25 1987-08-11 Kansai Denryoku Kk
JP2008125496A (ja) 2006-11-27 2008-06-05 Akita Prefectural Univ ネギさび病の発生予測法
JP2015119646A (ja) 2013-12-20 2015-07-02 大日本印刷株式会社 病害虫発生推定装置及びプログラム
JP2016019505A (ja) * 2014-07-15 2016-02-04 近藤電子株式会社 害虫発生推定装置
WO2016047726A1 (ja) * 2014-09-26 2016-03-31 日本電産サンキョー株式会社 照明装置および表示装置
US20160150744A1 (en) * 2014-11-27 2016-06-02 National Taiwan University System and method for applying a pesticide to a crop

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3984350A4

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021145081A1 (ja) * 2020-01-16 2021-07-22 横河電機株式会社 支援システム、及び支援方法
JP2021112136A (ja) * 2020-01-16 2021-08-05 横河電機株式会社 支援システム、及び支援方法
US12524690B2 (en) 2020-01-16 2026-01-13 Yokogawa Electric Corporation Support system and support method
EP4124924A1 (en) * 2021-07-30 2023-02-01 Yokogawa Electric Corporation Cultivation assistance system, cultivation assistance method, program, and recording medium
CN115688551A (zh) * 2021-07-30 2023-02-03 横河电机株式会社 栽培辅助系统、栽培辅助方法以及记录介质

Also Published As

Publication number Publication date
US20220279731A1 (en) 2022-09-08
MX2021015706A (es) 2022-02-03
CN114206109B (zh) 2024-04-05
CA3143484A1 (en) 2020-12-24
CN114206109A (zh) 2022-03-18
EP3984350A1 (en) 2022-04-20
JPWO2020255677A1 (ja) 2020-12-24
EP3984350A4 (en) 2023-08-16
KR20220024480A (ko) 2022-03-03

Similar Documents

Publication Publication Date Title
Newlands Model-based forecasting of agricultural crop disease risk at the regional scale, integrating airborne inoculum, environmental, and satellite-based monitoring data
US20230215511A1 (en) Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents
EP3550498A1 (en) Information processing device and information processing system
Madden et al. How to develop plant disease forecasters
Shinde et al. Review paper on prediction of crop disease using IoT and machine learning
Karimi et al. Web-based monitoring system using Wireless Sensor Networks for traditional vineyards and grape drying buildings
JP2018029568A (ja) 萎れ具合予測システム及び萎れ具合予測方法
WO2019106733A1 (ja) 生育状況または病害虫発生状況の予測システム、方法およびプログラム
US20220357481A1 (en) Information processing device and method
IT201900002249A1 (it) Sistema e metodo di predizione del rischio di attacco di insetti
US20230301246A1 (en) Information processing device and information processing system
JP2021057071A (ja) 農作物の栽培方法提案プログラム及びシステム
WO2020255677A1 (ja) 情報処理装置及び方法
Fall et al. A quantitative dynamic simulation of Bremia lactucae airborne conidia concentration above a lettuce canopy
BR112021011955A2 (pt) Dispositivo de processamento de informação e sistema de processamento de informação
Wang et al. Development of an empirical tomato crop disease model: a case study on gray leaf spot
KR102188768B1 (ko) 시설 운영 이력을 저장할 수 있는 스마트팜 운영 시스템
US20220189025A1 (en) Crop yield prediction program and cultivation environment assessment program
Islam et al. Remotely controlled smart monitoring system of hermetic paddy storage to reduce postharvest losses in Bangladesh
Magarey et al. How to create and deploy infection models for plant pathogens
WO2021039465A1 (ja) 病害予測システム、病害予測方法及びプログラム
JP6858891B2 (ja) 情報処理装置および情報処理方法
Gent et al. Plant disease warning systems
CN117252344A (zh) 培育设施的适宜度评估方法、装置、电子设备和存储介质
EP4075939B1 (en) Systems and methods for modeling disease severity

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: 20827401

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021527529

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 3143484

Country of ref document: CA

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 20227000891

Country of ref document: KR

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2020827401

Country of ref document: EP

Effective date: 20220117

WWR Wipo information: refused in national office

Ref document number: 1020227000891

Country of ref document: KR