[go: up one dir, main page]

WO2018179220A1 - コンピュータシステム、植物診断方法及びプログラム - Google Patents

コンピュータシステム、植物診断方法及びプログラム Download PDF

Info

Publication number
WO2018179220A1
WO2018179220A1 PCT/JP2017/013253 JP2017013253W WO2018179220A1 WO 2018179220 A1 WO2018179220 A1 WO 2018179220A1 JP 2017013253 W JP2017013253 W JP 2017013253W WO 2018179220 A1 WO2018179220 A1 WO 2018179220A1
Authority
WO
WIPO (PCT)
Prior art keywords
plant
image
analysis
result
image information
Prior art date
Application number
PCT/JP2017/013253
Other languages
English (en)
French (fr)
Inventor
俊二 菅谷
佳雄 奥村
Original Assignee
株式会社オプティム
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 株式会社オプティム filed Critical 株式会社オプティム
Priority to JP2018522167A priority Critical patent/JPWO2018179220A1/ja
Priority to PCT/JP2017/013253 priority patent/WO2018179220A1/ja
Publication of WO2018179220A1 publication Critical patent/WO2018179220A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Definitions

  • the present invention relates to a computer system, a plant diagnosis method, and a program for diagnosing a plant.
  • Non-Patent Document 1 a disease or quality is determined only by acquired image data or environmental data, and a plurality of data resources are not analyzed and predicted.
  • the present invention analyzes a correlation between possible prediction results (for example, illness and quality) from image analysis and a plurality of data resources, and performs computer system, plant that performs prediction with higher accuracy than single image analysis
  • An object is to provide a diagnostic method and a program.
  • the present invention provides the following solutions.
  • the present invention is a computer system for diagnosing a plant, Plant image acquisition means for acquiring a plant image of the plant; Plant image analysis means for image analysis of the acquired plant image; Outside-image information acquisition means for acquiring outside-image information of the plant, A non-image information analyzing means for analyzing the acquired non-image information; Correlation analysis means for analyzing the correlation between the image analysis result and the analysis result; A plant diagnostic means for diagnosing the plant based on the analyzed correlation result; A computer system is provided.
  • a computer system for diagnosing a plant acquires a plant image of the plant, performs image analysis on the acquired plant image, acquires non-image information of the plant, and acquires the acquired non-image information. Analyzing and analyzing the correlation between the image analysis result and the analyzed result, and diagnosing the plant based on the analyzed correlation result.
  • the present invention is a computer system category, but the same functions and effects according to the category are exhibited also in other categories such as a plant diagnosis method and a program.
  • a computer system for analyzing a correlation between possible prediction results from image analysis and a plurality of data resources and performing prediction with higher accuracy than analysis of a single image. It becomes possible to provide.
  • FIG. 1 is a diagram showing an outline of a plant diagnosis system 1.
  • FIG. 2 is an overall configuration diagram of the plant diagnosis system 1.
  • FIG. 3 is a functional block diagram of the computer 10.
  • FIG. 4 is a flowchart showing the image analysis learning process executed by the computer 10.
  • FIG. 5 is a flowchart showing a learning process for analyzing out-of-image information executed by the computer 10.
  • FIG. 6 is a flowchart showing a plant diagnosis process executed by the computer 10. It is.
  • FIG. 1 is a diagram for explaining an outline of a plant diagnosis system 1 which is a preferred embodiment of the present invention.
  • the plant diagnosis system 1 is a computer system that includes a computer 10 and diagnoses a plant.
  • the computer 10 includes various imaging devices such as a visible light camera, an infrared camera, an ultraviolet camera, an X-ray camera, a CT (Computed Tomography), and an ultrasonic camera (not shown), temperature (water temperature, temperature, etc.) data, and humidity data. It is a computing device that is communicably connected to various sensor devices that measure sunlight illuminance data, water flow data, salinity concentration data, and the like.
  • the computer 10 acquires a plant image of a plant (step S01).
  • the computer 10 acquires at least one of a visible light image, an infrared image, an ultraviolet image, an X-ray image, a CT scan image, or an ultrasonic image as a plant image.
  • a visible light image of nori is acquired.
  • the computer 10 performs image analysis on the acquired plant image (step S02).
  • the computer 10 analyzes the feature amount (luminance, color, particle, shape, etc.) of the plant image.
  • the computer 10 analyzes, for example, the presence or absence of spots, the presence or absence of discoloration, the presence or absence of color loss, the presence or absence of discoloration, etc. from a visible light image of seaweed, and causes redness, fungal disease, bud disease, or whitening. Analyzes about diseases, etc.
  • the computer 10 learns by associating a plant image stored in advance with a diagnosis result performed on the plant image, and analyzes the plant image acquired this time based on the learned result. Good.
  • the computer 10 acquires information outside the image of the plant (step S03).
  • the computer 10 acquires at least one of temperature data, humidity data, sunlight illuminance data, water flow data, or salinity concentration data acquired by various sensor devices as information outside the image. In the following description, it demonstrates as what acquired sunlight illumination intensity data.
  • the computer 10 analyzes the acquired out-of-image information (step S04). For example, the computer 10 analyzes whether temperature data, humidity data, sunlight illuminance data, water flow data, salinity concentration data, and the like are appropriate for growth. The computer 10 learns by associating the pre-stored non-image information with the diagnosis result performed on the non-image information, and analyzes the non-image information acquired this time based on the learned result. Also good.
  • the computer 10 analyzes the correlation between the image analysis result and the analysis result (step S05). For example, when the computer 10 obtains a result that there is a red spot as a result of image analysis, and obtains a result that the sunlight illuminance data is not appropriate as an analysis result, the computer 10 analyzes these correlations.
  • the computer 10 diagnoses a plant based on the analyzed correlation result (step S06). For example, the computer 10 determines that the disease name of the plant is reddish based on the analyzed correlation result.
  • FIG. 2 is a diagram showing a system configuration of the plant diagnosis system 1 which is a preferred embodiment of the present invention.
  • the plant diagnosis system 1 is a computer system that includes a computer 10 and a public line network (Internet network, third generation, fourth generation communication network, etc.) 5 and diagnoses plants.
  • the plant diagnosis system 1 is a computer system that diagnoses seaweed.
  • the computer 10 is the above-described computing device having the functions described later.
  • FIG. 3 is a functional block diagram of the computer 10.
  • the computer 10 includes a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), etc. as the control unit 11, and a device for enabling communication with other devices as the communication unit 12. For example, a WiFi (Wireless Fidelity) compatible device compliant with IEEE 802.11 is provided.
  • the computer 10 also includes a data storage unit such as a hard disk, a semiconductor memory, a recording medium, or a memory card as the storage unit 13. Further, the computer 10 includes, as the processing unit 14, a device for executing various processes such as image processing, state diagnosis, and learning process.
  • control unit 11 reads a predetermined program, thereby realizing a plant image acquisition module 20, a diagnosis result acquisition module 21, and an outside-image information acquisition module 22 in cooperation with the communication unit 12. Further, in the computer 10, the control unit 11 reads a predetermined program, thereby realizing the storage module 30 in cooperation with the storage unit 13. Further, in the computer 10, the control unit 11 reads a predetermined program, so that the learning module 40, the image analysis module 41, the extra-image information analysis module 42, the correlation analysis module 43, the diagnosis are cooperated with the processing unit 14. A module 44 is realized.
  • FIG. 4 is a flowchart of the image analysis learning process executed by the computer 10. Processing executed by each module described above will be described together with this processing.
  • Plant image acquisition module 20 acquires a plant image of a plant (step S10).
  • the plant image acquired by the plant image acquisition module 20 is, for example, at least one of a visible light image, an infrared image, an ultraviolet image, an X-ray image, a CT scan image, or an ultrasonic image.
  • the plant image acquisition module 20 may acquire these plant images from a corresponding imaging device, or may acquire them via a computer or the like (not shown). In the following description, the plant image acquisition module 20 is described as acquiring a visible light image of laver as a plant image.
  • the plant image acquisition module 20 may acquire a plant image from a database or the like stored in an external computer (not shown).
  • the storage module 30 stores plant images (step S11).
  • step S11 the storage module 30 identifies the identifier of the plant that acquired the plant image this time (plant name, management number, preset reference number, identifier that can uniquely identify other plants, etc.), the plant image, Are stored in association with each other. Note that the storage module 30 may store only plant images.
  • the diagnosis result acquisition module 21 acquires the diagnosis result of the plant corresponding to the plant image acquired this time (step S12).
  • the diagnosis result acquisition module 21 acquires a diagnosis result from, for example, an external computer (not shown) that stores a database regarding plant diseases, a terminal device owned by the producer, or the like.
  • the diagnosis result in the present embodiment is, for example, identification of disease name, identification of symptoms, identification of necessary treatment, and the like.
  • the learning module 40 learns by associating the plant image stored in the storage module 30 with the diagnosis result acquired by the diagnosis result acquisition module 21 (step S13). In step S13, the learning module 40 learns at least one of the above-described visible light image, infrared image, ultraviolet image, X-ray image, CT scan image, or ultrasonic image in association with the diagnosis result.
  • the storage module 30 stores the learned result (step S14).
  • the plant diagnosis system 1 executes the above-described image analysis learning process a sufficient number of times and stores the learning result.
  • FIG. 5 is a diagram illustrating a flowchart of the extra-image information analysis learning process executed by the computer 10. Processing executed by each module described above will be described together with this processing.
  • the non-image information acquisition module 22 acquires plant non-image information (step S20).
  • the non-image information acquired by the non-image information acquisition module 22 is, for example, at least one of temperature data, humidity data, sunlight illuminance data, water flow data, or salinity concentration data measured by various sensors.
  • the non-image information acquisition module 22 may acquire these non-image information from various corresponding devices or the like, or may acquire via a computer or the like not shown. In the following description, the non-image information acquisition module 22 will be described as acquiring sunlight illuminance data as the non-image information.
  • the storage module 30 stores information outside the image (step S21).
  • the storage module 30 associates the identifier of the plant that acquired the information outside the image this time (the name of the plant, the management number, a preset reference number, an identifier that can uniquely identify other plants, etc.) and the information outside the image. Add and remember. Note that the storage module 30 may store only non-image information.
  • the diagnosis result acquisition module 21 acquires the diagnosis result of the plant corresponding to the information outside the image acquired this time (step S22).
  • the diagnosis result acquisition module 21 acquires a diagnosis result from, for example, an external computer (not shown) that stores a database regarding plant diseases, a terminal device owned by the producer, or the like.
  • the diagnosis result in the present embodiment is, for example, identification of disease name, identification of symptoms, identification of necessary treatment, and the like.
  • the diagnostic result acquisition module 21 may acquire a diagnostic result from a diagnostic result stored in an external computer (not shown).
  • the learning module 40 learns by associating the non-image information stored in the storage module 30 with the diagnosis result acquired by the diagnosis result acquisition module 21 (step S23). In step S23, the learning module 40 learns at least one of the above-described temperature data, humidity data, sunlight illuminance data, water flow data, or salinity concentration data in association with the diagnosis result.
  • the storage module 30 stores the learned result (step S24).
  • the plant diagnosis system 1 executes the above-described image information analysis learning process a sufficient number of times and stores the learning result.
  • the above is the learning process for analyzing information outside the image.
  • FIG. 6 is a diagram illustrating a flowchart of the plant diagnosis process executed by the computer 10. Processing executed by each module described above will be described together with this processing. In the following description, the plant diagnosis system 1 will be described as diagnosing a plant based on a visible light image and sunlight illuminance data.
  • Plant image acquisition module 20 acquires a plant image of a plant (step S30).
  • the plant image acquired by the plant image acquisition module 20 acquires, for example, at least one of a visible light image, an infrared image, an ultraviolet image, an X-ray image, a CT scan image, or an ultrasonic image.
  • the plant image acquisition module 20 may acquire these plant images from a corresponding imaging device, or may acquire them via a computer or the like (not shown).
  • the image analysis module 41 performs image analysis on the acquired plant image (step S31).
  • step S31 a plant image is image-analyzed based on the result learned by the learning module 40.
  • the image analysis module 41 analyzes the feature amount (luminance, color, particle, shape, etc.) of the plant image acquired this time.
  • the image analysis module 41 analyzes a plurality of candidates such as image parts and features necessary for making a diagnosis from the learning result.
  • the image analysis module 41 analyzes, for example, RGB values of plant images.
  • the image analysis module 41 analyzes the shape by executing edge extraction or the like.
  • the image analysis module 41 analyzes the presence or absence of spots, the presence or absence of discoloration, the presence or absence of color loss, the presence or absence of color fading from a visible light image of seaweed, and causes redness, blight fungus disease, bud disease, Analyzes for white spots and other diseases.
  • the image analysis module 41 is not necessarily limited to identifying a disease name or symptom as a result of image analysis, and may only obtain information for diagnosis described later. For example, the image analysis module 41 may obtain preliminary information for diagnosis from the result of image analysis.
  • the non-image information acquisition module 22 acquires plant non-image information (step S32).
  • the non-image information acquisition module 22 acquires at least one of temperature data, humidity data, sunlight illuminance data, water flow data, or salinity concentration data measured by various sensor devices as the non-image information.
  • the non-image information acquisition module 22 may acquire these non-image information from various corresponding devices or the like, or may acquire via a computer or the like not shown.
  • the non-image information analysis module 42 analyzes the acquired non-image information (step S33).
  • step S33 the non-image information analysis module 42 analyzes the non-image information based on the result learned by the learning module 40.
  • the extra-image information analysis module 42 analyzes a plurality of candidates for extra-image information necessary for making a diagnosis from the learned result.
  • the non-image information analysis module 42 analyzes, for example, whether or not the non-image information is appropriate for plant growth.
  • the non-image information analysis module 42 acquires, for example, sunlight illuminance data as the non-image information, and analyzes that there is a possibility that some disease has occurred when the sunlight illuminance data is not appropriate.
  • the non-image information analysis module 42 is not necessarily limited to identifying a disease name or symptom as a result of analysis, and may only obtain information for diagnosis described later. For example, the extra-image information analysis module 42 may obtain preliminary information for diagnosis from the analysis result.
  • the correlation analysis module 43 analyzes the correlation between the result of the image analysis by the image analysis module 41 and the result of the analysis by the extra-image information analysis module 42 (step S34).
  • step S34 for example, the correlation analysis module 43 calculates the sunlight illuminance data as a result of analysis by the image analysis module 41 as an analysis result of red spots and as a result of analysis by the non-image information analysis module 42. Is not appropriate, and the correlation with the analysis result that there is a suspicion that some kind of disease has occurred is analyzed.
  • the correlation analysis module 43 analyzes the correlation as a score. That is, the correlation analysis module 43 evaluates as a score how much the diagnosis obtained from the analysis result and the diagnosis obtained from the analysis result have a correlation.
  • the correlation analysis module 43 evaluates the degree of correlation between the diagnosis results of the respective items obtained as a result of the analysis and the diagnosis results of the respective items obtained as a result of the analysis.
  • the correlation analysis module 43 evaluates a high correlation as a high score, and evaluates a low correlation as a low score.
  • the diagnosis module 44 diagnoses a plant based on the analyzed correlation result (step S35).
  • step S ⁇ b> 35 the diagnosis module 44 identifies the disease name of the plant based on the combination of the evaluation results having the highest score as the result of the analyzed correlation. For example, the diagnosis module 44 determines that the current plant has a redness disease based on the above-described image analysis result, the above-described analysis result of the non-image information, and the correlation analysis result. Is identified.
  • the learning module 40 learns the current diagnosis result in association with the plant image and the information outside the image (step S36).
  • the storage module 30 stores the learned result (step S37).
  • the computer 10 performs a diagnosis in consideration of the result learned this time at the subsequent diagnosis.
  • the computer 10 may transmit the diagnosis result to a terminal device or the like owned by a producer (not shown).
  • the diagnosis result may be transmitted to this terminal device.
  • various information such as a specific treatment method and a risk level may be transmitted together with the diagnosis result.
  • the terminal device that has received the various types of information may notify the various types of information by display or voice.
  • the above is the plant diagnosis process.
  • the means and functions described above are realized by a computer (including a CPU, an information processing apparatus, and various terminals) reading and executing a predetermined program.
  • the program is provided, for example, in a form (SaaS: Software as a Service) provided from a computer via a network.
  • the program is provided in a form recorded on a computer-readable recording medium such as a flexible disk, CD (CD-ROM, etc.), DVD (DVD-ROM, DVD-RAM, etc.).
  • the computer reads the program from the recording medium, transfers it to the internal storage device or the external storage device, stores it, and executes it.
  • the program may be recorded in advance in a storage device (recording medium) such as a magnetic disk, an optical disk, or a magneto-optical disk, and provided from the storage device to a computer via a communication line.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Immunology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

【課題】画像解析と複数のデータリソースとから、起こりえる予測結果の相関関係を解析し、単体の画像の解析よりも高度な精度の予測を行うコンピュータシステム、植物診断方法及びプログラムを提供することを目的とする。 【解決手段】植物を診断するコンピュータシステムは、前記植物の植物画像を取得し、取得した前記植物画像を画像解析し、前記植物の画像外情報を取得し、取得した前記画像外情報を分析し、前記画像解析した結果と、前記分析した結果との相関関係を分析し、分析した前記相関関係の結果に基づいて、前記植物を診断する。

Description

コンピュータシステム、植物診断方法及びプログラム
　本発明は、植物を診断するコンピュータシステム、植物診断方法及びプログラムに関する。
　近年、画像診断により、植物、特に藻類を診断する方法が知られている。例えば、海苔は、赤ぐされ病という、海苔の表面が赤さびのような斑点が現れる病気が知られている。一方、植物や藻類の環境データ（温度（水温）データ、日光照度データ、塩分濃度データ、水流データ等）等の画像とは異なる外部リソースとなる環境データで、植物や藻類は、生育や品質が変わってくる（非特許文献１参照）。
ｈｔｔｐ：／／ｗｗｗ．ｆｉｓｈ－ｊｆｒｃａ．ｊｐ／０２／ｐｄｆ／ｐａｍｐｈｌｅｔ／０７５．ｐｄｆ
　しかしながら、非特許文献１の構成では、取得できた画像データ又は環境データのみで病気や品質等を判定するものであり、複数のデータリソースを解析して、予測を行うものではなかった。
　本発明は、画像解析と複数のデータリソースとから、起こりえる予測結果（例えば、病気や品質）の相関関係を解析し、単体の画像の解析よりも高度な精度の予測を行うコンピュータシステム、植物診断方法及びプログラムを提供することを目的とする。
　本発明では、以下のような解決手段を提供する。
　本発明は、植物を診断するコンピュータシステムであって、
　前記植物の植物画像を取得する植物画像取得手段と、
　取得した前記植物画像を画像解析する植物画像解析手段と、
　前記植物の画像外情報を取得する画像外情報取得手段と、
　取得した前記画像外情報を分析する画像外情報分析手段と、
　前記画像解析した結果と、前記分析した結果との相関関係を分析する相関関係分析手段と、
　分析した前記相関関係の結果に基づいて、前記植物を診断する植物診断手段と、
　を備えることを特徴とするコンピュータシステムを提供する。
　本発明によれば、植物を診断するコンピュータシステムは、前記植物の植物画像を取得し、取得した前記植物画像を画像解析し、前記植物の画像外情報を取得し、取得した前記画像外情報を分析し、前記画像解析した結果と、前記分析した結果との相関関係を分析し、分析した前記相関関係の結果に基づいて、前記植物を診断する。
　本発明は、コンピュータシステムのカテゴリであるが、植物診断方法及びプログラム等の他のカテゴリにおいても、そのカテゴリに応じた同様の作用・効果を発揮する。
　本発明によれば、画像解析と複数のデータリソースとから、起こりえる予測結果の相関関係を解析し、単体の画像の解析よりも高度な精度の予測を行うコンピュータシステム、植物診断方法及びプログラムを提供することが可能となる。
図１は、植物診断システム１の概要を示す図である。 図２は、植物診断システム１の全体構成図である。 図３は、コンピュータ１０の機能ブロック図である。 図４は、コンピュータ１０が実行する画像解析用学習処理を示すフローチャートである。 図５は、コンピュータ１０が実行する画像外情報分析用学習処理を示すフローチャートである。 図６は、コンピュータ１０が実行する植物診断処理を示すフローチャートである。である。
　以下、本発明を実施するための最良の形態について図を参照しながら説明する。なお、これはあくまでも一例であって、本発明の技術的範囲はこれに限られるものではない。
　［植物診断システム１の概要］
　本発明の好適な実施形態の概要について、図１に基づいて説明する。図１は、本発明の好適な実施形態である植物診断システム１の概要を説明するための図である。植物診断システム１は、コンピュータ１０から構成され、植物を診断するコンピュータシステムである。
　コンピュータ１０は、図示していない可視光カメラ、赤外線カメラ、紫外線カメラ、Ｘ線カメラ、ＣＴ（Ｃｏｍｐｕｔｅｄ　Ｔｏｍｏｇｒａｐｈｙ）、超音波カメラ等の各種撮像装置等や、温度（水温、気温等）データ、湿度データ、日光照度データ、水流データ、塩分濃度データ等を計測する各種センサ装置等に通信可能に接続された計算装置である。
　はじめに、コンピュータ１０は、植物の植物画像を取得する（ステップＳ０１）。コンピュータ１０は、植物画像として、可視光画像、赤外線画像、紫外線画像、レントゲン画像、ＣＴスキャン画像又は超音波画像の少なくとも一つを取得する。以下の説明において、海苔の可視光画像を取得したものとして説明する。
　コンピュータ１０は、取得した植物画像を画像解析する（ステップＳ０２）。コンピュータ１０は、植物画像の特徴量（輝度、色彩、粒子、形状等）を解析する。コンピュータ１０は、例えば、海苔の可視光画像から、斑点の有無、変色の有無、色抜けの有無、色落ちの有無等を分析し、赤ぐされ病、壺状菌病、芽いたみ病、白ぐされ病等について解析する。なお、コンピュータ１０は、予め記憶した植物画像と、この植物画像に対して行われた診断結果とを対応付けて学習し、学習した結果に基づいて、今回取得した植物画像を画像解析してもよい。
　コンピュータ１０は、植物の画像外情報を取得する（ステップＳ０３）。コンピュータ１０は、画像外情報として、各種センサ装置が取得する温度データ、湿度データ、日光照度データ、水流データ又は塩分濃度データの少なくとも一つを取得する。以下の説明において、日光照度データを取得したものとして説明する。
　コンピュータ１０は、取得した画像外情報を分析する（ステップＳ０４）。コンピュータ１０は、例えば、温度データ、湿度データ、日光照度データ、水流データ、塩分濃度データ等が生育に適当か否かを分析する。なお、コンピュータ１０は、予め記憶した画像外情報とこの画像外情報に対して行われた診断結果とを対応付けて学習し、学習した結果に基づいて、今回取得した画像外情報を分析してもよい。
　コンピュータ１０は、画像解析した結果と、分析した結果との相関関係を分析する（ステップＳ０５）。コンピュータ１０は、例えば、画像解析の結果として、赤い斑点があるとの結果を取得し、分析した結果として、日光照度データが適当でないとの結果を取得した場合、これらの相関関係を分析する。
　コンピュータ１０は、分析した相関関係の結果に基づいて、植物を診断する（ステップＳ０６）。コンピュータ１０は、例えば、分析した相関関係の結果に基づいて、植物の病名を赤ぐされ病であると決定する。
　以上が、植物診断システム１の概要である。
　［植物診断システム１のシステム構成］
　図２に基づいて、本発明の好適な実施形態である植物診断システム１のシステム構成について説明する。図２は、本発明の好適な実施形態である植物診断システム１のシステム構成を示す図である。植物診断システム１は、コンピュータ１０、公衆回線網（インターネット網や、第３、第４世代通信網等）５から構成され、植物を診断するコンピュータシステムである。本実施形態において、植物診断システム１は、海苔を診断するコンピュータシステムである。
　コンピュータ１０は、後述の機能を備えた上述した計算装置である。
　［各機能の説明］
　図３に基づいて、本発明の好適な実施形態である植物診断システム１の機能について説明する。図３は、コンピュータ１０の機能ブロック図を示す図である。
　コンピュータ１０は、制御部１１として、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）等を備え、通信部１２として、他の機器と通信可能にするためのデバイス、例えば、ＩＥＥＥ８０２．１１に準拠したＷｉＦｉ（Ｗｉｒｅｌｅｓｓ　Ｆｉｄｅｌｉｔｙ）対応デバイスを備える。また、コンピュータ１０は、記憶部１３として、ハードディスクや半導体メモリ、記録媒体、メモリカード等によるデータのストレージ部を備える。また、コンピュータ１０は、処理部１４として、画像処理、状態診断、学習処理等の各種処理を実行するためのデバイス等を備える。
　コンピュータ１０において、制御部１１が所定のプログラムを読み込むことにより、通信部１２と協働して、植物画像取得モジュール２０、診断結果取得モジュール２１、画像外情報取得モジュール２２を実現する。また、コンピュータ１０において、制御部１１が所定のプログラムを読み込むことにより、記憶部１３と協働して、記憶モジュール３０を実現する。また、コンピュータ１０において、制御部１１が所定のプログラムを読み込むことにより、処理部１４と協働して、学習モジュール４０、画像解析モジュール４１、画像外情報分析モジュール４２、相関関係分析モジュール４３、診断モジュール４４を実現する。
　［画像解析用学習処理］
　図４に基づいて、植物診断システム１が実行する画像解析用学習処理について説明する。図４は、コンピュータ１０が実行する画像解析用学習処理のフローチャートを示す図である。上述した各モジュールが実行する処理について、本処理に併せて説明する。
　植物画像取得モジュール２０は、植物の植物画像を取得する（ステップＳ１０）。ステップＳ１０において、植物画像取得モジュール２０が取得する植物画像とは、例えば、可視光画像、赤外線画像、紫外線画像、レントゲン画像、ＣＴスキャン画像又は超音波画像の少なくとも一つである。植物画像取得モジュール２０は、これらの植物画像を、対応する撮像装置から取得してもよいし、図示していないコンピュータ等を介して取得してもよい。以下の説明において、植物画像取得モジュール２０は、植物画像として、海苔の可視光画像を取得するものとして説明する。
　なお、植物画像取得モジュール２０は、図示していない外部コンピュータ等に記憶されたデータベース等から、植物画像を取得してもよい。
　記憶モジュール３０は、植物画像を記憶する（ステップＳ１１）。ステップＳ１１において、記憶モジュール３０は、今回植物画像を取得した植物の識別子（植物の名称、管理番号、予め設定された整理番号、その他の植物を一意に特定可能な識別子等）と、植物画像とを対応付けて記憶する。なお、記憶モジュール３０は、植物画像のみを記憶してもよい。
　診断結果取得モジュール２１は、今回取得した植物画像に該当する植物の診断結果を取得する（ステップＳ１２）。ステップＳ１２において、診断結果取得モジュール２１は、例えば、植物の病気に関するデータベース等を記憶する図示していない外部コンピュータや、生産者が保有する端末装置等から、診断結果を取得する。本実施形態における診断結果とは、例えば、病名の特定、症状の特定、必要な処置の特定等である。
　学習モジュール４０は、記憶モジュール３０が記憶した植物画像と、診断結果取得モジュール２１が取得した診断結果とを対応付けて学習する（ステップＳ１３）。ステップＳ１３において、学習モジュール４０は、上述した可視光画像、赤外線画像、紫外線画像、レントゲン画像、ＣＴスキャン画像又は超音波画像の少なくとも一つを診断結果と対応付けて学習する。
　記憶モジュール３０は、学習した結果を、記憶する（ステップＳ１４）。
　植物診断システム１は、上述した画像解析用学習処理を、十分な回数実行し、学習した結果を記憶する。
　以上が、画像解析用学習処理である。
　［画像外情報分析用学習処理］
　図５に基づいて、植物診断システム１が実行する画像外情報分析用学習処理について説明する。図５は、コンピュータ１０が実行する画像外情報分析用学習処理のフローチャートを示す図である。上述した各モジュールが実行する処理について、本処理に併せて説明する。
　画像外情報取得モジュール２２は、植物の画像外情報を取得する（ステップＳ２０）。ステップＳ２０において、画像外情報取得モジュール２２が取得する画像外情報とは、例えば、各種センサが計測する温度データ、湿度データ、日光照度データ、水流データ又は塩分濃度データの少なくとも一つである。画像外情報取得モジュール２２は、これらの画像外情報を、対応する各種装置等から取得してもよいし、図示していないコンピュータ等を介して取得してもよい。以下の説明において、画像外情報取得モジュール２２は、画像外情報として、日光照度データを取得するものとして説明する。
　記憶モジュール３０は、画像外情報を記憶する（ステップＳ２１）。記憶モジュール３０は、今回画像外情報を取得した植物の識別子（植物の名称、管理番号、予め設定された整理番号、その他の植物を一意に特定可能な識別子等）と、画像外情報とを対応付けて記憶する。なお、記憶モジュール３０は、画像外情報のみを記憶してもよい。
　診断結果取得モジュール２１は、今回取得した画像外情報に該当する植物の診断結果を取得する（ステップＳ２２）。ステップＳ２２において、診断結果取得モジュール２１は、例えば、植物の病気に関するデータベース等を記憶する図示していない外部コンピュータや、生産者が保有する端末装置等から、診断結果を取得する。本実施形態における診断結果とは、例えば、病名の特定、症状の特定、必要な処置の特定等である。
　なお、診断結果取得モジュール２１は、図示していない外部コンピュータ等に記憶された診断結果から、診断結果を取得してもよい。
　学習モジュール４０は、記憶モジュール３０が記憶した画像外情報と、診断結果取得モジュール２１が取得した診断結果とを対応付けて学習する（ステップＳ２３）。ステップＳ２３において、学習モジュール４０は、上述した温度データ、湿度データ、日光照度データ、水流データ又は塩分濃度データの少なくとも一つを診断結果と対応付けて学習する。
　記憶モジュール３０は、学習した結果を、記憶する（ステップＳ２４）。
　植物診断システム１は、上述した画像外情報分析用学習処理を、十分な回数実行し、学習した結果を記憶する。
　以上が、画像外情報分析用学習処理である。
　［植物診断処理］
　図６に基づいて、植物診断システム１が実行する植物診断処理について説明する。図６は、コンピュータ１０が実行する植物診断処理のフローチャートを示す図である。上述した各モジュールが実行する処理について、本処理に併せて説明する。なお、以下の説明において、植物診断システム１は、可視光画像及び日光照度データに基づいて植物を診断するものとして説明する。
　植物画像取得モジュール２０は、植物の植物画像を取得する（ステップＳ３０）。ステップＳ３０において、植物画像取得モジュール２０が取得する植物画像とは、例えば、可視光画像、赤外線画像、紫外線画像、レントゲン画像、ＣＴスキャン画像又は超音波画像の少なくとも一つを取得する。植物画像取得モジュール２０は、これらの植物画像を、対応する撮像装置から取得してもよいし、図示していないコンピュータ等を介して取得してもよい。
　画像解析モジュール４１は、取得した植物画像を画像解析する（ステップＳ３１）。ステップＳ３１において、学習モジュール４０が学習した結果に基づいて、植物画像を画像解析する。画像解析モジュール４１は、今回取得した植物画像の特徴量（輝度、色彩、粒子、形状等）を解析する。画像解析モジュール４１は、学習した結果から、診断を下すために必要な画像の部位や特徴等の複数の候補を解析する。画像解析モジュール４１は、例えば、植物画像のＲＧＢ値を解析する。また、画像解析モジュール４１は、エッジ抽出等を実行することにより、形状を解析する。画像解析モジュール４１は、例えば、海苔の可視光画像から、斑点の有無、変色の有無、色抜けの有無、色落ちの有無等を分析し、赤ぐされ病、壺状菌病、芽いたみ病、白ぐされ病等について解析する。画像解析モジュール４１は、画像解析の結果として、必ずしも病名や症状の特定を行うものに限らず、後述する診断のための情報を得ることのみであってもよい。例えば、画像解析モジュール４１は、診断のための予備情報を画像解析の結果から得てもよい。
　画像外情報取得モジュール２２は、植物の画像外情報を取得する（ステップＳ３２）。ステップＳ３２において、画像外情報取得モジュール２２は、画像外情報として、各種センサ装置が計測した、温度データ、湿度データ、日光照度データ、水流データ又は塩分濃度データの少なくとも一つを取得する。画像外情報取得モジュール２２は、これらの画像外情報を、対応する各種装置等から取得してもよいし、図示していないコンピュータ等を介して取得してもよい。
　画像外情報分析モジュール４２は、取得した画像外情報を分析する（ステップＳ３３）。ステップＳ３３において、画像外情報分析モジュール４２は、学習モジュール４０が学習した結果に基づいて、画像外情報を分析する。画像外情報分析モジュール４２は、学習した結果から、診断を下すために必要な画像外情報の複数の候補を分析する。画像外情報分析モジュール４２は、例えば、画像外情報が、植物の生育に適当か否かを分析する。画像外情報分析モジュール４２は、例えば、画像外情報として、日光照度データを取得し、この日光照度データが適当でない場合、何らかの病気が発生している可能性があると分析する。画像外情報分析モジュール４２は、分析の結果として、必ずしも、病名や症状の特定を行うものに限らず、後述する診断のための情報を得ることのみであってもよい。例えば、画像外情報分析モジュール４２は、診断のための予備情報を分析の結果から得てもよい。
　相関関係分析モジュール４３は、画像解析モジュール４１が画像解析した結果と、画像外情報分析モジュール４２が分析した結果との相関関係を分析する（ステップＳ３４）。ステップＳ３４において、例えば、相関関係分析モジュール４３は、画像解析モジュール４１が画像解析した結果として、赤い斑点がついているとの解析結果と、画像外情報分析モジュール４２が分析した結果として、日光照度データが適当でなく、何らかの病気が発生している疑いがあるとの分析結果との相関関係を分析する。ここで、相関関係分析モジュール４３は、相関関係をスコアとして分析する。すなわち、相関関係分析モジュール４３は、解析結果から得られた診断と、分析結果から得られた診断とがどの程度相関があるかをスコアとして評価する。相関関係分析モジュール４３は、上述した画像解析の結果得られた各項目の診断結果の其々に対して、分析の結果得られた各項目の診断結果との相関の程度を評価する。相関関係分析モジュール４３は、相関関係が高いものを高スコアとして評価し、相関関係が低いものを低スコアとして評価する。
　診断モジュール４４は、分析した相関関係の結果に基づいて、植物を診断する（ステップＳ３５）。ステップＳ３５において、診断モジュール４４は、分析した相関関係の結果として、スコアが最も高い評価の診断結果の組み合わせに基づいて、植物の病名を特定する。例えば、診断モジュール４４は、上述した画像解析の結果と、上述した画像外情報の分析の結果と、その相関関係の分析の結果とに基づいて、今回の植物は、赤ぐされ病であると病名を特定する。
　学習モジュール４０は、今回の診断結果を植物画像と画像外情報とに対応付けて学習する（ステップＳ３６）。
　記憶モジュール３０は、学習した結果を記憶する（ステップＳ３７）。コンピュータ１０は、次以降の診断の際に、今回学習した結果も加味した診断を行う。
　なお、コンピュータ１０は、診断結果を、図示してない生産者が保有する端末装置等に送信してもよい。この場合、予め登録された端末装置からの要求や診断の結果、異常が発見された場合等において、この端末装置に対して、診断結果を送信すればよい。このとき、診断結果とともに、具体的な処置の方法、危険度等の各種情報を合わせて送信してもよい。この各種情報を受信した端末装置は、各種情報を表示又は音声等により通知してもよい。
　以上が、植物診断処理である。
　上述した手段、機能は、コンピュータ（ＣＰＵ、情報処理装置、各種端末を含む）が、所定のプログラムを読み込んで、実行することによって実現される。プログラムは、例えば、コンピュータからネットワーク経由で提供される（ＳａａＳ：ソフトウェア・アズ・ア・サービス）形態で提供される。また、プログラムは、例えば、フレキシブルディスク、ＣＤ（ＣＤ－ＲＯＭなど）、ＤＶＤ（ＤＶＤ－ＲＯＭ、ＤＶＤ－ＲＡＭなど）等のコンピュータ読取可能な記録媒体に記録された形態で提供される。この場合、コンピュータはその記録媒体からプログラムを読み取って内部記憶装置又は外部記憶装置に転送し記憶して実行する。また、そのプログラムを、例えば、磁気ディスク、光ディスク、光磁気ディスク等の記憶装置（記録媒体）に予め記録しておき、その記憶装置から通信回線を介してコンピュータに提供するようにしてもよい。
　以上、本発明の実施形態について説明したが、本発明は上述したこれらの実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。
　１　植物診断システム１０　コンピュータ

Claims (6)

  1. 　植物を診断するコンピュータシステムであって、
    　前記植物の植物画像を取得する植物画像取得手段と、
    　取得した前記植物画像を画像解析する植物画像解析手段と、
    　前記植物の画像外情報を取得する画像外情報取得手段と、
    　取得した前記画像外情報を分析する画像外情報分析手段と、
    　前記画像解析した結果と、前記分析した結果との相関関係を分析する相関関係分析手段と、
    　分析した前記相関関係の結果に基づいて、前記植物を診断する植物診断手段と、
    　を備えることを特徴とするコンピュータシステム。
  2. 　前記植物画像解析手段は、予め記憶した植物画像と診断結果とを対応付けて学習し、学習した結果に基づいて、前記植物画像を画像解析する、
    　ことを特徴とする請求項１に記載のコンピュータシステム。
  3. 　前記画像外情報分析手段は、予め記憶した画像外情報と診断結果とを対応付けて学習し、学習した結果に基づいて、前記画像外情報を分析する、
    　ことを特徴とする請求項１に記載のコンピュータシステム。
  4. 　前記植物画像解析手段は、予め記憶した可視光画像を診断結果と対応付けて学習し、
    　前記画像外情報分析手段は、予め記憶した日光照度データ、水流データ又は塩分濃度データの少なくとも一つを診断結果と対応付けて学習する、
    　ことを特徴とする請求項１に記載のコンピュータシステム。
  5. 　植物を診断する植物診断方法であって、
    　前記植物の植物画像を取得するステップと、
    　取得した前記植物画像を画像解析するステップと、
    　前記植物の画像外情報を取得するステップと、
    　取得した前記画像外情報を分析するステップと、
    　前記画像解析した結果と、前記分析した結果との相関関係を分析するステップと、
    　分析した前記相関関係の結果に基づいて、前記植物を診断するステップと、
    　を備えることを特徴とする植物診断方法。
  6. 　植物を診断するコンピュータシステムに、
    　前記植物の植物画像を取得するステップ、
    　取得した前記植物画像を画像解析するステップ、
    　前記植物の画像外情報を取得するステップ、
    　取得した前記画像外情報を分析するステップ、
    　前記画像解析した結果と、前記分析した結果との相関関係を分析するステップ、
    　分析した前記相関関係の結果に基づいて、前記植物を診断するステップ、
    　を実行させるためのプログラム。
PCT/JP2017/013253 2017-03-30 2017-03-30 コンピュータシステム、植物診断方法及びプログラム WO2018179220A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018522167A JPWO2018179220A1 (ja) 2017-03-30 2017-03-30 コンピュータシステム、植物診断方法及びプログラム
PCT/JP2017/013253 WO2018179220A1 (ja) 2017-03-30 2017-03-30 コンピュータシステム、植物診断方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/013253 WO2018179220A1 (ja) 2017-03-30 2017-03-30 コンピュータシステム、植物診断方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2018179220A1 true WO2018179220A1 (ja) 2018-10-04

Family

ID=63674370

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/013253 WO2018179220A1 (ja) 2017-03-30 2017-03-30 コンピュータシステム、植物診断方法及びプログラム

Country Status (2)

Country Link
JP (1) JPWO2018179220A1 (ja)
WO (1) WO2018179220A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006042962A (ja) * 2004-08-02 2006-02-16 Matsushita Electric Ind Co Ltd 携帯端末装置、当該携帯端末装置を用いた対話式診察システム及び診察用データ通信方法
JP2006084425A (ja) * 2004-09-17 2006-03-30 Tokyo Institute Of Technology マルチスペクトル画像処理方法及びマルチスペクトル皮膚画像による診断方法
WO2009041534A1 (ja) * 2007-09-25 2009-04-02 Gifu University 磁気共鳴イメージング装置及びその作動方法、画像診断システム並びに診断方法
JP2010256219A (ja) * 2009-04-27 2010-11-11 Shiseido Co Ltd 「ニキビ」のリスク評価法
WO2015060376A1 (ja) * 2013-10-23 2015-04-30 日立マクセル株式会社 表面状態測定分析情報管理システムおよび表面状態測定分析情報管理方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013001678A1 (ja) * 2011-06-30 2013-01-03 パナソニック株式会社 類似症例検索装置および関連度データベース作成装置並びに類似症例検索方法および関連度データベース作成方法
JP6450085B2 (ja) * 2014-04-14 2019-01-09 フェムトディプロイメンツ株式会社 健康状態検査装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006042962A (ja) * 2004-08-02 2006-02-16 Matsushita Electric Ind Co Ltd 携帯端末装置、当該携帯端末装置を用いた対話式診察システム及び診察用データ通信方法
JP2006084425A (ja) * 2004-09-17 2006-03-30 Tokyo Institute Of Technology マルチスペクトル画像処理方法及びマルチスペクトル皮膚画像による診断方法
WO2009041534A1 (ja) * 2007-09-25 2009-04-02 Gifu University 磁気共鳴イメージング装置及びその作動方法、画像診断システム並びに診断方法
JP2010256219A (ja) * 2009-04-27 2010-11-11 Shiseido Co Ltd 「ニキビ」のリスク評価法
WO2015060376A1 (ja) * 2013-10-23 2015-04-30 日立マクセル株式会社 表面状態測定分析情報管理システムおよび表面状態測定分析情報管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUKITAKA NIMURA ET AL.: "A study on quantifying emphysema severity by using multi-class classifier based on combining CT image and spirometric measurements", IEICE TECHNICAL REPORT, vol. 110, no. 121, 2 July 2010 (2010-07-02), pages 57 - 62 *

Also Published As

Publication number Publication date
JPWO2018179220A1 (ja) 2019-04-11

Similar Documents

Publication Publication Date Title
JP6545658B2 (ja) ビリルビンレベルを推定すること
US10803290B2 (en) Classifier construction method and method for determining life or death of cell using same
JP7020438B2 (ja) モデル生成装置、モデル生成方法、モデル生成プログラム、モデル生成システム、検査システム、及び監視システム
US11301995B2 (en) Feature identification in medical imaging
KR20200124676A (ko) 색상 보정
CN109498037B (zh) 基于深度学习提取特征和多重降维算法的脑认知测量方法
JP7702398B2 (ja) 体液中の分析物の濃度を決定する方法
WO2018179219A1 (ja) コンピュータシステム、動物診断方法及びプログラム
JP7481956B2 (ja) 推論装置、方法、プログラムおよび学習装置
US11974732B2 (en) System and method for urine analysis and personal health monitoring
US12026575B2 (en) Animal motion and temperature monitoring
US20200065967A1 (en) Computer system, method, and program for diagnosing subject
JPWO2020158307A1 (ja) 畜舎監視方法、及び、畜舎監視システム
CN113990500A (zh) 一种生命体征参数的监测方法、装置以及储存介质
WO2018179220A1 (ja) コンピュータシステム、植物診断方法及びプログラム
CN102077245B (zh) 面部检测处理方法、图像处理设备以及制造品
Dong et al. Vision-language integration in multimodal video transformers (partially) aligns with the brain
WO2018179221A1 (ja) コンピュータシステム、物体診断方法及びプログラム
KR100935014B1 (ko) 미술치료의 문양 색칠 분석에 따른 증상 예측 방법 및 이를수행하는 프로그램이 기록된 기록매체
Granados et al. Towards workload-balanced, live deep learning analytics for confidentiality-aware IoT medical platforms
Mellores et al. Android-based Application Utilizing Image Processing with Artificial Neural Network for Detecting Ringworm and Yeast Infections for Dogs Using Neuroph Framework
US11756214B2 (en) Method and apparatus for tracking nematode worms
US20210110539A1 (en) Optical imaging system and related apparatus, method and computer program
RU2824298C1 (ru) Способ определения концентрации аналита в физиологической жидкости
CN119312145B (zh) 一种用于脑电图信号分析的多概念鉴别网络的训练方法

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018522167

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 17903154

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17903154

Country of ref document: EP

Kind code of ref document: A1