特許ウォッチ

公開番号2025018919
公報種別公開特許公報(A)
公開日2025-02-06
出願番号2024078830
出願日2024-05-14
発明の名称果菜情報予測方法及び果菜情報予測プログラム
出願人国立研究開発法人農業・食品産業技術総合研究機構
代理人弁理士法人片山特許事務所
主分類A01G 7/00 20060101AFI20250130BHJP(農業;林業;畜産;狩猟;捕獲;漁業)
要約【課題】収穫時における果菜のサイズや規格を精度よく予測する。
【解決手段】収穫時における果菜のサイズ又は規格を推定する果菜情報予測方法であって、栽培途中に測定された前記果菜のサイズと、前記サイズの測定が行われた時点の開花後からの積算温度と、前記果菜を収穫した際のサイズ又は規格と、を含む学習データを複数取得し、複数の前記学習データを用いて、収穫時の果菜のサイズ又は規格を予測する予測モデルを生成し、予測対象の果菜を栽培している間に測定された前記予測対象の果菜のサイズと、前記サイズの測定が行われた時点の開花後からの積算温度と、を含む入力データを前記予測モデルに投入することにより、収穫時における前記予測対象の果菜のサイズ又は規格を予測する、処理をコンピュータが実行する。
【選択図】図6
特許請求の範囲【請求項１】
収穫時における果菜のサイズ又は規格を推定する果菜情報予測方法であって、
栽培途中に測定された前記果菜のサイズと、前記サイズの測定が行われた時点の開花後からの積算温度と、前記果菜を収穫した際のサイズ又は規格と、を含む学習データを複数取得し、
複数の前記学習データを用いて、収穫時の果菜のサイズ又は規格を予測する予測モデルを生成し、
予測対象の果菜を栽培している間に測定された前記予測対象の果菜のサイズと、前記サイズの測定が行われた時点の開花後からの積算温度と、を含む入力データを前記予測モデルに投入することにより、収穫時における前記予測対象の果菜のサイズ又は規格を予測する、
処理をコンピュータが実行することを特徴とする果菜情報予測方法。
続きを表示（約 1,400 文字）【請求項２】
前記学習データそれぞれには、複数の時点において測定された前記果菜のサイズと、各時点の開花後からの積算温度と、が含まれ、
前記予測モデルを生成する処理において、前記学習データそれぞれから得られる果菜の肥大速度の最大値を前記予測モデルの生成に利用し、
前記入力データには、前記予測対象の果菜を栽培している間の果菜の肥大速度の最大値が含まれる、ことを特徴とする請求項１に記載の果菜情報予測方法。
【請求項３】
前記学習データは、前記果菜の開花後から所定タイミングまでの栽培環境の平均温度を含み、
前記入力データには、前記予測対象の果菜の開花後から前記所定タイミングまでの栽培環境の平均温度が含まれる、ことを特徴とする請求項１又は２に記載の果菜情報予測方法。
【請求項４】
前記入力データは、前記予測対象の果菜のサイズを測定できるようになってから、前記予測対象の果菜の出荷予定日よりも所定日数前までの間の期間において測定されたデータを含む、ことを特徴とする請求項１に記載の果菜情報予測方法。
【請求項５】
前記入力データは、前記予測対象の果菜の開花から出荷予定日までの間を第１期間、第２期間、第３期間、第４期間、第５期間と５等分したうち、前記第２期間、前記第３期間、前記第４期間において測定されたデータを含む、ことを特徴とする請求項１に記載の果菜情報予測方法。
【請求項６】
前記第１～第５期間それぞれにおける積算温度が同一又は略同一である請求項５に記載の果菜情報予測方法。
【請求項７】
収穫時における果菜のサイズ又は規格を推定する果菜情報予測方法であって、
栽培途中における前記果菜のサイズの肥大速度の最大値と、前記最大値が得られた時点の開花後からの積算温度及び／又は前記最大値が得られた時点の前記果菜のサイズと、前記果菜を収穫した際のサイズ又は規格と、を含む学習データを複数取得し、
複数の前記学習データを用いて、収穫時の果菜のサイズ又は規格を予測する予測モデルを生成し、
予測対象の果菜を栽培している間の前記予測対象の果菜のサイズの肥大速度の最大値と、当該最大値が得られた時点の開花後からの積算温度及び／又は当該最大値が得られた時点の前記予測対象の果菜のサイズと、を含む入力データを前記予測モデルに投入することにより、収穫時における前記予測対象の果菜のサイズ又は規格を予測する、
処理をコンピュータが実行することを特徴とする果菜情報予測方法。
【請求項８】
前記学習データは、前記果菜の開花後から所定タイミングまでの栽培環境の平均温度を含み、
前記入力データには、前記予測対象の果菜の開花後から前記所定タイミングまでの栽培環境の平均温度が含まれる、ことを特徴とする請求項７に記載の果菜情報予測方法。
【請求項９】
前記予測モデルは、機械学習による回帰モデル又は分類モデルであることを特徴とする請求項１又は７に記載の果菜情報予測方法。
【請求項１０】
前記規格は、重量に基づく規格である、ことを特徴とする請求項１又は７に記載の果菜情報予測方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、果菜情報予測方法及び果菜情報予測プログラムに関する。
続きを表示（約 3,600 文字）【背景技術】
【０００２】
トマトをはじめとする果菜類は、収穫後に出荷規格に分類され、出荷規格毎に単価が設定される。このため、例えば、収穫２週間前に出荷規格別の収量を予測できれば、生産者は予測結果に基づいて単価等について出荷先と交渉することができる。また、果実生育初期に出荷規格別の収量を予測できれば、予測結果に基づいて環境制御の設定や、摘果等の栽培管理の方針を決定することができる。これにより、単価の高い等級比率を高めるとともに、規格外品を減らすことができ、収益性を高めることができる。
【０００３】
従来、作物の生体情報と環境情報とに基づいて果実の状態を推定し、推定した果実の状態に基づいて作物の収量を推定する技術が知られている（例えば特許文献１等参照）。また、環境情報から収穫される作物の規格を予測する予測モデルに、収穫日までの環境情報を投入することで、収穫される作物の規格を予測する技術が知られている（例えば、特許文献２等参照）。また、葉面積の積算値に基づいて果実のサイズを予測する技術が知られている（例えば、特許文献３等参照）。
【先行技術文献】
【特許文献】
【０００４】
特開２０２１－２６７７１号公報
特開２０２３－３７０５号公報
特開２０１９－１８７２５９号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、上記特許文献１は、作物の収量を推定するのみであり、作物のサイズ（寸法や重量を含む）や規格を推定することはできない。また、上記特許文献２、３は、作物の規格や果実のサイズを予測する技術ではあるが、果菜のサイズや規格を予測するうえでは、予測精度などにおいて改善の余地がある。
【０００６】
本発明は、収穫時における果菜のサイズや規格を精度よく予測することが可能な果菜情報予測方法及び果菜情報予測プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
第１の態様によれば、果菜情報予測方法は、収穫時における果菜のサイズ又は規格を推定する果菜情報予測方法であって、栽培途中に測定された前記果菜のサイズと、前記サイズの測定が行われた時点の開花後からの積算温度と、前記果菜を収穫した際のサイズ又は規格と、を含む学習データを複数取得し、複数の前記学習データを用いて、収穫時の果菜のサイズ又は規格を予測する予測モデルを生成し、予測対象の果菜を栽培している間に測定された前記予測対象の果菜のサイズと、前記サイズの測定が行われた時点の開花後からの積算温度と、を含む入力データを前記予測モデルに投入することにより、収穫時における前記予測対象の果菜のサイズ又は規格を予測する、処理をコンピュータが実行する果菜情報予測方法である。
【０００８】
第２の態様によれば、果菜情報予測方法は、収穫時における果菜のサイズ又は規格を推定する果菜情報予測方法であって、栽培途中における前記果菜のサイズの肥大速度の最大値と、前記最大値が得られた時点の開花後からの積算温度及び／又は前記最大値が得られた時点の前記果菜のサイズと、前記果菜を収穫した際のサイズ又は規格と、を含む学習データを複数取得し、複数の前記学習データを用いて、収穫時の果菜のサイズ又は規格を予測する予測モデルを生成し、予測対象の果菜を栽培している間の前記予測対象の果菜のサイズの肥大速度の最大値と、当該最大値が得られた時点の開花後からの積算温度及び／又は当該最大値が得られた時点の前記予測対象の果菜のサイズと、を含む入力データを前記予測モデルに投入することにより、収穫時における前記予測対象の果菜のサイズ又は規格を予測する、処理をコンピュータが実行する果菜情報予測方法である。
【発明の効果】
【０００９】
本発明の果菜情報予測方法及び果菜情報予測プログラムは、収穫時における果菜のサイズや規格を精度よく予測することができるという効果を奏する。
【図面の簡単な説明】
【００１０】
図１は、第１の実施形態に係る農業システムの構成を示す図である。
図２（ａ）は、サーバのハードウェア構成を示す図であり、図２（ｂ）は、利用者端末のハードウェア構成を示す図である。
図３（ａ）は、利用者端末の機能ブロック図であり、図３（ｂ）は、画像を用いて果実のサイズを測定する方法について説明するための図である。
図４は、サーバの機能ブロック図である。
図５は、果実情報ＤＢのデータ構造の一例を示す図である。
図６（ａ）は、学習データＤＢのデータ構造の一例を示す図であり、図６（ｂ）は、第１の実施形態の予測モデルを説明するための図である。
図７は、遺伝子型の異なるトマトそれぞれについて、開花後日数に対する果実新鮮重の変化を示すグラフである。
図８（ａ）は、入力データの一例を示す図であり、図８（ｂ）は、予測データの一例を示す図であり、図８（ｃ）は、集計結果の一例を示す図である。
図９（ａ）は、サーバによる学習時の処理を示すフローチャートであり、図９（ｂ）は、サーバによる予測時の処理を示すフローチャートである。
図１０（ａ）は、開花後積算温度が８００℃までの入力データを用いて、Voting Regressionにより、収穫時の縦径×横径を予測した結果と、実際の収穫時の縦径×横径との関係を示すグラフであり、図１０（ｂ）は、ランダムフォレスト法、ラッソ回帰、Voting Regressionを用いた場合の果径平均誤差（％）を示すグラフである。
図１１（ａ）は、果実の縦径×横径（ｃｍ
2
）と、果重との間の関係を示すグラフであり、図１１（ｂ）は、果重と出荷規格との関係を示す表であり、図１１（ｃ）は、出荷規格ごとに収穫量（果数）を集計した場合の例を示す図である。
図１２は、図１１（Ｃ）の集計結果を出力する場合の出力例を示す図である。
図１３（ａ）は、学習データとして果菜重を用いる場合の学習データＤＢを示す図であり、図１３（ｂ）は、図１３（ａ）の学習データを用いて生成される予測モデルを示す図である。
図１４（ａ）は、第１の実施形態の変形例１の予測モデルを説明するための図であり、図１４（ｂ）は、図１３（ｂ）の例に変形例１を適用した場合の予測モデルを説明するための図である。
図１５は、第１の実施形態の変形例１における果実情報ＤＢのデータ構造の一例を示す図である。
図１６は、第１の実施形態の変形例１における学習データＤＢのデータ構造の一例を示す図である。
図１７（ａ）は、第１の実施形態の変形例２の予測モデルを説明するための図であり、図１７（ｂ）は、第１の実施形態の変形例２における学習データＤＢのデータ構造の一例を示す図であり、図１７（ｃ）は、図１３（ｂ）の変形例を示す図である。
図１８（ａ）は、第２の実施形態の学習データＤＢのデータ構造の一例を示す図であり、図１８（ｂ）は、第２の実施形態の予測モデルを説明するための図である。
図１９は、遺伝子型の異なるトマトそれぞれについて、開花後日数に対する果実肥大速度の変化を示すグラフである。
図２０（ａ）、図２０（ｂ）は、第２の実施形態の変形例に係る予測モデルを説明するための図である。
図２１（ａ）は、第２の実施形態において、学習データとして果菜重を用いる場合の学習データＤＢを示す図であり、図２１（ｂ）は、図２１（ａ）の学習データを用いて生成される予測モデルを示す図である。
図２２（ａ）、図２２（ｂ）は、図２１（ｂ）のモデルの変形例を示す図である。
図２３（ａ）は、第３の実施形態の学習データＤＢのデータ構造の一例を示す図であり、図２３（ｂ）は、第３の実施形態の予測モデルを説明するための図である。
図２４（ａ）、図２４（ｂ）は、第３の実施形態の変形例を説明するための図である。
図２５（ａ）、図２５（ｂ）は、第４の実施形態を説明するための図である。
図２６（ａ）、図２６（ｂ）は、第４の実施形態の変形例を説明するための図（その１）である。
図２７（ａ）、図２７（ｂ）は、第４の実施形態の変形例を説明するための図（その２）である。
図２８（ａ）、図２８（ｂ）は、第４の実施形態の変形例を説明するための図（その３）である。
図２９は、第４の実施形態の変形例を説明するための図（その４）である。
【発明を実施するための形態】
（【００１１】以降は省略されています）

関連特許