UGV撮影画像を用いた葉いもち検出AIによる圃場の被害度の可視化
イネいもち病はイネの重要病害で、葉身上に病斑を形成するものを葉いもち、籾、枝梗、穂首に感染したものを穂いもちと呼ぶ。穂いもちは収量低下に直結するため、穂いもちの感染源となる葉いもちの早期発見と薬剤防除が重要となる。これまでUAV（Unmanned Aerial Vehicle）リモートセンシングによるイネいもち病の被害度評価が検討されてきた。葉いもち病斑を見つけるには低高度からの撮影が有効であるが、広い圃場全体をUAVで調査するには撮影枚数が増えるので、解析に多大な労力を要する。また回転翼の影響で植物体が揺れ、正確な発生評価が妨げられることがある。そこで、本研究では圃場の作物を近接リモートセン...
Saved in:
| Published in | システム農学 Vol. 40; no. 4; pp. 47 - 54 |
|---|---|
| Main Authors | , , , , , |
| Format | Journal Article |
| Language | Japanese |
| Published |
システム農学会
25.12.2024
|
| Subjects | |
| Online Access | Get full text |
| ISSN | 0913-7548 2189-0560 |
| DOI | 10.14962/jass.40.4_47 |
Cover
| Abstract | イネいもち病はイネの重要病害で、葉身上に病斑を形成するものを葉いもち、籾、枝梗、穂首に感染したものを穂いもちと呼ぶ。穂いもちは収量低下に直結するため、穂いもちの感染源となる葉いもちの早期発見と薬剤防除が重要となる。これまでUAV（Unmanned Aerial Vehicle）リモートセンシングによるイネいもち病の被害度評価が検討されてきた。葉いもち病斑を見つけるには低高度からの撮影が有効であるが、広い圃場全体をUAVで調査するには撮影枚数が増えるので、解析に多大な労力を要する。また回転翼の影響で植物体が揺れ、正確な発生評価が妨げられることがある。そこで、本研究では圃場の作物を近接リモートセンシングできるUGV（Unmanned Ground Vehicle）から撮影したイネいもち病発生圃場の画像からDL（Deep learning）の物体検出AI（Artificial Intelligence）を用いて葉いもち検出AIを作成し、葉いもち病斑の検出精度と活用の可能性を評価した。作成した葉いもち検出AIの精度は、葉いもち病斑の検出において、適合率が0.58、再現率が0.61、F値が0.59であり、UGVで撮影した画像から作成した葉いもち検出AIを用いて葉いもちを検出できることが明らかとなった。次に、作成した葉いもち検出AIを用いて圃場内の葉いもち発生箇所および葉いもち被害度の推定を試みた。圃場を5 m×5 mのグリッドで分割することにより、葉いもちの発生分布・被害度を可視化した。本試験で用いたUGVはRTK-GNSS（Real Time Kinematic-Global Navigation Satellite System）による数センチ単位の自己位置推定とそれによる走行制御が可能である。葉いもち検出AIにより圃場の病害発生箇所を高精度に特定することにより、UAVまたはUGVに薬剤散布機を搭載して、圃場内を効率的、機動的に薬剤防除できる可能性がある。 |
|---|---|
| AbstractList | イネいもち病はイネの重要病害で、葉身上に病斑を形成するものを葉いもち、籾、枝梗、穂首に感染したものを穂いもちと呼ぶ。穂いもちは収量低下に直結するため、穂いもちの感染源となる葉いもちの早期発見と薬剤防除が重要となる。これまでUAV（Unmanned Aerial Vehicle）リモートセンシングによるイネいもち病の被害度評価が検討されてきた。葉いもち病斑を見つけるには低高度からの撮影が有効であるが、広い圃場全体をUAVで調査するには撮影枚数が増えるので、解析に多大な労力を要する。また回転翼の影響で植物体が揺れ、正確な発生評価が妨げられることがある。そこで、本研究では圃場の作物を近接リモートセンシングできるUGV（Unmanned Ground Vehicle）から撮影したイネいもち病発生圃場の画像からDL（Deep learning）の物体検出AI（Artificial Intelligence）を用いて葉いもち検出AIを作成し、葉いもち病斑の検出精度と活用の可能性を評価した。作成した葉いもち検出AIの精度は、葉いもち病斑の検出において、適合率が0.58、再現率が0.61、F値が0.59であり、UGVで撮影した画像から作成した葉いもち検出AIを用いて葉いもちを検出できることが明らかとなった。次に、作成した葉いもち検出AIを用いて圃場内の葉いもち発生箇所および葉いもち被害度の推定を試みた。圃場を5 m×5 mのグリッドで分割することにより、葉いもちの発生分布・被害度を可視化した。本試験で用いたUGVはRTK-GNSS（Real Time Kinematic-Global Navigation Satellite System）による数センチ単位の自己位置推定とそれによる走行制御が可能である。葉いもち検出AIにより圃場の病害発生箇所を高精度に特定することにより、UAVまたはUGVに薬剤散布機を搭載して、圃場内を効率的、機動的に薬剤防除できる可能性がある。 |
| Author | 佐々木, 崇 市浦, 茂 森, 智洋 Singh, Dhirendranath 片平, 光彦 小林, 隆 |
| Author_xml | – sequence: 1 fullname: 森, 智洋 organization: 山形大学農学部 – sequence: 1 fullname: 佐々木, 崇 organization: 現在：宮城県古川農業試験場 – sequence: 1 fullname: 片平, 光彦 organization: 山形大学農学部 – sequence: 1 fullname: 市浦, 茂 organization: 山形大学農学部 – sequence: 1 fullname: 小林, 隆 organization: 山形大学農学部 – sequence: 1 fullname: Singh, Dhirendranath organization: 山形大学農学部 |
| BookMark | eNo9kE9LAkEAxYcwyMxjH2NtZnZ2ZvbQQaRMELqk12XGHUsxi10vHXcNSgokEU9CfwgJBCPqZPRphlE_RlrR5b0f78E7vE2QaJ41FQDbCGYQcSneqYswzBCYIR5hayCJEXct6FCYAEnoIttiDuEbIB2GNQkhZQ6HiCVBuZQvz3oT8_U273-adlfHvXn_RUeXOrpf3HVWEMc6epw9D83VNFvQ0VjH1zq-McO2efjQ0WTxNDaTdzMdLdl0XxejgbkdbIH1qmiEKv3nKVDa3zvKHVjFw3whly1adcSYsHwkGbQdLFzu-FJWFaJMkarExBacY0UphMInjLoYSd-vICSpZBxjIRzEfGWnwO7vbj1siWPlnQe1UxFceCJo1SoN5a1O8Qj0yI-w_7xyIoJlaX8DgQt6sQ |
| ContentType | Journal Article |
| Copyright | 2024 システム農学会 |
| Copyright_xml | – notice: 2024 システム農学会 |
| DOI | 10.14962/jass.40.4_47 |
| DatabaseTitleList | |
| DeliveryMethod | fulltext_linktorsrc |
| EISSN | 2189-0560 |
| EndPage | 54 |
| ExternalDocumentID | article_jass_40_4_40_47_article_char_ja |
| GroupedDBID | ALMA_UNASSIGNED_HOLDINGS JSF KQ8 RJT |
| ID | FETCH-LOGICAL-j177a-d1b70352a985dbbfe167e4fb243a882e6600ad476921bddc11b6b7822aa517de3 |
| ISSN | 0913-7548 |
| IngestDate | Wed Sep 03 06:30:33 EDT 2025 |
| IsDoiOpenAccess | true |
| IsOpenAccess | true |
| IsPeerReviewed | false |
| IsScholarly | false |
| Issue | 4 |
| Language | Japanese |
| LinkModel | OpenURL |
| MergedId | FETCHMERGED-LOGICAL-j177a-d1b70352a985dbbfe167e4fb243a882e6600ad476921bddc11b6b7822aa517de3 |
| OpenAccessLink | https://www.jstage.jst.go.jp/article/jass/40/4/40_47/_article/-char/ja |
| PageCount | 8 |
| ParticipantIDs | jstage_primary_article_jass_40_4_40_47_article_char_ja |
| PublicationCentury | 2000 |
| PublicationDate | 2024/12/25 |
| PublicationDateYYYYMMDD | 2024-12-25 |
| PublicationDate_xml | – month: 12 year: 2024 text: 2024/12/25 day: 25 |
| PublicationDecade | 2020 |
| PublicationTitle | システム農学 |
| PublicationTitleAlternate | システム農学 |
| PublicationYear | 2024 |
| Publisher | システム農学会 |
| Publisher_xml | – name: システム農学会 |
| References | 藤井直哉・松田英樹・新山徳光, 2018, 産業用マルチローターを利用したダイズ紫斑病の防除, 北日本病害虫研究会報, Vol. 69, pp. 20–24. 越水幸男, 1988, アメダス資料による葉いもち発生予察法, 東北農業試験場研究報告, Vol. 78, pp. 67–121. 大久保さゆり・菅野洋光・小林, 隆, 2015, 高解像度気象データを用いた東北地方におけるイネ葉いもち発生予察モデル(BLASTAM )の検証, 天気, Vol. 62, pp. 5–15. Brahimi, M., Boukhalfa, K., and Moussaoui, A., 2017, Deep learning for tomato diseases: classification and symptoms visualization. Applied Artificial Intelligence, Vol. 31, pp. 299–315. 小林, 隆・菅野洋光・神田英司・南野謙一・Prima, O. D. A., 2010, Google マップによる気象予測データを用いた東北地方の水稲気象被害軽減システムの開発, 植物防疫, Vol. 64, pp. 794–800. Khan, Z., Chopin, J., Cai, J., Eichi, V. R., Haefele, S., and Miklavcic, S. J., 2018, Quantitative estimation of wheat phenotyping traits using ground and aerial imagery. Remote Sensing, Vol. 10, 950, https://doi.org/10.3390/rs10060950 小林, 隆・神田英司・笹原剛志・石川志保・畑谷みどり・石黒 潔・鳥越洋一, 2005, 穂いもち被害度と正規化植生指数（NDVI）の関係, 日本植物病理学会報, Vol. 71, pp. 326–329. 高山智光・矢代敏久・真田幸代・桂樹哲雄・杉浦 綾, 2021, 粘着板に捕獲したイネウンカ類の自動計数に向けた画像認識技術の検出精度検証, 農業情報研究, Vol. 30, pp. 174–184. Ferentinos, K. P., 2018, Deep learning models for plant disease detection and diagnosis. Computers and electronics in agriculture, Vol. 145, pp. 311–318. 野波健蔵, 2016, 世界のドローン開発動向と農業応用からみた課題と展望, 計測と制御, Vol. 55, pp. 780–787. Kobayashi, T., Kanda, E., Naito, S., Nakajima, T., Arakawa, I., Nemoto, K., Honma, M., Toujyou, H., Ishiguro, K., Kitada, K., and Torigoe, Y., 2003, Ratio of rice reflectance for estimating leaf blast severity with a multispectral radiometer. Journal of general plant pathology, Vol. 69, pp.17–22. 彌冨 仁, 2019, 植物病害自動診断技術の動向と課題, 日本神経回路学会誌, Vol. 26, pp. 123–134. 小林, 隆・佐々木, 崇・上野 清・菅原隆介・鈴木寛人・仙台慎一郎・田邊 大・白土宏之・片平光彦・長谷 修, 2023, UAVによる葉いもち被害度の評価と殺菌剤要否判断の実証試験, システム農学, Vol. 38, pp. 45–56. 林 孝・越水幸男, 1988, 葉いもち発生予察のコンピュータプログラム(BLASTAM)の開発, 東北農業試験場研究報告, Vol. 78, pp. 123–138. Singh, D., Ichiura, S., Nguyen, T. T., Sasaki, Y., and Katahira, M., 2021, Rice Tiller Number Estimation by Field Robot and Deep Learning (Part 1). Journal of the Japanese Society of Agricultural Machinery, Vol. 83, pp. 391–406. 板倉健太・野秋収平・細井文樹, 2022, 小型UAVの自律走行による果実のカウント, システム農学, Vol. 38, pp. 29–35. Mohanty, S. P., Hughes, D. P., and Salathé, M., 2016, Using deep learning for image-based plant disease detection. Frontiers in plant science, Vol. 7, 1419, 10.3389/fpls.2016.01419. Redmon, J., Divvala, S., Girshick, R., and Farhadi, A., 2016, You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 779–788. Suwa, K., Cap, Q. H., Kotani, R., Uga, H., Kagiwada, S. and Iyatomi, H., 2019, A comparable study: Intrinsic difficulties of practical plant diagnosis from wide-angle images. In 2019 IEEE International Conference on Big Data, pp. 5195–5201. 菅原直人・小林, 隆・長谷 修, 2021, 葉面濡れセンサーを用いた葉いもちの発生予察, 生物と気象, Vol. 21, pp. 74–80. Jay, S., Comar, A., Benicio, R., Beauvois, J., Dutartre, D., Daubige, G., Li, W., Labrosse, J., Thomas, S., Henry, N., Weiss, M., and Baret, F., 2020, Scoring cercospora leaf spot on sugar beet: comparison of UGV and UAV phenotyping systems. Plant Phenomics. Amara, J., Bouaziz, B., and Algergawy, A., 2017, A deep learning-based approach for banana leaf diseases classification. Datenbanksysteme für Business, Technologie und Web (BTW 2017)-Workshopband. Zarco-Tejada, P. J., Berjón, A., Lopez-Lozano, R., Miller, J R., Martín, P., Cachorro, V., and De Frutos, A., 2005, Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy. Remote Sensing of Environment, Vol. 99, pp. 271–287. Gutiérrez, S., Wendel, A., and Underwood, J., 2019, Ground based hyperspectral imaging for extensive mango yield estimation. Computers and Electronics in Agriculture, Vol. 157, pp. 126–135. Wendel, A., Underwood, J., and Walsh, K., 2018, Maturity estimation of mangoes using hyperspectral imaging from a ground based mobile platform. Computers and Electronics in Agriculture, Vol. 155, pp. 298–313. Wang, C. Y., Bochkovskiy, A., and Liao, H. Y. M., 2022, YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 7464–7475. Kobayashi, T., Kanda, E., Kitada, K., Ishiguro, K., and Torigoe, Y., 2001, Detection of rice panicle blast with multispectral radiometer and the potential of using airborne multispectral scanners. Phytopathology, Vol. 91, pp.316–323. |
| References_xml | – reference: Ferentinos, K. P., 2018, Deep learning models for plant disease detection and diagnosis. Computers and electronics in agriculture, Vol. 145, pp. 311–318. – reference: 菅原直人・小林, 隆・長谷 修, 2021, 葉面濡れセンサーを用いた葉いもちの発生予察, 生物と気象, Vol. 21, pp. 74–80. – reference: Kobayashi, T., Kanda, E., Naito, S., Nakajima, T., Arakawa, I., Nemoto, K., Honma, M., Toujyou, H., Ishiguro, K., Kitada, K., and Torigoe, Y., 2003, Ratio of rice reflectance for estimating leaf blast severity with a multispectral radiometer. Journal of general plant pathology, Vol. 69, pp.17–22. – reference: 大久保さゆり・菅野洋光・小林, 隆, 2015, 高解像度気象データを用いた東北地方におけるイネ葉いもち発生予察モデル(BLASTAM )の検証, 天気, Vol. 62, pp. 5–15. – reference: Mohanty, S. P., Hughes, D. P., and Salathé, M., 2016, Using deep learning for image-based plant disease detection. Frontiers in plant science, Vol. 7, 1419, 10.3389/fpls.2016.01419. – reference: 小林, 隆・佐々木, 崇・上野 清・菅原隆介・鈴木寛人・仙台慎一郎・田邊 大・白土宏之・片平光彦・長谷 修, 2023, UAVによる葉いもち被害度の評価と殺菌剤要否判断の実証試験, システム農学, Vol. 38, pp. 45–56. – reference: Wendel, A., Underwood, J., and Walsh, K., 2018, Maturity estimation of mangoes using hyperspectral imaging from a ground based mobile platform. Computers and Electronics in Agriculture, Vol. 155, pp. 298–313. – reference: Khan, Z., Chopin, J., Cai, J., Eichi, V. R., Haefele, S., and Miklavcic, S. J., 2018, Quantitative estimation of wheat phenotyping traits using ground and aerial imagery. Remote Sensing, Vol. 10, 950, https://doi.org/10.3390/rs10060950． – reference: Brahimi, M., Boukhalfa, K., and Moussaoui, A., 2017, Deep learning for tomato diseases: classification and symptoms visualization. Applied Artificial Intelligence, Vol. 31, pp. 299–315. – reference: Kobayashi, T., Kanda, E., Kitada, K., Ishiguro, K., and Torigoe, Y., 2001, Detection of rice panicle blast with multispectral radiometer and the potential of using airborne multispectral scanners. Phytopathology, Vol. 91, pp.316–323. – reference: 藤井直哉・松田英樹・新山徳光, 2018, 産業用マルチローターを利用したダイズ紫斑病の防除, 北日本病害虫研究会報, Vol. 69, pp. 20–24. – reference: Redmon, J., Divvala, S., Girshick, R., and Farhadi, A., 2016, You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 779–788. – reference: Wang, C. Y., Bochkovskiy, A., and Liao, H. Y. M., 2022, YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 7464–7475. – reference: 板倉健太・野秋収平・細井文樹, 2022, 小型UAVの自律走行による果実のカウント, システム農学, Vol. 38, pp. 29–35. – reference: Suwa, K., Cap, Q. H., Kotani, R., Uga, H., Kagiwada, S. and Iyatomi, H., 2019, A comparable study: Intrinsic difficulties of practical plant diagnosis from wide-angle images. In 2019 IEEE International Conference on Big Data, pp. 5195–5201. – reference: Gutiérrez, S., Wendel, A., and Underwood, J., 2019, Ground based hyperspectral imaging for extensive mango yield estimation. Computers and Electronics in Agriculture, Vol. 157, pp. 126–135. – reference: 高山智光・矢代敏久・真田幸代・桂樹哲雄・杉浦 綾, 2021, 粘着板に捕獲したイネウンカ類の自動計数に向けた画像認識技術の検出精度検証, 農業情報研究, Vol. 30, pp. 174–184. – reference: Zarco-Tejada, P. J., Berjón, A., Lopez-Lozano, R., Miller, J R., Martín, P., Cachorro, V., and De Frutos, A., 2005, Assessing vineyard condition with hyperspectral indices: Leaf and canopy reflectance simulation in a row-structured discontinuous canopy. Remote Sensing of Environment, Vol. 99, pp. 271–287. – reference: 小林, 隆・神田英司・笹原剛志・石川志保・畑谷みどり・石黒 潔・鳥越洋一, 2005, 穂いもち被害度と正規化植生指数（NDVI）の関係, 日本植物病理学会報, Vol. 71, pp. 326–329. – reference: 越水幸男, 1988, アメダス資料による葉いもち発生予察法, 東北農業試験場研究報告, Vol. 78, pp. 67–121. – reference: Singh, D., Ichiura, S., Nguyen, T. T., Sasaki, Y., and Katahira, M., 2021, Rice Tiller Number Estimation by Field Robot and Deep Learning (Part 1). Journal of the Japanese Society of Agricultural Machinery, Vol. 83, pp. 391–406. – reference: 小林, 隆・菅野洋光・神田英司・南野謙一・Prima, O. D. A., 2010, Google マップによる気象予測データを用いた東北地方の水稲気象被害軽減システムの開発, 植物防疫, Vol. 64, pp. 794–800. – reference: Jay, S., Comar, A., Benicio, R., Beauvois, J., Dutartre, D., Daubige, G., Li, W., Labrosse, J., Thomas, S., Henry, N., Weiss, M., and Baret, F., 2020, Scoring cercospora leaf spot on sugar beet: comparison of UGV and UAV phenotyping systems. Plant Phenomics. – reference: 彌冨 仁, 2019, 植物病害自動診断技術の動向と課題, 日本神経回路学会誌, Vol. 26, pp. 123–134. – reference: 野波健蔵, 2016, 世界のドローン開発動向と農業応用からみた課題と展望, 計測と制御, Vol. 55, pp. 780–787. – reference: Amara, J., Bouaziz, B., and Algergawy, A., 2017, A deep learning-based approach for banana leaf diseases classification. Datenbanksysteme für Business, Technologie und Web (BTW 2017)-Workshopband. – reference: 林 孝・越水幸男, 1988, 葉いもち発生予察のコンピュータプログラム(BLASTAM)の開発, 東北農業試験場研究報告, Vol. 78, pp. 123–138. |
| SSID | ssib006758017 ssj0003306459 |
| Score | 2.0018892 |
| Snippet | イネいもち病はイネの重要病害で、葉身上に病斑を形成するものを葉いもち、籾、枝梗、穂首に感染したものを穂いもちと呼ぶ。穂いもちは収量低下に直結するため、穂いもちの感染... |
| SourceID | jstage |
| SourceType | Publisher |
| StartPage | 47 |
| SubjectTerms | AI UGV YOLO イネいもち病 ディープラーニング 水稲 |
| Title | UGV撮影画像を用いた葉いもち検出AIによる圃場の被害度の可視化 |
| URI | https://www.jstage.jst.go.jp/article/jass/40/4/40_47/_article/-char/ja |
| Volume | 40 |
| hasFullText | 1 |
| inHoldings | 1 |
| isFullTextHit | |
| isPrint | |
| ispartofPNX | システム農学, 2024/12/25, Vol.40(4), pp.47-54 |
| journalDatabaseRights | – providerCode: PRVAFT databaseName: Open Access Digital Library customDbUrl: eissn: 2189-0560 dateEnd: 99991231 omitProxy: true ssIdentifier: ssj0003306459 issn: 0913-7548 databaseCode: KQ8 dateStart: 20040101 isFulltext: true titleUrlDefault: http://grweb.coalliance.org/oadl/oadl.html providerName: Colorado Alliance of Research Libraries |
| link | http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnR1Na9VAMLT14kUUFb_pwT3mmWw22d3j5vXVVlEQ-kpvIfuSHnqoYl8v3t6roKJQLKWngh9IEQpPRE8V_4P_IaTtz3BmN7EpeqiFsMybnd2Zndl9OxOys45z26NZD2ZS7qJ37WLuHFhSOXcz8HWZyKROzSf_Dx5GM112byFcGBv_1fhqabWvW71n_zxXchqrAg7siqdk_8OyfzoFBMBgXyjBwlCeyMbdu_OkExFJieqQTkjiKRL7pMOJZCSOESMCIqZJB0qKZLZKCYPxiWAVIIFGEAkYebyK4mMxykdeihHZNj1zEis1W1fGNbmoAcMfaEEEAJRH4pobCiuIoqZViD9jQxMroqIGTYiyKyMa4GVkMG1i76atPeqKXcxrwI4AnqgCgDX0EAMXathNQW_1PDNDCpAbTDWjS4liAADSiviIjKFypWe69IgIDW0bVWkahoaeH9FzVCXoCGskjq8ig5aoY2OrphiAEEbXwDnE4Rp6geO11ybVr2aoSQBpj3GbxXQ6BZgRgS5V812tH7g8tClJW7nBgWsmXfBeveZWZjNfVUuWNfYlm9W08nBs1u6_9k4mI2oubVhZaTGvxZK60bF05NVkT5AsYV7CTMGTGo-HBaFy3DlDYZ_Fy1TuP2r8w0N46lUBNfpKAQbAoU2IWY2xSoSL0txpygIu4hIETPXHlsb_mzvvnKsCt0llBbjgjC2lF515WIH7G6Py59eDzR_l2nox3DjY_FwMnheDd4dvXyEwHBaDD_uftssXe2q2GOwWw5fF8HW5vVa-_14MRocfd8vRt3JvB-By_cvhzlb5ZuuS053uzLVn3OqmEnfJ5zx1M19zTCycShFmWi_mfsRztqgpC1IIYfMIwoo0YzyS1NdZ1vN9HWn0zdM09HmWB5edieXHy_kVZzIVVEsdStBKztJMyyClXORC9gTLaC6vOpFVQ_LEpqNJTmiRa6dteN05ezS5bzgT_aer-U3wxPv6ljHub3aduHA |
| linkProvider | Colorado Alliance of Research Libraries |
| openUrl | ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=UGV%E6%92%AE%E5%BD%B1%E7%94%BB%E5%83%8F%E3%82%92%E7%94%A8%E3%81%84%E3%81%9F%E8%91%89%E3%81%84%E3%82%82%E3%81%A1%E6%A4%9C%E5%87%BAAI%E3%81%AB%E3%82%88%E3%82%8B%E5%9C%83%E5%A0%B4%E3%81%AE%E8%A2%AB%E5%AE%B3%E5%BA%A6%E3%81%AE%E5%8F%AF%E8%A6%96%E5%8C%96&rft.jtitle=%E3%82%B7%E3%82%B9%E3%83%86%E3%83%A0%E8%BE%B2%E5%AD%A6&rft.au=%E6%A3%AE%2C+%E6%99%BA%E6%B4%8B&rft.au=%E4%BD%90%E3%80%85%E6%9C%A8%2C+%E5%B4%87&rft.au=%E7%89%87%E5%B9%B3%2C+%E5%85%89%E5%BD%A6&rft.au=%E5%B8%82%E6%B5%A6%2C+%E8%8C%82&rft.date=2024-12-25&rft.pub=%E3%82%B7%E3%82%B9%E3%83%86%E3%83%A0%E8%BE%B2%E5%AD%A6%E4%BC%9A&rft.issn=0913-7548&rft.eissn=2189-0560&rft.volume=40&rft.issue=4&rft.spage=47&rft.epage=54&rft_id=info:doi/10.14962%2Fjass.40.4_47&rft.externalDocID=article_jass_40_4_40_47_article_char_ja |
| thumbnail_l | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=0913-7548&client=summon |
| thumbnail_m | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=0913-7548&client=summon |
| thumbnail_s | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=0913-7548&client=summon |