ウェアラブルカメラやドローンを用いた異常株検知システム図6●抜取りが必要と判定された箇所アラーム音撮影動画像を背中に背負ったノートPCで処理し、異常株が検出されたらアラーム音などで知らせる撮影ほ場図ヘプロット用いて学習済みモデルの精度検証をした結果、100％の正解率でした。 PlantVillage Datasetは葉一枚ごとの画像で、背景が除去されています。一方、ほ場で撮影した画像には、図3に示したようにピントが合っていないもの、葉の一部のみに光が当たっているもの、影がかかっているもの、そして画像中に他の葉や土壌が写りこんでいるものもあり、PlantVillage Datasetよりも分類が難しいケースですが、同等の正解率になることを確認できました。■ おわりに 将来的には、本手法を応用することで、ウェアラブルカメラやドローンを用いた異常株自動検知システムを実現します（図6）。例として、ウェアラブルカメラを作業者が装着してほ場内を見回り、異常株を自動検出することで目視による見落としを防ぐ支援システムを想定しています。もう一つの例として、カメラを搭載したドローンを用いて上空からほ場全体の撮影を行い、異常株を自動検出し、それらの位置を地図上に表示することで、効率的に異常株の抜き取り作業が可能な支援システムを想定しています。 （農業情報研究センター 農業AI研究推進室）付記：本研究では官民 研究開発投資拡大プログラム（PRISM）予算を活用しました。用語解説̶※1 深層学習 ヒトのニューロンを模して作られた多層のネットワークを用いた学習モデル。※2 変分オートエンコーダ 教師画像の画像特徴の平均と各教師画像との違いを利用した画像生成モデル。※3 セマンティックセグメンテーション デジタル画像中の各画素が何であるか分類。※4 PlantVillageDataset ペンシルバニア州立大学のプロジェクトPlant- Villageが提供する画像のデータセット。本資料ではこのデータセットの画像を使用した。現在は公開が停止されている。参考文献̶1）Habaragamuwa, H. et al. （2019） Plant Disease Identication using Explainable Features with Deep Convolutional Neural Network. 2019 International Joint Conference on JSAM and SASJ, and CIGR VI Technical Symposium joining FWFNWG and FSWG Workshops, 2019/9/4.2）Habaragamuwa, H. et al. （2020） Achieving explainability for deep learning-based image classication applications in agriculture: Methods and approaches. 農業食料工学会誌, vol.82（3）, 14-23.3）Habaragamuwa, H. et al. （2021） Achieving Explainability for Plant Disease Classication with Disentangled Variational Autoencoders. arXiv:2102.03082.4）Habaragamuwa, H. ・大石優（2020） －AIを活用した農作物の病害虫診断等で活用－ 画像診断根拠を可視化できるAI. 機械化農業, vol.3234, 214-223.5）Habaragamuwa, H. et al. （2020） 画像の特徴を可視化できる新しいAIを開発 －農作物の病害虫診断等で活用－. 農研機構, プレスリリース. http://www.naro.affrc.go.jp/publicity_report/press/laboratory/rcait/133522.html （参照 2021-2-1）33NARO Technical Report ／No.8／2021
元のページ ../index.html#33