著者の所属・活動拠点の国は、韓国です。

掲載誌:Frontiers in Plant Science

ライセンス: CC BY 対象: 公開論文 確認元: OpenAlex

研究の目的

イネの品種を正しく見分けることは、品種ごとの収量予測や品質・規格の維持に役立つと著者らは述べています。従来は種子や葉の大きさ・形・色を人が目で見て判断してきましたが、検査する人の技量や体調に左右されやすく、時間と手間もかかります。DNAなどを調べる分子的な方法は正確ですが、費用が高く、試料を壊す必要があり、専門知識も求められます。

そこで研究チームは、生育初期のイネを撮影したカラー写真(RGB画像)と、その画像から測った草丈や幅などの形の特徴を組み合わせ、深層学習(多層のニューラルネットワークでデータから特徴を学ぶ人工知能の手法)で品種を自動判別できるかを調べました。多くの先行研究が種子の画像を対象としてきたのに対し、この研究は育ち始めた株そのものを対象にしています。

何を、どのように調べたか

対象は、韓国の農村振興庁の遺伝資源バンクから入手したコシヒカリ、イルプム、ペクオクチャル、チャムドリーム、チャムドンジン、ヨンジン、アンピョン、チンドゥル、ヘプムの9品種です。種子を消毒して人工気象器で発芽させたあと、鉢に植え替えて屋外で育てました。株が盛んに茎を増やす時期(有効分げつ期)の始まりにあたる播種後35日目まで育てています。

撮影には三脚に固定したデジタルカメラを使い、白い背景の前で1株ずつ自然光の下で写しました。撮影は播種後13日目から35日目までの6つの生育段階で行われました。画像からは、草丈、幅、株の外形を囲む凸包の面積、緑色部分の面積、ぎっしり詰まった形かどうかを表す密集度、縦横比の6つの形の特徴を計算しました。

品種の判別は3通りの方法で比べました。形の特徴だけを使う方法(ランダムフォレストとサポートベクターマシンという2種類の機械学習手法)、写真だけを使う方法、写真と形の特徴を組み合わせる方法です。写真を扱う方法では、あらかじめ大量の画像で学習済みの画像認識モデル4種(EfficientNetV2、InceptionV3、ConvNeXt-Tiny、ResNet-50)と、ResNet-50とEfficientNetを組み合わせたアンサンブルモデルを使いました。性能は主に正解率(テスト画像のうち品種を正しく当てた割合)などで評価し、モデル間の差は統計的な検定で確かめました。さらに、どの品種同士を取り違えやすいか、モデルが画像のどこに注目したかも分析しました。

主な報告結果

最も高い正解率を示したのは、写真と形の特徴を組み合わせたアンサンブルモデルで、播種後29日目に0.82でした。同じ条件でResNet-50は0.80でした。写真だけを使った場合はアンサンブルモデルの0.80が最高で、EfficientNetV2、ResNet-50、ConvNeXt-Tinyは0.76でした。一方、形の特徴だけを使った方法では、どの生育段階でも正解率が0.5未満にとどまり、最高は播種後33日目のサポートベクターマシンによる0.48でした。

生育段階で比べると、写真を使う方法ではおおむね株が育つほど正解率が上がり、すべてのモデルで播種後29日目の成績が最も良好でした。この段階でモデル間の性能には統計的に有意な差があると報告されています。最も早い播種後13日目は正解率が低く、組み合わせ方式のInceptionV3では0.44でした。著者らは、若い苗同士では品種間の見た目の違いが小さいためと考えています。

取り違えが最も多かったのは、播種後33日目にヘプムをチンドゥルと判定した例で、41回に上りました。両品種は幅、密集度、縦横比が似ていたことが、混同の理由になった可能性があるとされています。また、品種間で形の特徴がどれだけ離れているかを示す指標と正解率の間には強い正の相関(相関係数0.9超)がみられました。

モデルが画像のどこに注目したかを色で示す分析では、草丈が最も低いイルプムでは株の先端付近に、密集度の高いチンドゥルでは下部の詰まった緑の部分に注目が集まるなど、各品種の形の特徴と対応する傾向が報告されています。

別の研究チームが公開しているイネ画像データでも検証が行われましたが、条件を満たす株数の多い品種が2つしかなく、実質的には2品種の判別となりました。正解率は2つの時期でそれぞれ0.70と0.75でした。

この報告が示すこと

研究チームは、画像から測った形の特徴を写真と組み合わせることで品種判別の性能が高まり、モデルの判断を株の形と結びつけて解釈しやすくなると結論づけています。また、判別の成績が生育段階によって変わることから、画像で作物を判別する際には撮影する時期の選び方が重要だとしています。比較的小さなデータでも、学習済みモデルの性能は許容できる水準だったことも要点に挙げています。

一方で著者らは、この研究が白い背景の前で1株ずつ撮影した鉢栽培の実験である点を限界としています。株の切り出しや形の計測は、背景に植物がなく株同士が重ならないことを前提にしています。そのため、株が密集して重なり合い、雑草や土が写り込み、光の条件も変わる田んぼにそのまま当てはめることは容易ではありません。著者らは、この結果を田んぼですぐ使える道具ではなく、管理された条件での概念実証と位置づけています。そのほか、撮影時に色の補正を行っていないこと、扱った品種数が限られていることも限界として挙げています。

原著論文の著者・所属:Mbembo Blaise wa Mbembo(Department of Food Security and Agricultural Development, Kyungpook National University; University of Kinshasa, Faculty of Sciences, Department of Life Sciences)、Amit Ghimire(Department of Applied Biosciences, Kyungpook National University; Department of Integrative Biology, Kyungpook National University)、Minsu Jeong(Department of Applied Biosciences, Kyungpook National University; Department of Integrative Biology, Kyungpook National University)、Minju Kwon(Department of Applied Biosciences, Kyungpook National University; Department of Integrative Biology, Kyungpook National University)、Kabita Poudel(Agriculture Development Section, Mechinagar Municipality, Office of the Municipal Executive; Department of Food Security and Agricultural Development, Kyungpook National University)、Yoonha Kim(Department of Applied Biosciences, Kyungpook National University; Department of Integrative Biology, Kyungpook National University; Institute for Basic Science Convergence, Kyungpook National University; Upland Field Machinery Research Center, Kyungpook National University)

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典(原著論文):Mbembo Blaise wa Mbembo, Amit Ghimire, Minsu Jeong, et al. Classification of rice varieties using RGB images integrated with image-derived geometric traits based on deep learning models. Frontiers in Plant Science(出版社:Frontiers Media) 2026-11-16. DOI: 10.3389/fpls.2026.1917825. 原著ライセンス:CC BY.