掲載誌：Journal of Intelligent Decision Making and Information Science

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的

ミレット（雑穀）は、アジアやアフリカで古くから栽培されてきた穀物です。著者らによると、食物繊維、ビタミン、ミネラル、たんぱく質を含み、少雨地域の食料供給を支えてきました。インドは世界最大の生産国ですが、論文は、雑穀の名前や種類を知らず、日常的に食べていない人も多いと指摘しています。

研究チームは、雑穀の写真を撮ってアップロードするだけで種類を自動で判別し、その雑穀の栄養情報やレシピなどを示すシステムを提案しました。目的は、利用者が雑穀の栄養価や利点を知る手助けをすることです。あわせて、人々が雑穀をどの程度知っていて、どのように食べているかを調べるアンケート調査も行いました。

どのように調べたか

研究チームは、独自に集めた高画質の雑穀画像のデータセットを使いました。対象は、アマランサス、ソバ、シコクビエ、アワ、リトルミレット、トウジンビエ、モロコシの7種類で、論文はこれらを雑穀として扱っています。画像は学習用、検証用、テスト用に分けました。色が種類を見分ける重要な手がかりになるため、カラー情報を残したまま64×64画素に縮小して処理しています。

判別には、画像認識で広く使われる畳み込みニューラルネットワーク（CNN）を用いました。CNNは、画像の中の模様や形、色の特徴を自動で学び取る人工知能の仕組みです。研究チームは、別の大量の画像であらかじめ学習済みの代表的なモデル4種類（VGG-16、ResNet-50、AlexNet、MobileNetV2）を試しました。性能は、正しく判別できた割合を示す「正解率」などの指標で比べています。

アンケートは、さまざまな年齢・地域・背景をもつ200人を対象に行いました。雑穀をどれくらい知っているか、どの種類をどのくらいの頻度で、どんな料理として食べているか、判別システムにどんな機能を望むかを尋ねています。

主な結果

論文の報告によると、4つのモデルのうち最も成績がよかったのはVGG-16で、正解率は99.29％でした。ほかのモデルの正解率は、ResNet-50が98.57％、MobileNetV2が97.14％、AlexNetが90.00％です。著者らは、VGG-16がすべての評価指標で最も優れていたとしています。また、先行研究で報告された正解率（92〜97％程度）と比べ、提案システムが上回ったと述べています。

アンケートでは、雑穀への親しみの度合いが平均3.78で、層によっては低い人たちもいました。著者らはこの結果から、対象を絞った啓発が必要だと述べています。最もよく知られていた雑穀はトウジンビエでした。判別システムに望む機能として多く挙がったのは、詳しい栄養情報（48件）、正確な種類の判別（41件）、レシピの提案（40件）です。

食べる頻度は女性のほうが男性より高く、とくに毎日や毎週食べる人が多いと報告されています。食べ方として最も多かったのは、ロティやパラタといった平たいパンでした。キチュリやドーサなどの伝統料理がそれに続き、雑穀を使った飲み物は最も少ない結果でした。

研究が示すこと

この研究は、写真から雑穀の種類を高い正解率で判別し、その雑穀の情報までまとめて示す仕組みを提案したものです。アンケートからは、雑穀への認知にばらつきがあることがうかがえます。また、利用者が判別機能だけでなく、栄養情報やレシピを求めていることも分かりました。著者らは、画像認識のような身近なデジタル技術を、雑穀への理解を広げる手段として位置づけています。

原著論文の著者・所属：Swati Nadkarni, Vinit Kotak, Jalpa Mehta, Anil Avhad

※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）：Swati Nadkarni, Vinit Kotak, Jalpa Mehta, Anil Avhad. An Automated Deep Learning Framework for Millet Classification Using Convolutional Neural Networks. Journal of Intelligent Decision Making and Information Science 2026-08-21. DOI: 10.59543/jidmis.v3.2088. 原著ライセンス：CC BY.