著者の所属・活動拠点の国は、ナイジェリアです。

掲載誌：Journal of the Nigerian Society of Physical Sciences

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的

研究チームは、米の画像から20品種を見分けるAIについて、学習用の画像を増やすことや、モデルの構造、画像の解像度が分類の正確さにどう関わるかを調べました。背景には、従来の研究では対象品種や画像の数が限られ、学習に使ったデータ以外でも正しく分類する能力が課題になっていたことがあります。

何を、どのように調べたか

対象は、バングラデシュの各地域の市場や農村で集められた米20品種の画像です。元の画像だけのデータセットと、元画像に加工して増やした画像を加えたデータセットを比較しました。画像数は、元のデータでは1品種当たり230～256枚、加工画像を加えたデータでは1品種当たり1,380～1,536枚でした。

研究チームは、画像の特徴を学習して分類する畳み込みニューラルネットワーク（CNN）を独自に3種類設計しました。これらを、別の画像で事前に学んだモデルを米の分類に応用する「転移学習」の4モデル、MobileNetV2、VGG16、ResNet50、DenseNet121と比較しました。

データを学習用・検証用・テスト用に80対10対10で分け、正解率に加えて、品種ごとの判定の正確さや見落としを反映する指標で評価しました。結果は、乱数の設定を変えた3回の独立した実行の平均として報告されています。また、独自の3モデルでは、ほかの実験条件をそろえ、入力画像の解像度を224×224、160×160、128×128画素に変えた比較も行いました。

主な報告結果

加工画像を加えたデータでは、独自モデル1が全モデル中で最も高い平均正解率98.51％を記録しました。同じモデルの元画像だけでの正解率は87.94％で、研究チームは、画像を増やした条件で最も大きく改善したモデルだったと報告しています。

一方、元画像だけのデータでは、転移学習モデルのResNet50が95.18％で最も高い正解率でした。独自モデルの中では、3種類のうち最も層の深いモデル3が92.41％で最高でした。データの条件によって、最もよく分類できるモデルは異なりました。

解像度の比較では、加工画像を加えたデータを使うと、独自の3モデルはいずれも224×224画素で最高の正解率を示しました。ただし、解像度を下げたときの影響はモデルによって異なりました。元画像だけの場合は、解像度による差が比較的小さく、どの解像度が最もよいかにも共通した傾向はありませんでした。

この報告が示すこと

著者らは、米の品種分類の性能を左右するのは、モデルの構造だけでなく、学習データの量との組み合わせだと結論づけています。また、適した画像解像度もデータ量とモデルによって変わるとしています。この報告は、分類モデルを選ぶ際には、データの増やし方や入力画像の細かさも合わせて考える必要があることを示しています。

原著論文の著者・所属：Salamatu Osanga Ibrahim（Department of Computer Science, Federal University of Lafia, Nasarawa, Nigeria）、Muhammad Dahiru Liman（Department of Computer Science, Federal University of Lafia, Nasarawa, Nigeria）、Jeffrey Ovre Agushaka（Department of Computer Science, Federal University of Lafia, Nasarawa, Nigeria）

※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）：Salamatu Osanga Ibrahim, Muhammad Dahiru Liman, Jeffrey Ovre Agushaka. Rice classification via convolutional neural network and transfer learning. Journal of the Nigerian Society of Physical Sciences 2026-11-03. DOI: 10.46481/jnsps.2027.3432. 原著ライセンス：CC BY.