著者の所属・活動拠点の国は、モロッコ、サウジアラビアです。

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

研究チームは、作物の病気、害虫、栄養欠乏という性質の異なる問題を、複数の作物についてひとつのAIモデルでまとめて見つけられるかを調べました。

著者らによると、これまで植物の健康状態を判定するAIの多くは、画像全体に1つの診断名を付ける「画像分類」でした。この方式は、症状のある部分があらかじめ切り出されていることを前提としています。しかし農家は実際には、病斑を拡大した写真ではなく、植物全体を見て回ります。そこで研究チームは、画像の中のどこに何があるかを同時に示す「物体検出」という方式を使いました。

研究チームは、取り組む課題を4つ挙げています。1つ目は、対象を1作物や1種類の問題から広げると精度が下がりやすいこと。2つ目は、画像分類から、位置まで示す検出へ移ることです。3つ目は、栄養欠乏の検出研究が病気や害虫に比べて遅れていること。4つ目は、学習させたモデルを農家が実際に使って評価するところまで進めた研究が少ないことです。

何を、どのように調べたか

研究は、モロッコ東部地域の4つの農業地帯（ウジダ・アンガド、ベルカン、タウリルト、フィギグ）で行われました。この4地帯には、北部の半乾燥な地中海性気候から、南部のサハラに接するオアシス地帯までが含まれます。対象は、地域で主要な7作物です。小麦、オリーブ、かんきつ類、ブドウ、ナツメヤシ、ジャガイモ、トマトが選ばれました。

見分ける対象は53区分です。内訳は、健康な植物7区分、病気26区分、害虫15区分、栄養欠乏5区分（窒素、マグネシウム、鉄、亜鉛、マンガン）です。画像データは2種類の機器で集めた大規模なもので、その90.4%が畑で撮影した画像、残りの9.6%（15,301枚）は公開されている画像で補いました。

モデルには、物体検出AI「YOLO」系列のYOLOv11のうち、最も小さい「YOLOv11n」を使いました。著者らは、インターネット接続が不安定な農村でもスマートフォン上で動かせる点を、選んだ理由に挙げています。

画像の大きさや学習の回数といった設定は、検証用の画像群（26,500枚）だけを使って決めました。そのうえで、設定決定には一切使っていない別のテスト用画像群（26,500枚、各区分500枚）で、最終的な性能を評価しました。比較のため、同じYOLO系列の「YOLOv8n」も同じ手順で学習・評価しています。

さらに研究チームは、学習済みモデルをスマートフォンアプリに組み込みました。このアプリは多言語に対応し、通信なしで端末内だけで判定できます。アプリ版がもとの研究用モデルと同じ結果を出すかを、畑で集めた150枚の画像で確かめました。また、普及価格帯のスマートフォン（Samsung Galaxy A21s）で処理速度を測りました。

使いやすさについては、40〜60歳の農家50人を対象に調べました。使ったのは、10項目の質問から0〜100点の得点を出す標準的な質問票「システム・ユーザビリティ・スケール（SUS）」です。

主な報告結果

テスト用画像での総合的な検出精度は、mAP@50という指標で0.975でした。mAP@50は、対象を正しい名前で、おおむね正しい位置に見つけられたかを表す指標で、最大値は1です。同じ手順で学習させたYOLOv8nは0.965で、YOLOv11nの方が高い値でした。

YOLOv11nは、YOLOv8nより部品にあたるパラメータの数が少なく（約258万対約299万）、1枚あたりの処理時間も短い結果でした（GPUで5.2ミリ秒対5.8ミリ秒）。

区分ごとに見ると、最も精度が高かったのは健康な植物の区分で、mAP@50は0.993〜0.996でした。栄養欠乏では窒素欠乏が0.978と最も高く、鉄・マンガン・亜鉛の欠乏は0.960〜0.962とやや低めでした。この3つの欠乏は互いに取り違えられることがありました。それでも、53区分すべてで、実際にある対象を見逃さずに拾えた割合（再現率）は0.950以上でした。

テスト用画像での誤りは861件ありました。いずれも、健康・病気・害虫・栄養欠乏という大きな分類の内側での取り違えでした。健康な植物を病気などと判定したり、病気を害虫と取り違えたりする例は、ラベル付けされた対象の判定では見られませんでした。健康な植物の画像3,500枚では、画像内のどこにも問題が検出されませんでした。

一方で、作物をまたぐ取り違えは少なくありませんでした。1つの作物に固有の区分どうしの誤りのうち、21.9%は別の作物の区分との取り違えでした。たとえば、かんきつの疫病性樹脂病と、トマトの斑点細菌病・疫病は、いずれも黒っぽい、水がしみたような病斑を示すため、取り違えが起きていました。

アプリに組み込んだモデルは、150枚すべてで研究用モデルと同じ判定を出しました。スマートフォンでの処理時間は1枚あたり平均512ミリ秒、最大のメモリ使用量は420MBでした。

農家50人のSUS得点は平均93.7点でした。50人全員が、一般に目安とされる68点と、「非常に良い」とされる80.3点を上回りました。

この報告が示すこと

研究チームは、十分に大量で、畑の実態を反映した画像で学習させれば、多くの作物・多くの区分を扱う幅広さと、問題の場所を示す精密さを両立できることが示唆されたと述べています。また、研究段階の検出モデルを、農家が使うスマートフォンの判断支援ツールにできる見通しが示されたとしています。著者らはこうしたツールを、農家が長く頼ってきた農業の知識に取って代わるものではなく、それを補うものと位置づけています。

ただし、著者らは複数の限界を挙げています。畑での検証は、調査時期に実際に発生していた5種類の問題・150枚の画像に限られた予備的なものでした。学習・検証・テストの画像群は撮影の機会ごとに分けられていましたが、いずれも同じ地域・同じ時期から集められたため、地域や時期の異なるデータでの評価が今後の重要な課題だとしています。また、テスト用画像は学習用画像と同じ手順で撮影され、1枚に1つの状態だけが写っていたため、大きな分類をまたぐ誤りがなかったという結果も、外部で取得したデータでの確認が必要だとしています。オリーブ、かんきつ、ナツメヤシでは同じ木が複数の画像群に含まれうるため、初めて見る木に対する性能は、やや楽観的に見積もられている可能性があります。

他の研究との比較についても、作物や区分、撮影条件、評価方法が異なるため、どちらの手法が優れているかは直接比較できないとしています。

使いやすさの評価にも注意が必要です。回答者は検証用画像を提供した同じ農家で、質問したのは著者ら自身でした。比較対象もなく、得点が上限付近に集中しました。そのため著者らは、相手に好ましく答えようとする傾向が影響した可能性を否定できないとしています。参加者は40〜60歳の少人数で、他の年齢層や教育歴の人々には当てはめられず、iOSなど他の端末での性能も測られていません。著者らは、別の地域へ広げるには、その地域のデータでモデルを調整し直す必要がある可能性が高いとも述べています。

原著論文の著者・所属：Hajar Hamdaoui（Laboratory of Agricultural Production Improvement, Biotechnology and Ecophysiology (LAPABE), Mohammed First University, Oujda, Morocco）、Hind Mesbah（Smart Information and Communication Technologies Laboratory (SmartICT), Mohammed First University, Oujda, Morocco）、Mashail N. Alzain（Department of Biology, College of Science, Princess Nourah bint Abdulrahman University）、Yassine Zarrouk（Laboratory of Research in Applied Sciences (LARSA), Mohammed First University, Oujda, Morocco）、Hanae Al Kaddouri（Engineering and Intelligent Management of Energy Systems Research Team, Laboratory of Electrical Engineering and Maintenance, Mohammed First University, Oujda, Morocco）、Omar Noman（Department of Pharmacognosy, College of Pharmacy, King Saud University）、Noureddine Kouddane（Laboratory of Agricultural Production Improvement, Biotechnology and Ecophysiology (LAPABE), Mohammed First University, Oujda, Morocco）

※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）：Hajar Hamdaoui, Hind Mesbah, Mashail N. Alzain, et al. A unified YOLOv11 framework for multi-crop detection of diseases, pests and nutrient deficiencies, with preliminary field validation and mobile decision support. Frontiers in Plant Science（出版社：Frontiers Media） 2026-11-13. DOI: 10.3389/fpls.2026.1989847. 原著ライセンス：CC BY.