核心概念
小麦およびオオムギ作物におけるブラックグラスの高精細多分光分類を行い、高い精度で検出できることを示した。
要約
本研究では、小麦およびオオムギ作物におけるブラックグラスの高精細多分光分類を行った。
まず、英国東部の51の圃場から15,000枚以上の多分光画像からなるデータセットを構築した。このデータセットには、ブラックグラスの有無、作物の種類(小麦、オオムギ)、季節ごとの画像が含まれている。
次に、ResNet-50、EfficientNet B4、Swin Transformerの3つの深層学習モデルを用いて、ブラックグラスの検出精度を評価した。その結果、平均精度が80%以上と高い値を示した。特に、Swin Transformerが最も高い精度を示した。
さらに、各分光バンドの重要性を検討したところ、近赤外線(NIR)バンドが最も有効であることが分かった。一方で、全ての分光バンドを使用した場合に最も高い精度が得られた。
最後に、トレーニングデータ量と精度の関係を調べた。その結果、トレーニングデータ量が6,000枚程度までは精度が向上するが、それ以上では精度の向上は見られなかった。
以上より、本研究では小麦およびオオムギ作物におけるブラックグラスの高精細多分光分類が可能であることを示した。特に、NIRバンドの有効性や、トレーニングデータ量の最適化など、実用化に向けた知見が得られた。
統計
小麦およびオオムギ作物の51の圃場から15,000枚以上の多分光画像を収集した。
トレーニングデータ量を増やすと、精度が6,000枚程度まで向上するが、それ以上では精度の向上は見られなかった。
引用
"小麦およびオオムギ作物におけるブラックグラスの高精細多分光分類を行い、高い精度で検出できることを示した。"
"特に、NIRバンドの有効性や、トレーニングデータ量の最適化など、実用化に向けた知見が得られた。"