持続可能な農業における5Gを活用したリアルタイム学習：テンサイに関する研究

この度、ノルトライン＝ヴェストファーレン州経済・産業・気候変動・エネルギー省からの部分的な資金援助を受けて実施された「持続可能な農業におけるリアルタイム学習を可能にする5Gネットワーク」プロジェクトが無事完了したことをご報告いたします。.

この取り組みは、農業における5G技術の変革の可能性を探る上で重要な一歩であり、特にテンサイ栽培の生態学的、経済的、そして持続可能性を高めることを目的としている。.

このシステムは、5Gの低遅延性を活用して高度な情報技術システムをリアルタイムで統合し、センサーデータや位置情報データに対して事前に定義された時間枠内で即座に対応できるようにした。.

プロジェクトの焦点とパートナーシップ

HSHLのパートナーとの協力、およびPfeifer & Langenの支援のもと、本プロジェクトはパートナー所有の圃場におけるテンサイ栽培の全ライフサイクルを研究することに焦点を当てました。その目的は、5Gがノルトライン＝ヴェストファーレン州の農業分野においていかに重要な技術触媒となり得るかを実証し、イノベーションと効率化を促進する可能性を示すことでした。.

GeoPard農業の役割

GeoPard Agricultureは、植物の検出、モニタリング、生産予測などのシナリオを含む、プロジェクトの主要な側面を定義し、実装する上で重要な役割を果たしました。当社は、5G農業環境に特化したプロトタイプAIシステムを開発し、クラウドインフラストラクチャ内でモデルを実行し、クラウドベースのモデルとリアルタイムで連携できるモバイルアプリケーションを作成しました。.

技術統合

高度な計算能力を備えた堅牢なクラウドインフラストラクチャを介して、人工知能（AI）の手法が導入されました。AIアルゴリズムは、交配のたびに植物をリアルタイムで分類し、生育サイクル全体を通して成長を監視することで、データ収集のためだけの不必要な現地訪問を排除しました。.

この技術革新により、機械学習アルゴリズムを用いて交配時に施肥量を動的に調整することで、肥料や農薬を正確に散布することが可能になった。.

無人車両の配備

さらに、このプロジェクトでは5Gの低遅延性を活用し、植物の監視とデータ収集のために無人車両を配備しました。これらの車両は、リアルタイムの情報を収集し、農業慣行をさらに最適化する上で重要な役割を果たしました。.

プロジェクトの成果：5G技術によるテンサイ生産の向上

本プロジェクトは、テンサイ栽培のライフサイクル全体を分析することで、5G技術がノルトライン＝ヴェストファーレン州の農業分野において変革をもたらす可能性を示し、5G技術によって実現される大幅な改善点を明らかにしました。しかし、プロジェクトの成果を効率的に実証するために、研究者たちはさまざまなシナリオとインフラストラクチャを含む作業パッケージを使用しました。.

既存の地理データと機械学習インフラストラクチャを考慮したシナリオ定義

このプロジェクトは、5G技術の統合によって、テンサイ生産ライフサイクルにおける従来のプロセスをどのように強化できるかを実証しました。主な目的は以下のとおりです。

• 植物の認識、監視、生産予測のための、すぐに導入可能なシナリオを開発した。.
• これらのシナリオを正常に展開するために必要な技術要件を確立した。.
• 5Gネットワークがもたらす付加価値を評価するために、関連する生態学的および経済的指標を特定し、評価した。.

このフェーズでは、最先端技術を既存の農業慣行に統合するというプロジェクトの取り組みが強調されました。このアーキテクチャは、5Gネットワークの高速接続を活用し、エッジデバイスとクラウド間のリアルタイムデータ収集と処理を容易にしました。クラウドインフラストラクチャは、大規模なAIモデルのトレーニングと展開に不可欠なリソースを提供し、AIプラットフォームは、モデル開発と展開のための強力なツールを提供しました。アプリケーション層は、AIモデルから得られた実用的な洞察をエンドユーザーに提示し、意思決定能力を向上させました。.

5Gにおける機械学習とAI

このパートの焦点は、既存の機械学習およびAIシステムを上記のシナリオに適合させ、それに応じて最適化することでした。主な目標は以下のとおりです。

• システムの目標を定義し、システムのアーキテクチャを開発する。
• AIモデルのトレーニングと検証のために、正解データを収集した。.
• 植物の識別とモニタリングに特化した適切なデータベースを構築し、注釈を付けた。.
• AIモデルを5Gネットワークインフラにシームレスに統合する。.

この段階では、5G技術を利用した携帯電話SIMを搭載したエッジデバイスが重要な役割を果たしました。レイテンシやエンドツーエンド（E2E）レイテンシなどの主要業績評価指標（KPI）が綿密に監視されました。測定項目には、受信データパケットの信頼性と可用性の正確な評価、ユーザーデータレートとピークデータレートの分析などが含まれていました。.

さらに、伝送制御プロトコル（TCP）を介して送信されるMP4形式のUHD解像度ビデオのストリーミングを前提とした仮定が立てられました。検討された潜在的な解決策には、連続ビデオストリームではなく単一画像で最適化すること、エッジデバイス上で直接基本最適化を実行すること、および効率を高めるためにモデル量子化技術を実装することなどが含まれます。.

クラウドインフラストラクチャとAWSサービス

このプロジェクトは、AWSのLambda、SageMaker、S3、CloudWatch、RDSなどのサービスを活用したクラウドインフラストラクチャに大きく依存しており、これらのサービスはAIモデルのトレーニングとデプロイに必要なリソースを提供する上で重要な役割を果たしました。.

AWS Lambdaは、効率的なインスタンス管理とアプリケーション配信に活用され、AWS SageMakerは堅牢な機械学習パイプラインの構築を容易にしました。S3、CloudWatch、RDSなどのストレージソリューションは、機械学習モデルやニューラルネットワークの運用に不可欠なデータセットとログの保存に欠かせませんでした。.

したがって、このインフラストラクチャは、5Gネットワークによって実現されるリアルタイムデータ処理機能を支えていた。.

5Gネットワークの遅延

5Gネットワークは、通常1～10ミリ秒という超低遅延を実現するように設計されました。この遅延は、モバイルデバイスとAWSサーバー間でデータが5Gネットワークを介して伝送されるのにかかる時間を表しています。高性能プロセッサを搭載したスマートフォンでの写真撮影や処理速度など、デバイス固有の処理能力も遅延に影響を与えます。.

5Gネットワーク上のデータアップロード速度と写真のサイズは、AWSへのデータ転送時間に影響を与えました。AWSは、ニューラルネットワークベースの検出やセグメンテーションなどのタスクの処理時間によって遅延をさらに増加させました。これらの処理時間は、アルゴリズムの複雑さとAWSサービスの効率によって変動しました。処理後、結果はモバイルデバイスにダウンロードされましたが、その速度は5Gのダウンロード速度と結果データのサイズによって左右されました。.

AIを用いた植物認識

植物認識の分野では、AIを活用したプロセスとして、ニューラルネットワークに基づくアルゴリズムを訓練するための植物画像の包括的なデータベースが作成されました。これらのアルゴリズムは、葉の形や花の色など、特定の植物種に特有の特徴を認識することで、テンサイを他の植物と区別するように訓練されました。.

ここでいう植物認識とは、雑草の検出とテンサイ植物のセグメンテーションというタスクを指します。.

• 雑草検出

雑草検出には、大規模なデータ拡張と重み付きサンプリングを用いて学習させたMobileNet-v3が採用されました。このモデルは、0.984という高い精度と0.998というAUCを達成しました。.

• 砂糖大根のセグメンテーション

セグメンテーションタスクでは、YOLACT、ResNeSt、SOLO、U-netなどのモデルを用いて、画像内の個々のテンサイサンプルを正確に識別しました。そして、速度や推論時間などの様々な基準に基づいて、最も効率的なモデルを選択しました。セグメンテーション用のデータは、ドローンで撮影したRGB画像から取得し、トレーニングと検証のためにサイズ変更と注釈付けを行いました。.

セグメンテーション作業では、植物の境界を正確に区別するマスクを作成しました。この方法により、人間の注釈作業を削減しつつ、効率を最適化しました。困難なサンプルのラベル付けを優先することで、モデルのパフォーマンスが大幅に向上しました。反復的な再学習と不確実性サンプリング戦略は効果的であることが証明され、様々な成長段階において98%を超えるセグメンテーション精度を達成しました。.

• モデル評価

このモデルは、厳密なデータ拡張を用いて学習されました。モデルは、Intersection over Union (IoU) を含むさまざまな指標を用いて評価されました。構築されたモデルの推論分析は、「plant seedlings v2」データセットのサブセットで実行され、81% の精度を示しました。推論時間は、セッションごとに 1 回のみ必要な 7 秒間の初期化期間の後、約 320 ミリ秒かかりました。.

人工知能（AI）を活用した植物モニタリングでは、カメラとセンサーが植物の重要なデータを取得し、機械学習とAIアルゴリズムによって分析されます。この分析は、植物の健康状態を評価し、ストレス、病気、または成長に影響を与えるその他の要因を特定する上で重要な役割を果たします。.

その応用範囲は、農業生産性の最適化から、森林などの自然生態系のモニタリング、保全活動の支援、環境影響の理解促進まで多岐に渡る。.

プラント監視における物体検出

テンサイの植物体をセグメント化した後の次の段階は、健康状態、成長、その他の要因に関して各植物の特性を把握することを目的とした物体検出です。植物モニタリングにおける物体検出には、YOLOv4、MobileNetV2、アテンション機構を備えたVGG-19などの高度なモデルが用いられました。これらのモデルは、セグメント化されたテンサイの画像を分析し、特定のストレスや病害領域を検出することで、正確かつ的を絞った介入を可能にします。.

本プロジェクトは、ImageNetで事前学習済みのResNet-18およびResNet-34モデルを用いて、病害検出において重要な成果を達成しました。これらのモデルは、テンサイ植物に影響を及ぼす病害の識別において、0.88という驚異的な精度を示し、ROC曲線下面積（AUC）は0.898でした。モデルは高い予測信頼性を示し、病害植物と健全植物を正確に区別しました。.

本プロジェクトでは、病害検出に体系的なアプローチを採用し、画像を標準化されたパッチに分割しました。これらのパッチは、インタラクティブなツールを使用して綿密な注釈付けを行い、病害の影響を受けている領域を特定しました。さらに、物体検出によって植物の周囲に境界ボックスを描画することで精度が向上し、植物の健康状態を正確にモニタリングすることが可能になりました。.

植物生産予測

植物生産予測の分野では、AIモデルは気象条件や土壌パラメータなどの環境データを活用して作物の収量を予測した。アイソレーションフォレスト、線形回帰、リッジ回帰などの回帰モデルが用いられた。.

これらのモデルは、境界ボックス領域から抽出された数値的特徴と土壌データを統合し、肥料散布を最適化する。.

モデル展開に関する考慮事項

開発されたモデルの展開戦略は、エッジデバイスとクラウドプラットフォームの両方について評価された。エッジデバイスにモデルを展開することで、コスト削減やレイテンシの低減といった利点が得られた。.

しかし、このアプローチではハードウェアの制約により、精度が低下する可能性がある。一方、クラウド展開では高性能GPUを使用することで推論時間を短縮できるものの、追加コストが発生する可能性があり、インターネット接続に依存するため通信遅延が生じる可能性がある。.

5Gネットワークとの比較分析

比較分析の結果、5Gネットワークの利用は、従来の4G/WiFi環境と比較して、テンサイのセグメンテーションを大幅に向上させることが実証されました。この改善は、平均セットアップ時間とネットワーク時間の短縮によって裏付けられ、5G技術によって達成された効率性の向上を明確に示しています。.

• データ準備プロセス

データ準備プロセスでは、健全な植物と病気の植物のデータセットを収集し、雑草を検出し、生育段階を特定し、4Kの生ビデオから画像を抽出しました。ヒストグラム均等化、画像フィルタリング、HSV色空間変換などの技術を用いて、データを分析用に準備しました。.

健康なテンサイの葉のサンプルと、灰色葉斑病にかかったトウモロコシの葉などの病気のサンプルを採取した。病害の特徴抽出には、葉を背景から分離し、画像のサイズを変更、変換、および合成して、分析用のリアルなサンプルを作成する作業が含まれた。.

• アクティブラーニングループ

ラベルなしデータを用いて能動的な学習ループが開始され、検出モデルのトレーニングに利用されました。これらのモデルはアノテーションクエリを生成し、人間のアノテーターがそれに対応することで、反復的なトレーニングとアノテーションのサイクルを通じてモデルの精度が継続的に向上しました。.

• マルチモーダル基盤モデルによるデータ注釈

ラベル付きデータが限られているという課題に対処するため、本プロジェクトでは堅牢な基盤モデルを活用して正解アノテーションを生成しました。特に、OpenAIが開発したトランスフォーマーベースのモデルであるCLIPは、4億組を超える画像とテキストのペアからなる膨大なデータセットで学習されており、極めて重要な役割を果たしました。.

CLIPは、ビジョン・トランスフォーマーを基盤として、検証セットにおいて驚異的な95%の精度を達成し、砂糖大根や雑草といった明確なクラスに画像を高精度で分類することに成功した。.

• データ収集のためのドローン技術

このプロジェクトで採用された重要な技術の一つは、4K動画を撮影できるRGBカメラを搭載したドローンの使用でした。これらのドローンは、分析用の詳細な画像（解像度3840×2160）を提供しました。.

これらの画像を前処理することでモデルの精度が大幅に向上し、VGGNet（+38.52%）、ResNet50（+21.14%）、DenseNet121（+7.53%）、MobileNet（+6.6%）などのモデルで顕著な改善が見られました。.

ヒストグラム均等化などの技術を用いて画像のコントラストを高め、HSV色空間への変換によって植物領域を強調し、関連する特徴を際立たせた。.

• 合成データ生成

画像データが限られているという課題に対処するため、機械学習とAIを用いて合成データセットを生成した。データ収集は、RGBカメラを搭載したドローンを用い、高度1m～4m、速度2m/s以上で飛行させて行った。.

トラクターなどの他の車両もデータ収集に利用された。この合成データ生成は、テンサイの病害検出に特に有効であることが証明された。.

結論

「持続可能な農業におけるリアルタイム学習を可能にする5Gネットワーク」プロジェクトは、5G技術がテンサイ栽培の生態学的、経済的、そして持続可能性をどのように向上させることができるかを実証することに成功しました。HSHLおよびPfeifer & Langenとの共同研究により、このプロジェクトはリアルタイムデータ収集とAIによる分析を統合し、効率性を向上させ、不要な現地訪問を削減しました。.

専用の5Gキャンパスネットワークにより、肥料や農薬の精密散布が可能になりました。Geopard Agricultureは、植物の検出とモニタリングのシナリオ開発、および5G農業環境向けプロトタイプ機械学習システムの構築において重要な役割を果たしました。このプロジェクトの成功は、持続可能な農業における先端技術の重要性を改めて示し、5Gがイノベーションと効率性を促進する可能性を浮き彫りにしました。.