中国の青海チベット高原の高地地域で栽培されている、耐寒性の高い穀物である高地大麦は、地域の食料安全保障と経済安定において重要な役割を果たしている。 オオムギ L. この作物は、薄い空気、低い酸素濃度、平均年間気温6.3℃という極限状態でもよく育つため、厳しい環境にあるコミュニティにとって不可欠な作物となっている。.
中国では、主にチベット自治区を中心に27万ヘクタール以上が大麦の栽培に充てられており、高地大麦は同地域の作付面積の半分以上、穀物総生産量の701トン以上を占めている。灌漑や施肥などの農業慣行を最適化し、収量を予測するためには、大麦の密度（単位面積あたりの植物数または穂数）を正確にモニタリングすることが不可欠である。.
しかし、手動サンプリングや衛星画像といった従来の手法は、非効率的で、労力がかかり、詳細な情報が得られないことが判明している。こうした課題に対処するため、福建農林大学と成都理工大学の研究者らは、最先端の物体検出アルゴリズムであるYOLOv5に基づいた革新的なAIモデルを開発した。.
彼らの作品は、 植物的方法 （2025）は、全体的な検出精度を測定する指標である平均精度（mAP）93.1%、計算コストの75.6%削減など、目覚ましい成果を達成し、リアルタイムのドローン展開に適しています。.
作物モニタリングにおける課題と革新
高地大麦の重要性は、食料源としての役割にとどまらない。2022年だけでも、大麦の主要生産地であるリカゼ市は、6万ヘクタールの作付面積で40万8900トンの大麦を収穫し、チベット自治区の穀物総生産量のほぼ半分を占めた。.
大麦は文化的、経済的に重要な作物であるにもかかわらず、収穫量の推定は長年困難を極めてきた。手作業による計数や衛星画像といった従来の方法は、労力がかかりすぎるか、あるいは個々の大麦の穂（穀粒をつける部分で、幅はわずか2～3センチメートルしかないことが多い）を検出するのに必要な解像度が不足している。.
手作業によるサンプリングでは、農家が畑の一部を実際に検査する必要があり、時間がかかり、主観的になりがちで、大規模農場には非現実的です。衛星画像は広範囲の観測には役立ちますが、解像度が低い（多くの場合、1ピクセルあたり10～30メートル）ことや、チベットのような山岳地帯の雲に覆われるなど、天候による影響が頻繁に発生するという問題があります。.
これらの制約を克服するため、研究者たちは20メガピクセルのカメラを搭載した無人航空機（UAV）、すなわちドローンに着目した。これらのドローンは、リカゼ市のオオムギ畑の高解像度画像を501枚撮影した。撮影時期は、2022年8月の緑色の穂が発達する成長期と、2023年8月の黄金色に色づき収穫時期を迎える成熟期の2つの重要な生育段階である。.
しかし、これらの画像を分析するには、ドローンの動きによる輪郭のぼやけ、空撮画像における大麦の穂の小ささ、密集した畑での穂の重なりなど、いくつかの課題があった。.
これらの問題に対処するため、研究者らは高解像度画像をそれぞれ35個の小さなサブ画像に分割し、ぼやけたエッジを除去することで前処理を行い、トレーニング用の高品質なサブ画像2,970枚を作成した。この前処理により、モデルは明確で実用的なデータに集中し、低品質な領域による影響を回避することができた。.
物体検出における技術的進歩
この研究の中心となるのは、速度とモジュール設計で知られる1段階物体検出モデルであるYOLOv5アルゴリズム（You Only Look Onceバージョン5）です。Faster R-CNNのような従来の2段階モデルは、まず関心領域を特定してから物体を分類しますが、YOLOv5は1回の処理で検出を行うため、処理速度が大幅に向上しています。.
ベースラインのYOLOv5nモデルは、176万個のパラメータ（AIモデルの構成可能なコンポーネント）と41億回の浮動小数点演算（計算複雑度の指標）を備えており、既に効率的であった。しかし、小さく重なり合った大麦の穂を検出するには、さらなる最適化が必要だった。.
研究チームは、深層分離畳み込み（DSConv）、ゴースト畳み込み（GhostConv）、および畳み込みブロックアテンションモジュール（CBAM）という3つの重要な改良をモデルに導入した。.
深層分離畳み込み（DSConv）は、画像から特徴を抽出する数学的演算である標準的な畳み込み処理を2つのステップに分割することで、計算コストを削減します。まず、深層畳み込みは個々のカラーチャネル（赤、緑、青など）にフィルタを適用し、各チャネルを個別に分析します。.
続いて、1×1カーネルを使用してチャネル間の結果を結合するポイントワイズ畳み込みが行われます。この手法により、パラメータ数を最大75%削減できます。.
例えば、入力チャネル64、出力チャネル128の従来の3×3畳み込みでは73,728個のパラメータが必要ですが、DSConvではこれをわずか8,768個に削減できます。これは88%もの削減に相当します。この効率性は、処理能力が限られたドローンやモバイルデバイスにモデルをデプロイする際に非常に重要です。.
ゴースト畳み込み（GhostConv）は、リソースを大量に消費する畳み込みの代わりに、回転や拡大縮小などの単純な線形演算によって、画像パターンの簡略化された表現である追加の特徴マップを生成することで、モデルをさらに軽量化します。.
従来の畳み込み層は冗長な特徴量を生成し、計算リソースを浪費する。GhostConvは、既存の特徴量から「ゴースト」特徴量を生成することでこの問題を解決し、特定の層のパラメータ数を実質的に半減させる。.
例えば、入力チャネルが64個、出力チャネルが128個あるレイヤーは、従来は 73,728個のパラメータ, しかし、GhostConv はこれを次のように縮小します。 36,864 精度を維持しながら、この技術は特に、計算効率が極めて重要な大麦の穂のような小さな物体を検出する場合に有効です。.
畳み込みブロックアテンションモジュール（CBAM）を統合することで、モデルが混雑した環境でも重要な特徴に焦点を当てられるようになります。人間の視覚システムにヒントを得たアテンションメカニズムにより、AIモデルは画像内の重要な部分を優先的に認識できるようになります。.
CBAMは2種類の注意機構を採用しています。1つは重要な色チャネル（例えば、成長中の穂を表す緑色）を識別するチャネル注意、もう1つは画像内の重要な領域（例えば、穂の集まり）を強調する空間注意です。研究者らは、標準モジュールをDSConvとGhostConvに置き換え、CBAMを組み込むことで、大麦検出に特化した、より軽量で高精度なモデルを作成しました。.
実施状況と結果
モデルの学習のため、研究者らは135枚のオリジナル画像に、大麦の穂の位置を示す長方形の枠であるバウンディングボックスを用いて手動でラベル付けを行い、穂を成長段階と成熟段階に分類した。回転、ノイズ注入、遮蔽、シャープ化などのデータ拡張技術を用いてデータセットを2,970枚の画像に拡張し、多様な圃場条件に対するモデルの汎化能力を向上させた。.
例えば、画像を90°、180°、または270°回転させることで、モデルはさまざまな角度からスパイクを認識できるようになり、ノイズを加えることで、ほこりや影といった現実世界の不完全さをシミュレートすることができました。データセットは、トレーニングセット（80%）と検証セット（20%）に分割され、堅牢な評価が保証されました。.
トレーニングは、AMD Ryzen 7 CPU、NVIDIA RTX 4060 GPU、64GB RAMを搭載した高性能システム上で、ディープラーニングで広く使われているPyTorchフレームワークを使用して実施されました。300エポック（データセットを完全に処理する回数）を超えるトレーニング、モデルの精度（正しく検出された割合）、再現率（関連するスパイクをすべて見つける能力）、および損失（エラー率）が綿密に追跡されました。.
結果は驚くべきものでした。改良されたYOLOv5モデルは、精度92.2%（ベースラインの89.1%から向上）と再現率86.2%（ベースラインの83.1%から向上）を達成し、ベースラインのYOLOv5nを両方の指標で3.1%上回りました。平均精度（mAP）は、すべてのカテゴリの検出精度を平均した包括的な指標で、93.1%に達し、成長段階のスパイクでは92.7%、成熟段階のスパイクでは93.5%という個別のスコアを記録しました。.
同様に印象的だったのは、その計算効率の高さです。モデルのパラメータ数は70.6%減少し120万となり、FLOPsは75.6%減少し31億となりました。Faster R-CNNやYOLOv8nといった主要モデルとの比較分析では、その優位性が際立っていました。.
YOLOv8nはわずかに高いmAP（93.8%）を達成しましたが、そのパラメータ数（300万）とFLOPs（81億）はそれぞれ2.5倍と2.6倍高く、提案モデルはリアルタイムアプリケーションにおいて遥かに効率的です。.
視覚的な比較によって、これらの進歩が際立った。成長段階の画像では、改良モデルはベースラインの28個に対し、41個のスパイクを検出した。成熟段階では、ベースラインの2個に対し、3個のスパイクを識別し、検出漏れ（オレンジ色の矢印で示す）と偽陽性（紫色の矢印で示す）が減少した。.
これらの改善は、収穫量を予測し、資源を最適化するために正確なデータを必要とする農家にとって不可欠です。例えば、穂数を正確に計測することで穀物生産量の推定精度が向上し、収穫時期、貯蔵、販売計画に関する意思決定に役立ちます。.
今後の方向性と実践的な意味合い
この研究は成功を収めたものの、いくつかの限界も認めている。強い日差しや濃い影など、極端な照明条件下では性能が低下し、スパイクの細部が見えにくくなることがある。さらに、長方形の境界ボックスが不規則な形状のスパイクにうまく収まらない場合があり、わずかな誤差が生じる。.
また、このモデルはUAV画像からぼやけたエッジを除外するため、手動による前処理が必要となり、時間と複雑さが増す。.
今後の研究では、データセットを拡張して夜明け、正午、夕暮れ時に撮影された画像を含めること、多角形形状の注釈（不規則な物体によりよく適合する柔軟な形状）を実験すること、手動による介入なしにぼやけた領域をより適切に処理するアルゴリズムを開発することによって、これらの問題に対処することを目指します。.
この研究の意義は計り知れない。チベットのような地域の農家にとって、このモデルはリアルタイムの収穫量予測を提供し、人手のかかる手作業による収穫量をドローンを使った自動化に置き換える。生育段階を区別することで、正確な収穫計画が可能になり、早すぎたり遅すぎたりする収穫による損失を減らすことができる。.
穂の密度に関する詳細なデータ（例えば、穂が密集しすぎている地域や密度が低い地域を特定するなど）は、灌漑や施肥戦略に役立ち、水や化学薬品の無駄を削減できる。大麦以外にも、この軽量構造は小麦、米、果物などの他の作物にも有望であり、精密農業におけるより幅広い応用への道を開く。.
結論
結論として、本研究は農業における課題解決におけるAIの変革的な可能性を実証するものである。研究者らは、革新的な軽量技術を用いてYOLOv5を改良することで、精度と効率性のバランスが取れたツールを開発した。これは、資源が限られた環境での実用化において極めて重要な点である。.
mAP、FLOP、アテンションメカニズムといった用語は専門的に聞こえるかもしれませんが、その影響は非常に実用的です。農家はデータに基づいた意思決定を行い、資源を節約し、収穫量を最大化することができます。気候変動と人口増加が世界の食料システムへの圧力を強めるにつれ、こうした技術革新は不可欠となるでしょう。.
チベットをはじめとする地域の農民にとって、この技術は農業効率の飛躍的な向上を意味するだけでなく、不確実な未来における持続可能な食料安全保障への希望の光でもある。.
参照： Cai, M., Deng, H., Cai, J. et al. 改良型YOLOv5に基づく軽量高地大麦の検出。Plant Methods 21, 42 (2025). https://doi.org/10.1186/s13007-025-01353-0
ドローンマッピングの仕組みは次のとおりです。ドローンにカメラやレーザースキャナーなどのセンサーを搭載し、対象エリア上空を飛行しながら、様々な高度や角度から画像を撮影したり、レーザーでスキャンしたりします。収集されたデータは処理され、3Dマップが作成されます。このマップは、コンピューターやスマートフォンの画面で閲覧できます。.
2. ドローン測量による肥料、除草剤、殺虫剤の散布計画図
一つの戦略は時代遅れです。資源を浪費するだけでなく、作物の健康と活力にも悪影響を及ぼす可能性があるからです。例えば、水を与えすぎると、根が酸素を吸収できなくなり、健康な作物でも枯れてしまうことがあります。そのため、均一な水やりは完璧な作物を育てるための最善の方法ではありません。肥料についても同様です。適切な量を使うことが成長に不可欠であり、与えすぎると根が焼けてしまい、健康な植物を枯らしてしまう可能性があります。ドローンによるマッピングでは、問題のある場所にのみ薬剤を散布できるため、資源の浪費を減らし、同じ処理を必要としない健康な作物を傷つけるリスクを軽減できます。人間は作物の個々の植物の固有のニーズを認識することはできませんが、ドローン調査技術を使えば数分でそれが可能になります。.
3. 作物評価
ボタン一つで偵察ミッションが開始されます。ドローンは耐候性充電ステーションから飛び立ち、データを収集してアップロードします。ドローンの調査結果に加え、植物のストレス検出機能や、現在実施中の処理・改良の効果に関する研究結果は、自動灌漑システムの改良に活用できます。現場にドローンを配置することで、植物の健康状態を継続的にチェックすることが可能になります。.
4. 植物個体数
ドローンの強力なAI技術により、あらゆる種類の植物を識別することが可能です。これにより、各シーズンの開始時と終了時に、総生産量と総損失量を正確に把握することができ、栽培シーズンの成功度をより正確に把握し、認識を高めることができます。.
5. ドローン画像による自動分類
ドローンによる画像撮影によって、飛行している農地が耕作地、牧草地、あるいは混合地であるかといった種類を判別できます。また、上記のように、ドローンを使って作物や家畜の数を数え、記録が最新であることや損失が記録されていることを確認することもできます。.
6. 作物の追跡
作物の生育は環境要因によって左右されるため、あらかじめ決まっているわけではありません。気温、湿度、栄養素や微量ミネラル含有量、害虫や病気の発生状況、水分量、日照量など、考慮すべき要素は多岐にわたります。これらの要素はすべてドローンの様々な搭載機器を用いて追跡することができ、また、こうした目に見えない多くの要因は、必要な箇所に直接水や薬剤を散布することで対処可能です。作物の生育環境が健全であればあるほど、作物の免疫力は高まり、結果としてより健康になり、害虫や病気に対する抵抗力も格段に向上します。.
English 
German 
Ukrainian 
French 
Kazakh 
Portuguese 
Spanish 
Arabic 
Swedish 
Serbian 
Romanian 
Norwegian 
Finnish 
Lithuanian 
Estonian 
Latvian 
Croatian 
Slovenian 
Slovak 
Japanese 
Polish 