精密表現型解析のためのトマト多角度・多姿勢データセット

なぜトマトとスマートカメラが重要なのか

トマトはサラダの定番にとどまらず、世界で最も重要な作物の一つであり、植物科学の主役でもあります。育種家や研究者はトマトの葉の成長、花の開き方、果実の色の変化などを細かく観察して、より丈夫で美味しく、耐性の高い品種を作ろうと日々検討しています。しかしこうした詳細な観察は通常、人の目で行われるため時間がかかり再現性が低く、観察者ごとに差が出ます。本稿はTomatoMAPを紹介します。これは多角度から植物をコンピュータで検査できるように注意深く設計された大規模なトマト画像コレクションで、人間の推測に頼らない植物評価を可能にします。

トマトの成長を記録する新しい画像ライブラリ

TomatoMAPは栽培トマト（Solanum lycopersicum）に焦点を当てた包括的な画像データセットです。温室で育てられた101株の植物を、5か月以上にわたって計68,080枚のカラーフォトで記録しています。単発のスナップショットではなく、各植物を成長に応じて何度も撮影し、開花や果実の成熟といった異なる段階を捉えています。各画像には専門家による詳細なラベルが付与されており、葉、花房、果房、茎など7つの主要領域を示すシンプルなバウンディングボックスと、農学で一般的に使用される標準化されたスケールに基づく成長段階タグが含まれます。別セットのクローズアップ画像では、芽、花、果実がピクセル単位で輪郭付けされ、非常に精密な解析が可能です。

あらゆる側面から植物を見る

このデータセットを収集するために、研究チームは回転プラットフォームと4台の同期カメラを組み合わせた専用の撮影ステーションを構築しました。温室内で管理された条件下で育てたトマトをターンテーブルに置き、30度刻みで回転させて一周させます。各ステップで、4つの高さと角度に配置したカメラが同時に撮影し、同一の植物姿勢を多角度で取得します。163日間で、このセットアップは成長段階分類と器官検出向けの中解像度画像を64,000枚以上、詳細なセグメンテーション用の高解像度クローズアップを3,616枚生成しました。このマルチビュー設計により、葉の重なりや花房・果房の配置といった三次元構造が保存され、単一の平面画像では捉えにくい情報が得られます。

コンピュータに植物の特徴を読ませる

TomatoMAPは単なる画像ギャラリーではなく、最新の人工知能のテストベッドでもあります。研究チームは温室でのリアルタイム利用を想定して、軽量で高速なコンピュータビジョンモデルを訓練・評価しました。小型の画像分類ネットワークは植物の成長段階を割り当てることを学びました。効率的な物体検出モデルは各フレーム内で葉や花房、果房といった部位の位置を特定することを学びました。クローズアップ画像では、インスタンスセグメンテーションモデルが個々の芽・花・果実の正確な輪郭を追い、サイズや色に基づいて初期段階と後期段階を区別しました。著者らは、特に大きな花や果実に対してこれらのモデルが高い精度を達成し、継続的なモニタリングに実用的な速度で動作することを示しています。

段階的なデジタルワークフローの構築

自動化表現型解析をより信頼できるものにするため、研究者たちは三段階の「カスケード」ワークフローを設計しました。第一に、データは全体画像から詳細なセグメンテーションへと整理されます。第二に、モデルは連鎖的に配置されます：成長段階分類器がどの植物や時点を検出器に渡すかを決め、検出器がセグメンテーションモデルが精緻化すべき最も重要な領域をハイライトします。最後に、すべてのモデルの出力を統合して、果実の個数やそれらがどの段階にあるかといった各植物の特性をまとまった記述にまとめます。データとモデルの両方をこのように構造化することで、誤りの連鎖が起きにくくなり、各段階を全体を作り直すことなく改良・置換できます。

機械は人間の目とどれだけ一致するか

専門家同士が常に一致するわけではないため、研究チームはAIモデルと専門家の一致度を慎重に検証しました。5人の専門家が独立にラベル付けした何百枚もの画像と、訓練済みの検出モデルによるラベルを比較しました。標準的な一致度の尺度を用いると、専門家同士の比較もAIと専門家の比較も「ほぼ完全な」一貫性を示しました。これは、本研究で扱った構造と段階に関しては、自動化された方法が熟練観察者の信頼性に匹敵し、疲労や不一致を回避できる可能性を示唆しています。

将来の作物にとっての意義

TomatoMAPは、適切な撮影セットアップと慎重な注釈付けがあれば、コンピュータが多角度からトマトの成長を詳細に追跡し、専門家の判断を忠実に再現できることを示しています。育種家や農家にとって、これは新品種や栽培条件のスクリーニングをより速く、より客観的に行う道を開きます。果実の負荷評価から植物の形態の微妙な違いの検出まで応用範囲は広いです。いくつかの植物器官は完璧に捉えるのが依然として難しく、特定の機器向けにモデルを調整する追加作業が必要ですが、このデータセットは拡張可能でバイアスを低減するデジタル表現型解析の基盤を築き、温室の実験から食卓に至るまでより耐性と生産性の高い作物の実用化に寄与する可能性があります。

引用: Zhang, Y., Struckmeyer, S., Kolb, A. et al. Tomato Multi-Angle Multi-Pose Dataset for Fine-Grained Phenotyping. Sci Data 13, 309 (2026). https://doi.org/10.1038/s41597-026-06926-9

キーワード: トマト表現型解析, 植物イメージング, マルチビューデータセット, 農業におけるコンピュータビジョン, 作物育種