UAV画像と改良PointNextに基づくフィールドタバコ植物の新しい葉枚数計測法

なぜ上空から葉を数えることが重要なのか

作物の葉数を知ることは一見些細に思えるかもしれませんが、タバコ栽培者にとっては植物の健康状態や将来の収量を直接示す重要な指標です。現在でも作業者が畑を歩いて手作業で葉を数える方法が一般的で、これは時間がかかり疲労を招き、近代的な大規模農場には適しません。本研究はドローン、3Dイメージング、人工知能を組み合わせて、実際の圃場で育つタバコ植物の葉を自動的に数える手法を示しており、施肥の最適化や収穫予測、優良品種育成の支援に向けて、より迅速かつ高精度な手段を提供します。

ドローン飛行から圃場の3D表示へ

研究チームはまず撮影用の飛行体としてドローンを用いました。中国・雲南のタバコ畑に市販のクアッドコプターを飛ばし、複数の高さや急峻な角度から高解像度画像を取得しました。これらの重なり合う画像を写真測量ソフトで合成し、植物の詳細な三次元モデルを作成しました。つづいて各植物を独立した3D点群として抽出します。点群の各点は茎や葉、周辺の土壌や隣接する草葉などの微小領域を表します。この処理により平面写真で重なり合って見えにくい葉も明瞭に捉えられる豊かな3D表現が得られます。

個々の葉を見分けるコンピュータの訓練

これらの3D点群を活用するため、チームは大規模で厳密にラベル付けされたデータセットを構築しました。1,000個の個別植物モデルを収集し、各点を対象葉、茎、他の植物、ノイズのいずれかに手作業でタグ付けしました。この訓練データを用い、最新の3D深層学習ネットワークであるPointNextを改良して、圃場作物向けに最適化した新バージョンSRW-PointNextを開発しました。主要な改良点は三つです：空間的および色情報の中で最も有益なパターンに注意を向ける注意機構、葉点が多くを占めることで茎や背景など希少クラスが埋もれるのを防ぐ改良損失関数、点群の欠損や不均一性があっても微細な構造を復元しやすくする強化された出力ヘッドです。

分割された点群を葉枚数に変換する方法

SRW-PointNextが各3D点にラベルを付けられるようになると、単一植物の点群を葉と非葉の部分に分離できます。しかし実際に何枚の葉があるかを知るためには別の処理が必要です。そこでクラスタリング手法であるMeanShiftを用いました。簡単に言えば、このアルゴリズムは3次元空間内で葉点の密な塊を探し、各密塊を一枚の葉に対応させます。ここで使う単一の「バンド幅」設定が、点をどれだけ厳密にまとめるかを制御します。バンド幅が小さすぎると一枚の葉が人工的に分裂して数が過大評価され、大きすぎると隣接する葉が合わさって数が過小評価されます。バンド幅を慎重に調整することで、分割された葉点を現実的な個別の葉にまとめることができました。

手法の性能

精度を評価するため、チームは230株の圃場植物について自動計測値を手作業による丹念な計数と比較しました。ドローン撮影、3D再構成、SRW-PointNextによる分割、MeanShiftクラスタリングというパイプラインは、葉枚数で約92.6％の精度を達成しました。改良ネットワークは高品質な分割結果も示し、精度（precision）は約92％、平均IoU（交差割当率）は76％程度で、PointNet、PointNet++、RandLA-Net、元のPointNextといった一般的な3D点群手法より優れていました。重要なのは、この精度向上が計算コストの僅かな増加で達成されており、大規模調査でも実用的であることを示唆している点です。

将来の農業への意味合い

専門外の読者にとって核心は明快です：ドローン、3Dモデリング、改良AIモデルを組み合わせることで、研究者らは実際の圃場で人手とほぼ同等の信頼性でタバコの葉をはるかに速く、広範囲にわたって数えられるようになった、ということです。これにより葉の計数はクリップボードと現地巡回から自動化されデータ豊富なプロセスへと移行し、デジタル作物管理システムへ情報を供給できます。現状の研究は特定の成長段階のタバコと良好な3D再構成に依存しますが、同じ戦略は他作物や他の季節にも拡張可能です。やがてこれらのツールは農家の日常的な補助となり、植物の成長監視、投入資材の最適化、優れた品種の選抜を、はるかに少ない手作業で支援するようになるでしょう。

引用: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

キーワード: タバコのフェノタイピング, ドローン農業, 3D点群, 葉枚数計測, 農業における深層学習