2020 Fiscal Year Annual Research Report
Construction of Classification System of Wood Species by Cognitive Spectroscopy
| Project/Area Number |
19H03015
|
|---|
| Research Institution | Nagoya University |
|---|
Principal Investigator |
土川 覚 名古屋大学, 生命農学研究科, 教授 (30227417)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
稲垣 哲也 名古屋大学, 生命農学研究科, 准教授 (70612878)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 近赤外分光法 / ハイパースぺクトラル画像 / CNN / 認識科学分析手法 |
|---|
| Outline of Annual Research Achievements |
本研究では、「多層構造のニューラルネットワークを用いた機械学習であるディープラーニングを木材の可視・近赤外シームレスハイパースペクトラルデータに適用して、木材の樹種判別を自動で行えるプロトコルを構築し、コグニティブスペクトロスコピーともいうべき新たな認識科学分析手法を確立すること」を目標としている。
2019年度には本予算によって測定・解析環境を整備・構築し、これにより森林総合研究所提供の木材標本広葉樹38樹種（120試料）の可視画像および近赤外HSI画像を取得した。画像をもとに、CNNを用いて樹種判別を行ったところ、可視画像を用いた場合の正答率が62.1%であったのに対して、近赤外HSI画像を用いた場合の正答率は90.5%であることを確認し論文を発表した(Analyst, 144, 6436-6446,2019)。これにより「試料表面の分子振動情報とその空間分布をCNNによって分析する」という新たな認識化学分析手法の可能性を示すことができた。
これらが当初計画以上に進行したため、2020年度には日本産広葉樹の木口面顕微鏡写真から高精度で樹種判別を可能とするモデルの作成を試みた。この研究により、顕微鏡写真からのバッチ抽出およびトレインデータ・テストデータの選択方法によって樹種判別の推定精度が大きく異なることが明らかとなった。さらに同様の手法を用いることで植物種子の発芽有無や米の品種判別が可能であることを示した。以上一連の研究によって本手法の農産物評価への有効性が確認された。また大目標である「コグニティブスペクトロスコピーともいうべき新たな認識科学分析手法を確立」が大きく前進した。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
当初令和２年度計画であった「可視画像による樹種判別」および「可視・近赤外シームレスHSI による樹種判別」を本年令和元年度に達成することができた。、まず日本産広葉樹の木口面顕微鏡写真から高精度で樹種判別を可能とするモデルの作成を試みた。この研究により、顕微鏡写真からのバッチ抽出およびトレインデータ・テストデータの選択方法によって樹種判別の推定精度が大きく異なることが明らかとなった。バッチ抽出の方法によっては、広葉樹50種（各樹種で20枚の顕微鏡写真）において100%の精度で樹種を判別することも可能であった。現在は本手法の妥当性を検証するとともに論文化を進めている。また提案手法を様々な農産物評価にも応用した。植物種子の発芽有無の推定に本手法を用いた結果をComputers and Electronics in Agricultureにおいて発表したほか、本手法によってジャスミンライスと偽物を95%以上の精度で推定できることを見出し、論文を投稿した。
これらのことから、研究は当初の計画以上に進展していると評価した。
|
| Strategy for Future Research Activity |
上記のように本研究の当初目標であった、「近赤外画像および可視領域の顕微鏡画像による木材樹種判別の予測」についてはその目的を達成したといえる。今後はその適応範囲をさらに広げるため、さまざまな農産物の定量・定性分析を行う予定である。これまでの研究で様々な農産物で「試料内の化学成分情報と試料の形状および化学成分の空間分布をCNNによって解析」すれば、これまで判別や定量が困難であったものを自動で認識できることを証明できたといえるが、今後はさらに高解像度のレンズを用いたHSIシステムの最適化（レンズや光源など）を行うとともに、さまざまな農産物の判別モデル作成を行っていく。
|
