Shape and location of wood cell on cross section of Japanese cedar predicated by machine learning

2022 Fiscal Year Research-status Report

• Project/Area Number: 21K05702
• Research Institution: The University of Tokyo
• Principal Investigator: 堀 成人 東京大学, 大学院農学生命科学研究科(農学部), 助教 (80313071)
• Co-Investigator(Kenkyū-buntansha): 竹村 彰夫 東京大学, 大学院農学生命科学研究科(農学部), 教授 (50183455) [Withdrawn] ; 山口 哲生 東京大学, 大学院農学生命科学研究科(農学部), 准教授 (20466783)
• Project Period (FY): 2021-04-01 – 2024-03-31
• Keywords: 年輪気象学 / 組織形状 / 画像解析 / ディープラーニング

Outline of Annual Research Achievements

本課題の目的は機械学習(Machine Learning, ML)を新機軸とし、木材組織学におけるこれまでにない発見にある。前半部ではスギ横断面で観察できる年輪、仮導管、放射組織といった組織を画像から識別する方法を確立し、横断面上すべての組織について、その形状と、髄を中心とした極座標平面上での位置とを記録する方法を構築する。本年度は研究概要で定めた前半部にあたる課題1と2に取り組んだ。つまり課題1. MLによる組織形状の画像認識を確立し、形状に関する新たな規則性の導出する。これについては観察をイメージスキャナで行い、観察領域から見て観察対象の木材横断面は大きいので、スキャン領域に対して横断面を少しずつ動かして撮影していき、端が重なり合うようタイル状につなげて1枚の画像とする。共焦点レーザー顕微鏡とイメージスキャナで撮影したスギ横断面の高解像度画像から仮道管などの組織すべてを認識し、その形状と位置をデータベースに記録する方法を確立する。課題2. については計算機の容量限界を克服し、横断面上にある組織すべての形状と位置の記録する方法を確立する。とくに極座標系から直交座標系に変換するにあたり、座標系の中心(髄)に行くほど画素が少なくなり情報が疎になるが、周りの画素から勾配を利用して予測し、画素を補完する方法を採ったことの効果が大きかった。

Current Status of Research Progress

4: Progress in research has been delayed.

Reason

本課題は5つの小課題に分けられる。そのうち当年度は、1.機械学習(Machine Learning, 以降ML)による木材の組織形状を画像識別する技術の確立、2.木材 横断面にある組織の形状と位置の記録法の確立を行う予定であった。これについて手元にある木材の横断面をスキャナーで読み取り、またインターネットで見ら れる画像を利用して基盤は整備したが、実際の木材試料を多くは確保できず、説得力のある実証実験を十分深く行うことができなかった。林地に赴いて木材試料 を採取して資料を集めるはずが、コロナ禍でなかなかそうはいかなかったために試料数が少なくなってしまった。

Strategy for Future Research Activity

本年度は画像解析の精度を上げられる性能が高いワークステーションを導入でき、昨年度より高解像度の画像を取得して解析精度をできた。気象は樹木の生長に大きな影響を与えるが、個別の要素、たとえば気温や雨量のみで評価するのは困難とされている。そこで本年度の検討では、MLが得意とする、現象を引き起こす複数の因子の絡み合いを発見する能力に注目し、年輪の生長に影響をあたえる気象条件を探索する。これと同時に 既にある知見の検証も行う。気象データは気象庁のウェブサイトからダウンロードす る。既往の研究では年輪幅を横断面の数カ所を測定し、その平均値などで評価してい るが、本検討ではMLによる画像識別を用いて年輪界を検出し、より詳細な年輪幅を 得られる方法を開発する。

Causes of Carryover

基金の使用状況をスプレッドシート（マイクロソフト　エクセル）で管理していた。年度末が近くなりいよいよ清算をする段階で購入した物品について、焦ってしまい、二重に課税をした金額をスプレッドシートに書き込んでしまい実金額との差異が生じた。このようにして、使用額が余ってしまった。