2023 Fiscal Year Research-status Report
深層学習による葉の振動波形を用いた植物の灌水制御に関する検討
| Project/Area Number |
21K05855
|
|---|
| Research Institution | Toin University of Yokohama |
|---|
Principal Investigator |
白川 貴志 桐蔭横浜大学, 工学研究科, 研究員 (30424857)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
杉本 恒美 桐蔭横浜大学, 工学研究科, 教授 (80257427)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Keywords | 葉の振動計測 / 深層学習 / 灌水制御 / 葉の共振周波数 / 日周変化 |
|---|
| Outline of Annual Research Achievements |
植物の健康状態を非破壊的に検査する方法はまだ確立していないため、このような方法が実用化されれば、植物を最適な環境で育てることが実現出来るようになる。
初期年度は、育成室においてナスの成長に伴う葉の固有振動数、土壌含水率変化、成長＆日周変動を捉えた葉の連続写真などの計測データ取得を行いつつ、葉の共振周波数変化を深層学習により予測する処理を進めた。なお、計測対象用の植物としては研究室内で育成制御しやすいナスを用いた。加振用音源としてはパラメトリックスピーカを用い、葉の振動計測用としてはレーザ変位計およびCCDカメラを用いた。加振用音波を5分間隔で送出して、その際の葉の振動を計測している。なお、土壌の含水率変化も計測している。また、日周変動を起こさせるために、蛍光灯のオンオフを利用して部屋の明るさを調整した。実験結果から、以前と同様な日周変動が確認された。また、水ストレスを与えた場合の実験も行い、CCDカメラで葉のしおれが観測される前に、葉の共振周波数が変化し始めていることが確認された。この現象を利用すれば、水ストレスによる影響がでる前に灌水制御を行うこと可能となる。
近年度では、葉の振動波形に対して、深層学習法の一つであるDNNの中でも時系列データを考慮できるRNNを改良したLSTM、画像認識に特化したCNNを用いて学習を行った。LSTMを適用して植物の萎れを予測するためには、機械学習にとって重要である入力データの最適処理、学習環境の設定などの問題を解決する必要性が示唆された。また、CNNを適用して葉の健康状態に応じて振動波形データを複数にクラス分けして学習、新規データがどのクラスに該当するかを判定させた結果、クラスタリングが高精度で行われた。水ストレスを受けつつある波形データがCNNのクラスタリングにより検出されることで、最適な灌水タイミングを自動検出できる可能性が示された。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
育成室においてナスの成長に伴う葉の固有振動数、土壌含水率変化、成長＆日周変動を捉えた葉の連続写真などの計測データ取得を行った。固有振動の測定は非接触型レーザ変位計を用い、土壌水分の測定はCDC-EC-5(DECAGON社)を用いて土壌の比誘電率から算出を行った。4か月の育成期間においては水遣りの調節による土壌含水率の低下、結実、葉の成長に伴う接触などの影響で固有振動数の変化が確認された。上記以外では固有振動数、土壌含水率ともに育成室内の照明サイクルに伴った日周変動が観測されているが、株全体の成長などの影響が乗っている為に単純な数式モデル化では予測は難しいと思われる。
現在、葉の固有振動変化を深層学習により予測する処理を進めている。水ストレスなどの有無による葉の共振周波数の日周変化データをディープニューラルネットワーク(DNN)に入力し、データの変化傾向の違いを自律的に学習させ、水ストレスの有無を判定できるかどうかについての検討を行う目的で、DNNの中でも時系列データを考慮できるRNN(回帰型ニューラルネットワーク)を改良したLSTMを用いた。Pythonを利用してナス葉の固有振動数変化を学習させ、短期変化データを入力すると固有振動数の先行きを予測する試行を行ったところ、機械学習にとって重要である入力データの最適処理、学習環境の設定などの問題で理想的な予測が出力されなかった。そこで、画像認識に特化したDNNの一種であるCNN(畳み込みニューラルネットワーク)を水ストレスの有無に応じた受信波形の結果に適用し、クラスタリングの可能性を評価した。その結果、波形データのクラスタリングは高い精度で行われた。精度をさらに向上させるためには、過学習の防止、ハイパーパラメータの最適化、自動化など、CNNプログラムの改善、より多くの育成データへの適用が必要となる。
|
| Strategy for Future Research Activity |
DNNの中でも画像認識に特化したCNN(Convolutional Neural Network)を用いて成長＆日周変動を捉えた葉の振動波形を学習した上でクラスタリングを行い、水ストレスによるしおれ検知システムの構築についての検討を進める予定である。CNNプログラムの改善(ハイパーパラメータの最適化や自動化など)、より多くの育成データへの適用を行い、灌水制御システムへのフィードバックも検討する。なお、研究成果は国内、国際学会にて報告を行う予定である。
|
| Causes of Carryover |
植物を用いた計測は連続的に実施されており、健康時のデータは比較的豊富に集まりつつあるが、灌水停止等の影響による水ストレスの影響を受けたデータはまだ十分ではない。深層学習、特にCNNを適用して日周変動する葉の固有振動数変化の予測精度を向上させるためには、様々な状況のデータを増やしてクラスタリングを適用する必要がある。そのため、継続的に植物育成および灌水停止実験を繰り返し実施する予定である。そのために、主として人件費と消耗品費に使用する予定である。
|
Research Products
(1 results)
