| 研究課題/領域番号 |
20K06331
|
|---|
| 研究機関 | 津山工業高等専門学校 |
|---|
研究代表者 |
曽利 仁 津山工業高等専門学校, 総合理工学科, 教授 (10353327)
|
|---|
| 研究分担者 |
井上 浩行 津山工業高等専門学校, 総合理工学科, 教授 (00232554)
杉本 大志 愛媛大学, 理工学研究科(工学系), 助教 (40780424)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2024-03-31
|
| キーワード | 自律型ロボット / 水田除草 / ディープラーニング |
|---|
| 研究実績の概要 |
本研究では，ディープラーニングを水田除草ロボットに適用することで，人間と同様に周囲の状況を把握しながら次の目的場所まで移動できる完全自律型の水田除草ロボットの開発を目標としている。
これまでに，水田除草ロボットに搭載したカメラセンサにより取得される画像情報を入力とする稲苗検知システムをディープラーニングで構築を行った。構築する稲苗検知システムには，入力された画像の中から稲苗の検知・認識を可能とするためにYOLO（You Only Lock Once）をフレームワークとして利用した。これまでの研究結果から，稲苗の生長具合により稲苗検知システムによる稲苗の検知数や認識確率に違いがあることが確認できており，検証用データを用いた評価指標による検知精度評価では，まだまだ検知精度は不十分であり，稲苗検知システムの改良の余地が十分にあることが分かった。
さらなる稲苗検知精度を向上のため，実際の水田にて稲苗の生長過程別に，さらに多くの学習データの収集を行った。昨年までの画像データも含め，約4000枚の稲苗画像を準備した。また，検知精度向上のために，学習データ作成時のアノテーションにおいて，検出したい稲苗の領域を正確に矩形で囲い，稲苗の生長具合に応じて複数のクラスとして登録を行った。これらの画像を学習データとして用い，稲苗検知システムを再構築した。学習終了後に得られる学習済モデルを用いて，学習時に使用しなかった検証用データで稲苗検知実験を行った。稲苗検知システムの稲苗検知精度を評価するために，機械学習で基本的な評価指標（適合率，再現率など）を利用した。生長過程別を考慮した稲苗検知システムの適合率：0.81，再現率：0.77となり，これまでの稲苗検知システムの適合率：0.71，再現率：0.48を大きく更新する結果となった。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
稲苗検知システムが，稲苗生長過程別に稲苗を検知・認識できるよう学習データとなる稲苗画像を増加し，学習データ作成時のアノテーションにおいても，検出したい稲苗の領域を正確に矩形で囲い，稲苗の生長具合に応じて複数のクラスとして登録を行った。その結果，これまでの稲苗の検知・認識精度を大きく向上できたことが確認できた。
また，昨年度より当初予定していなかった新たなセンサ（LiDAR）を追加している。これは，稲苗検知システムだけでは，除草ロボットからどの方向にどの距離に稲苗が存在するかという走行制御に関わる情報を得ることはできない欠点を補うことができ，LiDARから得られるセンサ情報をもとに除草ロボットの自己位置を推定することも検討している。
以上のことから，本研究はおおむね順調に進展していると考えている。
|
| 今後の研究の推進方策 |
本研究では，ディープラーニングを用いた稲苗検知システムを提案している。そのため今後も，稲苗の検知・認識精度を向上させるためには，さらに多くの学習データの収集を行う必要がある。また，学習データ作成時のアノテーションにおいても，稲苗の生長具合に応じて複数のクラスを登録する方法とは別手法を検討することも必要である。
また，稲苗検知システムから出力される情報をもとに，除草ロボットの走行制御にどのように利用していくかを検討する必要がある。
|
| 次年度使用額が生じた理由 |
引き続き，新型コロナウイルス感染症の拡大，世界情勢により，特に半導体不足により除草ロボットのハードウェアに関わる備品の納期が延長され，実地実験が予定どおり実行できていない。そのため，学会発表が当初予定通り行えていない。
昨年度末より，実地実験も行えている状況であるため，学会発表ための旅費として使用することを検討している。
|
