プロジェクトについて
一枚の写真から、
継続的な観察へ。
チェックは手がかりを提供します。現場の記録は、次の観察の比較材料になります。




03 / 後日、もう一度確認
行ったことと、
その後の変化。
行った対処を記録し、その後の写真と人による観察を追加します。次の確認を予定に入れ、タイムラインで変化を振り返りましょう。
記録を選んで、経過を確認対応範囲と検証状況
できることを明確に。
結果を検証できるように。
本サイトはコンピュータービジョンの応用試作です。栽培者による現場試験や第三者の診断認証は受けていません。
現在のモデルでできること
葉の病害識別
既存の EfficientViM の重みを使い、葉の写真を病害、健康、その他の異常状態に分類します。
プロジェクトには、インデックス 0 から 157 までの全 158 カテゴリのラベル表が登録されており、推論結果はこの表に従って表示します。重複する表示名があり、元の学習時のクラス順序はまだ独立した検証を行っていません。
病害の識別結果は、農業技術の専門家が現場の状況と合わせて確認する必要があります。独立した検証を行わずに、診断の正解率を報告することはできません。
果実の位置検出と計数
RISNet に関連する実装を使い、画像内の対象の分布を確認します。
果実別の検出
果実に応じて既存の YOLO の重みを選びます。六つの重みはいずれも単一クラスで、対象の枠と個数を出力します。複数の成熟段階を判別することはできません。
動画解析とサーバー接続のカメラは、検出ページの拡張機能にあります。スマートフォンで撮った写真は、専用の写真アップロード入口から使用します。
モデル学習とオンラインサービスの利用条件
YOLO の軽量ファインチューニング
規定の形式のデータセット ZIP を送信すると、バックグラウンドで学習を実行し、実際に生成された重み、指標、結果の図を保存します。選択できるモデル、データ規模、エポック数は学習ページの表示に従います。
独立したオンライン相談
サービスの接続先、API キー、利用可能なモデル、有効な利用枠を正しく設定する必要があります。失敗した場合は入力内容を保持し、理由を表示します。
チェック記録にはモデルの出力を保存します。相談への助言は、別のサービスが生成します。
研究・卒業発表でのデモの進め方
- タスクを選び、使用するモデルと対応範囲を説明します。
- 代表的なサンプルをアップロードし、出力が入力内容に対応しているか確認します。
- 記録を開いて現場情報を追記し、再確認の記録を保存して、実際に残った情報を示します。
- 病害相談を開き、現場の説明が画像の情報をどのように補うかを示します。
- 必要に応じて、データセット、モデルの学習、実験条件を示します。
実用化の前に、確認が必要なこと
モデルのスコアは現場での診断精度ではありません。実験室の画像での性能が、異なる光、品種、地域での性能をそのまま示すわけではありません。
農業技術の専門家が確認した実際のサンプルでテストし、誤識別、見逃し、栽培者が操作に困った点を記録する必要があります。似た見た目の異常でも原因が異なる場合があるため、最終的な防除は地域の農業技術指導を踏まえて判断してください。