非定常気候条件下におけるトマト病害の検出技術

科学分野:

• 植物病理学
• コンピュータビジョン
• 機械学習

背景:

• トマト病害は作物収量に重大な脅威をもたらしており、正確かつタイムリーな検出が必要です。
• YOLOのような深層学習モデルは、新しい環境に適用される際のドメインシフトに対処するのが難しく、パフォーマンスの低下につながります。
• 既存の手法は、実際の農業データの継続的に進化する性質に対応できないことがよくあります。

研究 の 目的:

• 継続的なテスト時ドメイン適応フレームワーク（CTTA-DisDet）を開発し、ロバストなトマト病害検出を実現すること。
• 事前学習済みモデルの未知および進化する環境への一般化能力を強化すること。
• 農業における自動病害検出システムの実際的な適用性を向上させること。

主な方法:

• ドメイン適応のための教師・生徒アーキテクチャを採用したCTTA-DisDetフレームワークを提案しました。
• 明示的な画像破損や大規模言語モデル（LLM）を使用した暗黙的なデータ生成を含む、動的データ拡張を導入しました。
• 破滅的な忘却を軽減するためのニューロン重み復元と、継続的な教師モデル更新のための指数移動平均（EMA）を実装しました。

主要な成果:

• CTTA-DisDetは、継続的に変化するクロスドメイン環境で67.9%のパフォーマンスを達成しました。
• ベースライン手法と比較して、未知のドメインに対する一般化能力が大幅に向上しました。
• 動的データ拡張とニューロン復元技術の効果を検証しました。

結論:

• CTTA-DisDetは、非定常な農業環境におけるトマト病害検出のためのロバストなソリューションを提供します。
• このフレームワークは、ドメインシフトに効果的に適応し、モデルの信頼性を向上させます。
• このアプローチは、適応型AIシステムを必要とする実用的な農業アプリケーションに大きな可能性を秘めています。