LASSIC Media らしくメディア

広い圃場を毎日見回り、作物の生育や病害虫の兆候、雑草の広がりを目で確かめる——農業の現場では、この観察と点検に大きな手間がかかります。担い手の減少や高齢化が進むなか、少ない人数で広い面積をどう見て回るかは切実な課題です。そこで注目されているのが、ドローンやスマートフォンで撮った圃場の画像から作物の状態を読み取る、農業の画像判定AIです。

ただ、農業の画像判定AIは「スマート農業システム」としばしば一緒に語られますが、担う役割は別物です。役割を混同したまま要件を固めると、必要な機能が抜けたり重複したりしかねません。本記事では、農業法人や農業向けのシステム化を検討する発注担当者に向けて、農業の画像判定AIの位置づけ・できること・扱うデータ・進め方の勘所を整理します。

農業の画像判定AIとは——スマート農業システムとの違い

農業の画像判定AIとは、ドローンやスマートフォン、定点カメラで撮影した圃場の画像を解析し、作物の生育の状態や病害虫の兆候、雑草の広がり、収量の目安などを読み取って、生産者の観察や判断を支える仕組みを指します。似た文脈で語られるスマート農業システムと並べると、役割の違いがはっきりします。

スマート農業システムは、温度や水分などのセンサーや営農データをまとめて記録・管理するための仕組みです。いわば圃場の情報を「記録・管理」する土台を担います。これに対して農業の画像判定AIは、画像という情報から作物の状態を「読み取る」部分を受け持ちます。管理システムがデータをためて見える化する土台だとすれば、画像判定AIは撮った写真を見て兆候を拾う担当にあたる、と捉えると分かりやすいでしょう。多くの場合、両者は組み合わせて使われます。

なお、同じ画像を扱うAIでも、製造現場の外観検査AIとは前提が別物です。工場のライン上で条件の整った画像から製品の良否を判定する外観検査に対し、農業の画像は天候や季節、圃場ごとの違いによって見え方が大きく変わります。屋外の自然を相手にするぶん、条件を揃えにくいのが実情です。自社が圃場の何を楽にしたいのかを見極めておくと、要件を絞り込みやすくなります。

何ができるのか

農業の画像判定AIが担える作業は、大きく次のように整理できます。自社の負担がどこにあるかと照らし合わせると、優先順位を付けやすくなります。

いずれも、AIが兆候や当たりを付け、最終的な判断と対応は生産者が行うという役割分担が基本です。AIが要注意の区画を絞り込んでくれるだけでも、広い圃場を一律に見て回る負担を減らす助けになります。

なぜ画像の判定にAIが向くのか

圃場の観察は、一枚一枚を見れば難しくない作業です。しかし対象となる面積が広く、作物の状態は日々変わるため、すべてをこまめに見て回るのは骨が折れます。とくに病害虫の兆候は、初期に見つけられるかどうかで対応の手間が変わるため、広い範囲を早めに確かめたいという需要があります。

AIは、大量の画像から似たパターンを拾う作業を一定の速さでこなすのが得意です。過去の圃場画像と、そのときの状態を学べば、生育のばらつきや異変の疑いがある区画を、まとめて示せるようになります。人が力を注ぐべきは、AIが拾った要注意の区画の確認と、対応の判断です。一方で、屋外の画像は天候や光、季節によって見え方が大きく変わるため、工場のように条件が整った画像ほど単純にはいきません。だからこそ、AIの結果をうのみにせず、生産者が現物を確かめて判断する運用が欠かせないのです。処理の流れを図にすると次のとおりです。

導入で扱うデータと前提

農業の画像判定AIの精度は、学習に使う画像の質と量に大きく左右されます。着手前に、次のようなデータや前提がどこまで整っているかを確認しておくと見通しが立てやすくなります。

基本になるのは、過去に撮影した圃場の画像と、そのとき作物がどういう状態だったか（健全か、病害虫が出ていたか、収量はどうだったか）の記録です。画像と状態が対になって残っていれば、学習の土台になります。加えて、対象とする作物や、確かめたいこと（生育を見たいのか、病害虫を早く拾いたいのか）を言葉にしておくことが欠かせません。注意したいのは、自社の圃場や作物で学習・検証することです。品種や地域、栽培のやり方が違うと画像の見え方も変わるため、他所のデータだけで作ったものは、自社の圃場では精度が出にくいことがあります。さらに、屋外の画像は天候や季節でばらつくため、さまざまな条件の画像を含めて偏りを減らす工夫も求められます。

進め方と落とし穴

導入を成功させるには、範囲を欲張らずに始めることが肝心です。生育の把握・病害虫の検出・雑草の判別・収量の推定をすべて一度に狙うのではなく、自社でいちばん負担の大きい観察を一つ選び、そこから試すのが現実的でしょう。まずは一部の圃場や作物に絞って使い、出てきた結果を生産者が現物で確かめながら、精度と使い勝手を見極めていくとよいと考えられます。

落とし穴として起こりやすいのが、AIの判定をそのまま鵜呑みにしてしまうことです。屋外の画像は見え方のばらつきが大きく、AIが取り違える場面も出てきます。誤りを生産者が確かめて直す前提で運用し、AIの結果はあくまで当たりを付けるものとして扱う——この役割分担を最初に決めておくと、現場でも受け入れられやすいはずです。また、撮影の手間（誰がいつどう撮るか）や、既存の営農管理の仕組みとの連携も、早めに決めておくと後の手戻りを防げます。導入後も、取り違えの多い場面の傾向を見ながら、設定や学習を見直していくことが大切です。

外注時に確認しておきたい点

農業の画像判定AIの開発や導入を外部に委託する場合は、次の点を事前にすり合わせておくと、認識のずれを防ぎやすくなります。まず、対象とする作物と、確かめたいこと。生育なのか、病害虫なのか、収量なのかによって、必要なデータも作り方も変わります。次に、学習に使える画像の状況。過去の圃場画像と、そのときの状態の記録がどれだけあるかは、成果を左右する前提です。

さらに、撮影の方法（ドローンかスマホか定点カメラか）や、既存の営農管理の仕組みとの連携、そしてAIの結果を生産者がどう確かめて対応につなげるかという運用の流れも、あらかじめ整理しておきたい点です。農業の画像判定AIは、一度作って終わりではなく、季節をまたいで画像をためながら精度を保ち続ける取り組みになります。開発までを切り出すのか、運用や見直しまで含めて依頼するのかを明確にしておくと、導入後のつまずきを抑えやすくなります。

まとめ：農業の画像判定AIで押さえる3つの視点

農業の画像判定AIは、スマート農業システムとは役割の異なる「画像から作物の状態を読み取る」部分を担う仕組みです。検討するうえで押さえたい視点は3つに整理できます。第一に、記録・管理を担うスマート農業システムと、画像を判定するAIを切り分け、自社が楽にしたいのがどちらなのかを見極めること。第二に、生育・病害虫・雑草・収量のうち、いちばん負担の大きい観察から絞って始めること。第三に、天候や季節で画像が変わることを前提に、AIの結果は当たりを付けるものと捉え、生産者が現物で確かめて対応を決める運用を組むこと。この3点を踏まえておけば、「入れてはみたが現場で使われない」というつまずきを避けやすくなります。自社圃場での学習や既存の仕組みとの連携に不安があれば、要件整理の段階から外部の知見を借りるのも一つの選択肢です。

よくある質問

著者：テレリモ総研編集部　鈴木 亮佑

ご不明な点はお問い合わせフォームからもご連絡いただけます。

1. *1　出典：農林水産省「スマート農業の推進」関連情報（https://www.maff.go.jp/）

Tweet