Development of a Vision-Guided Autonomous Variable-Rate Spraying System for Site- Specific Potato Disease Management Using YOLOv26

技術要約：YOLOv26を用いた、ジャガイモの部位特異的な病害管理のためのビジョン誘導型自律可変量噴霧システムの開発

問題提起

インドおよび世界におけるジャガイモ栽培は、特に疫病（Phytophthora infestans）や初期疫病（Alternaria solani）といった葉部疾患による大幅な収量減少に直面している。従来の管理手法は「一律散布」に依存しており、病害の有無にかかわらず全域に均一に殺菌剤を散布する。このアプローチは、微気候やキャノピー（樹冠）の変化により病害発生が本質的に不均一であるため、非効率である。その結果、健全な植物への過剰な化学薬品適用と、病害が発生している部位への不十分な処置を招いている。このような無差別な使用は、生産コストを増大させ、病原体の耐性を加速させ、環境および健康へのリスクをもたらす。ディープラーニングによって病害検出は進歩しているものの、リアルタイムの知覚をフィールドレベルの自律的な可変介入へと変換する点において、決定的なギャップが依然として存在する。

手法

本研究では、インド工科大学カラグプル校にて運用される自律型三輪スプレーヤー（TWAS）に統合された、統一された「知覚–決定–駆動」フレームワークを開発した。

1. システムアーキテクチャとハードウェア

• プラットフォーム: 拡張カルマンフィルタ（EKF）によるナビゲーションと、純粋追従（Pure Pursuit）コントローラを備えたカスタム自律走行車両。
• コンピューティング: 2台のRaspberry Pi 5を用いた分散型デュアルプロセッシング・アーキテクチャ。Pi-1はナビゲーション、ローカライゼーション、および主要な列制御を担当し、Pi-2は隣接する列専用の知覚ノードとして機能した。通信は低遅延のデータ交換のためにUDPによって管理された。
• センシング: 下向きに設置された2台のLogitech C270 RGBカメラが高さ0.70 mに設置されており、約0.63 m × 0.36 mの視野（FOV）を提供する。この幾何学的配置により、ターゲットとなる列（キャノピー幅0.30–0.35 m）の完全なカバーを実現しつつ、隣接する列からの横方向の隔離を維持した。
• 駆動: パルス幅変調（PWM）によって制御されるソレノイドバルブにより、可変量噴霧を可能にした。カメラとノズルのオフセットは0.30 mとし、車両速度と噴霧動作を同期させるために、誘導近接センサーを用いた距離ベースのラグ補償アルゴリズムを実装した。

2. データセットとモデル開発

• データセット: 密なキャノピー条件下で作成された、14,166個のアノテーション済み葉インスタンス（健全な葉6,818個、病害のある葉7,348個）を含む1,561枚のフィールド画像からなる複合データセット。
• モデル選定: 本研究では、複数のスケール（nanoからlargeまで）におけるYOLOv8、YOLOv12、およびYOLOv26を、従来の検出器（Faster R-CNN、RetinaNetなど）と比較検討した。
• 学習: モデルはCIoU損失、バイナリクロスエントロピー（BCE）、および分布焦点損失（DFL）を用いてUltralyticsフレームワークを使用して学習された。データ拡張には反転、スケーリング、HSV調整が含まれたが、密なキャノピー内での局在安定性を維持するためにMosaic拡張は除外された。
• デプロイメント: 軽量なYOLOv26nバリアントが、組み込みデプロイメント用に選定された。モデルはONNX形式にエクスポートされ、Raspberry Pi 5での実行のためにFP16精度で最適化された。

3. 制御ロジックと重症度推定

• 時間的集約: 遮蔽（オクルージョン）や検出ノイズに対処するため、2秒間の時間的スライディングウィンドウが使用された。病害の重症度は、このウィンドウ内で検出された健全な領域と病害領域の面積を集約することにより、キャノピーレベルで推定された。
• 可変量戦略: 計算された重症度指数 $S(t)$ は、離散的なPWMデューティサイクルにマッピングされた：
  • $S(t) < 0.10$: デューティサイクル40%（ベースライン）。
  • $0.10 \le S(t) < 0.30$: デューティサイクル80%。
  • $S(t) \ge 0.30$: デューティサイクル100%。
  • 葉が不十分な領域（$A_{total} < 3000$ ピクセル）には噴霧を行わない（0%）。

主な結果

1. モデル性能

• 精度: YOLOv26は最高の検出性能を達成し、mAP@0.5で0.961のピークに達し、YOLOv8（0.924）を3.7%、YOLOv12（0.938）を2.3%上回った。
• クラス識別: YOLOv26は優れたクラス分離を示し、健全および病害の両クラスにおいて約0.99の正規化真陽性率を達成し、偽陰性（病害の見逃し）と偽陽性（不要な噴霧）を最小限に抑えた。
• 組み込み性能: Raspberry Pi 5上で、最適化されたONNXモデルは約10 FPSの推論速度を達成した。0.18 m/sの動作速度において、これは0.018 mの空間サンプリング間隔となり、連続的なモニタリングに十分な数値であった。

2. フィールド実験

• 運用の検証: フィールド試験は、6つの作物列にわたる598の空間噴霧決定インスタンスをカバーした。システムは時空間的な不均一性を捉えることに成功し、特定の列（例：第1、第3、第5列）における高重症度ゾーンを特定する一方で、低重症度ゾーンも検出した。
• 相関関係: 推定された病害重症度と指令されたPWMデューティサイクルの間に、強い正の相関（$r = 0.83$）が観察され、システムが局所的な感染レベルに合わせて噴霧強度を適応できることが確認された。
• 化学薬品の節減: シミュレーションされた従来のブロードキャスト散布（一定の最大流量）のベースラインと比較して、提案された可変量システムは農薬消費量を**32.75%**削減した。
  • 従来レート: 458 L/ha。
  • 提案システムレート: 308 L/ha。
  • 試験エリア全体で、総容積は12.36 Lから8.30 Lへと減少した。

意義と主張

著者らは、本研究が、高度な知覚的な病害検出と自動化された作物保護を統合することにより、インテリジェントな病害知覚と自動化された作物保護の間のギャップを埋めることに成功したと主張している。本研究の意義は以下の点にある：

1. エッジAIの実現可能性: 高精度な物体検出（YOLOv26）が、低コストでリソース制約のあるハードウェア（Raspberry Pi 5）上に、リアルタイムのフィールド操作のためにデプロイ可能であることを実証したこと。
2. 精密農業: 単なる検出を超えて、作用的な部位特異的介入へと移行するクローズドループシステムを検証し、効果的な病害管理を損なうことなく化学的投入量を削減できることを示したこと。
3. 密なキャノピーにおける堅牢性: 時間的スライディングウィンドウとキャノピーレベルの重症度推定の使用が、成熟したジャガイモ作物に典型的な遮蔽や変動する照明に対処する上で効果的であることを証明したこと。
4. 拡張性: 本フレームワークは、検出モデルを再学習させることで他の列作物にも適応可能な、柔軟なプラットフォームとして提示されており、持続可能でインテリジェントな作物保護システムへの経路を提供している。

本論文は、提案された「知覚–決定–駆動」フレームワークが、ジャガイモ栽培における農薬使用量を削減しながら効果的な病害管理を維持するための、実用的な技術的ソリューションを提供すると結論付けている。