AI/MLによる穀物品質評価

産業

技術情報

Django Flask Keras Numpy Pandas Tensorﬂow Yolov5

はじめに

ナッシュテックは、機械学習とAI技術を使用して効率的な自動化分類システムを構築し、商品の欠陥を特定して集計することで、お客様の生産性と財務上の利益を向上させました。

目的

農産物ビジネスのクライアントは、小麦の品質評価と価格決定に問題を抱えていた。品質を総合的に確認するために、穀物の種類に応じてさまざまな化学的・物理的検査が行われるが、特定の重要な物理的検査では不十分な場合もある。検査は、専門家の判断と適切な科学的手順を織り交ぜて手作業で行われる。現在の品質プロセスのフローでは、およそ3日かかっている。

品質評価プロセスをより合理的、効率的、効果的かつ標準化するため、ナッシュテックチームは概念実証（POC）を実施し、ソリューションを提供するよう依頼された。この概念実証の目的は、アプリと統合されたコンピュータ・ビジョンとディープ・ラーニングのアルゴリズムを使用して小麦粒を検出、分類、計数し、あらかじめ定義された測定基準でユーザー・インターフェースに評価結果を視覚化して評価する機能を作成することだった。目標は納期を3日から約3秒に短縮することだった。

チャレンジ

クライアントは、健康な穀物、割れた穀物、未熟な穀物、ポティヤ・モイストなど、さまざまなクラスの穀物を、条件、背景、焦点距離、カメラの違いなど、さまざまなシナリオで撮影した画像を、さまざまなフォルダに分けて提供した。このデータセットを使って、我々のチームは機械学習モデルを訓練し、穀物を検出、分類、計数し、さらに与えられた穀物の重さを計算できるようにしなければならなかった。

私たちのチームは、与えられたセットから個々の粒を検出して数を計算し、その後に与えられたクラスから分類して最終的な重量を計算できるようにしなければならなかった。

これらの検出・分類モデルは、特定の性能ベンチマーク（応答時間、待ち時間、スループット）を持つアプリケーションと統合する必要があった。

ソリューション

私たちのチームはデータの分析から始めたが、提供された画像にはノイズが多く、例えば、画像はテーブルの上で撮影され、背景も画像と同じであったため、特徴の抽出が困難であった。私たちのチームは、画像のクリーニングと削除をしなければならなかった。

私たちのチームは、画像からノイズを取り除き、より一貫性のある画像にするために、pythonでカスタムプログラムを作成しました。

私たちはまず画像分類から始め、与えられた粒の集合を特定のクラスに分類するカスタムCNNモデルを訓練したが、精度が20％～30％未満と非常に低いことがわかった。その後、データ補強技術を使って既存のデータからさらにデータを生成し、同じモデルで使用した。いくつかのクラスの精度は上がったが、異なるクラスで結果が一貫していなかったため、全体的な結果は満足のいくものではなかった。

そこで私たちは、与えられたセットから個々の粒にラベルを付けるという新しい方法を用いた。これはいくつかの穀物クラスについて行われた。データアノテーションツールを使って個々の穀物にラベルを付け、さらにオーグメンテーション技術を使って合成データを作成し、事前に学習させたYolo5モデルに投入した。粒の検出精度は向上し、モデルは個々の粒を、その周囲のバウンディングボックスとともに、より正確にクラスに分類できるようになった。これらの活動は、他のクラスの穀物についても再現され、最終的なモデルが作成され、配備され、アプリと統合された。