日本農研機構（農業·食品產業技術綜合研究機構）種苗管理中心聯合推進課谷口浩彰課長等的研究團隊10月31日發佈研究成果稱，利用AI協助馬鈴薯種薯異常株剔除作業的系統試製機對「Toyoshiro（馬鈴薯種名）」異常株的檢測準確度達到83%。該系統由AI透過現場拍攝的影片，檢測出因病害傳染等出現花葉病病徵或枯萎病徵的異常株，並透過聲音和影像提醒操作人員。今後將擴大目標品種，爭取在2025年導入農業現場。該系統有望大幅減輕即使是熟練操作人員也需要時間完成判斷的工作，有助於解決人員短缺問題。

配備自動檢測程式的苗圃管理車（異常株檢測支援系統）（供圖：農研機構）

將收穫的馬鈴薯作爲「種薯」用於種植，繁殖率約爲10倍，與水稻（約400倍）等穀物相比較低，並且傳染病害後產量和品質均會下降。對於許多可傳染給種薯的病害，目前尚無冶癒方法或有效的農藥，且根據《植物防疫法》規定，種薯的合格標準應爲病（異常）株殘留率低於0.1%。

在馬鈴薯種薯生產方面，近年來，由於人口老齡化和勞動負擔過重（種薯的栽培爲普通馬鈴薯的1.8倍），生產面積和生產者數量持續減量，栽培技術的維護和傳承已成爲一大課題。尤其是栽培程序中識別和清除異常植株的勞動負擔較重，而且這項工作需要專業知識和經驗，使得新手很難加入。截至目前，農研機構透過採訪調查種薯生產者，發現開發節省勞動力的異常株剔除技術有很大的市場需求。

所以，爲了滿足這些需求，農研機構種苗管理中心、北海道農業研究中心、農業資訊研究中心、北海道技術支援中心展開合作，共同開發異常株檢測支援系統。

正在開發的系統針對在北海道大量種植的馬鈴薯「Toyoshiro」及具有抗胞囊線蟲性的「Konahime」和「Kitaakari」等品種，希望能在共計4次的剔除作業中檢測出因黑脛病引起的植株矮化和枯萎病徵，以及因電腦病毒病引起的花葉病病徵和葉斑病病徵等，使檢測殘留率低於0.1%，達到熟練操作人員的檢測水平（檢測準確度83%）。

爲了將熟練操作人員的知識經驗AI化，利用AI的檢測程式針對目標品種的不同成長階段建立了約35,000條訓練資料。透過利用深度學習模式進行學習，由檢測程式自動進行判斷。

該試製機在市售的苗圃管理車輛上配備了提高準確性的遮陽罩、6臺攜帶型攝影機和電腦。在傳統檢查中，操作人員一般目視檢查2壟，但該系統可在行駛程序中（2千米/小時）一次檢測6壟的異常植株。操作人員會跟在旁邊，在檢測到異常株時將其剔除。

在實際試驗中，「Toyoshiro」的目標檢測率達到了83%。今後的目標是使其餘2個品種也達到相同的檢測率，並努力提高檢測程式的準確性，及系統的單元化和在資料集中管理中的利用。此外，還預計將目標品種擴大到「男爵薯」和「May Queen」，並準備建立模式。

系統售價預計爲200～300萬日元（不含車輛）。

目標是在來年先行導入到種苗管理中心的原原種生產，並在2025年與普通種植者合作導入栽培現場並開始驗證實用性。還計劃在未來實施可以記錄異常株位置的功能。

谷口課長表示：「我們預計後年北海道的馬鈴薯種薯栽培現場將全面導入這套馬鈴薯異常株檢測系統。該系統的導入有望提高馬鈴薯種薯種植者的生產效率，並鼓勵新人加入該行業。作爲農研機構，我們相信，該系統得到普及後，將能夠從目前全國馬鈴薯種薯種植面積不足5000公頃並持續下降的局面中實施V型復甦。」

原文：《科學新聞》
翻譯：JST客觀日本編輯部

【論文資訊】
雜誌：International Journal of Applied Earth Observation and Geoinformation
論文：Automated Abnormal Potato Plant Detection System Using Deep Learning Models and Portable Video Cameras
DOI：104.102509.2021