綿花の選択収穫向け視覚モデルを比較、YOLOv12-m-segが現場試験で有力

何が起きたか

arXiv掲載の研究は2026年9月17日、綿花の選択収穫向けに深層学習ベースの知覚枠組みを開発・評価したと報告した。対象は1,008枚の注釈付き現場画像で、3台のカメラを用い、自然光や天候の異なる条件で収集したものである。検出ではYOLOv8からYOLOv13系、セグメンテーションではYOLOv8-seg、YOLOv11-seg、YOLOv12-seg、SAM、SAMv2.1、FastSAM、Grounded-SAM with RAMを比較した。

詳細

検出モデルではGELAN-sが、mAP 86.1%、precision 81.6%、recall 76.6%、F1-score 79.0%、平均推論時間42.3ミリ秒/画像で、精度と速度の両立が最も良好だった。直接セグメンテーションではYOLOv12-m-segがAP@0.5 83.7%、推論時間20.4ミリ秒/画像で最良のバランスを示した。 検出をプロンプトに使う方式では、GELAN-sのバウンディングボックスがSAMとSAMv2.1の綿花位置特定を改善し、SAMv2.1 TinyはFastSAMとGrounded-SAM with RAMを一貫して上回った。手動注釈マスクとの面積ベース評価では、YOLOv12-m-segのR^2は0.966で、GELAN-s + SAMv2.1 Tinyの0.860を上回った。現場実験ではUR5eロボットマニピュレーター、カスタムエンドエフェクタ、ZED2iステレオカメラを用い、さまざまな信頼度条件下での綿花ボール検出、セグメンテーション、選択収穫を検証した。

Key Facts

本紙の見方

この研究の新しさは、綿花の選択収穫という実運用を念頭に、検出とセグメンテーションの両方を同じ現場条件で比較した点にある。単に精度だけを見たのではなく、GELAN-sのmAP 86.1%と42.3ミリ秒/画像、YOLOv12-m-segのAP@0.5 83.7%と20.4ミリ秒/画像のように、認識性能と推論速度の組み合わせで評価しているため、ロボットに載せる前提の絞り込みとして読める。ここで重要なのは、最良モデルが一つに固定されたのではなく、検出と分割で有力解が分かれたことである。これは、収穫機の設計が「見つける処理」と「切り出す処理」を同一モデルにまとめるより、工程ごとに分けて最適化する方向に寄る可能性を示す。 一方で、結論はあくまで1,008枚の注釈付き画像とUR5eを使った現場試験の範囲にある。現場条件のばらつきを入れて比較している点は強いが、どの圃場でも同じ性能が出るか、別品種や別収穫環境でも同様かはこの本文だけでは判断できない。GELAN-s + SAMv2.1 TinyよりYOLOv12-m-segのR^2が0.966と高かったことは、面積推定まで含めた実用面でYOLOv12-m-segが優位だった可能性を示すが、選択収穫機全体の歩留まりや収穫速度までは書かれていない。 本紙の見方では、これは綿花ロボットの「認識層」の比較研究であり、機械全体の完成報告ではない。つまり、入力の画像取得、検出、分割、アーム制御、把持・切断というバリューチェーンのうち、上流の認識部分をどこまで現場に近づけられるかを示した論文である。次に確認すべき論点は、YOLOv12-m-segを用いた場合の実際の収穫成功率、速度低下の有無、誤検出時の安全性、そしてUR5e以外の機体でも同じ構成が成立するかである。

なぜ重要か

研究は、綿花の選択収穫で重要な「見分ける速度」と「切り出す精度」を、同じ現場条件で比較した点に意味がある。著者らは、YOLOv12-m-segがリアルタイム検出・分割・選択収穫に有効だとしており、ロボットが畑で使える認識手法の候補を具体的な数値で示した。

日本への影響

日本の農業ロボットにとっては、カメラ3台・現場画像1,008枚という程度のデータでも、検出と分割を分けて評価する設計が有効だと読める点が参考になる。とくに、UR5eのような産業用マニピュレーターを前提にした認識評価は、収穫用ロボットで視覚系と作業系をどう切り分けるかを考える際の材料になる。