病害検出モデルが実験室と現場で精度差を生む理由

作物病害の画像認識は、農業AIの中でもっとも研究が進み、実装事例も蓄積されている領域である。PlantVillageなどの公開データセットを用いた分類モデルはResNetやEfficientNetベースで9割超の精度を出すことが多く、直近では基盤モデルからのファインチューニングでさらに数ポイント向上している。

ところが、これらのモデルを実際の圃場で稼働させると、精度は多くの場合数十パーセント台に落ちる。トマト、いちご、りんごなど品目を問わず観察される現象で、原因を「モデルの精度不足」に帰属させると解決の方向を見誤る。実装のどこに落とし穴があるのかを分解する。

データセット偏りは公開ベンチマークほど中立ではない

公開データセットは、多くの場合、単一葉を白背景で撮影し、病斑が中心構図に配置されている。学習に使いやすい素材である一方、圃場の実写像とは撮影条件が大きく異なる。実際の圃場では、葉は重なり合い、露出は均一でなく、健全葉と病害葉が同時に写る。基盤モデルの学習データにも同様の偏りがある可能性が高い。

ただし、独自データセットを圃場で構築しようとすると、別のバイアスが入る。同一圃場・同一時期のデータで学習・評価を分けると、モデルは病斑そのものよりも「その圃場・その日の照明条件」を学ぶことがある。学術界ではこの現象は繰り返し指摘されており、モデル評価の信頼性を担保するには時空間で独立したデータ分割が必要になる。

撮影条件が運用時の主要変数になる

圃場でのカメラ運用は、屋外の日射・時間帯・天候・葉の姿勢という制御しづらい変数の下で行われる。実運用のシステム設計では、モデル自体の性能よりも、撮影条件の均質化に多くの手間がかかる。ドローンで俯瞰撮影する場合、飛行高度・カメラ角度・時刻がわずかに違うだけでモデル出力が変わることは実装者の間でよく知られている。

この問題への対処として、標準的な撮影プロトコルを定めた上で撮影する、複数の撮影条件で撮影して集約する、あるいは条件情報をメタデータとしてモデルに入力する、といった方法が試みられている。一方、どの手法も現場での運用負担を増やす方向に働くため、実装可能性は撮影担当者の能力に依存する。

運用パイプラインの見落とし

モデルが90パーセントの精度を持っていても、パイプライン全体で運用が成立していなければ実用にならない。撮影から結果配信までの間には、画像アップロード、前処理、モデル推論、結果集約、通知の各ステップがある。どこか一段でも失敗すると、その日のデータは意思決定に使えない。

圃場の通信環境は都市部より不安定なため、画像アップロード段階でタイムアウトが頻発することがある。エッジ推論で対応する設計もあるが、モデル更新の負担が上がる。パイプラインの信頼性が低いと、モデル精度が高くても実際に活用される日数は限定的になり、投資対効果が下がる。

誰が最終判断するのか

技術的な議論とは別に、モデル出力を誰がどう扱うかが実運用の質を決める。AI検出結果を農薬散布判断にそのまま用いるか、農家が最終確認するか、専門家が別途判断するか。この設計次第で必要なモデル精度が変わる。

もっとも、日本の農業現場での意思決定は農家自身が担うのが基本形であり、AI出力は補助的な位置に置かれることが多い。この場合、モデルの高精度化よりも、農家が結果を理解しやすいUIや、判断理由の可視化（Grad-CAM系の可視化技術）を組み込む方が実用価値は上がる。逆に言えば、90パーセント台の精度が実運用で必要かどうかは、意思決定プロセスの設計とセットで議論しないと決まらない。

実装が成功する条件

以上を踏まえると、病害検出モデルが圃場運用で価値を出すのは、限定された品目・限定された病害・標準化された撮影プロトコル・安定した通信環境・農家が結果を検証できるUI、というスタックがすべて揃った場合である。この条件を先に確認して技術要件を絞り込んだプロジェクトは実運用に到達しやすい。汎用の病害検出システムを目指すプロジェクトほど、実装は難航する傾向にある。