【AI×農業】AIで農業の持続可能性を支援する【産学連携】

metichannel
7 May 202431:23

Summary

TLDR株式会社ラプラスは、AI技術を活用して農業の効率化とデジタル化を目指す企業です。農作物の収穫量予測や出荷梱包ラインの自動化を通じて、人々の目や脳をサポートし、農業の持続可能性を高める取り組みを紹介しています。独自の物体検出エンジン「ラプラスAI」を開発し、農業現場の課題を解決し、人手不足や高齢化を背景に生産性向上を目指しています。また、AIを活用した農業の未来について、新たな人材の育成と技術の進化が求められています。

Takeaways

  • 📦 出荷梱包ラインの自動化: スクリプトでは、人々の目でNG品をピックアップする作業を自動化しようとしている課題について説明しています。
  • 👷 労働力不足の解決: 日本の農業における高齢化や人口減少を背景に、AIを活用して労働力不足の問題を解決しようとしています。
  • 🌟 ラプラスアイの紹介: 物体検出エンジン「ラプラスアイ」が、AIを用いて農作物の色や形を検出し、数え、時間を測ることができる機能について紹介されています。
  • 🛠️ デジタル技術の活用: 農業現場でデジタル技術がどのように活用され、熟練者の知恵を次の世代に伝える方法についての議論がされています。
  • 🚀 ラプラスのビジョン: 会社ラプラスは、誰も職に困らない世界を作るためのビジョンを持っており、AIを活用して農業の持続可能性を支援しています。
  • 💡 AIの目視判断の自動化: ラプラスアイは、人間の目視判断を自動化し、不良品の検出や収穫量の予測など、多様な農業関連のタスクを支援しています。
  • 🔍 高精度の物体検出: ラプラスアイのアルゴリズムは、高い精度で物体を検出し、業界標準を上回るパフォーマンスを発揮することが示されています。
  • 📈 収穫量予測の重要性: 収穫量の正確な予測が、出荷計画や人員配置に影響を与えるため、その重要性が強調されています。
  • 🛒 コンベア速度の調整: NG品の多さを検出して、コンベアの速度を自動調整することで、人員を削減し効率を高める方法が提案されています。
  • 🔧 導入のボトルネックの解消: ラプラスは、AI導入のプロセスを簡素化し、データセット作成やモデル評価をクラウドで行うことで、導入の障壁を低減しています。
  • 👥 求める人材像: ラプラスは、課題に直面した際にアクションを起こすことができる人、物作りを楽しむ人、そしてお客様に笑顔を届けたいというモチベーションを持つ人を求めています。

Q & A

  • ラプラスアイの主な特徴は何ですか?

    -ラプラスアイはAIを用いて物体を検出し、数え、時間を測ることができます。人の目と脳を模倣して、物事を自動化し、効率化を図るエンジンです。

  • ラプラスアイはどのようにして農業の持続可能性を支援する予定ですか?

    -ラプラスアイはAIを活用して農作物の色や形を高精度で見分け、人間の目視判断を自動化することで、農業の効率を高め、知識の俗人化を防ぎます。

  • ラプラスアイのアルゴリズムはどのような精度を出せるとされていますか?

    -ラプラスアイのアルゴリズムは、比較的少ないエポックで既存手法を上回る精度を出すことができるとされています。具体的な数値として、75エポック程度で既存手法を上回る精度が実現されることが期待されています。

  • ラプラスアイの導入によりどのような課題が解決されることになりますか?

    -ラプラスアイは、出荷梱包ラインでの不良品の検出や、農作物の収穫量予測など、人間の目視判断を自動化することで、労働者の不足や熟練者の知識継承の課題を解決するのに役立ちます。

  • ラプラスアイはどのようなインターフェイスを備えていますか?

    -ラプラスアイはIPカメラやウェブカメラ、専用の研究用カメラなど、目に見えるものは何でも繋げることができるインターフェイスを備えています。また、ロボットアームやPLCなどにも連携できるようになっています。

  • ラプラスアイの導入に必要なボトルネックとは何ですか?

    -ラプラスアイの導入に必要なボトルネックは、データの管理やラベリング、データセットの作成、学習パラメータの決定、モデルの評価など、AIが実際に稼働し始めるまでに必要な準備工程です。

  • ラプラスアイの価格はどの程度ですか?

    -ラプラスアイは、通常の物体検出プロジェクトに比べて価格を抑えています。具体的な価格は明示されていませんが、パッケージ化された機能の塊として提供され、汎用性を保ちながら価格の圧縮に成功しているとされています。

  • ラプラスアイはどのようにしてAIの導入を簡素化しようとしていますか?

    -ラプラスアイは、データセット作成からチューニング、モデル評価までクラウド上で全て行えるようにし、AI専門のエンジニアが必要な工程を簡素化することで、導入を容易にしようとしています。

  • ラプラスアイはどのような人材を求めていますか?

    -ラプラスアイは課題に直面した時にすぐに行動できるアプローチを持った人、未知な課題に対しても積極的に取り組めるモチベーションを持つ人を求めています。また、物作りに対する情熱や、お客様への価値提供への関心がある人も希望されます。

  • ラプラスアイの今後の展開や展望はどのようなものですか?

    -ラプラスアイは、農業だけでなく、デジタル技術を活用して様々な課題を解決できるよう、DXの文脈で技術を広げていきたいとしています。また、ロボットと連動した自動化の分野にも取り組んでいく予定です。

Outlines

00:00

🤖 AIによる農業のデジタル化

この段落では、AI技術が農業における出荷梱包ラインの自動化にどのように貢献しているかが説明されています。ラプラスアイという物体検出エンジンを活用して、人々の目で行っていたNG品のピックアップ作業を自動化し、効率化を図る取り組みが紹介されています。また、農業における高齢化や後継者不足という課題にも触れられ、AIがそれらを解決する手段として期待されていることがわかります。

05:03

🛠 ラプラスアイの機能と特徴

ラプラスアイの機能と特徴について説明されています。この物体検出エンジンは、AIを用いて物体を識別、数え、時間測りができる高度な機能を持ち、産業や農業の現場での実用化が進んでいます。特に、ラプラスアイは価格面でもリーズナブルであり、一般的な物体検出プロジェクトに比べてコストパフォーマンスが優れていることが強調されています。

10:04

📈 ラプラスアイの精度と効果

ラプラスアイの精度と効果について詳述されています。独自のアルゴリズムを用いて、物体検出の精度を高め、既存手法を上回る性能を発揮していることがわかります。実際の比較結果も示されており、ラプラスアイの手法が他社と比べて高い正確度を持つことが確認できます。

15:06

🚀 ラプラスアイの応用事例と課題解決

ラプラスアイが具体的な課題解決にどのように役立つかが紹介されています。例えば、収穫量の予測や出荷梱包ラインの効率化など、様々な場面での実用例が示されています。また、AIを活用することで、人々の目視判断を自動化し、知識の俗人化を防いだり、生産効率を高める効果が期待されています。

20:08

👨‍💻 ラプラスが求める人材像

ラプラスが求める人材像について説明されています。課題に直面した際に、すぐに行動を起こすことができ、未知な問題に対しても積極的に取り組めるアプローチを持ち合わせている人材が求められています。また、物作りに対する情熱や、顧客満足を目指す姿勢が重要視されています。

25:12

🌐 ラプラスの未来展望

ラプラスの未来の展望について語られています。AIを活用して農業の持続可能性を支援し、人々の生産性向上に貢献することを目指しています。さらに、デジタル技術の知識が求められる現代において、様々な企業で活躍できる人材を育成し、社会に還元することを目指していることが示されています。

Mindmap

Keywords

💡ラプラスAI

ラプラスAIは、物事を検出するためのエンジンで、AI技術を用いて物体を認識、数え、時間を測ることができます。この技術は、農業現場での課題解決に役立ち、人が行っていた目視判断の部分を自動化し、効率化を図る重要な要素です。例えば、収穫量の予測や不良品の検出など、様々な場面で応用されています。

💡デジタル技術

デジタル技術とは、情報やデータをデジタル形式で扱う技術を指し、コンピューターやインターネットを通じて情報を処理、伝達することができる能力です。このビデオでは、デジタル技術が農業の持続可能性を支援し、人々の目や脳に代わる技術として紹介されています。

💡物体検出

物体検出は、画像やビデオから特定の物体を認識するプロセスです。ラプラスAIが物体検出を活用し、農産物の色や形を高精度で区別し、収穫時期の予測や不良品の検出など、農業における多様な課題に対処しています。

💡収穫量予測

収穫量予測とは、農作物の収穫量を事前に推定するプロセスです。ラプラスAIは、収穫待ちの農作物を画像分析し、収穫量を予測する機能を持っており、農家が適切な人材配置や市場対応を計画するのに役立ちます。

💡アノテーション

アノテーションとは、画像やビデオの特定の部分にラベルを付け加えるプロセスで、AIの学習に必要なデータの前処理の一環です。このビデオでは、アノテーションが行われることで、AIが農作物の状態をより正確に認識し、収穫時期の予測などに活用されています。

💡コンベア

コンベアとは、物や製品を運搬するためのベルト状の機械です。ビデオでは、コンベア上の農作物をAIで監視し、不良品の検出や収穫量の予測に活用しています。また、コンベアの速度調整が、不良品の検出効率を高める要因となっています。

💡目視判断

目視判断とは、人間の視覚を利用して物事を判断するプロセスです。ビデオでは、ラプラスAIが目視判断を自動化し、農業現場での作業効率を向上させる方法として紹介されています。

💡デジタル化

デジタル化とは、物事をデジタル形式に変換し、コンピューターで処理できるようにするプロセスです。ビデオでは、農業のデジタル化が、人手不足や高齢化を背景に、農業の効率化と持続可能性を支援する鍵となる技術とされています。

💡ロボットアーム

ロボットアームとは、自動化された機械の部品で、物を移動または操作する機能を持っています。ビデオでは、ラプラスAIとロボットアームが連携し、農業現場での作業の自動化に貢献しています。

💡AIの専門家

AIの専門家とは、人工知能の分野に深い知識と経験を持つ人々です。ビデオでは、AIの専門家がなくても、ラプラスAIを利用して農家が自らの課題を解決できる仕組みが作られていることが強調されています。

💡DX

DXとは、デジタルトランスフォーメーションの略で、企業や組織がデジタル技術を活用してビジネスモデルやプロセスを刷新することを指します。ビデオでは、DXが農業を含む様々な分野で、効率化や革新をもたらす可能性があると示唆されています。

Highlights

ラプラスAIが農業現場の課題を解決し、デジタル技術を活用して農業の持続可能性を支援している。

目視判断を自動化することで、出荷梱包ラインでの不良品の検出を効率化している。

ラプラスAIは物体検出エンジンを使用し、農作物の色や形を高精度で識別することができる。

AIを用いた目視判断の自動化は、農業における人手不足問題に対処する一つの方法である。

ラプラスAIは、収穫量予測や品質管理など、農業の様々な場面で応用が可能である。

AI技術を用いて、農業現場の生産性向上と知識の継承を目指している。

ラプラスAIは、カメラとクラウドを組み合わせたシステムで、農作物の監視と分析を行う。

ラプラスAIのアルゴリズムは、業界標準を上回る精度を発揮することが証明されている。

ラプラスAIは、農家が自らの課題を解決するためのツールとして利用が可能である。

ラプラスAIは、収穫時期の予測や出荷量の管理など、農業の計画性向上に貢献している。

ラプラスAIは、農業現場でのデジタル技術の導入を容易にし、コストを抑えている。

ラプラスAIは、農業におけるロボットアームやPLCと連携し、自動化を促進している。

ラプラスAIは、データセットの作成からモデルの評価までクラウド上で行える機能を備えている。

ラプラスAIは、農業現場の課題に対する柔軟な対応が可能で、様々な作物に対応している。

ラプラスAIは、農業のデジタル化を促進し、新しい人材の育成にも寄与している。

ラプラスAIは、農業現場でのAI技術の適用を通じて、生産効率の向上を目指している。

Transcripts

play00:16

[音楽]

play00:26

[音楽]

play00:35

[音楽]

play00:44

[音楽]

play00:46

はいえ導入前のですね現場の課題感として

play00:50

はですね例えばえ出荷梱包ラインのですね

play00:54

え商人化をやりたいというようなえご相談

play00:58

をいただくことがありますで具体的には

play01:00

ですねあのま要は物をですねこう流してる

play01:05

例えばまミニトマトとかあるいは工業製品

play01:09

とかをですねえこう流してるラインがあっ

play01:11

てでその中をですね不良品っていうのが

play01:15

あの出荷されないようにですね人が目で見

play01:19

てこう全部こうNG品っていうのをですね

play01:22

こうピックアップしていってこうのけてい

play01:24

くっていうような作業がありますでこれを

play01:28

ですねえ今現時点ではまあの5人であっ

play01:32

たりとかま多いところで言うと10人で

play01:35

あってたりされるっていうようなことが

play01:37

あってそれをえなんとか商人化してえその

play01:41

他のLINEにですね人にしかできない

play01:44

LINEに移っていただきたいていうよう

play01:46

なあの課題感っていうのがあり

play01:51

[音楽]

play01:53

ますそれでは農業の現場でどのように

play01:56

デジタルが活用されているのか詳しくして

play02:00

play02:02

ましょうこの動画は1農業現場の課題2

play02:07

物体検出サービスラプラスアイの解説3

play02:11

求める人材と今後の展開についての3つの

play02:15

ステップで構成されてい

play02:23

ます私たちの生活に欠かせない

play02:27

農作物ですがそれらを育てる人口は高齢で

play02:31

リタイアする農家も多く新規収納者を

play02:33

上回ることから年々減少していますしかし

play02:38

農業には人の手が必要な場面も多くそこを

play02:41

どのように商人化するのかが課題になって

play02:43

いますまた熟練者の知恵をどのようにして

play02:47

次の世代に残していくかの課題もありまし

play02:50

たその課題をAIやデジタル技術で解決し

play02:54

ているのが今回紹介する株式会社ラプラス

play02:58

ですラプラスは佐保光線を卒業した同級生

play03:01

で立ち上げた会社で物づくりが大好きな

play03:04

メンバーが集まっています誰も職に困ら

play03:08

ない世界を作るビジョンにAIで農業の

play03:11

持続可能性を支援していますでは実際に

play03:14

どのようにAIを活用しているのか

play03:17

株式会社ラプラスの原崎市に解説いただき

play03:26

ましょうえラプラスIについてえ説明させ

play03:30

ていただきますえラプラスIはですねえ

play03:33

物体を検出するためのエンジンですねま

play03:36

AIを用いておりますで特徴としてはです

play03:40

ね物をえ見分けてえ数えてで時間を測っ

play03:45

たりできるまこういうあの人の目を目と脳

play03:48

を使ってえっとやることをですねえ実現

play03:52

するためのえエンジンになっておりますで

play03:57

右の右上の図のようにですねま例えばイゴ

play04:01

のですね収穫可能なものえ収穫待ちのもの

play04:04

まこういうものをま色味であったり特徴を

play04:07

捉えてえ数えて見分けて数えるですねえ

play04:11

これによって収穫のえ予測ですね収穫量

play04:15

予測みたいなことをですねえ実現できたり

play04:18

もしますなぜこれをですねえ作っていくえ

play04:22

に至ったかって言うとですねやっぱり皆

play04:24

さんご存知の通りですねえ圧倒的にですね

play04:27

今後労働者がですね不足していくくわけな

play04:30

んですねでその中でえ皆さん経営される

play04:34

方々とかですねま人がいないってなるとま

play04:37

時間と余裕どちらもないっていうですねえ

play04:40

こういう状況になっちゃうもはやなってる

play04:42

わけですねでそんな中でですねどういう

play04:46

課題をですねえ解決していけばえこういっ

play04:49

た問題ってのはですねえ解消していくの

play04:52

かっていうことを考えてみてえそれは答え

play04:56

と答えの1つとしてはですねえ目視判断

play04:59

ですねえ目視判断っっていうのがですね実

play05:02

は皆さんも生活していく中とかですね工場

play05:06

ではえ目を使って頭で何か判断するって

play05:11

いう時間ってのがとてつもなく大きな

play05:13

ウェイトを占めているわけなんですねで

play05:16

そんな時にですね目で見て何か判断するっ

play05:19

ていうのをえ機会にえやってもらえれば

play05:23

かなりその全体の関節行数っていうのは

play05:26

減るのではないかという風に考えてこの

play05:28

ラプラスアイを作るに至りましたで例えば

play05:32

ですねこういったあの果実とかえ野菜とか

play05:36

をですねコンベアの上を流れているところ

play05:38

ではですねま人がこうやって並んでえ

play05:41

たくさんえ見てるわけなんですねでえその

play05:45

見ていてえ結局この傷がついてるとかえー

play05:50

下が取れてるとかですねそういったものを

play05:53

人がピッピッとこう弾いていってるわけな

play05:55

んですね人が5人かけてこのLINEを見

play05:58

てるっていうのはですね不良品を出荷し

play06:00

ないで済むようにえ5人で見てたりするん

play06:03

ですねなのでえこういうえところてのは

play06:07

ですねあの改善するポイントとしてはです

play06:09

ね非常に魅力的です具体的なプロダクトと

play06:13

サービスとしてはですねこういうHPCと

play06:16

えカメラですねプラスえクラウドのま3点

play06:20

セットでえ提供していきたいという風に

play06:23

思っていてじゃあ一般的なこういうあの

play06:26

物体検出系の話と何が違うのっていうと

play06:29

ですねえまず価格はだいぶ抑えていますと

play06:33

通常ですねあのこういう物体検出を行って

play06:38

ま目で見て何かをやるみたいな

play06:40

プロジェクトはですねま一般的にすごく

play06:43

えっと0から作っていこうとするとま

play06:45

だいぶお金かかりますでえ時間もかかり

play06:48

ますでそれをですねこういうですねえ

play06:51

パッケージとしてえ1つのこう機能の塊り

play06:55

としてあらかじめ用意しておくことによっ

play06:57

てえかつ汎用性も保ちながらですねえこう

play07:01

いうあの提供価格の圧縮っていうのにえ

play07:04

成功しましたそしてえすぐに試せ

play07:07

るっていうところですねま0から作るわけ

play07:09

じゃないんでえま早いもので言うともうえ

play07:14

12週間あればもうすぐに試せるという

play07:16

ような状況ですそして実運用にえ十分な

play07:21

制度がえ出ていますもちろん用途にもより

play07:24

ますしどんなデータをえどんな風に学習さ

play07:28

せていくかっていうことにもよるんです

play07:30

けれどもえ掃除てですねえラプIに使われ

play07:35

ているアルゴリズムはですね高い精度が

play07:37

出せるということがえ分かっています

play07:40

そしてえこのプロダクトえラプラスIです

play07:43

ねえ豊富なインターフェイスがございます

play07:45

例えばえ入力する場合はこういうIP

play07:48

カメラとかえこういうウブカメラですねえ

play07:53

あるいは専用のえま研究用のカメラとか

play07:57

ですねま目に当たるものであればま荒方何

play08:00

でも繋がるというようなインターフェイス

play08:02

を持っていてでかつですねえこのえラプラ

play08:06

サイえからえ先ですねま要は目で見て何か

play08:11

を判断した例えばNG品が多いとかえ

play08:15

オッケ品が多いとかですねまそういう数え

play08:18

て見分けてえ判断した上でじゃあ次出力し

play08:23

たいわけですね出力する時はえロボット

play08:25

アームに連携するとかPLCに連携すると

play08:29

かえあるいは何かえ作業用の設備に連携

play08:33

するとかですねま要は何かが見て分かって

play08:36

その後何したいかっていうのは様々だと

play08:38

思うんでえそういったインターフェイスを

play08:40

揃えておりますまたですね導入のボトル

play08:44

ネックっていうのをえっと解消する

play08:46

取り組みをえ弊社としては進めていてです

play08:49

ねえどういうことかって言うとですねま

play08:51

機械学習を用いたプロジェクトのあるある

play08:56

なんですけど結局ま要はAIが動き実際に

play09:00

稼働し始めるまでにやることってのが結構

play09:03

たくさんありますで例えばデータを集め

play09:06

ますでデータを集めてえデータを管理し

play09:10

ます管理しているデータに対してえ

play09:14

ラベリングですねあのアノテーションとか

play09:16

えラベリングま要はこのデータがえこう

play09:20

いうデータだよっていうのをAIに教える

play09:22

ためのえ前準備ですねえでデータセットを

play09:26

作成しますでえ学習のパラメータを決め

play09:30

ますえまエポックとかバッチサイズとかま

play09:33

いろんなパラメーターがありますけどま

play09:35

こういう条件で試しに学習させてみよう

play09:38

かっていうことを決めなきゃいけないわけ

play09:40

ですねでそれをえやりますとでそれで実際

play09:43

に学習させて

play09:45

え学習が終わってじゃあモデルがどれ

play09:48

ぐらい使い物になりそうかっていうのを

play09:50

評価して初めてま現場に導入ということが

play09:54

できるようになるわけですねでこのえま

play09:57

いくつかやんなきゃいけないことがあって

play10:00

でそれをですねえ導入する際のボトルネッ

play10:04

クっていう風に我々はえ見ていてでそれら

play10:08

をですねもしAIに特化したエンジニアが

play10:12

え全部やってるとですねとてもじゃない

play10:15

けどたくさんの現場に導入していくって

play10:17

いうのがですねなかなかやっぱり難しい

play10:20

わけなんですねいやいやそうじゃなくて

play10:23

その課題を持たれているお客様自身がです

play10:26

ねえそういうあのデータの管理とかえ

play10:30

データセットの作成とかをですねあの

play10:33

できるようになったらお客さん自らがえ

play10:38

現場の課題を見つけてえラプラスがあれば

play10:41

それを解決できるっていうあの道具として

play10:44

ですね使いやすくなるえしかつお客様が

play10:47

導入される時のえっとコストってのもです

play10:51

ねえっとAI専門のエンジニアが動かなく

play10:54

ても済むんで結局下がるわけですでさらに

play10:57

えっと維持とかしていくためのコストって

play11:00

のもえ抑えられるわけですねそしてえ我々

play11:04

からするとですよえそういうえ導入に至る

play11:08

までの全ての工程っていうのをですねあの

play11:11

我々以外のあのお客様側でえ実施

play11:15

いただけることによってよりたくさんの

play11:17

課題をえ解決するためにラプラサを提供

play11:20

できるようになるとまそういった相場効果

play11:22

が見込まれるのでえこの同流のボトル

play11:25

ネックをえ解消しデータセット作成範囲

play11:29

チューニングモデル評価ってのをクラウド

play11:31

で全てえできるようにえ今進めていますで

play11:35

え最後はですねえ現場に置いてあるまこう

play11:38

いうHPCですねHPCの中にえっと

play11:41

ラプラスIのえ新しいモデルってのを遠隔

play11:44

でこう入れていくような気候もですねえ

play11:47

備えています

play11:49

はいはいでえ1番の特徴としてはですね

play11:53

えっと独自にアルゴリズムをえ全て作って

play11:56

いるということをえ

play11:59

我々やっていてですねえ圧倒的に制度が

play12:03

高いということがえ1つ上げられますで

play12:06

もちろんあのいろんなですねあの他社さん

play12:09

とかもやってるあのアルゴリズムもあのと

play12:12

こういう用途に対してはすごくえっと制度

play12:16

が出せてえ業界ではものすごく有用だって

play12:19

いうものもちろんあるという前提でですね

play12:22

弊社がえっと比較対象としてるものはです

play12:26

ねま例えば物体検出として有名なヨですね

play12:30

いろんなバージョンがありますえっとV8

play12:33

ぐらいまで今出てると思うんですけどそれ

play12:35

とですねえっと実際に比較を行っており

play12:37

ますでもちろん前提としてですね同じえ

play12:41

データセット数ですねで同じえエポック数

play12:44

ですねまエポクっていうのは何回学習回す

play12:47

かっていうようなイメージなんですけど

play12:49

あのそれをですねえっと比較を行っており

play12:52

ますで緑がえ既存の手法ですねでえピンク

play12:56

がえラプラスでえ作ったえ手法ですねでえ

play13:02

これを比較して横軸がエポックスですねで

play13:05

縦軸がえっとAPですねま正しく検出でき

play13:09

ているかみたいな値ですねえ平たく言うと

play13:13

でそれをえ比較するとですね大体え75

play13:17

エポックぐらいでえっとま広く世の中で

play13:20

使われている既存手法っていうのをですね

play13:22

あの上回ってくるぐらいのですねえ精度

play13:26

っっていうのは出せているかなとで学習

play13:28

終了時点でですねえ大体えまバイトまで

play13:32

はかないですけど1.5倍ぐらいのえっと

play13:34

APが出てるかなというような状況ですで

play13:38

まグラフ見てもあんまわかんないので実際

play13:40

に目で見てみましょうねということでえお

play13:43

見せしますでこれがですね何やってる

play13:47

かって言うとえっとノり見つけてますま

play13:50

あの非常にあの目で見てもどこにあるかが

play13:54

よく分からないレベルの話だと思うんです

play13:56

けれどもえまず右側ではですね既存手法を

play14:00

使っています左側で独自の手法を使ってい

play14:03

ますでえ右側のえ薄緑の方ですねえこちら

play14:08

でえ見つけることができているのりのえ

play14:13

個数っていうのがですねえ上と下の画像を

play14:16

合わせて4点見つけられてると思いますで

play14:20

これもちろんあの同じデータセットですね

play14:23

大体えっと340枚ぐらいの画像から

play14:26

えっと150点ぐらいのですねあの

play14:29

アノテーションを行ってえ同じそのデータ

play14:34

をえそれぞれ既存手法と独自手法のですね

play14:38

両方こうあの学習させたというような状況

play14:42

で条件は全く同じですねでじゃあ独自手法

play14:45

の方どうかって言うとですねまあの見て

play14:48

分かる通りあの正しくかつ見落としがなく

play14:53

ですねつまりAPがえ高いていうえことが

play14:57

えまぱっと見分かるあると思いますでよく

play15:01

見ないと分かりにくい人の目で見ても

play15:03

なかなか見つけ出せないようなものもです

play15:05

ねえ独自手法であればえきちんと見つける

play15:09

ことができているのでまあのえっと制度と

play15:13

いう意味ではえっと非常に自信があります

play15:16

はいで具体例としてはですねま今これ

play15:19

取り組み途中のものやえっと実際に実現し

play15:23

たものが様々あるんですけれども例えば

play15:26

えっと収穫量の予測ですね

play15:29

あのいつえどれぐらいの量が取れてえこれ

play15:34

ぐらい出荷できるっていうのをですねえ

play15:37

うまく予想するのってなかなか難しいわけ

play15:40

なんですねでそれを100%に近い精度で

play15:43

本当に当てるってのはもうほぼ不可能に

play15:46

近いんですけどそれでも大体これぐらいの

play15:49

量が取れそうだっていうざっくりですね

play15:52

予測ができるだけでもですね出荷する際の

play15:56

え人材配置ですとかえ例えば市場に下ろす

play16:00

際にこれぐらいの量多分出ると思いますっ

play16:02

ていうことが言えることによってえ関係者

play16:05

のですねえ人材の配置ですとかその構え

play16:09

っていうのがだいぶ変わってくるわけなん

play16:11

ですねでそれがなかなかうまくできない

play16:13

もんでま皆さん困ってるという状況ですで

play16:17

それをえなんとかこう解決していきたいと

play16:21

思ってえまだ実現はしてないんですけど

play16:24

あの取り組みとしてやや進めていってるの

play16:27

はこの収穫料のの予測ですねでこれには

play16:30

ラプラスアイ使ていてえ見分けて数え

play16:34

るっていうところをですねえラプラスアイ

play16:36

がになっていますでこの毎日毎日えこう

play16:41

いう農業の補助のですねあの映像っていう

play16:44

のをですねて自動で取っていって収穫可能

play16:47

なものが今日何個収穫待ちのものが今日何

play16:50

個っていうことをですねずっとこう取って

play16:52

いくんですねで当然あの収穫したりする

play16:56

わけですから収穫化っていうものはえっと

play16:59

その日その日でずっと変動していきます

play17:01

ただえっと収穫待ちのものが収穫下になっ

play17:04

て収穫下のものがまた次えっと収穫されて

play17:08

減っていくていうこのえっとサイクルを

play17:10

ですねえ延々取っていきますで例えば修学

play17:14

町は街でまあとどれぐらいの日数で収穫

play17:16

できそうなのかていうところまでえ今

play17:19

分かってきていますとでそれをやるとです

play17:21

ねじゃあ10日後にはこれぐらい取れそう

play17:23

だえ5日後にはこれぐらい取れそうだ3日

play17:26

後にはこれぐらい取れそうだというですね

play17:28

予測が立ち始めるんですねでそれをえやっ

play17:31

ており

play17:33

ますでこちらがですねあの1番分かり

play17:37

やすい例かもしれませんこれがあの出荷

play17:39

梱包ラインの商人化ですねえ左上の図に

play17:43

あるようにですねあのま要は人がですね

play17:46

生産あの出荷梱包ラインに貼り付いてです

play17:49

ね5人とかでま結局こう物を見ながら不良

play17:53

品が抜けないかっていうことをやってる

play17:55

わけなんですねでこれをやはり皆さん

play17:58

化したいという課題をお持ちなんですねで

play18:01

5名から3名にするためにはどうしたら

play18:03

いいっていうあのご相談が実際に発生して

play18:06

いますでこの中でですねじゃあどうし

play18:09

ましょうかとあのま要は完全にあの人が人

play18:15

が不要なラインにするのはま次のステップ

play18:19

ですねとじゃまず何ができそうかっていう

play18:21

ところでえ話して話し合った結果として

play18:24

ですねまあの5人かかってるのを3人に

play18:26

するためには結局コンベアですねこの物を

play18:30

運んでいるコンベアのえ速度を調整して

play18:34

あげれるようにすればいいじゃんという

play18:36

えっと話になりましたで例えばNG品がえ

play18:41

少ない時はですね通常のこれまで通りの

play18:44

速度でこう流しますとでNG品が多い時

play18:48

だけえっと運転速度を下げようということ

play18:51

にえなってますまつまり運転速度がえNG

play18:56

品が多い時だけゆっくり流れればですね今

play18:59

まで5人以内とえNG品が抜けてたえ工程

play19:03

でも3人いればNG品見なきゃいけない

play19:06

ものが多い時だけゆっくり流してあげれば

play19:09

ですねそれまでのスループットってのを

play19:11

維持しつつ不良かつ不良品が3人でも抜け

play19:14

ないっていうえことが実現できるように

play19:17

なりそうだという状況なわけなんです

play19:21

ねラプラスではAIが物を見分ける物体出

play19:26

に独自の手法を用いて農作物の色や形を

play19:29

高い精度で見分けることができるようにし

play19:32

ましたそれにより人が行っていた目視判断

play19:36

の部分をAIが変わりにすることで商人化

play19:39

を実現したり知識の俗人化を防ぐ効果も

play19:42

ありましたまたAIの専門家でなくても

play19:46

ラプラスアイがあれば農家が自ら課題が

play19:49

解決できるような仕組みも作っています

play19:52

解説にあったアノテーションを見てみ

play19:55

ましょうえアノテーションと一口に言って

play19:58

もですねまあのそもそもま目的ですね何を

play20:02

やりたいのていうところでま全然あの定書

play20:05

の仕方ってのは変わってくるんですねま

play20:07

ただま皆さんがよくあの想像するのはま

play20:10

例えばえミニトマトっていうのをま

play20:13

見つけようというようなえ問題あの解決す

play20:17

べき課題解いていくべき課題ってのがあっ

play20:19

た時にですねまあのこうやってミニット

play20:22

マットの画像にまこうやってあのペチペチ

play20:25

とこうやってあのアノテーションしていく

play20:28

わけですね

play20:30

はいこんな感じでしょうかねはいまこんな

play20:34

感じですねでこれでえっとミニトマト

play20:37

みたいな感じあるいは下手を見つけたいの

play20:40

であればえこういう風にま下の部分だけえ

play20:45

囲っていくみたいなこともあるかもしれ

play20:47

ませんこんな感じですねよいしょよいしょ

play20:52

よいしょよいしょまこんな感じですねで

play20:54

これ下という風にするみたいなまこういう

play20:57

のをですねえアノテーションという風に

play21:00

言いますで今あのやってる作業っていうの

play21:03

はですねまが大きくその分けるとまあのま

play21:07

画像分類っていうパターンとあとは物体を

play21:10

検出する物体検出っていうものがあります

play21:13

でそのうちま物体検出でえこういった作業

play21:16

が必要になりますねで画像分類だとま

play21:20

シンプルにまこの画像がミニトマトなのか

play21:23

えまた別なのかですていう分け方になるん

play21:27

ですけどこの画像の中でじゃミニット

play21:30

マートはどこにあるのかっていうところ

play21:33

までをえ推論するのが物体件数ですねでえ

play21:38

今みたいにですねこうやってあのポチポチ

play21:41

ポチポチポチと囲んでいったんですけれど

play21:43

もま目的によってはですねまいろんな

play21:46

パターンがありますここに下手ミニトマト

play21:49

傷みたいな感じでえっとラベルってのを

play21:52

用意してるんですけですけどまこれがです

play21:55

よ例えばえっと収穫時期のえ予測っていう

play22:00

のをやりたいとなってくるとですねまた話

play22:02

は別になってくるんですねでこれはミニ

play22:05

トマトを見つけても正直言ってあんまり

play22:07

収穫時期のですね予測には役立たないわけ

play22:10

でじゃそういう時どうするかっていうと

play22:12

ですねえもしあなたがえ色味をもにえ収穫

play22:17

時期のえ予想をしたいというテーマを与え

play22:21

られたのだとするとまこういうパターンも

play22:24

ありますということをお示します例えば

play22:27

ですねええっと色味によってえ実際に収穫

play22:31

までの日数っていうのがですねまある程度

play22:34

予想できるという風に言われていますで

play22:37

色味を元にえ予想していくってなるとま

play22:41

カメラに映ったですねまミニトマトをの色

play22:45

を元にじゃあ何日後に取れるのかっていう

play22:48

ところをですねえカメラで見つけてじゃあ

play22:51

あとこれ3日後だな1週間後だなってのを

play22:53

見ていけばいいわけですねそうなった時に

play22:56

はまラベルの付け方にもよりますけど

play23:00

まあと3デズですねであとえ7

play23:05

デイズとかあとはえ10

play23:09

デイズとかえあとはえ

play23:14

成熟収穫可能みたいなえラベルを作っても

play23:19

いいわけですねはいで具体的にどう何を

play23:22

言ってるのかって言とですねえっとはい

play23:25

例えばこういうあの青をしたものですねま

play23:28

これを実際にアノテーションしていきえ

play23:32

アノテーション

play23:33

こうですねこれをしていってじゃあこれは

play23:37

ですねまだまだ先だなということでま実際

play23:40

これぐらいの色みだったらですね修学まで

play23:42

10日ぐらいかかるんですけどまこれは

play23:44

10日10デイズっていう風にしとくん

play23:47

ですねでじゃあこっちはどうかえこちらは

play23:49

ですねもう赤がもうほぼほぼえ支配的な

play23:53

色味になってるのでまこういう時はですね

play23:56

こんな感じでえ

play23:59

えっと収穫可能っていうラベルをつけます

play24:02

するとですねえこれ学習した時どうなる

play24:05

かって言うとえっとこういうものを

play24:07

映し出した時にえっと収穫可能っていうえ

play24:12

まえトマトが1つあるよっていうことが

play24:16

分かるわけですねで一方でこういうものを

play24:19

見た時にえ10日先のえものが映ってるよ

play24:24

ということが分かるわけですねじゃあ一方

play24:27

でえどうしようかなまこれぐらいしとき

play24:29

ましょうかちょっとこうまだ赤とは言え

play24:32

ないオレンジかかったようなものですね

play24:35

はいまこういうのがあった時にじゃああと

play24:38

3日だねというラベルのけ方をするとまこ

play24:42

これがすぐにでも取れるものま今日取れる

play24:45

ものっていうのがまず分かりますねで一方

play24:48

でえこういうものをみ見ておくとじゃあ

play24:53

あと3日後に取れるものっていうのがえ

play24:55

この画格の中からこう分かってくるという

play24:58

わけですねじゃこれ何が嬉しいかって言う

play25:01

とま収穫の予測ができるというわけですね

play25:04

例えばこれを全部え全部のアノテーション

play25:07

行い学習させてじゃこういう似たようなえ

play25:11

画像ってのをねあのAIに見せた時どう

play25:14

なるかって言うとじゃあ例えば

play25:17

123とかですねえあと3日のものが3つ

play25:21

映ってるとでえ例えば

play25:26

123456789ですねえあとえ10日

play25:30

収穫までに10日かかるものがえっと9個

play25:34

映ってるとですぐにでも収穫できるものが

play26:00

このようなアノテーションを農家らが行う

play26:02

ことで発見した課題にすぐに対処ができ

play26:05

たり収穫量の予測によって適切な人員配置

play26:09

ができ結果としてコスト削減へつなぐよう

play26:12

な開発が進んでい

play26:16

ます最後に株式会社ラプラスが求める人材

play26:20

と今後の展開についてお伺いし

play26:24

ます求める人材像としてはですねやっぱり

play26:27

こう

play26:29

何でしょうねそのまうーんってずっとこう

play26:31

考え

play26:32

続けるのではなくてですねこう何かしら

play26:35

こう課題が目の前に出てきた時に

play26:37

とりあえずやってみようというえ

play26:40

アクションができる方っていうのが非常に

play26:44

弊社には合ってるんじゃないかなと思い

play26:46

ますでえていうのもですねやっぱりこう

play26:50

何かこう分からない壁なり課題に当たった

play26:53

時ってどうしてもやっぱりみんな考え

play26:55

るっていうことが先行してしまって

play26:57

なかなかこう手を動かせなくてどうしても

play26:59

時間ばかりが過ぎていくっていうのって

play27:01

やっぱ多いと思うんですよねでもこういう

play27:03

AIの分野っていうのはえこうなったって

play27:07

いう結果からあ実はこうなってるんじゃな

play27:10

いっていう思考プロセスが非常に重要なん

play27:12

ですねまそれがやっぱりやってみて初めて

play27:15

分かるやっぱこういうあの機械学習とか

play27:18

AIを使ったえ取り組みのえま大きな割合

play27:22

を占めるえ作業になってくるんですねま

play27:25

そういった意味で何か課題があった時にえ

play27:28

すぐに手動かしてえ見るわかんなかったら

play27:31

とりあえずググるとか分かんなかったら

play27:33

とりあえずGPTに聞いてみるっていう

play27:35

ようなま要は打破するためのですね物事目

play27:38

の前にある課題を打破するためのえ習慣が

play27:42

え身についてる方っていうのがすごくあの

play27:45

フィットするんじゃないかなと思います

play27:48

うんあとはですねあのあれですねま物作り

play27:52

が好きとかですねま別にそのAIを今まで

play27:55

やったことAIの開発をあのやったこと

play27:59

あるかどうかはですねま正直あんまり関係

play28:02

ないと思っていてそれよりかもあ物を作っ

play28:05

て作ったものがお客さんに届いてでそれで

play28:09

えお客さんが笑顔になって欲しいなって

play28:12

いう思いを持たれているまそういうのの方

play28:15

がま今までこんだけ経験しましたよりかも

play28:18

重要だと思いますま正直言ってAIもです

play28:21

ねあのどんどんどんどん世の中でですね

play28:24

あのどんどん新しいものが出ていってるん

play28:27

で我我々ですらやっぱりその知り尽くし

play28:30

てるわけではないんですよなのでどちらか

play28:34

というとま未知なるものとか課題ってのが

play28:37

あった時にあそれに対してえもお客さんを

play28:41

笑顔にしたい作って動かせるようになりた

play28:43

いっていうモチベーションで手を動かして

play28:46

いけるような方がえAIとか今後のまあの

play28:50

DXとかまそういった分野にはすごい向い

play28:53

てるかなと思いますし弊社でもあのそう

play28:55

いう方をですねえ待っているという状況

play28:59

ですそうですね今後のえ計画や展望につい

play29:03

てですけどもまずあの大前提としてその今

play29:10

ま日本国内

play29:12

えやま九州っていうところではま人が

play29:17

そもそも減ってますねで減っていてでそれ

play29:21

を解決していくってなるとですねやっぱり

play29:24

その1人1人のその生産性を上げていくっ

play29:27

ていうことがやっぱり必要だと思ってい

play29:29

ますでそのためにえっと弊社ではですね

play29:33

あのDXっていう文脈でえ人の目やえ脳に

play29:38

え変わる技術っていうのをですねどんどん

play29:40

広げていきたいという思いでやっています

play29:43

でやはりその目で見て何かを判断するって

play29:47

いうコースはですねま皆さんが思っている

play29:51

よりかもすごく大きなウェイトを占めてい

play29:53

てあのそれをですね解消していくっていう

play29:57

のは業全体の性化につがると思っています

play30:00

でさらにその先にはですねやっぱりこう目

play30:04

で見て判断するだけじゃなくてさらにこう

play30:07

ロボットですねロボットと連動することに

play30:09

よって手作業でやっているえ繰り返し作業

play30:13

なんかをですね一部そのロボットに

play30:15

置き換えるっていうま自動化の部分までえ

play30:19

考えて今え取り組みを始めたところです

play30:23

株式会社ラプラスではAIを活用し農業者

play30:27

がから課題を解決できるようなサポートを

play30:30

行っていましたIT企業だけではなくどの

play30:34

ような企業で働くにしてもデジタル技術の

play30:36

知識が必要とされる時代です今回紹介した

play30:41

株式会社ラプラスのように様々な課題に

play30:44

対しデジタルが活用できるのではないかと

play30:47

想像できる人になれるといいです

play30:50

[音楽]

play30:56

ねDET

play31:04

[音楽]

Rate This

5.0 / 5 (0 votes)

Related Tags
AI活用農業デジタル化自動化コンベア不良品目視判断ラプラスAI物体検出収穫予測デジタル技術DX
Do you need a summary in English?