これまで人手に大きく依存してきた作物の収穫作業を自動化する取り組みが、急速に一つの産業へと育っています。MarketsandMarketsは、世界の農業ロボット市場が2025年の177億3,000万ドルから2030年には562億6,000万ドルへ、年平均26.0%で成長すると予測しています（MarketsandMarkets『Agricultural Robots Market Report』）。農村部の人手不足が構造的なものになるにつれ、収穫のような労働集約的な作業を自動化する需要が高まっています。

収穫ロボットが畑で働く前に、まず必要なのは、周囲の作物を認識できることです。何を収穫すべきかを判断する認識モデルは、ロボットの根幹をなす部分であり、そのモデルの性能は学習データによって決まります。

AIを活用した作物の自動収穫ロボットを開発するアグリテック（AgTech）企業のMetafarmers（メタファーマーズ）は、この課題を抱えてSuperb AIに相談しました。同社が必要としていたのは作物認識モデル向けの学習データであり、そのラベリング作業を外部に任せられるかを検討していました。Superb AIはSuperb Platform（スーパーブ プラットフォーム）とデータサービスを組み合わせて必要な作物認識データセットを構築し、Metafarmersにとって繰り返し運用できるデータパイプラインを整えました。

この記事の要点

• 収穫ロボットの認識モデルには、苗の段階の作物を認識するデータと、成長した作物の中から収穫対象を見分けるデータの2種類が必要でした。生育段階で見た目が変わるため、段階ごとに別のデータセットが必要になります。
• 葉と茎が重なり合い、1つの対象が複数に枝分かれして見える作物画像は、ラベリングの判断が分かれやすい対象です。Superb AIはお客様が既に持っていたラベリングガイドを引き継ぎ、ゼロから作り直さずに基準を精緻化しました。
• アノテーションを社内開発チームの外に出したことで、Metafarmersのエンジニアはロボットとモデルの開発に集中できる体制になりました。新しいデータが発生しても、同じパイプラインで繰り返し処理できます。

課題：ロボット開発の人材が、ラベリングに追われていた

収穫ロボットの認識モデルには、2種類のデータが必要でした。一つは苗の段階にある若い作物を認識するためのデータ、もう一つは十分に成長した作物の中から収穫対象を特定するためのデータです。作物の見た目は生育段階によって変わるため、段階ごとに別のデータセットが必要になります。

問題は、作物画像がとりわけラベリングしにくい対象であることでした。葉と茎が重なり合い、1つの対象が複数の枝に分かれて見えることもあります。こうした判断の分かれるケースについてアノテーション基準が明確に定義されていないと、データセット全体の一貫性はすぐに崩れてしまいます。

それまでMetafarmersは、必要なデータを社内でラベリングしていました。しかしデータの要件が増えるにつれ、ロボットとモデルの開発を担う同じエンジニアがアノテーションに時間を割く体制は、維持することが難しくなっていきました。ロボット開発とデータセット制作が同じリソースを奪い合わないようにするため、同社は信頼して任せられる外部のラベリングパイプラインを必要としていました。

解決策：認識のニーズごとに設計した、2つのアノテーションタスク

Superb AIは、このプロジェクトを2つの独立したアノテーションタスクとして設計しました。苗の認識用データはバウンディングボックスでラベリングし、収穫対象のデータは各対象の輪郭を正確に捉えるインスタンスセグメンテーションで処理します。アノテーション手法は、それぞれの認識タスクに求められる精度の水準に合わせて選定しました。

［図1］生育段階の違いに合わせて使い分けた2つのアノテーション手法（コンセプト図。実際のお客様データではありません）

アノテーションを始める前に、両チームで基準をすり合わせました。Metafarmersは社内でラベリング済みのデータと既存のラベリングガイドを持っていたため、Superb AIはゼロから作り直すのではなく、それらの資料を引き継ぐ形で構築を進めました。キックオフでは両チームがアノテーション基準を一緒に確認し、作物画像に固有の判断が分かれるケースを、制作開始前に文書化しています。

［図2］データセット構築のワークフロー——お客様の既存ガイドの引き継ぎから、繰り返し運用できる制作プロセスまで（再構成）

成果：チームがロボット開発に集中できる状態を保つ

このプロジェクトは、Metafarmersに2つの成果をもたらしました。一つは、ロボットの認識モデルを学習させるために必要な作物認識データ。もう一つは、新しいデータを処理する必要が生じたときに繰り返し実行できる、外部のデータパイプラインです。

アノテーションを社内開発チームの外に出したことで、Metafarmersはエンジニアがロボットとモデルの開発に集中し続けられる構造をつくりました。

［図3］学習データの取得プロセスがどう変わったか（コンセプト図）

プロジェクトで得られたもの（要約）

Superb AIにとってこの事例は、データサービスが単発のラベリングプロジェクトを超えてロボティクス企業を支援できることを示すものです。プロセスは、お客様がすでにお持ちのガイドラインを引き継ぐことから始まります。そこからデータの特性に合わせてプロジェクトの範囲とアノテーション手法を調整し、新しいタスクやデータセットが生まれたときにも同じ基準を適用していきます。

ロボットが物理世界で認識し、判断し、行動するためには、まず何を認識すべきかを教えるデータが必要です。Superb AIは、そのデータの基盤づくりをお手伝いします。

よくある質問（FAQ）

Q1. 作物のように形が不規則な対象でも、ラベリングの品質は保てますか？

基準を先に定めれば保てます。葉と茎が重なるような判断の分かれるケースは、キックオフの段階でアノテーション基準に盛り込み、ラベリングと品質レビューの双方がその基準に従う形にします。本プロジェクトでは、お客様の既存ガイドを出発点として引き継ぎ、アノテーション開始前に基準を共同で精緻化しました。

Q2. すでに社内でラベリングしてきたデータがあります。その続きから対応してもらえますか？

対応できます。本事例では、お客様の既存のラベリング済みデータとアノテーション基準を引き継ぎ、制作開始前に基準をすり合わせたうえで、最終レビューはお客様がSuperb Platform上で直接実施できる形にしました。

作物認識をはじめとするロボティクス向けのデータ構築については、Superb AIまでお問い合わせください。プロジェクトの進め方や基準のすり合わせについても、あわせてご相談いただけます。

Superb AIは、産業現場のビジュアルデータを、企業が実際に活用できる知能へと変換するVision Intelligence（ビジョンインテリジェンス）企業です。