スマート農業IT教育

---

📷 画像処理・画像分析 in スマート農業（週単位教材）

🔹 フェーズ1：画像処理の基礎（OpenCV中心）【Week 1〜8】

🔹 フェーズ2：ディープラーニングによる画像認識【Week 9〜16】

🔹 フェーズ3：農業現場応用プロジェクト制作【Week 17〜24】

---

🧪 フェーズ1：画像処理基礎（OpenCV中心）【Week 1〜8】

週	タイトル	内容概要	ノートブック例
Week 1	画像ファイルの読み込みと表示	OpenCV入門、画像のRGB/BGR変換、チャンネル操作	week01_opencv_intro.ipynb
Week 2	基本的な画像処理	グレースケール変換、ぼかし（平滑化）、閾値処理	week02_opencv_processing.ipynb
Week 3	輪郭検出と形状解析	Canny、輪郭抽出、面積・外接矩形の計算	week03_contour_analysis.ipynb
Week 4	ヒストグラム解析	明るさ/色の分布、ヒストグラム平坦化	week04_histogram_analysis.ipynb
Week 5	幾何変換	リサイズ、回転、アフィン・射影変換	week05_geometry_transforms.ipynb
Week 6	マスキングと領域抽出	ROI抽出、条件付き抽出（色・閾値）	week06_masking_roi.ipynb
Week 7	画像合成と透過処理	加重合成、透明背景合成（アルファチャンネル）	week07_compositing.ipynb
Week 8	応用演習①：葉面積の測定	例：作物の葉を二値化→面積計算	week08_leaf_area_calc.ipynb

---

🧠 フェーズ2：ディープラーニングによる画像分析【Week 9〜16】

週	タイトル	内容概要	ノートブック例
Week 9	CNN基礎①	Convolutionの仕組み、MaxPoolingなど	week09_cnn_intro.ipynb
Week 10	CNN基礎②	kerasによるシンプルなCNN構築（分類）	week10_cnn_build.ipynb
Week 11	データ拡張と前処理	回転・反転・拡張による学習改善	week11_data_aug.ipynb
Week 12	転移学習（ResNet等）	学習済みモデルの応用とfine-tuning	week12_transfer_learning.ipynb
Week 13	精度評価と混同行列	精度/再現率/F1・Confusion Matrixの表示	week13_model_eval.ipynb
Week 14	物体検出①：YOLOv5入門	基本構造と使い方	week14_yolo_intro.ipynb
Week 15	物体検出②：農業応用	害虫・病斑・果実検出など	week15_yolo_agri.ipynb
Week 16	応用演習②：病気画像分類	農研機構データを使った病気識別	week16_disease_classify.ipynb

---

🌾 フェーズ3：農業現場応用プロジェクト制作【Week 17〜24】

💡 プロジェクトテーマ例（応用）

• 葉の病気診断アプリ（スマホ撮影画像）
• 果実の熟度・大きさ分類モデル（収穫支援）
• 雑草 vs 作物の分類 → 自動除草
• 害虫検出モデル（YOLO）
• ドローン画像を用いた圃場モニタリング（区画抽出＋異常検出）

---

各週毎の学習内容

---

week01

以下が、画像処理の入門として構成されたノートブック week01_opencv_intro.ipynb の内容です。
この週では、OpenCV を用いた画像の基本操作（読み込み・表示・加工） を通して、農業画像処理への第一歩を学びます。

🧪 week01_opencv_intro.ipynb: OpenCVによる画像処理入門

# week01_opencv_intro.ipynb：OpenCV 基本操作

import cv2
import matplotlib.pyplot as plt
import numpy as np

# Google Colab環境用: サンプル画像のアップロード
from google.colab import files
uploaded = files.upload()

# 画像読み込み
image_path = list(uploaded.keys())[0]  # 最初にアップロードされたファイル
img = cv2.imread(image_path)

# OpenCV は BGR → RGB に変換して表示する必要あり
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 画像表示
plt.figure(figsize=(8, 6))
plt.imshow(img_rgb)
plt.title("📷 入力画像")
plt.axis("off")
plt.show()

# --- 基本操作 ---
# グレースケール変換
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# リサイズ
resized = cv2.resize(img_rgb, (200, 200))

# 回転（中心回転）
(h, w) = img.shape[:2]
center = (w // 2, h // 2)
matrix = cv2.getRotationMatrix2D(center, 45, 1.0)  # 45度回転
rotated = cv2.warpAffine(img_rgb, matrix, (w, h))

# 画像の保存（例）
cv2.imwrite("rotated_image.jpg", rotated)

# --- 表示まとめ ---
fig, ax = plt.subplots(1, 3, figsize=(15, 4))
ax[0].imshow(gray, cmap='gray')
ax[0].set_title("Grayscale")

ax[1].imshow(resized)
ax[1].set_title("Resized")

ax[2].imshow(rotated)
ax[2].set_title("Rotated (45°)")

for a in ax:
    a.axis("off")

plt.tight_layout()
plt.show()

✅ 学べることまとめ

機能	説明
cv2.imread()	画像ファイルの読み込み
cv2.cvtColor()	カラーモード変換（BGR→RGB, グレースケールなど）
cv2.resize()	任意サイズへの画像リサイズ
cv2.getRotationMatrix2D() + warpAffine()	画像の回転
cv2.imwrite()	加工画像の保存

💡 発展課題

• 色チャンネルごと（R/G/B）に画像を分割して表示してみる
• 左右反転や切り出し（crop）なども試してみよう
• カメラ画像やドローン画像を使ってみる（農業応用の布石）

---

week02

以下は、OpenCV を使った画像の前処理テクニックを扱うノートブック week02_opencv_processing.ipynb の内容です。 この週では、農業画像処理の基礎的なフィルタリング・しきい値処理・輪郭抽出 など、次週以降の分析や分類処理に繋がる重要な前処理手法を学びます。

🧪 week02_opencv_processing.ipynb: OpenCVによる画像前処理

# week02_opencv_processing.ipynb：OpenCV 前処理編

import cv2
import numpy as np
import matplotlib.pyplot as plt
from google.colab import files

# ファイルアップロード
uploaded = files.upload()
image_path = list(uploaded.keys())[0]
img = cv2.imread(image_path)
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# グレースケール変換
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 1. 平滑化（ぼかし処理）
blur = cv2.GaussianBlur(gray, (5, 5), 0)

# 2. しきい値処理（二値化）
_, binary = cv2.threshold(blur, 100, 255, cv2.THRESH_BINARY)

# 3. Canny エッジ検出
edges = cv2.Canny(blur, 50, 150)

# 4. 輪郭検出
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
contour_img = img_rgb.copy()
cv2.drawContours(contour_img, contours, -1, (255, 0, 0), 2)

# 画像表示まとめ
titles = ["グレースケール", "ぼかし処理", "二値化", "エッジ検出", "輪郭抽出"]
images = [gray, blur, binary, edges, contour_img]

plt.figure(figsize=(15, 8))
for i in range(5):
    plt.subplot(2, 3, i+1)
    if i < 4:
        plt.imshow(images[i], cmap='gray')
    else:
        plt.imshow(images[i])
    plt.title(titles[i])
    plt.axis("off")
plt.tight_layout()
plt.show()

✅ 学べる処理と目的

処理手法	内容・活用例
グレースケール変換	処理の前段階として色情報を減らす
ぼかし（平滑化）	ノイズ除去。GaussianBlur を使用
二値化処理	背景と対象を分離（例：葉 vs 背景）
エッジ検出	境界線の検出。物体の形状を把握
輪郭抽出	葉・果実などの外形を捉える際に使用

🌱 農業応用の例

• 葉の輪郭抽出 → 葉面積の推定
• 害虫被害箇所の検出 → 異常の二値化によるマスキング
• 雑草 vs 作物の分離 → カメラ画像処理の下準備

🧪 発展課題

• トラックバー（cv2.createTrackbar）を使ってしきい値を動的に調整してみる
• 処理結果を比較しやすく4分割で表示する関数を作成
• 葉の輪郭だけを抜き出して面積や縦横比を計算してみる

---

week03

こちらが、輪郭や領域の定量的な解析にフォーカスしたノートブック week03_contour_analysis.ipynb の内容です。
この週では、OpenCVで得た輪郭に対する面積・周囲長・アスペクト比・ヒストグラム などの特徴量抽出を行い、画像からの定量データ取得を体験します。

🧪 week03_contour_analysis.ipynb: 輪郭と特徴量の抽出・分析

# week03_contour_analysis.ipynb：輪郭解析と特徴量抽出

import cv2
import numpy as np
import matplotlib.pyplot as plt
from google.colab import files

# ファイルアップロード
uploaded = files.upload()
image_path = list(uploaded.keys())[0]
img = cv2.imread(image_path)
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 前処理：ぼかし + 二値化
blur = cv2.GaussianBlur(gray, (5, 5), 0)
_, binary = cv2.threshold(blur, 100, 255, cv2.THRESH_BINARY)

# 輪郭抽出
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 輪郭ごとの特徴量抽出
features = []
annotated_img = img_rgb.copy()

for i, cnt in enumerate(contours):
    area = cv2.contourArea(cnt)
    perimeter = cv2.arcLength(cnt, True)
    
    # バウンディングボックス
    x, y, w, h = cv2.boundingRect(cnt)
    aspect_ratio = float(w) / h
    
    # ラベル描画
    cv2.rectangle(annotated_img, (x, y), (x+w, y+h), (0, 255, 0), 2)
    cv2.putText(annotated_img, f"#{i+1}", (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)

    features.append({
        "ID": i+1,
        "Area": area,
        "Perimeter": perimeter,
        "AspectRatio": aspect_ratio,
        "BoundingBox": (x, y, w, h)
    })

# 結果表示
plt.figure(figsize=(8, 6))
plt.imshow(annotated_img)
plt.title("輪郭と特徴量の可視化")
plt.axis("off")
plt.show()

# 特徴量テーブル表示
import pandas as pd
df_features = pd.DataFrame(features)
df_features

✅ 学べること

機能・処理	説明
cv2.contourArea()	面積の計算
cv2.arcLength()	周囲長の計算
cv2.boundingRect()	バウンディングボックスとアスペクト比
cv2.putText()	輪郭にIDを表示する

🌱 農業応用の例

• 葉面積の推定（育成度チェック）
• 作物サイズのばらつき評価（収量予測）
• 果実や葉の形状分類（健康診断）

🧪 発展課題

• すべての輪郭のヒストグラムを比較して、色や明るさの特徴量を追加
• アスペクト比や面積を条件にして「異常個体」を検出
• 複数画像をループで処理し、CSVに特徴量を書き出すスクリプトを作成

---

week02

以下は、色解析とヒストグラムを中心に学ぶノートブック week04_histogram_analysis.ipynb の内容です。
この週では、画像内の色情報の可視化・ヒストグラムの解析・しきい値処理や色抽出の応用 を学び、葉の健康状態や作物の熟度判定などへの応用の基礎を固めます。

🧪 week04_histogram_analysis.ipynb: 色解析とヒストグラム分析

# week04_histogram_analysis.ipynb：色ヒストグラムとマスク処理

import cv2
import numpy as np
import matplotlib.pyplot as plt
from google.colab import files

# 画像アップロード
uploaded = files.upload()
image_path = list(uploaded.keys())[0]
img = cv2.imread(image_path)
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# --- 色ヒストグラムの表示（RGB別） ---
colors = ('r', 'g', 'b')
plt.figure(figsize=(10, 4))
for i, col in enumerate(colors):
    hist = cv2.calcHist([img_rgb], [i], None, [256], [0, 256])
    plt.plot(hist, color=col)
    plt.xlim([0, 256])
plt.title("RGBヒストグラム")
plt.xlabel("画素値")
plt.ylabel("出現頻度")
plt.grid(True)
plt.show()

# --- HSV変換と色抽出（例：緑） ---
hsv = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2HSV)

# 緑の範囲を指定
lower_green = np.array([35, 40, 40])
upper_green = np.array([85, 255, 255])

# マスク作成と適用
mask = cv2.inRange(hsv, lower_green, upper_green)
result = cv2.bitwise_and(img_rgb, img_rgb, mask=mask)

# 結果表示
fig, ax = plt.subplots(1, 3, figsize=(16, 5))
ax[0].imshow(img_rgb)
ax[0].set_title("元画像")
ax[1].imshow(mask, cmap='gray')
ax[1].set_title("緑色マスク")
ax[2].imshow(result)
ax[2].set_title("抽出結果（緑）")
for a in ax:
    a.axis("off")
plt.tight_layout()
plt.show()

✅ 学べる処理

処理名	説明
cv2.calcHist()	色ヒストグラムの算出（R, G, B）
cv2.cvtColor()	RGB → HSV 変換（色抽出しやすい）
cv2.inRange()	指定色の範囲をマスクとして抽出
cv2.bitwise_and()	マスクに基づく色領域の抽出

🌾 農業応用アイデア

• 葉の緑色率 → 健康状態のスクリーニング
• 赤・黄 → 果実の熟度分類（トマト・イチゴなど）
• 黄化/褐色 → 病気・枯れの早期発見

🧪 発展課題

• 他の色（赤、黄、茶など）もマスクして抽出比較
• cv2.equalizeHist() を使ったコントラスト補正との併用
• 複数の画像に対して緑色ピクセルの割合を自動計算 → CSV化

---

week05

以下は、画像の幾何変換やリサイズ・回転・切り出しを扱うノートブック week05_geometry_transforms.ipynb の内容です。
この週では、画像前処理の一環としての座標操作やアフィン変換の基礎 を身につけ、データ拡張や部分領域の抽出（ROI）などの応用を可能にします。

🧪 week05_geometry_transforms.ipynb: 幾何変換とROI抽出

# week05_geometry_transforms.ipynb：幾何変換・リサイズ・切り出し・回転

import cv2
import numpy as np
import matplotlib.pyplot as plt
from google.colab import files

# 画像アップロード
uploaded = files.upload()
image_path = list(uploaded.keys())[0]
img = cv2.imread(image_path)
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# --- 1. リサイズ ---
resized = cv2.resize(img_rgb, (300, 300))

# --- 2. 切り出し（ROI）---
h, w = img_rgb.shape[:2]
roi = img_rgb[h//4:h//4*3, w//4:w//4*3]

# --- 3. 回転（中心回転） ---
center = (w // 2, h // 2)
matrix = cv2.getRotationMatrix2D(center, angle=45, scale=1.0)
rotated = cv2.warpAffine(img_rgb, matrix, (w, h))

# --- 4. アフィン変換 ---
pts1 = np.float32([[50, 50], [200, 50], [50, 200]])
pts2 = np.float32([[60, 70], [220, 50], [70, 250]])
M_affine = cv2.getAffineTransform(pts1, pts2)
affine = cv2.warpAffine(img_rgb, M_affine, (w, h))

# --- 表示 ---
titles = ['Original', 'Resized', 'ROI', 'Rotated', 'Affine Transform']
images = [img_rgb, resized, roi, rotated, affine]

plt.figure(figsize=(16, 8))
for i in range(5):
    plt.subplot(2, 3, i+1)
    plt.imshow(images[i])
    plt.title(titles[i])
    plt.axis('off')
plt.tight_layout()
plt.show()

✅ 学べる処理と応用

処理内容	使用関数	応用例
リサイズ	cv2.resize	学習用データの統一
ROI抽出	配列スライス	葉や果実の一部だけを分析
回転	getRotationMatrix2D, warpAffine	データ拡張、角度補正
アフィン変換	getAffineTransform, warpAffine	視点補正、形状変形

🌱 農業応用の例

• 写真から特定部位（葉/果実）の切り出し → ROIとして分類器に投入
• 異なる角度・サイズのデータを統一する前処理
• 撮影角の補正 → 撮影位置による分析ブレの低減

🧪 発展課題

• 回転角度や拡大率をループで変えてデータ拡張（Augmentation）
• アフィン変換前と後で面積・形状がどう変わるか計算
• 切り出したROIを分類器へ渡す実験（次週の学習モデルに向けて）

---

week06

こちらが、画像内の特定領域（ROI）をマスク処理によって抽出・分析するためのノートブック week06_masking_roi.ipynb の内容です。
この週では、色抽出＋輪郭＋マスクの組み合わせにより、「分析対象を限定して処理する」実践力を養います。

🧪 week06_masking_roi.ipynb: マスクによるROI抽出と解析

# week06_masking_roi.ipynb：色と輪郭を用いたROIマスク抽出

import cv2
import numpy as np
import matplotlib.pyplot as plt
from google.colab import files

# 画像アップロード
uploaded = files.upload()
image_path = list(uploaded.keys())[0]
img = cv2.imread(image_path)
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
hsv = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2HSV)

# --- 緑色の範囲をマスク ---
lower_green = np.array([35, 40, 40])
upper_green = np.array([85, 255, 255])
mask = cv2.inRange(hsv, lower_green, upper_green)

# --- 輪郭抽出 ---
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# --- 最大輪郭を抽出（最も大きな葉など） ---
max_contour = max(contours, key=cv2.contourArea)
roi_mask = np.zeros_like(mask)
cv2.drawContours(roi_mask, [max_contour], -1, 255, -1)  # 塗りつぶし

# --- マスクを用いてROI画像を抽出 ---
roi_extracted = cv2.bitwise_and(img_rgb, img_rgb, mask=roi_mask)

# --- ヒストグラム（ROI部分のみ） ---
masked_pixels = cv2.bitwise_and(hsv, hsv, mask=roi_mask)
hist_hue = cv2.calcHist([masked_pixels], [0], roi_mask, [180], [0, 180])

plt.figure(figsize=(14, 6))
plt.subplot(1, 3, 1)
plt.imshow(img_rgb)
plt.title("元画像")
plt.axis("off")

plt.subplot(1, 3, 2)
plt.imshow(roi_extracted)
plt.title("ROI抽出（最大葉）")
plt.axis("off")

plt.subplot(1, 3, 3)
plt.plot(hist_hue, color='g')
plt.title("ROI部分の色相ヒストグラム")
plt.xlabel("Hue (色相)")
plt.ylabel("出現頻度")
plt.grid(True)

plt.tight_layout()
plt.show()

✅ 学べる処理と要点

処理内容	説明
色範囲指定マスク	緑色など特定範囲をマスクで抽出
最大輪郭の抽出	面積最大の葉や果実の選別
マスク付きbitwise_and処理	ROIのみ可視化・処理対象とする
ROI領域のヒストグラム解析	ROI限定の色情報・形状情報取得

🌾 農業応用の例

• 葉や果実の“ひとつだけ”を分析対象にできる → 精密診断（病害・熟度）
• 背景ノイズの除去 → 精度向上
• 複数枚の写真に一貫した抽出処理を適用可能

🧪 発展課題

• 複数の葉/果実を個別に抽出して、それぞれの面積・色をCSV化
• ROIごとに分類ラベルを付与 → 学習データ作成へつなげる
• マスクとセグメンテーションの違いを確認（次週）

---

week07

こちらが、画像から抽出した色・形状・面積などの特徴量を統合して分析するためのノートブック week07_compositing.ipynb の内容です。
この週では、ROI単位で得られた情報を 構造化データとして整形・比較 することで、分類や時系列分析への土台を作ります。

🧪 week07_compositing.ipynb: 特徴量の統合と構造化

# week07_compositing.ipynb：色・形状の統合特徴量をCSVとして抽出

import cv2
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from google.colab import files

# 画像アップロード（複数対応）
uploaded = files.upload()
data = []

for filename in uploaded.keys():
    img = cv2.imread(filename)
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    hsv = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2HSV)
    
    # 色マスク（緑）
    lower_green = np.array([35, 40, 40])
    upper_green = np.array([85, 255, 255])
    mask = cv2.inRange(hsv, lower_green, upper_green)
    
    # 輪郭検出
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area < 100:  # 小さいノイズ除去
            continue
        
        # 輪郭マスク
        roi_mask = np.zeros_like(mask)
        cv2.drawContours(roi_mask, [cnt], -1, 255, -1)
        
        # ROI領域のHSV取得
        roi_pixels = cv2.bitwise_and(hsv, hsv, mask=roi_mask)
        
        # 平均HSV値
        mean_val = cv2.mean(roi_pixels, mask=roi_mask)
        mean_h, mean_s, mean_v = mean_val[:3]
        
        # 輪郭の外接矩形
        x, y, w, h = cv2.boundingRect(cnt)
        aspect_ratio = w / h
        
        # データに追加
        data.append({
            'filename': filename,
            'area': area,
            'mean_h': mean_h,
            'mean_s': mean_s,
            'mean_v': mean_v,
            'aspect_ratio': aspect_ratio
        })

# --- DataFrame化してCSV保存 ---
df = pd.DataFrame(data)
df.to_csv("roi_features.csv", index=False)
files.download("roi_features.csv")

# --- 表示 ---
print("抽出された特徴量（上位5件）:")
print(df.head())

# --- 可視化（面積 vs 色相） ---
plt.figure(figsize=(8, 6))
plt.scatter(df['area'], df['mean_h'], c=df['mean_h'], cmap='hsv', s=30)
plt.xlabel("面積")
plt.ylabel("平均色相 (Hue)")
plt.title("面積 vs 色相")
plt.grid(True)
plt.colorbar(label='Hue')
plt.show()

✅ この週のゴール

要素	内容
色特徴	平均 Hue / Saturation / Value
形状特徴	面積・アスペクト比（縦横比）
多画像対応	複数ファイルをまとめて処理
CSV化	構造化データとして出力・学習準備
散布図分析	異常検知やクラスタリングの布石に

🌾 農業応用の例

• 複数の果実・葉の 特徴量を一括取得 → 健康度や熟度の比較
• 色と形状を統合したクラスタリング・分類モデルへの応用
• 作物の成長追跡（時系列の平均色相・面積など）

🧪 発展課題

• 複数の画像フォルダを走査して自動抽出スクリプト作成
• PCAやt-SNEなどによる次元削減・クラスタリング可視化
• このCSVを基にランダムフォレスト分類モデル作成（次週へ）

---

8

week0

こちらが、画像から葉の面積をより高精度に算出するためのノートブック week08_leaf_area_calc.ipynb の内容です。
この週では、実寸換算・輪郭面積の厳密取得を通じて、農業現場で重要な「葉面積の定量評価」を可能にします。

🧪 week08_leaf_area_calc.ipynb: 葉の面積計測と実寸換算

# week08_leaf_area_calc.ipynb：葉面積をピクセル単位＆cm²単位で測定

import cv2
import numpy as np
import matplotlib.pyplot as plt
from google.colab import files

# --- 画像アップロード ---
uploaded = files.upload()
image_path = list(uploaded.keys())[0]
img = cv2.imread(image_path)
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
hsv = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2HSV)

# --- 緑色マスクの作成 ---
lower_green = np.array([35, 40, 40])
upper_green = np.array([85, 255, 255])
mask = cv2.inRange(hsv, lower_green, upper_green)

# --- 輪郭抽出 ---
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# --- 面積測定（最大輪郭） ---
leaf_contour = max(contours, key=cv2.contourArea)
area_px = cv2.contourArea(leaf_contour)

# --- 実寸換算：キャリブレーション（仮に1px = 0.05cmとする） ---
px_to_cm = 0.05  # 1ピクセル = 0.05cm
area_cm2 = (area_px * (px_to_cm ** 2))

# --- 結果表示 ---
img_contour = img_rgb.copy()
cv2.drawContours(img_contour, [leaf_contour], -1, (255, 0, 0), 2)

plt.figure(figsize=(8, 6))
plt.imshow(img_contour)
plt.title(f"面積: {area_px:.1f} px² / 約 {area_cm2:.2f} cm²")
plt.axis("off")
plt.show()

# --- 数値出力 ---
print(f"ピクセル面積: {area_px:.1f} px²")
print(f"実寸換算面積: {area_cm2:.2f} cm² （換算係数: {px_to_cm}cm/pixel）")

✅ この週のポイント

内容	説明
色マスク＋輪郭抽出	葉部分を特定し、最大輪郭を抽出
輪郭面積（ピクセル）	cv2.contourArea() を使用
実寸換算	キャリブレーション係数に基づく
視覚化と定量評価	作物ごとの成長・健康評価へ応用可

🌱 農業での活用場面

• 葉の大きさを 成長指標 として定量的に測定
• 時系列での面積変化 → 生育モニタリング
• 肥料・環境条件との関係性分析に活用

🧪 発展課題

• 校正マーカー付き画像（例：定規や既知サイズのラベル）から px_to_cm を自動計算
• 複数葉の合計面積・平均面積などを算出
• 結果をCSVに記録し、統計分析（週ごとの比較等）

---

week09

こちらが、画像分類の基礎として CNN（畳み込みニューラルネットワーク） を使ったモデル構築の入門ノートブック
week09_cnn_intro.ipynb の内容です。
この週では、葉の画像を使って「病気 or 健康」などの 2クラス分類タスクに取り組み、画像→判定のパイプライン構築を体験します。

🤖 week09_cnn_intro.ipynb: CNNによる画像分類の入門

# week09_cnn_intro.ipynb：KerasでCNNモデルを構築し、葉画像を分類

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# --- Google Drive連携（データフォルダを置く） ---
from google.colab import drive
drive.mount('/content/drive')

# --- データの準備 ---
# フォルダ構成:
# /content/drive/MyDrive/datasets/leaf_images/
# ├── healthy/
# └── diseased/

data_dir = '/content/drive/MyDrive/datasets/leaf_images/'

# --- データ拡張と前処理 ---
datagen = ImageDataGenerator(
    rescale=1./255,
    validation_split=0.2,
    rotation_range=20,
    zoom_range=0.2,
    horizontal_flip=True
)

train_data = datagen.flow_from_directory(
    data_dir,
    target_size=(128, 128),
    batch_size=32,
    class_mode='binary',
    subset='training'
)

val_data = datagen.flow_from_directory(
    data_dir,
    target_size=(128, 128),
    batch_size=32,
    class_mode='binary',
    subset='validation'
)

# --- CNNモデル構築 ---
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)),
    layers.MaxPooling2D(2, 2),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D(2, 2),
    layers.Conv2D(128, (3, 3), activation='relu'),
    layers.MaxPooling2D(2, 2),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dense(1, activation='sigmoid')
])

# --- コンパイルと学習 ---
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
history = model.fit(train_data, epochs=10, validation_data=val_data)

# --- 学習曲線の可視化 ---
plt.plot(history.history['accuracy'], label='Train Accuracy')
plt.plot(history.history['val_accuracy'], label='Val Accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.legend()
plt.title('CNN Accuracy')
plt.show()

✅ この週で学べること

項目	内容
CNNの構造	畳み込み → プーリング → Flatten → 全結合
データ前処理	正規化・データ拡張（回転・ズーム）
分類の実行	健康葉 vs 病葉など
モデル評価	精度と損失の可視化

🌾 農業応用例

• 葉画像からの病気検出モデル
• 熟度（未熟 / 熟 / 過熟）の判別
• 病斑パターンの検出や予兆診断

🧪 発展課題

• モデルにDropoutなどを追加し、過学習対策
• 学習済モデルを .h5 で保存 → Streamlit連携へ
• Grad-CAMでどの部分に着目して分類しているかを可視化

---

week10

こちらが、画像分類モデルを本格構築・保存し、今後の応用（ダッシュボードやアプリ連携）に備えるノートブック
week10_cnn_build.ipynb の内容です。
この週では、モデルの再構成・保存・読み込みまでの流れを体験し、実運用につながる技術を身につけます。

🤖 week10_cnn_build.ipynb: CNNモデルの本格構築・保存・評価

# week10_cnn_build.ipynb：CNN構築・保存・テスト予測まで

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import layers, models
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing import image
import os

# --- Google Drive マウント（データとモデル保存用） ---
from google.colab import drive
drive.mount('/content/drive')

# --- ディレクトリ設定 ---
data_dir = '/content/drive/MyDrive/datasets/leaf_images/'  # healthy / diseased のサブフォルダを持つ
model_save_path = '/content/drive/MyDrive/models/leaf_cnn_model.h5'

# --- データ前処理 ---
datagen = ImageDataGenerator(
    rescale=1./255,
    validation_split=0.2
)

train_data = datagen.flow_from_directory(
    data_dir,
    target_size=(128, 128),
    batch_size=32,
    class_mode='binary',
    subset='training'
)

val_data = datagen.flow_from_directory(
    data_dir,
    target_size=(128, 128),
    batch_size=32,
    class_mode='binary',
    subset='validation'
)

# --- CNN構築 ---
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)),
    layers.MaxPooling2D(2, 2),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D(2, 2),
    layers.Conv2D(128, (3, 3), activation='relu'),
    layers.MaxPooling2D(2, 2),
    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.3),
    layers.Dense(1, activation='sigmoid')
])

# --- コンパイル・学習 ---
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
history = model.fit(train_data, epochs=10, validation_data=val_data)

# --- モデル保存 ---
model.save(model_save_path)
print(f"✅ モデル保存完了：{model_save_path}")

# --- 学習曲線表示 ---
plt.plot(history.history['accuracy'], label='Train Acc')
plt.plot(history.history['val_accuracy'], label='Val Acc')
plt.legend()
plt.title('CNN Accuracy')
plt.show()

🧪 モデルの評価と推論テスト（任意）

# --- 保存モデル読み込み ---
model = load_model(model_save_path)

# --- 単一画像による予測 ---
test_img_path = '/content/drive/MyDrive/test_leaf.jpg'
img = image.load_img(test_img_path, target_size=(128, 128))
img_array = image.img_to_array(img) / 255.0
img_array = np.expand_dims(img_array, axis=0)

prediction = model.predict(img_array)[0][0]
label = "Diseased" if prediction > 0.5 else "Healthy"

plt.imshow(img)
plt.title(f"予測: {label}（スコア: {prediction:.2f}）")
plt.axis('off')
plt.show()

✅ この週のポイント

項目	内容
CNN構成の強化	Dropout追加などで汎化能力アップ
モデルの保存・再利用	.h5形式で保存し、Streamlit等へ展開可能
単一画像の分類テスト	実運用を想定したスクリプト形式

🌱 応用例

• Streamlitで予測UIを作る（次週以降）
• モデル更新→Fieldアプリに組み込み
• 定期的な再学習による「学習する農業AI」

---

week11

こちらが、データ拡張（Data Augmentation） にフォーカスしたノートブック
week11_data_aug.ipynb の内容です。

この週では、農業データにありがちな「データ不足・偏り」を解消するため、Keras の ImageDataGenerator を用いた拡張や、Albumentationsライブラリの利用にも触れていきます。

🌿 week11_data_aug.ipynb: 画像データの拡張（Data Augmentation）

# week11_data_aug.ipynb：データ拡張による画像分類精度向上

import os
import matplotlib.pyplot as plt
import numpy as np
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.preprocessing import image

# --- 拡張前の画像を確認 ---
img_path = '/content/drive/MyDrive/datasets/leaf_images/healthy/001.jpg'
img = image.load_img(img_path, target_size=(128, 128))
img_array = image.img_to_array(img)
img_array = np.expand_dims(img_array, axis=0)

plt.imshow(img.astype("uint8"))
plt.title("Original Image")
plt.axis('off')
plt.show()

# --- ImageDataGenerator による拡張 ---
datagen = ImageDataGenerator(
    rotation_range=40,
    width_shift_range=0.2,
    height_shift_range=0.2,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True,
    fill_mode='nearest'
)

# --- 拡張画像の表示 ---
aug_iter = datagen.flow(img_array, batch_size=1)

plt.figure(figsize=(12, 6))
for i in range(6):
    plt.subplot(2, 3, i+1)
    batch = next(aug_iter)
    image_aug = batch[0].astype("uint8")
    plt.imshow(image_aug)
    plt.axis('off')
    plt.title(f'Augmented {i+1}')
plt.suptitle('🌿 Image Augmentation Samples')
plt.show()

✅ 発展：Albumentationsを使ったカスタム拡張（任意）

# インストール（初回のみ）
!pip install -q albumentations

import albumentations as A
from PIL import Image

# --- 拡張パイプライン ---
transform = A.Compose([
    A.RandomCrop(width=120, height=120),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.2),
    A.Rotate(limit=40),
    A.Resize(128, 128)
])

# --- 拡張適用 ---
img_pil = Image.open(img_path).convert("RGB")
img_np = np.array(img_pil)

augmented = transform(image=img_np)['image']
plt.imshow(augmented)
plt.title("Albumentations Example")
plt.axis('off')
plt.show()

🔍 この週で学べること

技術	内容
ImageDataGenerator	Keras標準のリアルタイム拡張
Albumentations	高速で多彩な拡張手法（Pytorchにも対応）
実装パターン	可視化／保存／訓練データへの導入方法

🌾 農業での応用例

• データ数が少ない品種の補完
• 光条件や葉の向きが異なる場合の頑健性向上
• 雑草画像の水増しによる誤検出低減

💡 次につなげる提案

• 拡張済画像を .npy や .jpg で保存し再利用
• モデル訓練に組み込み（train_generator にそのまま渡す）
• 品種ごとの拡張条件をチューニングして精度を改善

---

week12

こちらが、転移学習（Transfer Learning） を使って、学習済みモデル（例：MobileNetV2）を農業の画像分類に応用するノートブック
week12_transfer_learning.ipynb の内容です。

🚀 week12_transfer_learning.ipynb: 転移学習による精度向上

# week12_transfer_learning.ipynb：学習済みモデルを活用した葉の分類

import tensorflow as tf
from tensorflow.keras.applications import MobileNetV2
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Dense, GlobalAveragePooling2D
from tensorflow.keras.preprocessing.image import ImageDataGenerator
import matplotlib.pyplot as plt

# --- Google Drive をマウント（データ/保存先用） ---
from google.colab import drive
drive.mount('/content/drive')

# --- データセット準備 ---
data_dir = '/content/drive/MyDrive/datasets/leaf_images/'  # healthy / diseased フォルダあり
img_size = (160, 160)
batch_size = 32

datagen = ImageDataGenerator(rescale=1./255, validation_split=0.2)

train_gen = datagen.flow_from_directory(
    data_dir,
    target_size=img_size,
    batch_size=batch_size,
    class_mode='binary',
    subset='training'
)

val_gen = datagen.flow_from_directory(
    data_dir,
    target_size=img_size,
    batch_size=batch_size,
    class_mode='binary',
    subset='validation'
)

# --- 転移学習モデル構築 ---
base_model = MobileNetV2(input_shape=img_size + (3,), include_top=False, weights='imagenet')
base_model.trainable = False  # 転移学習の基本：特徴抽出部分は固定

x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(64, activation='relu')(x)
output = Dense(1, activation='sigmoid')(x)

model = Model(inputs=base_model.input, outputs=output)

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# --- 学習 ---
history = model.fit(train_gen, validation_data=val_gen, epochs=5)

# --- 学習結果の可視化 ---
plt.plot(history.history['accuracy'], label='Train Acc')
plt.plot(history.history['val_accuracy'], label='Val Acc')
plt.legend()
plt.title('Transfer Learning Accuracy')
plt.show()

🔄 Fine-tuning（オプション）

# --- base_modelの一部を再学習可能に ---
base_model.trainable = True

# 最後の数層のみ再学習する（例：100層以降）
fine_tune_at = 100
for layer in base_model.layers[:fine_tune_at]:
    layer.trainable = False

model.compile(optimizer=tf.keras.optimizers.Adam(1e-5),
              loss='binary_crossentropy',
              metrics=['accuracy'])

fine_tune_epochs = 5
history_fine = model.fit(train_gen, validation_data=val_gen, epochs=fine_tune_epochs)

# --- 再学習後の精度表示 ---
plt.plot(history_fine.history['accuracy'], label='Train Acc (fine)')
plt.plot(history_fine.history['val_accuracy'], label='Val Acc (fine)')
plt.legend()
plt.title('Fine-Tuning Accuracy')
plt.show()

📌 この週の習得ポイント

項目	内容
転移学習の基本	学習済みCNN（MobileNetV2）の利用方法
特徴抽出 vs 再学習	base_modelのtrainableの切替
少ないデータでの高精度	実用性・少量データの応用に強い

🌿 農業での応用例

• 葉の病気検出（高精度・高汎化）
• 異なる作物種に対応した分類モデルの再利用
• データ収集が難しい地域向けAI構築

こちらが、モデルの評価に関するノートブック、 week13_model_eval.ipynb の内容です。

📊 week13_model_eval.ipynb: モデル評価と評価指標の理解

# week13_model_eval.ipynb：モデルの評価と評価指標の計算

import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix, classification_report
from tensorflow.keras.models import load_model
from tensorflow.keras.preprocessing import image
from tensorflow.keras.preprocessing.image import ImageDataGenerator

# --- モデル読み込み ---
model_path = '/content/drive/MyDrive/models/leaf_cnn_model.h5'
model = load_model(model_path)

# --- データ準備 ---
data_dir = '/content/drive/MyDrive/datasets/leaf_images/'
img_size = (160, 160)
batch_size = 32

datagen = ImageDataGenerator(rescale=1./255, validation_split=0.2)

val_gen = datagen.flow_from_directory(
    data_dir,
    target_size=img_size,
    batch_size=batch_size,
    class_mode='binary',
    subset='validation'
)

# --- モデル評価 ---
loss, accuracy = model.evaluate(val_gen)
print(f"Loss: {loss:.4f}, Accuracy: {accuracy:.4f}")

# --- 混同行列の計算 ---
val_pred = model.predict(val_gen)
val_pred = (val_pred > 0.5).astype("int32")  # 0.5で2クラス分類

true_labels = val_gen.classes
cm = confusion_matrix(true_labels, val_pred)

# --- 混同行列の表示 ---
plt.figure(figsize=(8, 6))
plt.imshow(cm, interpolation='nearest', cmap=plt.cm.Blues)
plt.title('Confusion Matrix')
plt.colorbar()
classes = ['Healthy', 'Diseased']
plt.xticks(np.arange(len(classes)), classes, rotation=45)
plt.yticks(np.arange(len(classes)), classes)
plt.ylabel('True label')
plt.xlabel('Predicted label')
plt.tight_layout()
plt.show()

# --- 分類レポート ---
report = classification_report(true_labels, val_pred, target_names=classes)
print(report)

📌 評価のポイント

評価項目	内容
評価指標	Loss, Accuracy などの基本評価指標
混同行列	モデルの誤分類を視覚化して理解
分類レポート	精度、再現率、F1スコアを一目で確認
2クラス分類	threshold を用いた分類の精度評価

🌿 農業での応用例

• 誤分類を減らす：混同行列を見て、どの分類に誤りが多いか把握し、改善する
• 精度指標の改善：再現率やF1スコアに注目して、農作物の見逃しを減らす
• モデル改善の方針：低精度のクラスを対象にデータ追加や学習強化

---

week14

こちらが、YOLO（You Only Look Once）による物体検出に関するノートブック、
week14_yolo_intro.ipynb の内容です。

🧠 week14_yolo_intro.ipynb: YOLOによる物体検出の入門

# week14_yolo_intro.ipynb：YOLO（You Only Look Once）を用いた物体検出

import cv2
import numpy as np
import matplotlib.pyplot as plt

# --- YOLOの設定 ---
yolo_cfg = '/content/drive/MyDrive/yolov3/yolov3.cfg'
yolo_weights = '/content/drive/MyDrive/yolov3/yolov3.weights'
yolo_names = '/content/drive/MyDrive/yolov3/coco.names'

# --- YOLOネットワークの読み込み ---
net = cv2.dnn.readNetFromDarknet(yolo_cfg, yolo_weights)
layer_names = net.getLayerNames()
output_layers = [layer_names[i-1] for i in net.getUnconnectedOutLayers()]

# --- 画像読み込みと前処理 ---
image_path = '/content/drive/MyDrive/datasets/test_image.jpg'
img = cv2.imread(image_path)
height, width, channels = img.shape

# YOLO用に画像の前処理
blob = cv2.dnn.blobFromImage(img, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
net.setInput(blob)

# --- 物体検出の実行 ---
outs = net.forward(output_layers)

# --- 検出結果の解析 ---
class_ids = []
confidences = []
boxes = []
conf_threshold = 0.5  # 信頼度の閾値
nms_threshold = 0.4   # 非最大抑制の閾値

for out in outs:
    for detection in out:
        scores = detection[5:]
        class_id = np.argmax(scores)
        confidence = scores[class_id]
        
        if confidence > conf_threshold:
            center_x = int(detection[0] * width)
            center_y = int(detection[1] * height)
            w = int(detection[2] * width)
            h = int(detection[3] * height)
            
            # バウンディングボックスの座標
            x = int(center_x - w / 2)
            y = int(center_y - h / 2)
            
            boxes.append([x, y, w, h])
            confidences.append(float(confidence))
            class_ids.append(class_id)

# --- 非最大抑制（NMS）の適用 ---
indices = cv2.dnn.NMSBoxes(boxes, confidences, conf_threshold, nms_threshold)

# --- 結果の描画 ---
font = cv2.FONT_HERSHEY_SIMPLEX
colors = np.random.uniform(0, 255, size=(len(class_ids), 3))

for i in range(len(boxes)):
    if i in indices:
        x, y, w, h = boxes[i]
        label = str(class_ids[i])
        confidence = confidences[i]
        color = colors[i]
        
        # バウンディングボックスとラベルの描画
        cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)
        cv2.putText(img, f'{label} {confidence:.2f}', (x, y - 10), font, 0.5, color, 2)

# 結果の表示
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title('YOLO Object Detection')
plt.axis('off')
plt.show()

🔑 この週で学べること

内容	詳細
YOLOの基本	物体検出モデル（YOLO）の読み込みと実行方法
物体検出の流れ	画像の前処理、物体検出、バウンディングボックスの生成
NMS（非最大抑制）	重複した検出結果を減らす手法
画像処理の実践	OpenCVを用いた物体検出結果の可視化

🌿 農業での応用例

• 農作物の個別検出：作物や果実、葉の状態を検出
• 作物生育状況のモニタリング：成長段階ごとの物体検出を利用
• 異常検出：病害虫や害獣を検出し、適切な対策を講じる

🌱 次につなげる提案

• 物体検出を農業専用のモデルにカスタマイズ
• 精度向上：YOLOv4やYOLOv5など、より新しいバージョンを試してみる
• リアルタイム監視システム：カメラ映像をリアルタイムで解析し、異常を即座に検出

このノートブックを基に、次週はYOLOを使った訓練や農業データへの適用について進めることができます！

---

week15

こちらが、農業向けYOLO物体検出モデルに特化したノートブック、
week15_yolo_agri.ipynb の内容です。

🌾 week15_yolo_agri.ipynb: 農業データに特化したYOLO物体検出

# week15_yolo_agri.ipynb：農業向けYOLOを用いた作物検出

import cv2
import numpy as np
import matplotlib.pyplot as plt

# --- YOLOの設定（農業専用のデータセット） ---
yolo_cfg = '/content/drive/MyDrive/yolov3/yolov3_agri.cfg'
yolo_weights = '/content/drive/MyDrive/yolov3/yolov3_agri.weights'
yolo_names = '/content/drive/MyDrive/yolov3/agri_classes.names'

# --- YOLOネットワークの読み込み ---
net = cv2.dnn.readNetFromDarknet(yolo_cfg, yolo_weights)
layer_names = net.getLayerNames()
output_layers = [layer_names[i-1] for i in net.getUnconnectedOutLayers()]

# --- 農業画像の読み込み ---
image_path = '/content/drive/MyDrive/datasets/agri_test_image.jpg'  # 農作物の画像
img = cv2.imread(image_path)
height, width, channels = img.shape

# YOLO用に画像の前処理
blob = cv2.dnn.blobFromImage(img, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
net.setInput(blob)

# --- 物体検出の実行 ---
outs = net.forward(output_layers)

# --- 検出結果の解析 ---
class_ids = []
confidences = []
boxes = []
conf_threshold = 0.5  # 信頼度の閾値
nms_threshold = 0.4   # 非最大抑制の閾値

for out in outs:
    for detection in out:
        scores = detection[5:]
        class_id = np.argmax(scores)
        confidence = scores[class_id]
        
        if confidence > conf_threshold:
            center_x = int(detection[0] * width)
            center_y = int(detection[1] * height)
            w = int(detection[2] * width)
            h = int(detection[3] * height)
            
            # バウンディングボックスの座標
            x = int(center_x - w / 2)
            y = int(center_y - h / 2)
            
            boxes.append([x, y, w, h])
            confidences.append(float(confidence))
            class_ids.append(class_id)

# --- 非最大抑制（NMS）の適用 ---
indices = cv2.dnn.NMSBoxes(boxes, confidences, conf_threshold, nms_threshold)

# --- 結果の描画 ---
font = cv2.FONT_HERSHEY_SIMPLEX
colors = np.random.uniform(0, 255, size=(len(class_ids), 3))

# 農業特有のクラス名
with open(yolo_names, 'r') as f:
    classes = f.read().strip().split('\n')

for i in range(len(boxes)):
    if i in indices:
        x, y, w, h = boxes[i]
        label = str(classes[class_ids[i]])
        confidence = confidences[i]
        color = colors[i]
        
        # バウンディングボックスとラベルの描画
        cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)
        cv2.putText(img, f'{label} {confidence:.2f}', (x, y - 10), font, 0.5, color, 2)

# 結果の表示
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title('YOLO Object Detection - Agriculture')
plt.axis('off')
plt.show()

📌 この週で学べること

内容	詳細
農業特有のクラス	農作物や病害虫、作物の状態などを識別するクラス
カスタマイズされたYOLOモデル	農業向けにトレーニングされたYOLOモデルの使い方
農業画像の物体検出	農作物、果物、病害の検出とバウンディングボックスの描画

🌾 農業での応用例

• 作物の状態監視：健全な作物と病気や害虫に侵された作物を検出
• 果物の成熟度判定：収穫タイミングを決定するために果物の分類
• 異常検出：葉の色の変化や病気の兆候を検出して早期に対応

💡 今後の展開

• データセットの拡張：異なる農作物、異常な状態を含むデータセットを用意し、より精度を高める
• リアルタイム処理：カメラ映像を使ってリアルタイムでの物体検出を行い、農場管理の効率化を進める
• YOLOのバージョンアップ：YOLOv4やYOLOv5など最新のアルゴリズムを使って精度向上を目指す

---

week16

こちらが、作物の病害分類に特化したノートブック、
week16_disease_classify.ipynb の内容です。

🦠 week16_disease_classify.ipynb: 作物の病害分類モデル（CNN）

# week16_disease_classify.ipynb：病気画像分類（例：葉の病害）

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras.preprocessing.image import ImageDataGenerator
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout
from sklearn.metrics import classification_report, confusion_matrix

# --- データセットの準備 ---
# ディレクトリ構成（例）:
# /content/drive/MyDrive/datasets/leaf_disease/
# ├── train/
# │   ├── healthy/
# │   └── diseased/
# └── val/
#     ├── healthy/
#     └── diseased/

train_dir = '/content/drive/MyDrive/datasets/leaf_disease/train'
val_dir = '/content/drive/MyDrive/datasets/leaf_disease/val'

img_size = (128, 128)
batch_size = 32

train_datagen = ImageDataGenerator(rescale=1./255)
val_datagen = ImageDataGenerator(rescale=1./255)

train_generator = train_datagen.flow_from_directory(
    train_dir,
    target_size=img_size,
    batch_size=batch_size,
    class_mode='binary'
)

val_generator = val_datagen.flow_from_directory(
    val_dir,
    target_size=img_size,
    batch_size=batch_size,
    class_mode='binary'
)

# --- モデル構築（CNN） ---
model = Sequential([
    Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3)),
    MaxPooling2D(2, 2),
    Conv2D(64, (3, 3), activation='relu'),
    MaxPooling2D(2, 2),
    Flatten(),
    Dense(128, activation='relu'),
    Dropout(0.3),
    Dense(1, activation='sigmoid')
])

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# --- モデル学習 ---
history = model.fit(
    train_generator,
    epochs=10,
    validation_data=val_generator
)

# --- 学習の可視化 ---
plt.plot(history.history['accuracy'], label='Train Acc')
plt.plot(history.history['val_accuracy'], label='Val Acc')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.title('Disease Classification Accuracy')
plt.legend()
plt.show()

# --- モデル評価 ---
val_generator.reset()
preds = model.predict(val_generator, verbose=1)
y_pred = (preds > 0.5).astype('int32').flatten()
y_true = val_generator.classes

print(classification_report(y_true, y_pred))
print("Confusion Matrix:")
print(confusion_matrix(y_true, y_pred))

🔍 この週の学習内容まとめ

学習項目	説明
CNN構築の基礎	畳み込み、プーリング、全結合層などの使い方
データ前処理	ImageDataGeneratorでの画像スケーリング
学習・評価・可視化	精度のグラフ描画、分類レポート、混同行列
クラス分類	健康な葉 vs 病害を受けた葉の分類

🌿 応用例（農業）

• 葉の病害診断：スマホで撮影した葉から病気の有無を判定
• 成長モニタリング：正常 vs 異常の早期発見
• 病気別分類：将来的には「うどんこ病」「斑点病」など多クラス分類にも拡張可能

💡 次のステップ案

• データ拡張やEarlyStoppingの導入
• クラス数を増やしたマルチクラス分類
• モデルの保存とデプロイ（次週以降でStreamlit連携）