AIが読む余市のブドウ――北海道大学が開発した果実成長予測モデルの実力

余市のぶどう畑にAIが入った日

北海道のワイン産地として知られる余市町のぶどう畑で、果粒の成長を追いかける新しい目が育っている。北海道大学は10月8日、人工知能（AI）を用いた画像解析でワイン用ブドウの果実成長を高精度で予測するモデルを開発したと発表した。主役は、デジタルカメラで撮影した果房画像と、物体検出モデルYOLOv8、そして果実生理学に基づく補正アルゴリズムだ。研究の狙いは派手な自動化ではない。収穫適期の見極めや栽培管理、品質調査のタイミング設計を、従来よりも非破壊で、しかも高頻度に行えるようにする基盤技術を築くことにある。

なぜブドウの成長を測るのが難しいのか

ワイン用ブドウの品質は、糖度や酸度、香味の前提となる果実の成熟と密接に結びつく。しかし、畑で育つ果粒は常に風に揺れ、光の当たり方も変わり、果粒同士の重なりや葉の陰もある。手で果粒を採ってノギスで測れば精密だが、サンプル採取は果房を傷つけるうえ、頻繁には行いにくい。北海道大学の研究は、この難題に対して「絶対的なミリ単位の完璧な計測」を無理に追うのではなく、画像から相対的な成長傾向を安定して追跡する発想を採った。現場農業にとって重要なのは、毎日ほぼ同じ条件で果房を見守り、成長曲線のどこにいるかを捉えることだからだ。

研究の舞台は余市、品種はケルナーとツヴァイゲルト

研究チームは、北海道大学北方生物圏フィールド科学センター生物生産研究農場余市果樹園で、ワイン用品種「ケルナー」と「ツヴァイゲルト」を対象に調査を行った。余市町は2011年に道内初の「北のフルーツ王国よいちワイン特区」に認定され、近年はワイナリーの集積とともに日本有数のワイン産地として存在感を強めてきた。町の公式資料でも、地域の特産果樹を活かしたワインづくり支援が進められている。そうした現場で、ブドウの成長を定量的に捉える研究は、単なる大学の実験ではなく、地域産業の基盤整備とも重なる意味を持つ。

YOLOv8とF-smoothedが果粒を読む

論文によると、研究チームは果房画像の中から果粒を検出するためにYOLOv8sモデルを用いた。さらに、画像内に置いた1センチメートルの目盛りを基準に、ピクセル値を実寸へ換算した。だが、ここで終わらない。畑では果粒の重なりや脱落、視点のぶれによって、見かけの直径が不自然に小さくなる場合がある。そこで導入されたのが、成長初期に果粒径が減少しないという生理学的前提を組み込んだ「forcibly smoothed（F-smoothed）」アルゴリズムだ。AIだけでなく作物学の知見を重ねることで、現場で意味を持つ成長曲線へ整えている。

数字が示したモデルの実力

J-STAGEで公開された論文によれば、果粒検出のホールドアウト検証ではYOLOv8sモデルのmAP50は0.931、mAP50–95は0.704、Precisionは0.906、Recallは0.875だった。さらに、2025年シーズンの切り離した果粒を白背景で撮影し、ノギス測定と比較した独立検証では、直径約0.3〜2.3センチメートルの範囲で平均絶対誤差0.08センチメートル、二乗平均平方根誤差0.09センチメートル、R²は0.97を示した。こうした数値は、画像由来の推定値が手測定とかなりよく一致していたことを示す。ただし、これは研究条件下での評価であり、すべての畑で同じ精度を保証するものではない。

見えてきた二重シグモイド成長

北海道大学の発表では、F-smoothedアルゴリズムの導入により、ケルナーとツヴァイゲルトの両品種で典型的な二重シグモイド成長曲線が確認された。主に7月と8月に二つの異なる急成長期が現れたという。二重シグモイド成長はブドウ果実の成熟を理解するうえで重要な概念で、細胞分裂・肥大の進む初期成長と、着色・成熟に向かう後期成長が異なる局面として捉えられる。画像解析がこの古典的な生理パターンを現場データから再現できたことは、単なる機械学習の精度以上に意味深い。農学的な解釈に耐えることを示したからだ。

日本ワインの歴史の中の現在地

日本のワインづくりは明治期以来の歴史を持つが、近年の注目を集めてきたのは産地ごとの個性と小規模ワイナリーの台頭である。とりわけ余市・仁木地域は、冷涼で比較的少雨という気候条件を背景に、北海道ワインの中核産地へ発展してきた。余市町のワインツーリズム資料によれば、2010年にドメーヌ・タカヒコが開業し、2011年のワイン特区認定以後、地域のワイナリーは着実に増えている。ブドウ栽培の精度を高める研究は、この地域史とつながっている。良いワインは醸造所の中だけでは生まれず、畑でいつ何を観察し、いつ収穫するかという判断の積み重ねから生まれる。

スマート農業の期待と現実

「AI」と聞くと、農家の熟練を置き換える万能技術を想像しがちだ。しかし、この研究が示すのはむしろ逆である。現場の知識を数式やアルゴリズムに織り込んで初めて、AIは役に立つ。今回のモデルも、YOLOv8だけでは擬似的なサイズ低下を含む粗い曲線が出やすく、果実生理学の前提を導入して補正することで、ようやく解釈可能な成長曲線になった。スマート農業は「人を消す技術」ではなく、「人が持つ経験をどう再現性のある判断支援へ変えるか」という技術だと、この研究は教えている。

どこまで実用化に近いのか

とはいえ、記事で慎重に区別すべき点も多い。研究は2024年シーズンの余市果樹園の10果房を主なフィールド事例として扱っており、品種もケルナーとツヴァイゲルトに限られる。照明条件、栽培仕立て、撮影角度、地域気候が異なる畑へ広げたときに、どこまで同じ性能が出るかは今後の検証が必要だ。また、果粒径の成長推定は成熟の一部しか表さない。実際の収穫判断には糖度、酸度、フェノール成熟、病害、天候予報、醸造方針などが関わる。北海道大学も、直ちに完全自動の収穫判断システムが完成したとは述べていない。

日本の農業研究が示す一つの方向

それでも、この研究は日本の農業研究が向かう一つの方向をよく示している。先端AIを導入しつつ、対象作物の生物学を軽視しない。現場の産地と結びつき、品質評価や収量予測、収穫時期設計といった実務課題へ接続する。著者には、李継瀟氏、曾根輝雄教授、孟祥吉氏、平山健太郎氏、生田実氏、稲瀬慶久氏、星野洋一郎教授が名を連ねる。大学・研究農場・地域産地が一体となって、畑の観察を「高頻度・非破壊・定量的」に変えていく試みとして、本研究は注目に値する。次に問われるのは、この目をどれだけ多くの畑で、どれだけ自然に使えるようにするかである。