YOLOv8とSegment Anything Modelによる温室セグメンテーション改善とエネルギー・水素需要予測

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel application of YOLOv8+SAM for greenhouse segmentation with class imbalance handling, useful for agricultural energy modeling.

🏢実務担当者:Enables precise greenhouse area estimation for energy demand forecasting, aiding renewable energy and hydrogen project planning.

🏛政策担当者:Offers a data-driven approach to assess agricultural energy consumption and support policies for decarbonization and green hydrogen adoption.

温室農業は持続可能な食料生産において重要な役割を果たす一方で、高いエネルギー消費や多大な炭素排出といった課題も伴う。これらの問題に対処し、グリーン水素などの代替エネルギー源の導入可能性を評価するためには、農業施設の空間構造を正確に把握し、そのエネルギー需要を精度よく予測することが不可欠である。しかしながら、複雑な航空画像と深刻なクラス不均衡を特徴とする実世界のデータセットを効果的に処理することは、依然として技術的な課題である。本研究は、高解像度の航空画像を用いて温室を正確に検出・セグメンテーションするための深層学習ベースのフレームワークを提案する。物体検出性能を向上させるため、クラス重み付き損失関数とクラス認識サンプリング戦略をYou Only Look Once 8（YOLOv8）モデルに統合し、クラス不均衡の影響を軽減した。提案モデルは、全体的な平均適合率（mAP）@0.5:0.95で0.566を達成し、適合率は0.881、再現率は0.822に向上し、クラス間でバランスの取れた頑健な性能を示した。さらに、このモデルはセグメンテーション精度を高めるためにSegment Anything Model（SAM）と組み合わせられ、その性能はOpen-World Localization Vision Transformer（OWL-ViT）+ SAMおよびYOLOv8単独のセグメンテーション手法と比較された。実験結果によると、YOLOv8 + SAM（Fusion）構成が最高のIntersection over Union（IoU）0.7588とDice係数（Dice）0.8578を達成し、他の手法と比較して優れた境界精度とマスク一貫性を示した。クラス重み付けとサンプリングの併用により、温室などの少数クラスに対する再現率が向上し、SAMベースのセグメンテーションは境界の忠実性と形状の保存を強化した。セグメンテーションされた領域に基づいて温室の表面積が計算され、保守的なエネルギー消費ベンチマークを適用して年間エネルギー需要が推定された。本研究は、農業における再生可能エネルギー統合の可能性を評価するための実用的なベースラインを提示し、農業部門におけるカーボンニュートラル達成とグリーン水素利用に向けた将来の戦略に貢献することが期待される。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Greenhouse agriculture plays a vital role in sustainable food production but also entails challenges such as high energy consumption and significant carbon emissions. To address these issues and evaluate the feasibility of adopting alternative energy sources such as green hydrogen, it is essential to precisely understand the spatial structure of agricultural facilities and accurately predict their energy demands. However, effectively processing real-world datasets—characterized by complex aerial imagery and severe class imbalance—remains a technical challenge. This study proposes a deep learning-based framework for accurately detecting and segmenting greenhouses using high-resolution aerial images. To improve object detection performance, a class-weighted loss function and a class-aware sampling strategy were integrated into the You Only Look Once 8 (YOLOv8) model to mitigate the effects of class imbalance. The proposed model achieved an overall mean average precision (mAP)@0.5:0.95 of 0.566, with precision increasing to 0.881 and recall improving to 0.822, demonstrating balanced and robust performance across classes. Additionally, the model was combined with the Segment Anything Model (SAM) to enhance segmentation precision, and its performance was compared against Open-World Localization Vision Transformer (OWL-ViT) + SAM and YOLOv8-only segmentation approaches. Experimental results show that the YOLOv8 + SAM (Fusion) configuration achieved the highest Intersection over Union (IoU) of 0.7588 and Dice coefficient (Dice) of 0.8578, demonstrating superior boundary accuracy and mask consistency compared to other methods. The joint application of class weighting and sampling improved recall for minority classes such as greenhouses, while SAM-based segmentation enhanced boundary fidelity and shape preservation. Based on the segmented areas, greenhouse surface areas were calculated, and a conservative energy consumption benchmark was applied to estimate annual energy demand. This research presents a practical baseline for evaluating the potential of renewable energy integration in agriculture and is expected to contribute to future strategies for achieving carbon neutrality and green hydrogen utilization in the agricultural sector.

• semanticscholar https://doi.org/10.7717/peerj-cs.3665first seen 2026-05-15 20:16:46 · last seen 2026-07-28 05:33:03