黄色粘着トラップは、害虫が黄色に集まる性質を利用して虫を捕まえ、畑やハウスでどんな虫がどれくらい発生しているかを調べるための道具です。2025年に発表されたベルギーの研究では、このトラップの写真から、AIがアザミウマ2種とコナジラミ2種を種類まで見分けられることが示されました。さらに計算上は、1ピクセルあたり80マイクロメートルの画質があれば見分けられ、スマートフォンや50ユーロ未満のカメラモジュールでも足りる可能性があると報告されています。
この記事では、黄色粘着トラップの基本から、アザミウマとコナジラミの見分け方、AIがどのように学習し、どこまで正確に見分けられたのか、そして家庭菜園やハウス栽培での活かし方までを、論文の内容に沿ってわかりやすく解説します。
黄色粘着トラップとは？
黄色粘着トラップとは、明るい黄色のシートやカードに粘着剤を塗り、黄色に引き寄せられて飛んできた小さな害虫を貼り付けて捕まえる、害虫の発生を調べるための道具です。ホームセンターなどでは「黄色粘着シート」「虫取り粘着シート」といった名前でも売られています。
アブラムシの有翅虫（翅のある成虫）、コナジラミ、アザミウマ、ハモグリバエ、キノコバエなど、多くの小さな飛ぶ虫が黄色に集まる性質を持っています。論文でも、黄色粘着トラップは幅広い昆虫を強く引き寄せるため、害虫の監視に最もよく使われているトラップだと説明されています。
黄色粘着トラップには、大きく分けて2つの役割があります。
| 役割 | 内容 |
|---|---|
| 発生の見張り（モニタリング） | どんな虫が、いつ頃から、どれくらい飛んでいるかを知る。対策のタイミングを決める手がかりになる |
| 捕獲による密度の抑制 | 捕まえることで、飛んでいる成虫の数をある程度減らす。ただし、これだけで害虫を防ぎきれるわけではない |
特に農業の現場で重視されているのは、1つ目の「見張り役」としての働きです。論文によると、現在の一般的な方法は、粘着トラップを設置し、毎日や毎週など頻繁に人の目で点検して、捕まった虫を形の特徴から見分けるというものです。
この方法は、トラップそのものが安く手軽である一方、次のような弱点があると論文は指摘しています。
- 点検に人手と時間がかかり、人件費が大きい
- 毎日ずっと見張れるわけではなく、監視が「とぎれとぎれ」になる
- 現場で働く人の多くは、害虫を種類まで正確に見分けるための道具や訓練を持っていない
こうした弱点を補うために、30年ほど前から、粘着トラップとカメラなどの光学センサーを組み合わせて、虫の数を自動で数える研究が続けられてきました。最初は虫の種類を区別せずに数えるだけでしたが、画像処理や機械学習の発達とともに、虫を見分けるシステムへと進化してきています。近年では、深層学習（ディープラーニング）と呼ばれるAIを使ったモデルが登場し、粘着トラップ上の害虫を70〜95%程度の成績で検出できるようになっていると、論文は過去の研究をまとめています。
アザミウマとコナジラミはなぜ厄介な害虫なのか？
今回の研究で対象になったのは、施設園芸（ハウス栽培）で特に問題になる、アザミウマの仲間2種とコナジラミの仲間2種です。論文によると、アザミウマの仲間（アザミウマ目）とコナジラミの仲間（コナジラミ科）は世界中に広く分布していますが、そのうち重要な農業害虫とされているのは1%未満のごく一部です。その「ごく一部」の中に、今回の4種が含まれています。
アザミウマとコナジラミの被害の違い
| 項目 | アザミウマの仲間 | コナジラミの仲間 |
|---|---|---|
| 体の大きさ | 約0.5〜2 mm | 約1〜3 mm |
| 主な被害 | 葉・花・果実の組織を食べて傷をつけ、生育や見た目の品質を下げる | 植物の師管（栄養分の通り道）から汁を吸い、甘露（排せつ物）ですす病などのカビを招く |
| ウイルスの媒介 | トスポウイルスなど、有害な植物ウイルスを運ぶ種がいる | ベゴモウイルス、クリニウイルスなど、多くの植物ウイルスを運ぶ種がいる |
| 見つけにくさ | 小さく、主に葉の裏にいる | 小さく、主に葉の裏にいる |
出典：Laekeman et al.（2025）の本文をもとに作成
どちらも体が小さく、葉の裏にいることが多いため、生産者に見落とされやすいのが特徴です。さらに、繁殖力が高く世代交代も速いうえ、ハウスの中は暖かく虫にとっても過ごしやすいため、気づいたときには数が急激に増えていることがよくあります。コナジラミの甘露から発生するすす病については、ピーマンのすす病が発生する原因と対策でも詳しく解説しています。
研究で対象になった4種の特徴
論文では、ベルギーとオランダの施設園芸で特に多く発生し、被害の大きい次の4種が選ばれました。
| 種類 | 仲間 | 見た目の特徴（成虫） | 論文で挙げられた厄介な点 |
|---|---|---|---|
| ミカンキイロアザミウマ（Frankliniella occidentalis） | アザミウマ | 小さく細身。体色は淡い黄色〜ほぼ黒まで幅がある。翅は細く縁に毛があり、はっきりした白い模様はない | 世界的に分布し、多くの植物を食べ、ウイルスを広げる |
| エキノスリップス・アメリカヌス（Echinothrips americanus） | アザミウマ | 暗褐色で、腹部の節の間に赤い帯がある。暗い色の翅の付け根に独特の白い斑点がある | ウイルスは運ばないが、多くの植物を食べ、動きが少ないため発見が遅れやすい |
| タバココナジラミ（Bemisia tabaci） | コナジラミ | 前翅の前縁がまっすぐ。静止時の翅は細く、後ろがとがって見える。やや小さく、体の黄色が濃い | 世界的に分布し、多くの植物を食べ、ウイルスを広げる |
| オンシツコナジラミ（Trialeurodes vaporariorum） | コナジラミ | 前翅の前縁が曲がっている。タバココナジラミよりやや大きい | 世界的に分布し、多くの植物を食べ、ウイルスを広げる |
出典：Laekeman et al.（2025）の本文をもとに作成（見た目の特徴は、論文が引用している欧州地中海植物保護機構（EPPO）の資料とMound et al.（2025）による）
エキノスリップス・アメリカヌスは、英語で「poinsettia thrips（ポインセチアのアザミウマ）」と呼ばれ、クリスマスの鉢物として人気のポインセチアなどで問題になる種です。ポインセチアという植物そのものの仕組みについては、ポインセチア完全解剖！クリスマスのシンボルが持つ驚異の仕組みで紹介しています。
表を見るとわかるように、同じ仲間どうしの違いは「翅の前の縁がまっすぐか曲がっているか」「翅の付け根に白い斑点があるか」といった、とても細かい点です。体長1ミリ前後の虫でこれを見分けるには、ルーペや顕微鏡が欠かせず、専門家にとっても手間のかかる作業です。
アザミウマ全般の生態や基本的な対策についてはアザミウマの生態と発生する原因、対策について紹介で、オンシツコナジラミについてはトマトのオンシツコナジラミが発生する原因と対策で解説しています。また、タバココナジラミが媒介するウイルス病の代表例として、トマト黄化葉巻病が発生する原因と対策もあわせて読むと、コナジラミが「ウイルスの運び屋」として恐れられる理由がよくわかります。
なぜ害虫を「種類まで」見分ける必要があるのか？
「アザミウマがいる」「コナジラミがいる」とわかれば十分ではないか、と思うかもしれません。しかし論文では、種類まで見分けて連続的に見張れるようになると、防除のやり方そのものが変わると説明されています。
種類がわかると何が変わるのか
論文が挙げている、種レベルの監視によって期待されることは次のとおりです。
- 対象となる害虫の生態や、季節ごとの発生の変化（フェノロジー）を考えたうえで、適切なタイミングで対策できる
- 発生している場所に絞って、局所的に対策できる
- 種類に合わせた、化学的・非化学的な対策を選べる
- その結果、化学農薬の効率と効果が上がり、使用量・コスト・環境への影響・農薬抵抗性が生まれるリスクを減らせる
- ウイルスが広がるリスクと、それに伴う経済的な影響を、より正確に見積もれる
- 実施した防除がどれだけうまくいったかを、数字で評価できる
同じアザミウマの仲間でも、ウイルスを運ぶ種と運ばない種がいます。コナジラミの仲間でも、種類によって運ぶウイルスや、薬剤への効きやすさが異なることが知られています。種類がわからないまま対策すると、効きにくい方法を選んでしまったり、必要以上に農薬を使ってしまったりするおそれがあるのです。
総合的病害虫管理（IPM）との関係
こうした考え方は、「総合的病害虫管理（IPM）」と深く関わっています。IPMとは、化学農薬だけに頼らず、天敵の利用、防虫ネット、粘着トラップ、耕種的な工夫（栽培方法の工夫）などを組み合わせて、病害虫の被害を経済的に問題のない水準に抑える考え方です。日本でも、農林水産省が総合防除（IPM）の推進として取り組みを進めています。
論文によると、害虫は今も世界の作物収量の20〜40%を毎年奪っているとされます。一方で、世界の人口は2050年までに97億人に達し、食料生産を2005〜2010年と比べて約30〜60%増やす必要があると見込まれています。化学農薬の使用や登録への規制も強まるなかで、害虫を「速く、客観的に」見つけ、必要な場所で効果的に対策するIPMへの移行が鍵になると、著者らは述べています。
化学農薬に頼りすぎない防除の選択肢として、微生物がつくる天然の化合物を活用する研究も進んでいます。関心のある方は、海洋微生物由来の天然農薬とは？126種の化合物からわかった効果と仕組みもあわせてご覧ください。
これまでの研究では「種類まで」はほとんど見分けられていなかった
粘着トラップの画像とAIを組み合わせた研究は数多くありますが、論文によると、アザミウマやコナジラミを種類まで見分けた研究は意外なほど少ないのが現状です。多くの研究では、次のような方法で「種類の区別」を避けていました。
- 見分けたい種類以外の、同じ仲間の虫を最初から対象外にする
- 近い仲間の複数の種類を、1つのグループにまとめて数える
数少ない先行研究の結果は、次のとおりです。
| 先行研究 | 対象 | 使った画像 | 主な結果 |
|---|---|---|---|
| Niyigena et al.（2023） | チャノキイロアザミウマと、その他のアザミウマ（1グループにまとめたもの） | 黄色粘着トラップのスマートフォン画像（1ピクセル約17 μm） | 高い成績を報告したが、種類まで見分けたのは1種のみ。独立したテスト用データはなし |
| Böckmann et al.（2021） | タバココナジラミとオンシツコナジラミ | 粘着トラップのRGB画像 | タバココナジラミの適合率（検出の正しさ）は26%にとどまった |
| Gutierrez et al.（2019） | タバココナジラミとオンシツコナジラミの成虫と卵 | 植物上の害虫を接写した画像（粘着トラップではない） | 成虫の検出の適合率は27〜74% |
出典：Laekeman et al.（2025）の本文をもとに作成
さらに論文は、ほとんどの研究が「最初に用意したテスト用データ」での成績しか報告しておらず、学習に使っていない新しいデータでも通用するか（汎化性能）を厳しく評価できていないという問題も指摘しています。今回の研究は、アザミウマとコナジラミの両方を種類まで見分けることと、独立したデータでの実力を確かめることの両方に取り組んだ点が特徴です。著者らは、RGB（通常のカラー）の粘着トラップ画像とYOLO系のAIを使って両方の害虫を種類まで検出した研究は、自分たちの知る限りこれが初めてだと述べています。
研究ではどのようにAIに学習させたのか？
研究を行ったのは、ベルギーのフランダース農業水産食品研究所（ILVO）、ゲント大学、園芸研究機関Viaverdaのチームです。論文は2025年11月に学術誌Frontiers in Plant Scienceで公開され、論文本文（DOI：10.3389/fpls.2025.1668795）は誰でも無料で読むことができます。研究は大きく3つのステップで進められました。
- 高画質の写真を使って、AIがそもそも種類まで見分けられるかを調べる
- 写真の画質を段階的に落として、見分けるのに最低限必要な画質を調べる
- その画質を、スマートフォンや安いカメラなど、実際の撮影機器の条件に置き換える
虫の飼育と粘着トラップの回収
まず、4種の虫を、それぞれ隔離された温室や育成室の防虫ケージの中で飼育しました。
| 種類 | 飼育に使った植物 | 飼育環境 |
|---|---|---|
| ミカンキイロアザミウマ | インゲンマメのさや（花粉を追加） | 温度約20 °C、湿度約55% |
| オンシツコナジラミ | キュウリ | 温度約20 °C、湿度約55% |
| タバココナジラミ（MEDバイオタイプ） | タバコ | 温度約23.5 °C、湿度約60% |
| エキノスリップス・アメリカヌス | 鉢植え植物の温室で自然発生したもの | 温度約25 °C、湿度約56% |
出典：Laekeman et al.（2025）の本文をもとに作成
ケージの中に、ベルギーで一般的に使われている1種類の黄色粘着トラップ（湿式の粘着剤のもの）を数日間つるし、虫を捕まえました。これを数か月にわたって繰り返し、捕まってから数日〜約1年たったトラップまで、虫の数や古さがさまざまなトラップを集めています。トラップは撮影するまで、光の当たらない容器に保管しました。
高性能カメラで「1ピクセル＝5マイクロメートル」の写真を撮影
集めたトラップは、条件をそろえた撮影装置で1枚ずつ撮影しました。装置の概要は次のとおりです。
| 項目 | 内容 |
|---|---|
| カメラ | 4240万画素のデジタル一眼カメラ（Sony α7R III）＋50mmマクロレンズ |
| 照明 | 円形のLEDライト（色温度5500 K、明るさ約2170ルクス） |
| トラップの移動 | 電動の台で自動的に動かし、1枚のトラップを重ならないよう30枚に分けて撮影 |
| 1枚の写真の範囲 | 約3.7 cm × 2.5 cm |
| 写真の細かさ | 1ピクセルあたり約5 μm（0.005 mm） |
| 撮影した面 | トラップの両面（格子が印刷された面と、印刷のない面） |
出典：Laekeman et al.（2025）の本文をもとに作成
1ピクセルが5マイクロメートルということは、長さ1ミリの虫が約200ピクセルの大きさで写る計算になります。肉眼ではゴマ粒のように見える虫でも、翅の形や体の模様まで写し取れる細かさです。
「正解」を教えるラベル付けと、間違えやすいものの準備
撮影した写真は、明るさや色味を補正したうえで、AIに入力しやすい3.2 mm四方（640 × 640ピクセル）の小さな画像に切り分けました。そして、虫のいる位置を四角い枠で囲み、「これはミカンキイロアザミウマ」といった正解のラベルを付けていきました。この作業は、プログラムで下書きを作ったうえで、人が1つずつ確認しています。
AIが間違えないよう、虫以外のものも学習用にあえて集めているのがこの研究の工夫です。
- 調査対象の4種以外の、その他の虫（ラベルは付けない）
- トラップの黄色い背景
- トラップに印刷された格子の線
- 粘着面の光の反射
- 識別用のシール
- トラップを置く台
こうして、4種それぞれについて1,000匹分のラベル、その他の虫の画像1,000枚、背景の画像（全体の20%）をバランスよく集め、「学習用60%・検証用20%・テスト用20%」に分けました。これを論文では「内部データセット」と呼んでいます。画像の総数は5,105枚でした。
初めて見るトラップで「本番テスト」
さらに研究チームは、学習用とはまったく別に、4種すべてとその他の虫が混ざって捕まったトラップを4枚用意しました。エキノスリップス・アメリカヌスが付いたトラップを、ほかの3種の飼育場所に順番に移し、各種が10匹以上捕まるまで置いて作ったものです。ここから各種54匹分のラベルと、その他の虫や背景の画像を合わせた246枚の画像を用意し、「外部データセット」として本番のテストに使いました。
練習問題とよく似た問題だけでテストすると、実力以上に良い点が出てしまいます。撮影日も違う、初めて見るトラップでテストしたことで、現場に近い条件での実力を確かめられるようにしたわけです。
使ったAI「YOLO」とは
使われたAIは、「YOLO（You Only Look Once）」と呼ばれる系統の物体検出モデルです。YOLOとは、画像を一度見るだけで、写っている物の位置と種類を同時に見つけ出すタイプのAIで、処理が速くリアルタイムの検出に向いています。
研究では、最新の2つの系統である「YOLO11」と「YOLO-NAS」から、大きさ（複雑さ）の異なる8つのモデルを試しました。
| 系統 | モデル | 大きさ（パラメータ数） |
|---|---|---|
| YOLO11 | YOLO11n／s／m／l／x | 約260万〜5690万 |
| YOLO-NAS | YOLO-NAS-S／M／L | 約1900万〜6690万 |
出典：Laekeman et al.（2025）Table 1をもとに作成
パラメータ数は、AIの中にある「調整できるつまみ」の数のようなもので、多いほど複雑で細かい判断ができる一方、計算に時間がかかります。YOLO11については、開発元のUltralytics社がYOLO11の公式ドキュメントを公開しています。どのモデルも、あらかじめ一般的な画像で学習済みのものを、今回の粘着トラップの写真で追加学習（ファインチューニング）させました。
AIはどこまで正確に種類を見分けられたのか？
結論から言うと、高画質の写真を使った場合、テストしたすべてのモデルが、研究チームの定めた「実用の目安」を上回りました。
成績を表す指標の意味
論文では、AIの成績をいくつかの指標で表しています。主なものは次のとおりです。
| 指標 | 意味 | たとえると |
|---|---|---|
| 適合率（precision） | AIが「この種類だ」と答えたもののうち、正しかった割合 | 答えた問題の正解率 |
| 再現率（recall） | 実際にいた虫のうち、AIが見つけられた割合 | 見落としの少なさ |
| F1スコア | 適合率と再現率のバランスをとった値 | 総合的な安定感 |
| mAP@50 | 虫の位置をおおまかに正しく囲めたうえで、種類をどれだけ正確に当てられたかを、全種類で平均した値 | 総合点 |
出典：Laekeman et al.（2025）の本文をもとに作成
「@50」は、AIが描いた枠と正解の枠が50%以上重なっていれば「位置は正しい」とみなす、という条件を意味します。研究チームは、施設園芸での実用を考えて、これらの指標がいずれも70%以上であることを「実用の目安」と定めました。ただし、この目安は著者らが任意に決めたもので、作物や生産者によって変わるため、使う人がそれぞれ調整するよう勧めています。
練習と同じ種類の写真では、どのモデルも90%以上
学習に使ったのと同じトラップから作ったテスト用写真（内部データセット）では、8つすべてのモデルが、mAP@50とF1スコアで90%以上を記録しました。モデルの系統や大きさによる差は、ほとんどありませんでした。
種類ごとに見ると、どのモデルもアザミウマ2種（特にエキノスリップス・アメリカヌス）の成績が高く、コナジラミ2種（特にタバココナジラミ）の成績がやや低い傾向がありました。ただし、最も良い種類と最も悪い種類の差は、AP@50で4〜7%、F1スコアで4〜10%と、大きくはありませんでした。
初めて見るトラップでも79〜89%
学習に使っていないトラップ（外部データセット）での本番テストでは、すべてのモデルで成績が下がりましたが、目安の70%は上回りました。
| モデルの系統 | 本番テストのmAP@50 | 本番テストのF1スコア | 練習用テストからの下がり幅 |
|---|---|---|---|
| YOLO11（5モデル） | 79〜84% | 74〜81% | 約10〜20% |
| YOLO-NAS（3モデル） | 85〜89% | 83〜87% | 10%未満 |
出典：Laekeman et al.（2025）の本文をもとに作成
本番テストで最も成績が良かったのは、YOLO-NASの中で最も大きい「YOLO-NAS-L」で、mAP@50が89%、F1スコアが87%でした。YOLO11の中では最も大きい「YOLO11x」が最も良く、mAP@50が84%、F1スコアが81%でした。
注目したいのは、最も小さく軽い「YOLO11n」（パラメータ数約260万）でも、本番テストでmAP@50が80%、F1スコアが77%、種類ごとのAP@50でも72〜85%を記録したことです。小さなモデルは計算が軽いため、高価なパソコンがなくても動かしやすく、現場に置く装置に組み込むことを考えると、とても心強い結果です。
YOLO-NASが初めてのトラップに強かった理由
YOLO-NASのほうが、初めて見るトラップでの成績の落ち込みが小さく、汎化性能が高い傾向がありました。論文では、その理由として、YOLO-NASの学習の仕組みを挙げています。YOLO-NASでは、学習の過程で、計算量や処理時間を抑えながら精度を保てるよう、モデルの構造そのものが自動で最適化されます。その結果、複雑になりすぎず、学習データだけに合わせすぎる「過学習」が起きにくくなった可能性があると考察されています。
一方、YOLO11では、モデルが大きく複雑になるほど、初めて見るトラップでの成績が上がる傾向が見られました。練習用のテストでは差が出なかったのに本番テストで差が出たのは、練習用のテスト写真が学習用の写真とよく似ていた（同じトラップ、同じ撮影日）ためだと、著者らは説明しています。
どんな間違いが起きたのか
AIの答えと正解の組み合わせを集計した表（混同行列）からは、本番テストで起きた間違いの傾向も見えてきました。
- アザミウマ：虫を背景と判断してしまう「見逃し」が増えた（特にミカンキイロアザミウマ）
- コナジラミ：見逃しはむしろ減ったが、タバココナジラミとオンシツコナジラミの「取り違え」が大きく増えた
- 全体：背景を虫と判断してしまう「誤検出」も増えた（特に最も小さいYOLO11n）
小さなYOLO11nとYOLO11sでは、本番テストでの成績の順位も入れ替わり、タバココナジラミが最も良く、ミカンキイロアザミウマが最も悪くなりました（ミカンキイロアザミウマのAP@50は練習用テストより23〜25%低下）。ただし、この落ち込みはモデルを大きくすると小さくなりました。著者らは、本番テスト用の写真のピントがやや甘かったことや、撮影方法のわずかな違いが影響したと考えています。コナジラミの取り違えについては、虫が捕まってからの日数（滞留時間）の違いや、画質の差が影響したと推測されています。
AIは「図鑑と同じ場所」を見ていた
研究チームは、AIが写真のどこに注目して判断したかを色で表す「Grad-CAM」という方法で、YOLO11nの判断の根拠も調べました。
| 種類 | AIが主に注目していた部分 | 図鑑などに書かれた見分けのポイント |
|---|---|---|
| アザミウマ2種 | 腹部（上部）。腹部が隠れているときは頭部と触角 | 腹部の色や、節の間の縞模様（赤い帯など） |
| コナジラミ2種 | 黄色い体と、翅の暗い白色の部分・透明な部分 | 体の黄色の濃さ、翅の形や見え方 |
出典：Laekeman et al.（2025）の本文をもとに作成
AIが注目していた場所は、専門家が見分けに使う形の特徴とよく重なっていました。AIが、人間とは別の方法で、同じ「見分けのコツ」にたどり着いていたとも言えそうです。
ただし、コナジラミで翅の透明さに注目していた点について、論文は注意も促しています。タバココナジラミの翅は、捕まってから7日もたたないうちに傷み始めることが知られており、今回の学習データのコナジラミは捕まってから数日〜数か月たったものでした。そのため、捕まったばかりの新しいコナジラミが付いたトラップでは、うまく見分けられない可能性があります。著者らは、新しい個体の写真を学習データに加えることで、この問題は解決できるだろうと述べています。
反対に、エキノスリップス・アメリカヌスは、本番テスト用のトラップでは捕まってから約1年たっていたにもかかわらず、どのモデルでも成績が大きく落ちることはありませんでした。古いトラップでも種類を見分けられる可能性を示す結果ですが、今回のデータではこの種の傷み具合がもともと小さかったことも理由かもしれない、と論文は慎重に述べています。
スマホや安いカメラでも種類を見分けられるのか？
研究で使ったデジタル一眼カメラとマクロレンズは、論文の見積もりで2,250ユーロ未満（数十万円クラス）の機材です。ハウスのあちこちに設置する見張り用のカメラとしては、現実的ではありません。そこで研究チームは、「どこまで画質を落としても種類を見分けられるか」を調べました。
写真をわざと粗くして成績を比べた
高画質の写真（1ピクセル5 μm）をコンピューターで縮小してから元の大きさに戻すことで、画質だけを段階的に粗くした写真を作りました。1ピクセルあたりの大きさは、5、10、20、40、80、160、320、640 μmの8段階です。この写真で、小さいYOLO11nと大きいYOLO11xをそれぞれ学習・テストしました（YOLO-NASは学習に時間がかかるため、この調査では使っていません）。
結果の傾向は次のとおりです。
| 1ピクセルあたりの大きさ | 練習用テスト | 本番テスト（初めて見るトラップ） |
|---|---|---|
| 5〜80 μm | 画質が粗くなるにつれて、ほぼ直線的にゆるやかに低下 | 目安の70%以上を維持 |
| 80 μmより粗い | 引き続きゆるやかに低下 | mAP@50やF1スコアが大きく低下。特にアザミウマ、中でもミカンキイロアザミウマの成績が急落 |
| 320〜640 μm（かなりぼやけた写真） | 全体の平均は50%を下回らない | 全体の平均は50%を下回らないが、ミカンキイロアザミウマは80 μmを超えた時点で50%を下回った |
出典：Laekeman et al.（2025）の本文と図6・図7をもとに作成
この結果から、研究チームは、実用の目安（70%）を満たすための最低限の画質を「1ピクセルあたり80 μm」と結論づけました。80 μmは0.08 mmです。長さ1 mmのアザミウマなら、計算上は約12ピクセルほどの大きさでしか写りませんが、それでも種類を見分けられたことになります。
体の小さいアザミウマが先に見分けにくくなった
画質を落としたとき、先に成績が落ちたのはアザミウマでした。見た目の違いそのものは、アザミウマ2種のほうがコナジラミ2種よりはっきりしています。それでもアザミウマが苦手になったのは、コナジラミより体が小さく、1匹あたりのピクセル数が少なくなって、AIが判断に使える手がかりが減ったためと考えられています。
また、画質の粗い写真での本番テストでは、小さいYOLO11nのほうが、大きいYOLO11xより全体に成績が良い傾向がありました。モデルを大きく複雑にすれば必ず性能が上がるわけではなく、学習データが限られている場合には、過学習によって新しいデータでの成績がむしろ悪くなることもある、と論文は指摘しています。
どんなカメラなら80 μmの画質を出せるのか
最後に研究チームは、1ピクセル80 μmの画質を出すために必要な撮影条件を、いくつかのカメラについて計算しました。
| カメラ | 画素数 | 最短撮影距離 | 80 μmを保てる最大の撮影距離 | おおよその価格 |
|---|---|---|---|---|
| Raspberry Pi カメラモジュール2 | 800万画素 | 10 cm | 21 cm | 50ユーロ未満 |
| Raspberry Pi カメラモジュール3 | 1190万画素 | 10 cm | 28 cm | 50ユーロ未満 |
| Arducam Pi Hawk-eye | 6400万画素 | 8 cm | 52 cm | 100ユーロ未満 |
| Samsung Galaxy A16 LTE（メインカメラ） | 5000万画素 | 10 cm | 48 cm | 150ユーロ未満 |
| GoPro HERO13 Black＋マクロレンズ | 2713万画素 | 11 cm | 29 cm | 500ユーロ未満 |
| iPhone 16 Pro（超広角カメラ） | 4800万画素 | 2 cm | 23 cm | 1,250ユーロ未満 |
| Sony α7R III＋50mmマクロ（研究で使用） | 4240万画素 | 16 cm | 87 cm | 2,250ユーロ未満 |
出典：Laekeman et al.（2025）Table 4をもとに作成（価格は原稿投稿時点のおおよその単価）
どのカメラでも、粘着トラップ1枚を1回の撮影で写せる計算になりました。Raspberry Pi（ラズベリーパイ）は、電子工作などに使われる手のひらサイズのコンピューターで、そのカメラモジュールは50ユーロ未満と、1万円もしない価格帯です。
研究チームは、別の研究（Ong and Høye, 2025）で、同じくらいの解像度であれば、高級なデジタル一眼カメラ、ウェブカメラ、スマートフォンのどれで撮った写真で学習させても、虫の検出の成績に大きな差はなかったと報告されていることにも触れています。小さく軽いYOLO11nでも十分な成績が出たことと合わせて、施設園芸で使える、リアルタイムで自動的な種類レベルのトラップ監視への道が開けた、と著者らは述べています。
この研究の限界と今後の課題は？
この研究は、「こういう仕組みが実現できそうだ」と確かめる概念実証（proof-of-concept）の段階のものです。論文では、著者ら自身が次のような限界と課題を挙げています。
データの集め方に関する課題
- 使った粘着トラップは、1つのメーカーの湿式の粘着剤のものだけ。実際には、メーカー、トラップの色、粘着剤の種類（湿式と乾式）がさまざまなので、それらでも通用するかは未確認
- 虫の体の形や大きさ、色は、育った環境や個体の密度、遺伝的な違いによって同じ種類の中でも変わるため、今後はそうした変動を含む写真を増やす必要がある
- 捕まったばかりの新しい虫や、傷み具合の異なる虫の写真も、もっと学習に加える必要がある
- 学習用データの量（1種類あたり1,000匹分）と多様さが限られていた。より多くの異なる写真で学習させれば、初めて見るトラップでの成績をさらに上げられる可能性がある
別の研究（Ong and Høye, 2025）の提案として、色で虫を引き寄せない透明な粘着トラップで撮った写真を学習に使うと、トラップの色が変わっても成績を落としにくいAIが作れる可能性がある、という話も紹介されています。
画質の調査に関する課題
- 画質を落とした実験は、高画質の写真をコンピューターで粗くしたもので、実際に安いカメラで撮った写真ではない
- 実際の安いカメラやスマートフォンの写真には、ノイズ、ゆがみ、画像処理による不自然な模様などが加わるため、結果が変わる可能性がある
- そのため、「1ピクセル80 μm」という目安は、提案したカメラを実際に使って確かめる必要がある
今後広げていくべき対象
- 今回の4種以外の害虫
- さまざまな種類の粘着トラップ
- 他のAIモデルの構造
- 実際の温室で変化する、光の強さや光の色（波長の構成）
著者らは、研究を加速させるために、粘着トラップの写真を誰でも使えるオープンなデータベースとして整備し、共有することを勧めています。1つの研究機関だけでなく、多くの人が写真を持ち寄ることで、より多くの害虫やトラップに対応できるAIが育つと期待されます。
AIで病害虫を見つける研究は、粘着トラップ以外でも進んでいます。作物の葉の写真から病気や害虫を判定する研究については、AI病害虫診断とは？綿花畑で実証されたスマート農業の仕組みをやさしく解説や、パクチョイの病害虫をAIが自動判定？最新のYOLOv8改良モデルが切り拓く精密農業で紹介しています。パクチョイの研究も、今回と同じYOLO系のAIを使っているので、比べて読むと理解が深まります。
家庭菜園やハウス栽培ではどう活かせるのか？
今回の研究成果は、今すぐ家庭で使えるアプリや製品として提供されているものではありません。それでも、黄色粘着トラップの使い方や、害虫の見方について、役立つヒントを読み取ることができます。
黄色粘着トラップは「見張り役」として使う
論文が示すように、黄色粘着トラップの大きな役割は、虫の発生を早く知ることです。家庭菜園でも、次のような使い方が考えられます。
- 株の近く、葉の高さあたりにつるす（設置の高さや枚数は、製品の説明に従う）
- 週に1〜2回など、決まった間隔でトラップを見る
- 捕まった虫の数や様子を、日付と一緒に記録する
- 虫が急に増えてきたら、トラップの近くの株の葉の裏をよく観察する
- 虫でいっぱいになったり、粘着力が落ちたりしたら交換する
トラップを使うだけで害虫を防ぎきれるわけではないため、防虫ネットや、被害を受けた葉の早めの除去など、ほかの対策と組み合わせることが大切です。これは、今回の論文の背景にある総合的病害虫管理（IPM）の考え方そのものです。
なお、一般に、アザミウマの仲間は青色にも引き寄せられやすいとされ、アザミウマ向けに青色の粘着トラップも市販されています。また、黄色のトラップには、寄生バチなどの益虫（害虫の天敵）が捕まってしまうこともあります。天敵を放して防除している場合などは、トラップの数や置き場所に注意しましょう。天敵が植物の香りをたよりに害虫を探しあてる仕組みについては、メチルサリチル酸とは？イネが発する香りのSOSとウイルスの妨害作戦を解説で紹介しています。
スマホで写真を撮って記録しておく
今回の研究は、1ピクセル80 μm程度の画質があれば、AIが種類を見分けられる可能性を示しました。これはあくまで研究用のAIの話ですが、スマートフォンでトラップを接写して記録しておくこと自体は、今日からでもできます。
- 日付ごとに写真を残すと、「いつ頃から増えたか」をあとから確かめられる
- 同じ位置・同じ距離から撮ると、変化を比べやすい
- 気になる虫は、スマホのカメラを近づけたり、ルーペと組み合わせたりして大きく撮っておく
将来、こうした写真から自動で種類を判定できる仕組みが実用化されれば、記録の習慣がそのまま役立つかもしれません。
まずは「細長い虫」か「白い虫」かを見分ける
家庭菜園で、アザミウマやコナジラミを種類まで見分けるのは簡単ではありません。まずは、次のような大まかな違いに注目するだけでも、対策を考える手がかりになります。
| 見た目 | 考えられる仲間 | 気をつけたい被害 |
|---|---|---|
| 体長1〜2 mmほどの細長い虫。黄色〜茶色〜黒っぽい | アザミウマの仲間 | 葉や花、果実のかすり傷のような跡、花の変色、ウイルス病 |
| 体長1〜3 mmほどで、白い粉をまとったような翅の虫 | コナジラミの仲間 | 葉のベタつき（甘露）、すす病、ウイルス病 |
出典：Laekeman et al.（2025）の本文をもとに作成
被害が大きい場合や、ウイルス病が疑われる場合など、種類を正確に知りたいときは、地域の病害虫防除所や農業改良普及センター、JAなどの専門機関に相談するのが確実です。
まとめ
- 黄色粘着トラップとは、黄色に集まる性質を利用して小さな害虫を捕まえ、発生状況を調べるための道具である
- ベルギーの研究チームは、黄色粘着トラップの写真から、AI（YOLO11とYOLO-NAS）でミカンキイロアザミウマ、エキノスリップス・アメリカヌス、タバココナジラミ、オンシツコナジラミの4種を種類まで見分けられることを示した
- 初めて見るトラップでの本番テストでも、mAP@50は79〜89%、F1スコアは74〜87%で、著者らが定めた実用の目安（70%）を上回った
- 最も小さいYOLO11nでも、本番テストでmAP@50が80%、F1スコアが77%だった
- AIはアザミウマでは腹部、コナジラミでは体と翅に注目しており、専門家が使う見分けのポイントとよく重なっていた
- 計算上、1ピクセルあたり80 μmの画質があれば種類を見分けられ、スマートフォンや50ユーロ未満のカメラモジュールでも足りる可能性がある
- ただし、実際の安いカメラでの確認や、他のトラップ・害虫・照明条件への拡大は、今後の課題である
Q&A：黄色粘着トラップとAI害虫検出についてよくある質問
Q1. 黄色粘着トラップを置けば、アザミウマやコナジラミを駆除できますか？
A. 黄色粘着トラップは飛んでいる成虫を捕まえるため、ある程度数を減らす効果は期待できますが、それだけで害虫を防ぎきれるわけではありません。今回の論文でも、トラップは主に「どんな虫がどれくらいいるか」を調べる監視の道具として位置づけられています。防虫ネットや被害葉の除去など、ほかの対策と組み合わせて使うのが基本です。
Q2. スマートフォンのカメラで、害虫の種類をAIに判定してもらえますか？
A. 今回の研究では、1ピクセルあたり80 μm程度の画質があれば、AIがアザミウマ2種とコナジラミ2種を見分けられる可能性が示され、iPhone 16 ProやSamsung Galaxy A16などのスマートフォンでもこの画質を出せる計算になりました。ただし、これは高画質の写真を計算で粗くして調べた理論上の結果で、実際のスマートフォンの写真での確認はこれからです。研究で作られたAIが、一般向けのアプリとして公開されているわけではありません。
Q3. なぜAIは、アザミウマよりコナジラミのほうが画質の低下に強かったのですか？
A. 論文では、アザミウマのほうが体が小さいことが理由と考えられています。画質が粗くなると、体の小さいアザミウマは1匹あたりのピクセル数が少なくなり、AIが判断に使える手がかりが減ってしまいます。見た目の違い自体はアザミウマ2種のほうが大きいにもかかわらず、画質を落とすとアザミウマ、特にミカンキイロアザミウマの成績が先に大きく下がりました。
こんなふうに、国内外の植物・園芸・農業ニュースをXで毎日紹介しています。論文の話題の続きや、気になる最新研究もチェックしてみてください。
→ edge farm（@EdgeFarm83417）https://x.com/EdgeFarm83417
参考文献
- Laekeman, B., Bonte, J., Dermauw, W., Christiaens, A., Gobin, B., Van Huylenbroeck, J., Dhooghe, E., & Lootens, P. (2025). Species-level detection of thrips and whiteflies on yellow sticky traps using YOLO-based deep learning detection models. Frontiers in Plant Science, 16, 1668795. https://doi.org/10.3389/fpls.2025.1668795
コメント