[論文レビュー] 4Weed Dataset: Annotated Imagery Weeds Dataset

Varun Aggarwal, Aanis Ahmad+2 more|arXiv (Cornell University)|Mar 29, 2022

Smart Agriculture and AI被引用数 4

ひとこと要約

本論文は、4つの一般的な雑草（Cocklebur、Foxtail、Redroot Pigweed、Giant Ragweed）のRGB画像を、実際の畑および温室環境下で収集した大規模かつアノテーション済みの画像データセット、4Weed Datasetを紹介する。このデータセットは、画像分類およびオブジェクト検出の両方の深層学習モデルの学習を支援し、境界ボックスアノテーションによりトウモロコシおよび大豆畑における早期生育期の雑草同定を正確に行える。

ABSTRACT

Weeds are a major threat to crops and are responsible for reducing crop yield worldwide. To mitigate their negative effect, it is advantageous to accurately identify them early in the season to prevent their spread throughout the field. Traditionally, farmers rely on manually scouting fields and applying herbicides for different weeds. However, it is easy to confuse between crops with weeds during the early growth stages. Recently, deep learning-based weed identification has become popular as deep learning relies on convolutional neural networks that are capable of learning important distinguishable features between weeds and crops. However, training robust deep learning models requires access to large imagery datasets. Therefore, an early-season weeds dataset was acquired under field conditions. The dataset consists of 159 Cocklebur images, 139 Foxtail images, 170 Redroot Pigweed images and 150 Giant Ragweed images corresponding to four common weed species found in corn and soybean production systems.. Bounding box annotations were created for each image to prepare the dataset for training both image classification and object detection deep learning networks capable of accurately locating and identifying weeds within corn and soybean fields. (https://osf.io/w9v3j/)

研究の動機と目的

• 精密農業における深層学習モデルの学習に向けた、高品質で現地検証済みの雑草画像データセットの不足を解消すること。
• トウモロコシおよび大豆の収量を著しく低下させる4つの主要な雑草種の早期生育期における正確な同定を可能にすること。
• 複雑な現実世界の畑環境下で、バランスの取れたアノテーション済みデータセットを構築し、モデルの汎化性能と性能を向上させること。
• オブジェクト検出および画像分類の深層学習アーキテクチャを用いた自動雑草検出システムの開発を支援すること。
• 研究を加速するために、公開可能で詳細なドキュメンテーションが整ったデータセットを提供すること。

提案手法

• パデュー大学のACRE農場および温室で、UTVに搭載された6台のLogitech 920ウェブカメラと、ハンドヘルドのSony WX350およびモバイルカメラ（Pixel 3、iPhone 11 Pro）を用いて、618枚のRGB画像を収集した。
• 画像は地面から14インチの高さで撮影され、解像度は1080×720から4032×3024ピクセルの範囲で、多様な畑および制御された照明条件下で撮影された。
• 各画像内の各雑草個体に対して正確な境界ボックスアノテーションを、LabelImgツール（Tzutalin, 2015）を用いて手動で作成した。
• 初期の不均衡なデータセットを是正するため、モバイルカメラを用いてCockleburおよびFoxtailの追加画像を収集し、ほぼ等しいクラス分布を達成した。
• データセットを4つのクラスに分類した：Cocklebur 159枚、Foxtail 139枚、Redroot Pigweed 170枚、Giant Ragweed 150枚。
• 画像分類およびオブジェクト検出の両方の深層学習モデルに使用できるように設計され、種の識別と空間的局在化の両方を可能にした。

実験結果

リサーチクエスチョン

• RQ1 大規模で現地検証済みかつ詳細にアノテーションされた雑草画像データセットは、早期生育期の雑草同定における深層学習モデルの精度を向上させることができるか？
• RQ2 現実の畑環境下でのデータセットのバランスと画像の多様性が、オブジェクト検出および分類モデルの性能に与える影響はいかほどか？
• RQ3 4Weedのような公開可能でアノテーション済みのデータセットは、精密農業研究におけるデータ不足の課題をどの程度軽減できるか？
• RQ4 画像解像度の変動および取得方法の違い（搭載型対ハンドヘルド）が、雑草検出タスクにおけるモデルの汎化性能に与える影響は何か？
• RQ5 4Weed Datasetは、現実の農業環境下での深層学習モデルの学習および評価のための信頼できるベンチマークとして機能できるか？

主な発見

• 4Weed Datasetは、Cocklebur（159枚）、Foxtail（139枚）、Redroot Pigweed（170枚）、Giant Ragweed（150枚）の4つの一般的な雑草の高解像度RGB画像618枚から構成され、実際の畑および温室環境下で収集された。
• モバイルカメラを用いた標的的な画像収集により、データセットがバランスされ、4つの雑草種にほぼ等しい分布が達成された。
• LabelImgツールを用いて境界ボックスアノテーションが作成され、オブジェクト検出および画像分類の両方の深層学習モデルへの直接的な学習が可能になった。
• 複数の解像度（1080×720から4032×3024ピクセル）で画像が収集されたため、スケール変動に対するモデルの頑健性が向上した。
• UTVに搭載されたカメラアレイを用いて、地面から14インチの高さでデータセットを収集した。これは、リアルタイムの畑点検状態を模倣したものである。
• データセットは https://osf.io/w9v3j/ で公開されており、すでに過去の研究で深層学習モデルの雑草同定の学習に使用されている。