[論文レビュー] A Deep Learning Approach for Determining Effects of Tuta Absoluta in Tomato Plants

Denis Pastory Rubanga, Loyani Loyani+2 more|arXiv (Cornell University)|Apr 8, 2020

Smart Agriculture and AI参考文献 18被引用数 10

ひとこと要約

本研究では、トマトの生育初期段階におけるTuta absolutaの発生度の分類を目的として、微調整された畳み込みニューラルネットワーク（CNN）を用いたディープラーニング手法を提案する。VGG16、VGG19、ResNet50、Inception-V3のうち、実地収集したデータセットを用いて、発生度のない状態、軽度、重度の3段階に分類する作業において、Inception-V3が最高の平均正答率87.2％を達成した。

ABSTRACT

Early quantification of Tuta absoluta pest's effects in tomato plants is a very important factor in controlling and preventing serious damages of the pest. The invasion of Tuta absoluta is considered a major threat to tomato production causing heavy loss ranging from 80 to 100 percent when not properly managed. Therefore, real-time and early quantification of tomato leaf miner Tuta absoluta, can play an important role in addressing the issue of pest management and enhance farmers' decisions. In this study, we propose a Convolutional Neural Network (CNN) approach in determining the effects of Tuta absoluta in tomato plants. Four CNN pre-trained architectures (VGG16, VGG19, ResNet and Inception-V3) were used in training classifiers on a dataset containing health and infested tomato leaves collected from real field experiments. Among the pre-trained architectures, experimental results showed that Inception-V3 yielded the best results with an average accuracy of 87.2 percent in estimating the severity status of Tuta absoluta in tomato plants. The pre-trained models could also easily identify High Tuta severity status compared to other severity status (Low tuta and No tuta)

研究の動機と目的

• 収穫損失が80–100％に達する可能性があるTuta absolutaの早期かつ正確な発生検出の重要なニーズに対応すること。
• トマトの生育初期段階におけるTuta absolutaによる被害の深刻度を定量化できるディープラーニングベースのシステムの開発。
• 合成画像や現実的でない画像データセットで学習された既存のモデルの限界を克服するため、自社で収集した実地画像を用いること。
• 4つの事前学習済みCNNアーキテクチャ（VGG16、VGG19、ResNet50、Inception-V3）の性能を評価・比較し、深刻度分類に適したモデルを特定すること。

提案手法

• タンザニアのアリューシャおよびモロゴロで収集した1,384枚の実地画像を用い、発生度の3段階（Tutaなし、軽度Tuta（≤3匹の幼虫）、重度Tuta（3匹以上））に分類した。
• モデルの入力要件に合わせ、画像を水平反転処理し、224×224ピクセル（VGGおよびResNet用）または299×299ピクセル（Inception-V3用）にリサイズすることで前処理を行った。
• 最終全結合層を3クラス分類器に置き換えることで、ImageNetで事前学習済みの4つのCNNアーキテクチャ（VGG16、VGG19、ResNet50、Inception-V3）を微調整した。
• 50エポックで学習を実施し、バッチサイズ16、Adam最適化法（初期学習率10⁻⁴）、早期停止と学習率の段階的低下を適用した。
• GPUアクセラレーションを備えたワークステーション上でKerasとTensorFlowバックエンドを用い、モデルの学習と評価を実施。検証損失が最小となるモデルを保存した。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みCNNモデルは、実地画像を用いてトマトのTuta absoluta発生度を効果的に分類できるか？
• RQ2 VGG16、VGG19、ResNet50、Inception-V3の4つのCNNアーキテクチャの中で、どれがTuta absoluta被害の段階的変化を最もよく検出できるか？
• RQ3 発生度の3段階（Tutaなし、軽度Tuta、重度Tuta）において、モデルの性能はどのように変動するか？
• RQ4 葉の画像を用いたディープラーニングにより、重度Tuta発生の早期検出を信頼性を持って達成できるか？
• RQ5 なぜこの文脈では、軽度Tutaの検出がTutaなしまたは重度Tutaの検出よりも困難であるのか？

主な発見

• Inception-V3がテストデータセット全体で最も高い平均正答率87.2％を達成した。
• すべてのモデルが、重度Tuta画像に対して最高の適合率（90.5％–91.5％）とF1スコアを示し、深刻な発生の検出能力が優れていることを示した。
• VGG16とInception-V3は、Tutaなし画像に対して最高の再現率（96.5％および93.3％）を記録し、健全な植物を正しく特定する能力が優れていた。
• 軽度Tutaの検出が最も困難であり、F1スコア（0.448–0.575）と再現率（35.5％–51.8％）が最低であった。これは、軽度発生の検出漏れが多発することを示唆している。
• 収束に失敗した場合でも、検証損失が最小となるモデルを一貫して選択・再学習することで、学習の安定性と性能が向上した。