[論文レビュー] A Deep Learning-based Detector for Brown Spot Disease in Passion Fruit Plant Leaves

Andrew Katumba, Moses Bomera+8 more|arXiv (Cornell University)|Jul 28, 2020

Smart Agriculture and AI被引用数 5

ひとこと要約

この論文では、ウガンダの農場から収集した新規の専門家がアノテートした2,000枚のパッションフルーツの葉の画像を用いて、EfficientDet D3を用いた深層学習ベースの物体検出モデルを提案し、茶色斑点病の病巣を特定する。10%のテストセットにおいて、平均平均精度（mAP）は0.351を達成し、小規模農業の文脈における早期病害虫検出の可能性を示している。

ABSTRACT

Pests and diseases pose a key challenge to passion fruit farmers across Uganda and East Africa in general. They lead to loss of investment as yields reduce and losses increases. As the majority of the farmers, including passion fruit farmers, in the country are smallholder farmers from low-income households, they do not have the sufficient information and means to combat these challenges. While, passion fruits have the potential to improve the well-being of these farmers as they have a short maturity period and high market value , without the required knowledge about the health of their crops, farmers cannot intervene promptly to turn the situation around. For this work, we have partnered with the Uganda National Crop Research Institute (NaCRRI) to develop a dataset of expertly labelled passion fruit plant leaves and fruits, both diseased and healthy. We have made use of their extension service to collect images from 5 districts in Uganda, With the dataset in place, we are employing state-of-the-art techniques in machine learning, and specifically deep learning, techniques at scale for object detection and classification to correctly determine the health status of passion fruit plants and provide an accurate diagnosis for positive detections.This work focuses on two major diseases woodiness (viral) and brown spot (fungal) diseases.

研究の動機と目的

• 東アフリカにおける高経済的価値を持つパッションフルーツの病害虫検出のための機械学習ツールが不足している現状に対処すること。
• ウガンダの5か所の地方から、健康な状態と病巣を示すパッションフルーツの葉および果実の、高品質かつ公開可能なデータセットを収集・整備すること。
• 正確な病巣の局所化と分類を可能にする、深層学習ベースの物体検出モデルを開発・評価すること。
• モバイル機器やエッジデバイスを用いた低コストで早期の病害虫診断を可能にすることで、東アフリカの小規模農家を支援すること。

提案手法

• パッションフルーツの葉に生じる茶色斑点病巣を有する2,000枚の画像を、ウガンダの5か所の地方における現地調査から収集した。
• 画像は400×400ピクセルにクロップされ、Labelboxプラットフォームを用いてバウンディングボックスによるアノテーションが施され、ラベルはJSON形式でエクスポートされた。
• 物体検出にEfficientDet D3モデルを採用し、COCOデータセットで事前学習された重みを用いた転移学習を活用した。
• トレーニングは、GPU搭載のNC6仮想マシンを用いたMicrosoft Azure上で実施され、データの90%をトレーニング／バリデーション用、残りの10%をテスト用に割り当てた。
• TensorFlowフレームワークを用い、10,000イテレーションにわたりトレーニングを実施し、GPUおよびCPUの両方で推論評価を実施した。
• 性能評価には、テストセットにおける検出性能を測るための平均平均精度（mAP）が用いられた。

実験結果

リサーチクエスチョン

• RQ1 新規に収集したデータセットを用いて、深層学習ベースの物体検出モデルが、パッションフルーツの葉における茶色斑点病巣を正確に局所化できるか？
• RQ2 YOLO や SSD などの他の物体検出モデルと比較して、小規模で専門性の高い植物病害虫データセットにおいて、EfficientDet D3モデルの性能はどの程度か？
• RQ3 大規模データセット（COCO）からの転移学習が、限定的でドメイン特化されたパッションフルーツの葉のデータセットにおける検出精度をどの程度向上できるか？
• RQ4 CPUおよびGPU上での推論時間はどの程度で、低リソースの農業環境におけるエッジデバイスへのデプロイに適しているか？

主な発見

• 10,000回のトレーニングイテレーション後、テストセットにおける平均平均精度（mAP）は0.351を達成し、小規模なデータセットにおいて中程度の検出性能を示した。
• 検証とは異なる画像において、すべての茶色斑点病巣が正しく検出されたことが、実際のラベルと視覚的比較により確認された。
• GPU上での推論時間は0.06秒、CPU上では0.63秒であり、モバイル機器やエッジデバイスへのリアルタイムデプロイの可能性を示唆した。
• 2,000枚のアノテート済み画像からなるデータセットは、ウガンダの多様な地理的地域から収集されたため、現地の状況を的確に反映している。
• 本研究は、東アフリカにおける高価値な作物としてのパッションフルーツの茶色斑点病の早期検出に、深層学習を活用する可能性を示した。
• 研究者らは、今後の植物病害虫検出分野の研究を支援するため、本データセットを公開した。特にパッションフルーツに特化した研究を促進することを目的としている。