[論文レビュー] A Novel CropdocNet for Automated Potato Late Blight Disease Detection from the Unmanned Aerial Vehicle-based Hyperspectral Imagery

Yue Shi, Liangxiu Han+3 more|arXiv (Cornell University)|Jul 28, 2021

Smart Agriculture and AI参考文献 19被引用数 4

ひとこと要約

本論文は、ドローンベースの高光譜画像における作物病害の自動検出を目的として、階層的キャプセル特徴を活用してスペクトル・空間的構造的関係を捉える新しい深層学習モデル、CropdocNetを提案する。病害特徴における回転不変性と部分から全体への関係をモデル化することで、94.2%の分類精度を達成し、SVM（76.8%）および3DCNN（83.2%）を著しく上回った。これは、複雑な農業画像における階層的特徴表現の価値を示している。

ABSTRACT

Late blight disease is one of the most destructive diseases in potato crop, leading to serious yield losses globally. Accurate diagnosis of the disease at early stage is critical for precision disease control and management. Current farm practices in crop disease diagnosis are based on manual visual inspection, which is costly, time consuming, subject to individual bias. Recent advances in imaging sensors (e.g. RGB, multiple spectral and hyperspectral cameras), remote sensing and machine learning offer the opportunity to address this challenge. Particularly, hyperspectral imagery (HSI) combining with machine learning/deep learning approaches is preferable for accurately identifying specific plant diseases because the HSI consists of a wide range of high-quality reflectance information beyond human vision, capable of capturing both spectral-spatial information. The proposed method considers the potential disease specific reflectance radiation variance caused by the canopy structural diversity, introduces the multiple capsule layers to model the hierarchical structure of the spectral-spatial disease attributes with the encapsulated features to represent the various classes and the rotation invariance of the disease attributes in the feature space. We have evaluated the proposed method with the real UAV-based HSI data under the controlled field conditions. The effectiveness of the hierarchical features has been quantitatively assessed and compared with the existing representative machine learning/deep learning methods. The experiment results show that the proposed model significantly improves the accuracy performance when considering hierarchical-structure of spectral-spatial features, comparing to the existing methods only using spectral, or spatial or spectral-spatial features without consider hierarchical-structure of spectral-spatial features.

研究の動機と目的

• 既存手法が作物病害特徴における階層的スペクトル・空間的構造をモデル化できないという限界を解決すること。
• ドローンベースの高光譜画像を用いて、ジャガイモの晩腐病の早期検出を自動的かつ高精度かつ高耐性で行う手法を開発すること。
• 精密農業における人的で時間のかかる、主観的な視覚的点検に依存するのを減らすこと。
• 罹病植物の被覆構造と反射率のばらつきの間の部分から全体への関係を捉えることで、分類性能を向上させること。
• 制御された条件下での実際の現場データを用いてモデルを検証し、精密作物管理における実用的価値を示すこと。

提案手法

• スペクトル・空間的スカラー特徴を階層的ベクトル特徴に統合する複数のキャプセル層を備えた、新しい深層学習アーキテクチャ、CropdocNetを提案する。
• キャプセルネットワークを用いて病害特徴の階層的構造をモデル化し、特徴空間における空間的関係性と回転不変性を捉える。
• 被覆構造の多様性に起因する病害特有の反射放射能ばらつきを強調するために、注目メカニズムを活用する。
• 3次元高光譜データ（空間 × スペクトル）を3次元畳み込みバックボーンで処理し、その後キャプセルネットワークに供給することで、共同スペクトル・空間表現を実現する。
• 動的ルーティングをキャプセル層に適用し、意味のある病害表現に特徴をグループ化することで、クラス間分離性を向上させる。
• 交差エントロピー損失とAdam最適化を用いて、制御された現場条件下で収集された実際のドローンベースの高光譜画像上で、モデルをエンドツーエンドで学習する。

実験結果

リサーチクエスチョン

• RQ1 明示的に階層的スペクトル・空間的特徴をモデル化する深層学習モデルは、従来のスペクトルのみまたは空間的のみのモデルと比較して、ジャガイモの晩腐病検出の精度を向上させることができるか？
• RQ2 キャプセルネットワークの統合により、高光譜データにおける病害特有の反射率ばらつきおよび構造的パターンの表現がどのように向上するか？
• RQ3 階層的キャプセル特徴は、従来の3DCNNやSVMと比較して、特徴空間におけるクラス間分離性をどの程度向上させるか？
• RQ4 本手法は、植物と背景の混合スペクトル・空間的シグネチャを示す複雑な現場条件にも一般化可能か？
• RQ5 分類精度および誤分類に対する耐性という観点から、階層的特徴表現による定量的性能向上はどの程度か？

主な発見

• CropdocNetは、実際のドローンベースの高光譜画像上で94.2%の分類精度を達成し、SVM（76.8%）および3DCNN（83.2%）を著しく上回った。
• 階層的キャプセル特徴空間では、健康なクラスと罹病クラスのクラスタリングが明確に現れ、重複しない標準偏差と明確に分離された平均特徴方向が観察された。
• SVMベースのモデルは分離性が低く、スペクトル特徴におけるクラス間分散が不十分なために、81%の健康な圃場が誤って罹病と分類された。
• 3DCNNモデルは、境界付近で高い誤分類率を示した。これは、重複するスペクトル・空間的シグネチャと、共同特徴空間におけるクラス間距離が小さいことが要因である。
• 可視化された特徴空間から、キャプセル特徴が病害症状における部分から全体への関係性と回転不変パターンを効果的に捉えていることが確認された。
• 提案手法の階層的構造により、背景領域（罹病圃場内の白色パネルなど）が効果的に分離され、誤検出が低減した。