[論文レビュー] An Effective Scheme for Maize Disease Recognition based on Deep Networks

Saeedeh Osouli, Behrouz Bolourian Haghighi+1 more|arXiv (Cornell University)|May 9, 2022

Smart Agriculture and AI被引用数 4

ひとこと要約

本論文では、トランスファー学習を用いて、微調整されたMobileNetV2とInceptionモジュールを組み合わせた新しい深層学習モデル、Mob-INCを提案する。両アーキテクチャからの特徴抽出を活用し、データオーグメンテーションによるクラス不均衡の是正を施すことにより、マルチクラスのトウモロコシ病害虫データセットで97%の精度を達成し、最先端の手法を上回った。

ABSTRACT

In the last decades, the area under cultivation of maize products has increased because of its essential role in the food cycle for humans, livestock, and poultry. Moreover, the diseases of plants impact food safety and can significantly reduce both the quality and quantity of agricultural products. There are many challenges to accurate and timely diagnosis of the disease. This research presents a novel scheme based on a deep neural network to overcome the mentioned challenges. Due to the limited number of data, the transfer learning technique is employed with the help of two well-known architectures. In this way, a new effective model is adopted by a combination of pre-trained MobileNetV2 and Inception Networks due to their effective performance on object detection problems. The convolution layers of MoblieNetV2 and Inception modules are parallelly arranged as earlier layers to extract crucial features. In addition, the imbalance problem of classes has been solved by an augmentation strategy. The proposed scheme has a superior performance compared to other state-of-the-art models published in recent years. The accuracy of the model reaches 97%, approximately. In summary, experimental results prove the method's validity and significant performance in diagnosing disease in plant leaves.

研究の動機と目的

• 食料安全保障を脅かし、作物の収量を減少させるトウモロコシの葉の病害虫を正確かつ迅速に診断する課題に対処すること。
• 従来の手法に見られる低精度、専門家による診断の高コスト、大規模農業における非効率性といった制限を克服すること。
• 深層学習を用いて、自動的でコスト効率が良く、正確なトウモロコシ病害虫の分類システムを開発すること。
• トランスファー学習とデータオーグメンテーション戦略を用いることで、小規模で不均衡なデータセットにおける性能を向上させること。

提案手法

• 提案されたモデル、Mob-INCは、トウモロコシの葉の画像から階層的特徴を抽出するために、事前学習済みのMobileNetV2とInceptionモジュールを並列な初期畳み込み層として統合する。
• ImageNetでの初期事前学習の後、トウモロコシ病害虫データセット上でMobileNetV2ネットワーク全体を微調整することで、トランスファー学習を適用する。
• 共有された特徴抽出ブランチの後ろにInceptionモジュールを追加し、特徴表現を強化し、マルチスケールのパターンを捉える。
• クラス不均衡を緩和するために、少数クラスのサンプルを増やすオーグメンテーション戦略を用いることで、モデルの一般化性能を向上させる。
• 融合された特徴の上に新しい全結合層を追加し、最終的な病害虫分類を実行する。
• 30エポックの学習を実施し、70/10/20の訓練/検証/テスト分割を用い、検証損失に基づく早期停止を適用する。

実験結果

リサーチクエスチョン

• RQ1 MobileNetV2とInceptionモジュールを組み合わせたハイブリッドCNNアーキテクチャは、単独のモデルと比較して、トウモロコシ病害虫検出の分類精度を向上させることができるか？
• RQ2 データオーグメンテーションを併用したトランスファー学習は、小規模で不均衡なトウモロコシ病害虫データセットの処理にどの程度効果的か？
• RQ3 Mob-INCモデルは、精度と頑健性の観点から、既存の最先端モデルをどの程度上回っているか？
• RQ4 視覚的特徴が類似するクラスに対しても、モデルは高い信頼性の高い予測を達成できるか？

主な発見

• Mob-INCモデルは、最近の文献で報告された他の最先端モデルと比較して顕著に優れた、97%のテスト精度を達成した。
• 30回の学習エポック後、検証精度は96.10%、検証損失は0.14に達した。
• 混同行列から、主な3つの病害虫クラスにおいてわずかな誤分類が観察されたが、分類の信頼性は非常に高かった。
• すべてのクラスにおける適合率、F1スコア、感受性、特異性の指標は、強力でバランスの取れた性能を示した。
• 各病害虫クラスの確率出力は、クラス間の重複が最小限に抑えられ、信頼できる意思決定境界を示していた。
• アブレーションスタディにより、MobileNetV2とInceptionモジュールの組み合わせが、優れた特徴学習と全体的なモデル性能向上に寄与していることが確認された。