[論文レビュー] Artificial Intelligence based drone for early disease detection and precision pesticide management in cashew farming

Manoj Kumar Rajagopal, Bala Murugan MS|arXiv (Cornell University)|Mar 15, 2023

Smart Agriculture and AI被引用数 8

ひとこと要約

この論文は、Cashew葉の病害（炭疽病）を検知し、精密農薬散布を導くエッジAI無人機システムを提示し、MobileNetV2とPlantVillageデータを用いて高い分類精度を達成します。

ABSTRACT

The use of unmanned aerial vehicles (UAV) is revolutionizing the agricultural industry. Cashews are grown by approximately 70% of small and marginal farmers, and the cashew industry plays a critical role in their economic development. To take timely counter measures against plant diseases and infections, it is imperative to monitor and detect diseases as early as possible and take suitable measures. Using UAVs, such as those that are equipped with artificial intelligence, can assist farmers by providing early detection of crop diseases and precision pesticide application. An edge computing paradigm of Artificial Intelligence is employed to process this image in order to make decisions with the least amount of latency possible. As a result of these decisions, the stage of infestation, the crops affected, the method of prevention of spreading the disease, and what type and amount of pesticides need to be applied can be determined. UAVs equipped with sensors detect disease patterns quickly and accurately over large areas. Combined with AI algorithms, these machines can analyse data from a variety of sources such as temperature, humidity, CO2 levels and soil composition. This allows them to recognize disease symptoms before they become visible. Early detection allows for more effective control strategies that can reduce costs caused by lost production due to infestations or crop failure. Using an end-to-end training architecture, mobileNetV2 determines how to classify anthracnose disease in cashew leaves. A standard PlantVillage dataset is used for performance evaluation and for standardization. Additionally, samples captured with a drone present a variety of image samples captured in a variety of conditions, which complicates the analysis. According to our analysis, we were able to identify the anthracnose with 95% accuracy and the healthy leaves with 99% accuracy.

研究の動機と目的

• カシューレッド病害の早期検出による拡散と作物損失の防止を動機づける。
• 意思決定の遅延を最小化するために無人機上でのエッジコンピューティングAIパイプラインを開発する。
• 病害検知と環境センサデータに基づく標的薬剤適用を実現する。
• 性能評価と実世界のドローン撮影サンプルへの拡張のために標準化データセットを活用する。

提案手法

• Cashew葉の炭疽病分類のエンドツーエンド訓練アーキテクチャをMobileNetV2で実装する。
• 性能評価と標準化のためPlantVillageデータセットを使用する。
• ドローン搭載センサで多源データを取得し病 pattern認識を支援する（温度、湿度、CO2、土壌など）。
• 病害検知決定の遅延を最小化するエッジコンピューティングパラダイム。
• infestation段階、影響作物、予防方法、殺虫剤の種類/量を判定する能力。

実験結果

リサーチクエスチョン

• RQ1 現実世界のドローン映像においてエッジAI UAVはカシュー葉の炭疽病を正確に検知できるか。
• RQ2 提案されたエンドツーエンドのMobileNetV2アプローチで炭疽病と健葉の分類精度はどれくらいか。
• RQ3 PlantVillageデータからドローン撮影のカシューレ葉サンプルへ、異なる条件下でシステムはどれだけ一般化できるか。
• RQ4 検出された病害状態と環境センサデータから得られる殺虫剤管理の指針は何か。

主な発見

• カシューレ葉の炭疽病は95%の精度で識別された。
• 健葉は99%の精度で識別された。
• エッジコンピューティングワークフローによりオンボード意思決定の低遅延処理を実現。
• 標準的なPlantVillageデータセットをベンチマークと検証に活用している。
• ドローン撮影サンプルはばらつきを生むが、本手法は多様な条件下での分析に対応している。