[論文レビュー] Automatic Detection of Rice Disease in Images of Various Leaf Sizes

Kantip Kiratiratanapruk, Pitchayagan Temniranrat+3 more|arXiv (Cornell University)|Jun 15, 2022

Smart Agriculture and AI被引用数 5

ひとこと要約

本稿では、自動的な稲葉の幅推定と画像タイリングを組み合わせたディーブラーニングフレームワークを提案し、サイズが変動する稲の葉画像におけるオブジェクト検出精度を向上させることを目的としている。ResNet18をベースにしたモデルを用いて葉の幅を予測し、画像を均一なサイズのタイルに分割することで、YOLOv4の平均平均精度（mAP）を8種類の稲の病気において87.56%から91.14%に向上させ、サイズ変動に起因する性能劣化を顕著に低減した。

ABSTRACT

Fast, accurate and affordable rice disease detection method is required to assist rice farmers tackling equipment and expertise shortages problems. In this paper, we focused on the solution using computer vision technique to detect rice diseases from rice field photograph images. Dealing with images took in real-usage situation by general farmers is quite challenging due to various environmental factors, and rice leaf object size variation is one major factor caused performance gradation. To solve this problem, we presented a technique combining a CNN object detection with image tiling technique, based on automatically estimated width size of rice leaves in the images as a size reference for dividing the original input image. A model to estimate leaf width was created by small size CNN such as 18 layer ResNet architecture model. A new divided tiled sub-image set with uniformly sized object was generated and used as input for training a rice disease prediction model. Our technique was evaluated on 4,960 images of eight different types of rice leaf diseases, including blast, blight, brown spot, narrow brown spot, orange, red stripe, rice grassy stunt virus, and streak disease. The mean absolute percentage error (MAPE) for leaf width prediction task evaluated on all eight classes was 11.18% in the experiment, indicating that the leaf width prediction model performed well. The mean average precision (mAP) of the prediction performance on YOLOv4 architecture was enhanced from 87.56% to 91.14% when trained and tested with the tiled dataset. According to our study, the proposed image tiling technique improved rice disease detection efficiency.

研究の動機と目的

• 現地の写真におけるサイズが変動する稲の葉の影響により、ディーブラーニングベースの病害検出性能が低下するという課題に対処すること。
• 専門的知識を要しないスマートフォン画像を用いた稲農家向けのスケーラブルで使いやすい病害検出システムの開発。
• 入力画像内のオブジェクトスケールを正規化することで、多様な葉のサイズにわたる検出のロバスト性を向上させること。
• 画像の構成や解像度に厳しい制約を課さずに、現実の現地条件でも正確な病害検出を可能にすること。
• 制御不能な画像変動が生じる現実の農業現場に、既存のAIモデルの適用範囲を拡大すること。

提案手法

• 入力画像内の稲の葉の幅を予測する軽量なResNet18モデルを訓練し、画像処理におけるサイズ基準として活用する。
• 予測された葉の幅に基づいて、オブジェクトスケールが一様なタイルに分割された複数の部分画像に元の画像を分割する。
• タイル化された画像セットにYOLOv4オブジェクト検出モデルを適用し、小規模または不規則なサイズの病巣の検出を向上させる。
• 予測された葉の幅に基づき、画像を3つのサイズグループ（小、通常、広）に分類し、サイズごとの検出性能を評価する。
• タイリングによるデータ拡張を活用し、トレーニングの多様性を高め、モデルの汎化性能を向上させる。
• 検出性能と計算コストのバランスを考慮し、1枚の画像あたりのタイル数（N）を最適化する。

実験結果

リサーチクエスチョン

• RQ1 自動的な葉幅推定は、稲の葉病害画像におけるオブジェクトスケールの一貫性を向上させることができるか？
• RQ2 推定された葉幅に基づく画像タイリングは、稲の病害検出におけるYOLOv4のmAPにどのように影響を与えるか？
• RQ3 稲の葉画像におけるサイズ変動が、病害検出性能をどの程度劣化させるか？
• RQ4 どの病気タイプが、病巣の分布や可視性パターンのため、タイリングによって最も利益を受けるか？
• RQ5 提案手法は、現実の農業応用におけるきつい画像取得条件の必要性を低減できるか？

主な発見

• 葉の幅予測モデルは、全8種類の病気クラスで平均絶対誤差率（MAPE）が11.18%を達成し、高い推定精度を示した。
• タイル化された画像セットを用いることで、YOLOv4のmAPはベースラインの87.56%から91.14%に向上し、3.58ポイントの改善が得られた。
• 検出性能はサイズによって顕著に異なり、小ぶりな葉ではmAPが66.56%、通常サイズでは94.16%、広い葉では96.39%を記録し、サイズに起因する性能格差が顕著に現れた。
• タイリング技術により、8種類の病気のうち6種類でmAPが向上し、特に一部または小さな病巣が現れる病気（例：穀吹病、茶枯れ病）で顕著な改善が見られた。
• 広範囲または明確に可視化される病巣（例：葉枯病、赤スジ病、オレンジリーフ病）は高いAP値を示し、病巣の可視性や分布がモデル性能に影響を与えることが示唆された。
• 最適なタイル数（N）は病気によって異なり、狭い茶枯れ病ではN=7が最良のAPを達成した一方、オレンジリーフ病ではN=5が最良であった。これは、病気ごとにタイリングパラメータへの感受性が異なることを示している。