[論文レビュー] CD&S Dataset: Handheld Imagery Dataset Acquired Under Field Conditions for Corn Disease Identification and Severity Estimation

Aanis Ahmad, Dharmendra Saraswat+2 more|arXiv (Cornell University)|Oct 22, 2021

Smart Agriculture and AI被引用数 7

ひとこと要約

本論文は、ノーザンリーフブレイト（NLB）、グレイリーフスパーク（GLS）、ノーザンリーフスパーク（NLS）の識別を目的とした、4,455枚のコーン病害画像（2,112枚の生の現地画像と2,343枚の拡張画像）からなるCD&Sデータセットを紹介する。このデータセットは、現実の畑環境と背景拡張データを用いることで、ラボベースのデータセットに比べて一般化性能に優れたディープラーニングモデルの構築を可能にし、病害識別および重症度推定に貢献する。

ABSTRACT

Accurate disease identification and its severity estimation is an important consideration for disease management. Deep learning-based solutions for disease management using imagery datasets are being increasingly explored by the research community. However, most reported studies have relied on imagery datasets that were acquired under controlled lab conditions. As a result, such models lacked the ability to identify diseases in the field. Therefore, to train a robust deep learning model for field use, an imagery dataset was created using raw images acquired under field conditions using a handheld sensor and augmented images with varying backgrounds. The Corn Disease and Severity (CD&S) dataset consisted of 511, 524, and 562, field acquired raw images, corresponding to three common foliar corn diseases, namely Northern Leaf Blight (NLB), Gray Leaf Spot (GLS), and Northern Leaf Spot (NLS), respectively. For training disease identification models, half of the imagery data for each disease was annotated using bounding boxes and also used to generate 2343 additional images through augmentation using three different backgrounds. For severity estimation, an additional 515 raw images for NLS were acquired and categorized into severity classes ranging from 1 (resistant) to 5 (susceptible). Overall, the CD&S dataset consisted of 4455 total images comprising of 2112 field images and 2343 augmented images.

研究の動機と目的

• 制御されたラボ環境ではなく、現実の畑環境で収集されたデータセットを構築することで、トウモロコシ病害検出のためのディープラーニングモデルにおけるギャップを埋めること。
• 黒、白、背景なしの3種類の異なる背景を用いた画像の拡張により、モデルの一般化性能を向上させること。
• トウモロコシ病害のためのオブジェクト検出（バウンディングボックスのアノテーションを介して）および重症度推定（5段階の重症度グレーディングを介して）を両立させること。
• 研究を加速するために、公開可能で構造化されたデータセットを提供し、農業用病害管理におけるコンピュータビジョン分野の研究を支援すること。

提案手法

• ノーザンリーフブレイト（NLB）、グレイリーフスパーク（GLS）、ノーザンリーフスパーク（NLS）の3つの代表的トウモロコシ病害の現地画像を、1200万画素のセンサーを搭載したiPhone 11 Proを用いて3000×3000ピクセルで撮影した。
• 生の画像に対して50％：50％のトレイン・テスト分割を実施し、オブジェクト検出タスク用にLabelImgを用いてYOLO .txt形式のバウンディングボックスをアノテートした。
• 背景の変更は、オンラインの除去ツールを用いて病巣のある葉を分離した後、Pythonスクリプトを用いて黒、白、透明の背景に再配置することで実施し、2,343枚の拡張画像を生成した。
• 重症度推定のため、追加で515枚のNLS画像を収集し、5段階の重症度（1＝耐性、5＝感受性）に分類し、別途の重症度データセットを構築した。
• データセットは6つのフォルダに整理された：Dataset_Original、Dataset_Annotated、Dataset_Black_Background、Dataset_White_Background、Dataset_No_Background、Dataset_Severity。すべてOSF.ioにホスティングされている。

実験結果

リサーチクエスチョン

• RQ1 現地収集のトウモロコシ病害画像でトレーニングされたディープラーニングモデルは、ラボベースのデータセットでトレーニングされたモデルよりも優れた一般化性能を示すか？
• RQ2 背景の拡張（黒、白、背景なし）は、現実の畑環境下での病害識別モデルの性能にどのように影響するか？
• RQ3 重症度グレーディングが施された現地ベースのデータセットは、トウモロコシ病害の重症度推定の正確性をどの程度向上させるか？
• RQ4 現地画像におけるバウンディングボックスのアノテーションは、葉部病害のための効果的なオブジェクト検出を可能にするか？

主な発見

• CD&Sデータセットは、合計4,455枚の画像を含み、そのうち2,112枚が生の現地画像、2,343枚が拡張画像であり、生のデータセットにはNLBが511枚、GLSが524枚、NLSが562枚が含まれる。
• 病巣のある葉を黒、白、透明の背景に配置することで、モデルのロバスト性を向上させる目的で2,343枚の拡張画像が生成された。
• 重症度推定のため、追加で515枚のNLS画像を収集し、5つの重症度クラスに分類した。クラスカウントはそれぞれ108、330、297、231、111であった。
• データセットはOSF.ioを通じて公開されており、用途に応じたフォルダ構造（オリジナル画像、アノテーション済み画像、背景拡張画像、重症度データ）が整備されている。
• 本データセットは、YOLO形式のバウンディングボックスを介したオブジェクト検出と画像分類タスクの両方をサポートしており、植物病理学分野における多様なディープラーニング応用を可能にしている。