[論文レビュー] Deep Convolutional Neural Network for Plant Seedlings Classification

Daniel K. Nkemelu, Daniel Omeiza+1 more|arXiv (Cornell University)|Nov 20, 2018

Smart Agriculture and AI参考文献 4被引用数 37

ひとこと要約

本論文は、12種の植物の若齢期における種まき段階での正確な分類を目的とした深層畳み込みニューラルネットワーク（CNN）を提案している。4,275枚の画像を含むデータセットを用い、OpenCVを用いた背景分離と6層の畳み込み層を有するCNNを組み合わせることで、92.6％の検証精度を達成した。これは従来のSVMおよびKNN手法を著しく上回り、農業分野における正確な雑草制御の自動化における大きな可能性を示している。

ABSTRACT

Agriculture is vital for human survival and remains a major driver of several economies around the world; more so in underdeveloped and developing economies. With increasing demand for food and cash crops, due to a growing global population and the challenges posed by climate change, there is a pressing need to increase farm outputs while incurring minimal costs. Previous machine vision technologies developed for selective weeding have faced the challenge of reliable and accurate weed detection. We present approaches for plant seedlings classification with a dataset that contains 4,275 images of approximately 960 unique plants belonging to 12 species at several growth stages. We compare the performances of two traditional algorithms and a Convolutional Neural Network (CNN), a deep learning technique widely applied to image recognition, for this task. Our findings show that CNN-driven seedling classification applications when used in farming automation has the potential to optimize crop yield and improve productivity and efficiency when designed appropriately.

研究の動機と目的

• コンピュータビジョンを用いて農業用地における信頼性の高い正確な雑草検出の課題を解決すること。
• 若齢期における自動種子分類により、収量の向上と人的労働コストの削減を実現すること。
• 植物若齢期分類において、従来の機械学習モデル（SVM、KNN）と深層学習（CNN）を比較・評価すること。
• 背景分離による前処理が、実世界の農業画像データにおけるCNN性能をどの程度向上させるかを実証すること。
• 大規模農業環境におけるロボットプラットフォームを用いた自動雑草制御システムの導入基盤を築くこと。

提案手法

• 12種の植物からなる960個の個体を含む、4,275枚の画像から成るデータセットを用いた。
• ガウスノイズ除去、HSV色空間への変換、11×11のカーネルを用いたモルフォロジカルエロージョンを実施し、背景から若齢期を分離した。
• ピクセル値を[0,1]にスケーリングするため、平均値を引いて標準偏差で割る正規化処理を実施した。
• ReLU活性化関数、マックスプーリング、および各畳み込み層ペアの後に10％のドロップアウトを適用した6層の畳み込み層CNNを訓練した。
• バッチサイズ32、重み付き交差エントロピー損失関数を用い、クラス不均衡を補償するためのAdam最適化手法を採用した。
• 生画像を入力とするCNNと、OpenCVで処理済みの背景差分入力を用いたCNNの2種類の変種を比較した。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは、若齢期画像からの植物若齢期分類において、SVMやKNNといった従来の機械学習モデルを上回ることができるか？
• RQ2 背景分離による前処理は、CNNベースの若齢期分類精度をどの程度向上させるか？
• RQ3 画像前処理と深層学習の統合は、実世界の農業画像データセットにおける汎化性能と耐障害性にどのように影響を与えるか？
• RQ4 この特定の若齢期分類タスクにおいて、従来のアルゴリズムと深層学習モデルとの間には、どの程度の性能差が生じるか？
• RQ5 CNNベースのシステムは、大規模農業環境におけるロボット除草アプリケーションに効果的に拡張可能か？

主な発見

• OpenCVを用いた背景分離を施したCNNモデルは、92.6％の検証精度を達成し、ベースラインのSVM（61.47％）およびKNN（56.84％）を著しく上回った。
• 前処理なしのCNNは80.21％の検証精度を示し、画像前処理がモデル性能向上に寄与することの価値を示した。
• OpenCV前処理とCNNの組み合わせにより、特に視覚的に類似した種の誤分類率が低下したことが、混同行列から明らかになった。
• 注視のみの入力で98.9％の訓練精度を達成したが、過学習のリスクを伴うものの、強力な特徴抽出能力を示した。
• 重み付き交差エントロピー損失関数の使用により、データセット内のクラス不均衡に起因する性能低下が緩和された。
• 従来の画像処理技術と深層学習の統合が、農業分野のコンピュータビジョンタスクにおける耐障害性と精度の向上に寄与することが示唆された。