[論文レビュー] Detecting Volunteer Cotton Plants in a Corn Field with Deep Learning on UAV Remote-Sensing Imagery

Pappu Kumar Yadav, J. Alex Thomasson+10 more|arXiv (Cornell University)|Jul 14, 2022

Forest Insect Ecology and Management被引用数 4

ひとこと要約

本研究では、無人航空機（UAV）から取得したRGB空中画像を用いて、トウモロコシ畑におけるボランティア・コットン植物を検出するYOLOv3ベースの深層学習手法を提案する。本手法は3つの画像スケール（320×320、416×416、512×512）において一貫したmAPを達成しており、害虫の再侵入を防ぐための自動化された検出および標的散布のための強固なリアルタイム可能性を示している。

ABSTRACT

The cotton boll weevil, Anthonomus grandis Boheman is a serious pest to the U.S. cotton industry that has cost more than 16 billion USD in damages since it entered the United States from Mexico in the late 1800s. This pest has been nearly eradicated; however, southern part of Texas still faces this issue and is always prone to the pest reinfestation each year due to its sub-tropical climate where cotton plants can grow year-round. Volunteer cotton (VC) plants growing in the fields of inter-seasonal crops, like corn, can serve as hosts to these pests once they reach pin-head square stage (5-6 leaf stage) and therefore need to be detected, located, and destroyed or sprayed . In this paper, we present a study to detect VC plants in a corn field using YOLOv3 on three band aerial images collected by unmanned aircraft system (UAS). The two-fold objectives of this paper were : (i) to determine whether YOLOv3 can be used for VC detection in a corn field using RGB (red, green, and blue) aerial images collected by UAS and (ii) to investigate the behavior of YOLOv3 on images at three different scales (320 x 320, S1; 416 x 416, S2; and 512 x 512, S3 pixels) based on average precision (AP), mean average precision (mAP) and F1-score at 95% confidence level. No significant differences existed for mAP among the three scales, while a significant difference was found for AP between S1 and S3 (p = 0.04) and S2 and S3 (p = 0.02). A significant difference was also found for F1-score between S2 and S3 (p = 0.02). The lack of significant differences of mAP at all the three scales indicated that the trained YOLOv3 model can be used on a computer vision-based remotely piloted aerial application system (RPAAS) for VC detection and spray application in near real-time.

研究の動機と目的

• RGB UAV画像を用いたYOLOv3を用いたボランティア・コットン植物の検出の実現可能性を評価すること。
• 検出精度の観点から、YOLOv3の性能を3つの画像解像度スケール（320×320、416×416、512×512）で評価すること。
• モデルが農業害虫管理のためのニアリアルタイムリモートセンシング応用を支援できるかどうかを特定すること。
• 画像スケールが平均精度（AP）、平均平均精度（mAP）、およびF1スコアといった主な指標に与える影響を調査すること。
• ボルル・ウイーブの再侵入を防ぐために、ボランティア・コットン植物の検出と標的化を支援する自動化システムの開発を支援すること。

提案手法

• ボランティア・コットン植物を含むトウモロコシ畑において、無人航空機システム（UAS）を用いて3バンドRGB空中画像を取得した。
• ピンヘッドスクエア期（5〜6葉期）のボランティア・コットン植物を同定するために、アノテート済みの空中画像上でYOLOv3オブジェクト検出モデルを学習させた。
• 3つの固定入力画像サイズ（S1：320×320、S2：416×416、S3：512×512ピクセル）でモデルの性能を評価した。
• 標準指標として、平均精度（AP）、平均平均精度（mAP）、および95％信頼水準でのF1スコアを用いて検出性能を測定した。
• 3つのスケール間でのモデル性能を比較するために、統計的分析（p値）を実施した。
• 将来的なリアルタイム展開を想定し、コンピュータビジョンベースのリモートパイLOTド航空アプリケーションシステム（RPAAS）フレームワークを活用した。

実験結果

リサーチクエスチョン

• RQ1 YOLOv3は、RGB UAV画像のみを用いて、トウモロコシ畑におけるボランティア・コットン植物を効果的に検出できるか？
• RQ2 入力画像解像度（320×320、416×416、512×512）が、mAP、AP、およびF1スコアの観点からYOLOv3の検出性能にどのように影響するか？
• RQ3 3つの画像スケール間で、検出性能に統計的に有意な差が認められるか？
• RQ4 学習済みYOLOv3モデルは、農業分野のリモートセンシングシステムにおけるリアルタイム検出および散布アプリケーションを支援できるか？
• RQ5 モデルが異なるスケールで一貫したmAPを維持していることから、運用用途におけるスケーラビリティが示せるか？

主な発見

• 3つの画像スケール（S1、S2、S3）間で平均平均精度（mAP）の有意差は認められず、モデルの強靭性が一貫していることが示された。
• S1とS3の間（p = 0.04）、およびS2とS3の間（p = 0.02）で平均精度（AP）に統計的に有意な差が認められた。
• S2とS3の間でもF1スコアに有意差（p = 0.02）が認められ、S3で適合率と再現率のバランスがより良好であることが示唆された。
• mAPに有意差がないことから、学習済みYOLOv3モデルがRPAASプラットフォーム上でニアリアルタイム応用に活用可能であることが裏付けられた。
• 本モデルは、ボランティア・コットン植物の検出と標的化を支援する自動化されたUAVベースのシステムへの展開に強く適していることが示された。
• 本結果は、YOLOv3がRGB画像のみを用いても、トウモロコシ畑におけるボランティア・コットン植物の早期検出に効果的に利用可能であることを確認した。