[論文レビュー] Early Disease Diagnosis for Rice Crop

Mudassir Masood, Habiba Saim+2 more|arXiv (Cornell University)|Apr 9, 2020

Smart Agriculture and AI参考文献 12被引用数 8

ひとこと要約

本論文では、病巣部位の局所化と分類を可能にする、マスクR-CNNに基づく早期稲作病害虫診断手法を提案する。局所化された病害注釈を組み込むことで、標準的なCNN（58.4%）に比べて著しく優れた87.6%の精度を達成した。本手法は、1,700枚の稲作画像から構成される新規の手動アノテーション済みデータセットを用い、感染部位の細分化検出を可能にし、早期の対応と収量保護の向上を実現する。

ABSTRACT

Many existing techniques provide automatic estimation of crop damage due to various diseases. However, early detection can prevent or reduce the extend of damage itself. The limited performance of existing techniques in early detection is lack of localized information. We instead propose a dataset with annotations for each diseased segment in each image. Unlike existing approaches, instead of classifying images into either healthy or diseased, we propose to provide localized classification for each segment of an images. Our method is based on Mask RCNN and provides location as well as extend of infected regions on the plant. Thus the extend of damage on the crop can be estimated. Our method has obtained overall 87.6% accuracy on the proposed dataset as compared to 58.4% obtained without incorporating localized information.

研究の動機と目的

• 既存手法の早期病害虫検出における限界を是正するため、全体画像分類に依存するのではなく、局所化された病害注釈情報を組み込むこと。
• 現実の畑画像を用いて、稲の病巣部位を同時に局所化および分類できる深層学習モデルの開発。
• 稲作画像における各病巣部位にピクセルレベルのアノテーションを施した、公開可能な高品質なデータセットの作成。
• 農家が最小限の技術的熟練度で利用可能な、モバイル対応のWebアプリケーションの設計。

提案手法

• 本手法は、画像内の各病巣部位に対してバウンディングボックスとセグメンテーションマスクを予測する二重スレッドの深層学習アーキテクチャ、マスクR-CNNを採用する。
• モデルは、パキスタン・パンジャーブ地方の昼間の畑でスマートフォンで撮影された1,700枚の稲作画像（4032×1960解像度）から構成されるカスタムデータセットで学習された。
• 画像は、情報のない領域（例：空、道路）をカットすることで前処理され、病巣部位の周囲にポリゴンを描くためにLabelMeが使用された。
• マスクR-CNNモデルは、2つの並列ヘッドを備えている：1つは部位を健康または病巣と分類するためのもの、もう1つはインスタンスセグメンテーションマスクを生成するためのもの。
• 比較のため、3層の畳み込み層、バッチ正規化、ReLU活性化関数、シグモイド出力層を備えたベースラインCNNも訓練された。
• マスクR-CNNは、1024×1024×3の入力画像（56×56のミニマスク）を用い、バッチサイズ2、60エポックで学習された。最適化には勾配降下法を用い、学習率0.001、モーメンタム0.9を設定した。

実験結果

リサーチクエスチョン

• RQ1 稲の病巣部位を局所化する深層学習モデルは、全体画像分類に比べて、早期病害虫検出の精度を向上させることができるか？
• RQ2 各病巣部位にピクセルレベルの注釈を組み込むことで、病害虫分類モデルの性能にどのような影響を与えるか？
• RQ3 マスクR-CNNは、現実の畑画像において、標準的なCNNに比べて、稲作病害虫の分類と局所化においてどの程度優れているか？
• RQ4 モバイル対応のWebアプリケーションは、最小限の技術的熟練度で農家に自動化された病害虫分析レポートを効果的に提供できるか？

主な発見

• マスクR-CNNは、提案されたデータセットで87.6%の精度を達成し、ベースラインCNNの58.4%に比べて49.4%の向上を示した。
• マスクR-CNNは、再現率を45.3%（66.2%から96.2%）向上させ、F1スコアも41%（62.8%から88.6%）改善した。
• 正確率は36.29%（59.8%から82.1%）向上し、病巣検出における誤検出（偽陽性）が減少した。
• マスクR-CNNの平均平均精度（mAP）は0.65であり、優れた局所化および分類性能を示した。
• モデルは1枚の画像内で複数の病巣部位を正しく局所化でき、サンプル結果では1件の誤分類のみが観察された。
• Webアプリケーションのプロトタイプは、予測された病巣領域と確率を効果的に可視化し、農家が結果を直感的に解釈できるようにした。