[論文レビュー] Fusarium Damaged Kernels Detection Using Transfer Learning on Deep Neural Network Architecture

Márcio Nicolau, M. B. M. Pimentel+3 more|arXiv (Cornell University)|Jan 31, 2018

Smart Agriculture and AI参考文献 9被引用数 6

ひとこと要約

本研究では、RGB画像からFusarium損傷を受けていた小麦の種子を検出する、転移学習に基づく深層ニューラルネットワーク（DNN）をInception-v3を用いて提案した。1台のGPUワークステーションで1時間未満で94.7％の平均精度を達成した。従来の高光譜画像処理（HSI）技術に比べて精度が高く、高価な機器を必要としない。

ABSTRACT

The present work shows the application of transfer learning for a pre-trained deep neural network (DNN), using a small image dataset ($\approx$ 12,000) on a single workstation with enabled NVIDIA GPU card that takes up to 1 hour to complete the training task and archive an overall average accuracy of $94.7\%$. The DNN presents a $20\%$ score of misclassification for an external test dataset. The accuracy of the proposed methodology is equivalent to ones using HSI methodology $(81\%-91\%)$ used for the same task, but with the advantage of being independent on special equipment to classify wheat kernel for FHB symptoms.

研究の動機と目的

• Fusarium損傷を受けた小麦の種子を自動的かつ低コストで検出する方法を開発すること。
• 人的な点検による時間的・人的な誤差の問題を克服すること。
• Fusarium頭腐病（FHB）の検出に、高価な高光譜画像処理（HSI）システムへの依存を減らすこと。
• 消費者向けハードウェアで動作する小規模なデータセット（約12,000枚の画像）を用いた転移学習の実用性を評価すること。
• RGB画像を用いて訓練された軽量で高精度なDNNを活用し、スマートフォンベースの検出を可能とすること。

提案手法

• 正常な種子、Fusarium損傷を受けた種子、植物部（穂、葉）を含む約12,000枚の小麦種子画像のデータセットを用い、転移学習により事前学習済みInception-v3モデルを微調整した。
• TensorFlow 1.0.1とCUDA 8.0を用いてGPUアクセラレーションを実装し、NVIDIA GTX 780M GPU搭載の1台のワークステーションでDNNを学習した。
• データセットを80％のトレーニング用、20％の検証用に分割し、一般化性能を向上させるためにデータ拡張を実施した。
• 特別な画像処理機器を避けて、標準カメラからのRGBデジタル画像のみを用いた。
• ImageNetで事前学習済みの重みをネットワークの初期化に活用し、学習時間とデータ要件を削減した。
• Fusarium損傷の二値分類および多クラス分類を最適化する最終全結合層を設計した。

実験結果

リサーチクエスチョン

• RQ1 消費者向けハードウェア上で、約12,000枚のRGB画像という小規模データセットを用いた転移学習が、Fusarium損傷種子の高精度検出を可能にするか？
• RQ2 転移学習に基づくDNNの性能は、FHB症状の検出において、高光譜画像処理（HSI）手法と比較してどうか？
• RQ3 限られた、かつ不均衡な小麦種子画像データセットで学習したDNNにおける誤分類の主な原因は何か？
• RQ4 Fusarium損傷を受けた種子と感染した葉の間の視覚的類似性が、モデルの誤認を引き起こす可能性はあるか？
• RQ5 スマートフォンのような低コストデバイスにこのようなモデルを展開することが現実的か？

主な発見

• 提案されたDNNは検証セットで全体平均94.7％の精度を達成し、Fusarium損傷種子の検出において高い有効性を示した。
• 1台のGPUワークステーションで学習にわずか約1時間で完了し、学習から開始する場合と比べて計算コストと時間の両面で顕著に削減された。
• 外部テストデータでは20％の誤分類率が観察され、そのうち10％の誤差は損傷を受けた葉をFusarium損傷種子と誤分類したことに起因していた。
• 誤分類の原因は、FHBに感染した種子と葉の間の色・質感の視覚的類似性に加え、正常種子を多く含む不均衡なトレーニングデータセットによる偏りに起因している可能性が高い。
• HSIベースの手法（81％～91％）と同等の精度を達成したが、特別な画像処理機器を必要としなかった。
• 本結果は、スマートフォンにこのモデルを展開し、Fusarium損傷種子のリアルタイムで現場での検出を可能にする強力な可能性を示唆している。