[論文レビュー] High Accurate Unhealthy Leaf Detection

Siva Sai, G. Gopichand+2 more|arXiv (Cornell University)|Aug 14, 2019

Smart Agriculture and AI参考文献 10被引用数 6

ひとこと要約

本論文では、画像前処理（InceptionモジュールおよびGANベースの強化）、RGBからYCrCbへの変換、遺伝的アルゴリズムを用いたセグメンテーション、GLCMによるテクスチャ抽出、および複数のカーネルを用いたSVM分類を含む五段階のパイプラインを用いて、高精度な植物病害虫検出システムを提案している。この手法は、不健康な葉の早期検出に高い精度を発揮し、作物への早期対応を可能にする。

ABSTRACT

India is an agriculture-dependent country. As we all know that farming is the backbone of our country it is our responsibility to preserve the crops. However, we cannot stop the destruction of crops by natural calamities at least we have to try to protect our crops from diseases. To, detect a plant disease we need a fast automatic way. So, this paper presents a model to identify the particular disease of plant leaves at early stages so that we can prevent or take a remedy to stop spreading of the disease. This proposed model is made into five sessions. Image preprocessing includes the enhancement of the low light image done using inception modules in CNN. Low-resolution image enhancement is done using an Adversarial Neural Network. This also includes Conversion of RGB Image to YCrCb color space. Next, this paper presents a methodology for image segmentation which is an important aspect for identifying the disease symptoms. This segmentation is done using the genetic algorithm. Due to this process the segmentation of the leaf Image this helps in detection of the leaf mage automatically and classifying. Texture extraction is done using the statistical model called GLCM and finally, the classification of the diseases is done using the SVM using Different Kernels with the high accuracy.

研究の動機と目的

• 作物の損失を防ぐために、自動的かつ高精度な植物の葉病害虫検出システムの開発を目的とする。
• 農業現地の環境で一般的な低照度および低解像度画像の課題に対処することを目的とする。
• 遺伝的アルゴリズムを用いて、病巣領域のセグメンテーション精度を向上させることを目的とする。
• グレイレベリング・コoccurrenceマトリクス（GLCM）を用いて、テクスチャ特徴抽出を強化することを目的とする。
• 複数のカーネル関数を用いたSVMによる高精度な分類を達成することを目的とする。

提案手法

• 前処理では、畳み込みニューラルネットワーク（CNN）アーキテクチャに組み込まれたInceptionモジュールを用いて、低照度画像の品質向上を実施する。
• 低解像度画像の強化には、敵対的ニューラルネットワーク（GAN）が用いられる。
• RGB画像は、色ベースの病害虫検出の精度向上を目的としてYCrCb色空間に変換される。
• 葉のセグメンテーションには、背景から病巣領域を分離するために遺伝的アルゴリズムが使用される。
• テクスチャ特徴抽出には、統計的分析のためのグレイレベリング・コoccurrenceマトリクス（GLCM）が用いられる。
• 病害虫分類には、さまざまなカーネル関数を用いたサポートベクターマシン（SVM）が実施される。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの前処理は、病害虫検出に適した低照度および低解像度の農業用葉画像の品質を向上させることができるか？
• RQ2 複雑な背景から病巣領域をセグメンテーションする際、遺伝的アルゴリズムの有効性はいかほどか？
• RQ3 GLCMに基づくテクスチャ分析は、病害虫分類精度をどの程度向上させるか？
• RQ4 このパイプラインにおいて、どのSVMカーネルが最も高い分類精度を示すか？
• RQ5 CNN、GAN、GA、GLCM、SVMといった複数の技術の統合は、全体の検出精度を顕著に向上させることができるか？

主な発見

• 提案されたパイプラインは、不健康な葉の検出において高い精度を達成しているが、提供された文書では正確な割合は明記されていない。
• InceptionモジュールおよびGANを用いた前処理により、画像品質が著しく向上し、後続の分析に好影響を与える。
• 遺伝的アルゴリズムを用いたセグメンテーションは、葉領域を的確に分離し、特徴抽出の精度を向上させた。
• GLCMに基づくテクスチャ特徴は、異なる病害虫タイプを区別するうえで有意義な寄与を果たしている。
• 複数のカーネル関数を用いたSVMは、病害虫パターンの多様性に対しても強固な分類性能を示しており、優れた性能を発揮している。
• 前処理、セグメンテーション、特徴抽出、分類の各ステージを統合することで、早期の植物病害虫同定に向けた高精度な検出システムが実現された。