[論文レビュー] Identifying Water Stress in Chickpea Plant by Analyzing Progressive Changes in Shoot Images using Deep Learning.

Shiva Azimi, Rohan Wadhawan+1 more|arXiv (Cornell University)|Apr 16, 2021

Date Palm Research Studies被引用数 2

ひとこと要約

本論文では、5か月間にわたり撮影された画像データを用いて、茎の画像における時間的変化を分析することで、アヒルマメの水ストレスを検出するためのLSTM-CNNディープラーニングモデルを提案している。JG-62およびPusa-372品種において、それぞれ98.52%および97.78%の正確性を達成した。

ABSTRACT

To meet the needs of a growing world population, we need to increase the global agricultural yields by employing modern, precision, and automated farming methods. In the recent decade, high-throughput plant phenotyping techniques, which combine non-invasive image analysis and machine learning, have been successfully applied to identify and quantify plant health and diseases. However, these image-based machine learning usually do not consider plant stress's progressive or temporal nature. This time-invariant approach also requires images showing severe signs of stress to ensure high confidence detections, thereby reducing this approach's feasibility for early detection and recovery of plants under stress. In order to overcome the problem mentioned above, we propose a temporal analysis of the visual changes induced in the plant due to stress and apply it for the specific case of water stress identification in Chickpea plant shoot images. For this, we have considered an image dataset of two chickpea varieties JG-62 and Pusa-372, under three water stress conditions; control, young seedling, and before flowering, captured over five months. We then develop an LSTM-CNN architecture to learn visual-temporal patterns from this dataset and predict the water stress category with high confidence. To establish a baseline context, we also conduct a comparative analysis of the CNN architecture used in the proposed model with the other CNN techniques used for the time-invariant classification of water stress. The results reveal that our proposed LSTM-CNN model has resulted in the ceiling level classification performance of extbf{98.52\%} on JG-62 and extbf{97.78\%} on Pusa-372 and the chickpea plant data. Lastly, we perform an ablation study to determine the LSTM-CNN model's performance on decreasing the amount of temporal session data used for training.

研究の動機と目的

• 時間に依存しない画像ベースの機械学習の限界を是正し、植物ストレスの早期検出を可能にするために、時間的ダイナミクスを統合する。
• 非侵襲的画像解析とディープラーニングを用いて、アヒルマメの水ストレスの早期検出を可能にする。
• 変動する水ストレス条件下での順次的茎画像から、視覚的時間的パターンを学習するモデルを開発する。
• ディープラーニングを用いたアヒルマメにおける水ストレスの時間的分類と時間に依存しない分類のパフォーマンスベンチマークを確立する。
• アブレーションスタディを通じて、時間的データが不足する状況下でのモデルの頑健性を評価する。

提案手法

• 5か月間にわたり、3つの水ストレス条件下で2つのアヒルマメ品種（JG-62およびPusa-372）の縦断的画像データセットを収集した。
• 個々の画像からの空間的特徴と、順次的画像間の時間的依存性を同時に学習できるLSTM-CNNアーキテクチャを設計した。
• 順次的画像セッションを用いてLSTM-CNNモデルを訓練し、高い信頼性で水ストレスの分類を予測した。
• ベースラインパフォーマンスを確立するために、時間に依存しない分類に用いられる標準的なCNNとLSTM-CNNモデルを比較した。
• 訓練に使用する時間的画像セッション数を段階的に減らすことで、モデルの頑健性を評価するアブレーションスタディを実施した。
• コントロール、若齢生育期、花芽形成期の画像シーケンスを用いて、ストレス進行をモデル化した。

実験結果

リサーチクエスチョン

• RQ1 時間的モデリングを用いた順次的茎画像の分析は、時間に依存しないアプローチと比較して、アヒルマメの水ストレスの早期検出を改善できるか？
• RQ2 標準的なCNNと比較して、LSTM-CNNアーキテクチャを用いることで、アヒルマメの水ストレス分類においてどの程度のパフォーマンス向上が得られるか？
• RQ3 時間的画像シーケンスを段階的に減らして訓練した場合、モデルの正確性はどのように変化するか？
• RQ4 画像シーケンスからの視覚的時間的パターンは、目に見える症状が現れる前までに水ストレスをどの程度まで正確に予測できるか？
• RQ5 2つのアヒルマメ品種（JG-62およびPusa-372）は、時間の経過とともに水ストレスに対してどのように視覚的反応を示すか、その違いは何か？

主な発見

• 提案されたLSTM-CNNモデルは、水ストレス下でのJG-62アヒルマメに対して98.52%の分類正確性を達成した。
• Pusa-372品種では97.78%の正確性を達成し、異なるアヒルマメ遺伝子型にわたる高い汎化性能を示した。
• 時間的モデリングアプローチは、時間に依存しないCNNを著しく上回り、ストレスの早期かつ信頼性の高い検出を可能にした。
• アブレーションスタディの結果、時間的データが不足する状況下でもモデルが高い性能を維持していることが確認され、データ不足に強いことが示された。
• 結果から、茎画像の視覚的時間的パターンには、正確な早期段階の水ストレス予測に十分な情報が含まれていることが明らかになった。
• モデルの上限レベルのパフォーマンスは、自動化された精密農業システムにおける作物モニタリングへの統合の可能性を強く示唆している。