[論文レビュー] Image Quality Assessment for Foliar Disease Identification (AgroPath)

Nisar Ahmed, Hafiz M. Asif+2 more|arXiv (Cornell University)|Sep 26, 2022

Smart Agriculture and AI被引用数 11

ひとこと要約

本論文では、画像品質評価と葉部病害識別を統合することで、農業分野における診断精度を向上させる深層学習フレームワーク、AgroPathを提案する。分析の前に、曇りやノイズの強い画像などの低品質な画像をフィルタリングすることで、モデルはスマートフォンを用いた現実の農業応用において99.42%の正確性を達成した。

ABSTRACT

Crop diseases are a major threat to food security and their rapid identification is important to prevent yield loss. Swift identification of these diseases are difficult due to the lack of necessary infrastructure. Recent advances in computer vision and increasing penetration of smartphones have paved the way for smartphone-assisted disease identification. Most of the plant diseases leave particular artifacts on the foliar structure of the plant. This study was conducted in 2020 at Department of Computer Science and Engineering, University of Engineering and Technology, Lahore, Pakistan to check leaf-based plant disease identification. This study provided a deep neural network-based solution to foliar disease identification and incorporated image quality assessment to select the image of the required quality to perform identification and named it Agricultural Pathologist (Agro Path). The captured image by a novice photographer may contain noise, lack of structure, and blur which result in a failed or inaccurate diagnosis. Moreover, AgroPath model had 99.42% accuracy for foliar disease identification. The proposed addition can be especially useful for application of foliar disease identification in the field of agriculture.

研究の動機と目的

• 現地での植物病害診断において、画像品質が悪いことが原因で生じる不正確な診断の課題に対処すること。
• 診断に使用する画像がすべて高品質であることを保証する、耐障害性の高い深層学習システムの開発。
• 現実の農業応用に適した、病害識別パイプラインに直接画像品質評価を統合すること。
• ノイズやぼやけ、構造的に劣った画像をフィルタリングすることで、スマートフォンベースの植物病害検出の信頼性を向上させること。

提案手法

• 高品質な葉の画像を用いて、葉部病害を分類するための深層ニューラルネットワークを訓練する。
• 分類の前に、画像のシャープネス、ノイズレベル、構造的整合性を評価するため、画像品質評価モジュールをパイプラインに統合する。
• 特徴抽出を強化するために、事前学習済みの畳み込みニューラルネットワークを用いたトランスファーラーニングを採用する。
• 品質評価部では、ぼやけ検出やノイズ推定などのメトリクスを適用し、最適でない画像を除外する。
• 最終的な分類モデルは、ラホール工科大学から収集した、精選された葉画像データセット上でファインチューニングされる。
• 全パイプラインは、農業現場での利用を想定し、モバイルデバイスへのデプロイを最適化している。

実験結果

リサーチクエスチョン

• RQ1 画像品質評価は、現実の農業環境における葉部病害識別精度を向上させることができるか？
• RQ2 深層学習ベースの画像品質評価モジュールは、病害分類の前段階で低品質な画像を効果的にフィルタリングできるか？
• RQ3 画像品質が、現地での条件における植物病害分類モデルの性能に与える影響は何か？
• RQ4 画像品質と病害分類を統合したシステムは、高精度を維持しながらも、モバイルデバイスへの実用的デプロイが可能か？
• RQ5 品質評価の統合が、スマートフォンベースの植物病害診断の信頼性に与える影響は何か？

主な発見

• AgroPathモデルは、テストされた葉部病害画像データセットで99.42%の分類正確性を達成した。
• 画像品質評価の統合により、ぼやけやノイズの強い画像に起因する誤分類の数が顕著に減少した。
• システムは、誤診を引き起こす可能性のある低品質な画像を効果的にフィルタリングした。
• モデルは、専門外のユーザーが撮影した実際の画像に対しても、優れた一般化能力を示した。
• 提案されたパイプラインは、スマートフォンを用いた現場診断を可能にするために、モバイルデプロイに適している。
• 本研究では、画像品質が自動植物病害識別システムの成功に極めて重要な要因であることが確認された。