[論文レビュー] Mobile-Based Deep Learning Models for Banana Diseases Detection

Sophia Sanga, Victor Mero+2 more|arXiv (Cornell University)|Apr 7, 2020

Smart Agriculture and AI参考文献 10被引用数 16

ひとこと要約

本研究では、InceptionV3およびResNet152を用いた転移学習を活用したモバイルベースのディープラーニングアプリケーションを開発し、バナナの葉におけるFusarium萎縮病1号病およびブラックシガトカの検出を実施した。モデルは95.5%のテスト精度を達成し、実世界の検出において99%の信頼度を示し、タンザニアの小規模農家が現地でオフラインで即時の病害診断が可能となった。

ABSTRACT

Smallholder farmers in Tanzania are challenged on the lack of tools for early detection of banana diseases. This study aimed at developing a mobile application for early detection of Fusarium wilt race 1 and black Sigatoka banana diseases using deep learning. We used a dataset of 3000 banana leaves images. We pre-trained our model on Resnet152 and Inceptionv3 Convolution Neural Network architectures. The Resnet152 achieved an accuracy of 99.2% and Inceptionv3 an accuracy of 95.41%. On deployment using Android mobile phones, we chose Inceptionv3 since it has lower memory requirements compared to Resnet152. The mobile application on real environment detected the two diseases with a confidence level of 99% of the captured leaf area. This result indicates the potential in improving the yield of bananas by smallholder farmers using a tool for early detection of diseases.

研究の動機と目的

• タンザニアのアールシャ、ムベヤ、キリマンジャロ地域の小規模農家が直面するバナナ菌類病害の早期検出の課題を解決すること。
• 東アフリカにおけるバナナの収量に顕著な影響を与えるFusarium萎縮病1号病およびブラックシガトカによる作物損失を低減すること。
• リアルタイムの病害診断を農家が支援できる、アクセスしやすくオフライン対応のモバイルアプリケーションを開発すること。
• 事前学習済みの畳み込みニューラルネットワーク（ResNet152およびInceptionV3）を用いた転移学習を活用し、モバイルデバイス上で効率的かつ正確に病害分類を行うこと。
• スマートフォン技術を活用した迅速で低コストの病害検出により、早期の対応を可能にし、農業の成果を向上させること。

提案手法

• 3,000枚のバナナの葉画像からなるデータセットを用い、ResNet152およびInceptionV3という事前学習済みディープラーニングモデルを微調整した。データ拡張により、健康、ブラックシガトカ、Fusarium萎縮病1号病の3クラスに分類された画像が18,000枚に増強された。
• データ拡張技術には、水平反転、ズーム（0.2）、回転、ずれ（0.1）、クロッピング、および1/255のスケーリングが含まれ、モデルの汎化性能を向上させた。
• データセットは80%を訓練用、15%を検証用、5%をテスト用に分割し、偏りのない評価とモデル選定を確保した。
• GPU対応環境（Google ColabおよびDell Precision Workstation）を用い、TensorFlowとKerasバックエンドで学習を実施し、計算を効率化した。
• InceptionV3はResNet152に比べてメモリ使用量が少ないため、モバイルデプロイ用に選定されたが、精度は低かった。
• 最終的なモデルはTensorFlow Liteを用いてAndroidデバイスにデプロイされ、キャプチャした葉の画像に対してオフラインでリアルタイムの予測を実行できるようになった。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みのCNN（ResNet152およびInceptionV3）を用いた転移学習は、モバイルベースのシステムでFusarium萎縮病1号病およびブラックシガトカの検出において高い正確性を達成できるか？
• RQ2 ResNet152とInceptionV3は、バナナの葉病害検出に応用された場合、正確性、推論時間、メモリ使用量の観点でどのように性能を示すか？
• RQ3 デバイス内での推論が可能なモバイルアプリケーションは、実際の現場の農業環境において、信頼性があり、信頼できる病害検出をどの程度実現できるか？
• RQ4 データ拡張は、画像品質がばらつきがちな小規模農業環境において、モデルの汎化性能と頑健性にどのような影響を与えるか？
• RQ5 オフライン対応のモバイルアプリケーションは、タンザニアの小規模バナナ農家における早期病害検出と収量の向上に顕著な効果をもたらすか？

主な発見

• ResNet152モデルはテスト精度99.8%、検証精度99.2%を達成し、バナナの葉病害分類において優れた性能を示した。
• InceptionV3モデルはテスト精度95.5%、検証精度95.4%を達成し、ResNet152に比べて顕著に低いメモリ使用量であった。
• 実世界でのモバイルデプロイでは、InceptionV3ベースのアプリケーションが、キャプチャした葉の領域に対して99%の信頼度で病害を検出でき、70%のしきい値要件を満たした。
• モバイルアプリケーションはAndroidデバイスに正常にデプロイされ、オフラインで動作可能となり、通信環境が乏しい農村地域でのアクセス性を実現した。
• 本研究は、モバイルベースのディープラーニングツールが、バナナ病害の早期検出を顕著に向上させられることを確認した。早期の対応を可能にし、収量の向上に貢献する。
• AndroidおよびTensorFlow Liteを用いて開発されたFUSI Scannerアプリは、小規模農業システムにおける病害監視のためのスケーラブルで低コストなソリューションを提供する。