[論文レビュー] Paddy Doctor: A Visual Image Dataset for Automated Paddy Disease Classification and Benchmarking

A Petchiammal, Briskline Kiruba S+2 more|arXiv (Cornell University)|May 23, 2022

Smart Agriculture and AIAgricultural and Biological Sciences被引用数 17

ひとこと要約

本稿では、インドの実際の田んぼから高解像度スマートフォンを用いて収集された、13クラス（12種の病気と健全な葉）の16,225枚のアノテート済み田んぼの葉画像からなる大規模かつ公開可能なデータセット「Paddy Doctor」を紹介する。本研究では、5つのディーブラーニングモデルを用いてデータセットのベンチマークを実施し、ResNet34が97.50%のF1スコアを達成し、実世界の農業応用における自動田んぼ病害虫分類の有効性を示している。

ABSTRACT

One of the critical biotic stress factors paddy farmers face is diseases caused by bacteria, fungi, and other organisms. These diseases affect plants' health severely and lead to significant crop loss. Most of these diseases can be identified by regularly observing the leaves and stems under expert supervision. In a country with vast agricultural regions and limited crop protection experts, manual identification of paddy diseases is challenging. Thus, to add a solution to this problem, it is necessary to automate the disease identification process and provide easily accessible decision support tools to enable effective crop protection measures. However, the lack of availability of public datasets with detailed disease information limits the practical implementation of accurate disease detection systems. This paper presents \emph{Paddy Doctor}, a visual image dataset for identifying paddy diseases. Our dataset contains 16,225 annotated paddy leaf images across 13 classes (12 diseases and normal leaf). We benchmarked the \emph{Paddy Doctor} dataset using a Convolutional Neural Network (CNN) and four transfer learning based models (VGG16, MobileNet, Xception, and ResNet34). The experimental results showed that ResNet34 achieved the highest F1-score of 97.50%. We release our dataset and reproducible code in the open source for community use.

研究の動機と目的

• 自動化された検出システムのトレーニングとベンチマークに適した、公開可能で高品質かつ多様性に富んだ田んぼの葉病害虫画像データセットが極めて不足しているという深刻な課題に対処すること。
• コンピュータビジョンおよび深層学習を用いた正確で効率的な病害虫分類を支援する、スケーラブルで現実世界に即したデータセットの開発。
• 最新のモデルにおける田んぼ病害虫検出のベンチマークを提供し、人的な同定作業や過剰な農薬使用への依存を低減すること。
• 農業専門家がアクセスできない地域の農家が利用可能な、低コストの意思決定支援ツールの開発を可能にすること。

提案手法

• Paddy Doctorデータセットは、インドの多様な地理的場所に位置する実際の田んぼから、高解像度スマートフォンカメラを用いて収集された。
• 画像は農業専門家による手動によるクリーニングとアノテーションが行われ、13クラス（12種の田んぼ病害虫と1つの正常（健全）な葉クラス）の正確なラベル付けが保証された。
• 5つのディーブラーニングモデルをトレーニングおよび評価した：カスタム深層畳み込みニューラルネットワーク（DCNN）および4つのトランスファーラーニングモデル（VGG16、MobileNet、Xception、ResNet34）。
• モデルの汎化性能と耐性を向上させるために、回転、シアー、ズーム、シフト、水平反転などのデータ拡張技術が適用された。
• すべてのモデルは、10,384枚の画像（バリデーション分割後の12,980枚の80％）をトレーニングセットとして使用し、3,245枚の画像をテストに使用した。入力サイズは256×256ピクセルで、ImageNetで事前学習された重みが使用された。
• ハイパーパrameterにはバッチサイズ32、100エポック、ベース学習率0.001を設定し、GPUアクセラレーションを備えたGoogle Colabでトレーニングが実施された。

実験結果

リサーチクエスチョン

• RQ1 大規模かつ現実世界の田んぼの葉画像データセットは、深層学習を用いた正確な自動病害虫分類を実現するためにどの程度有効であるか？
• RQ2 多様な症状と病態を有する田んぼの葉病害虫分類において、どのディーブラーニングアーキテクチャが最も優れた性能を示すか？
• RQ3 本データセットにおいて、事前学習済みモデルを用いたトランスファーラーニングは、カスタムDCNNに比べて分類性能をどの程度向上させるか？
• RQ4 データ拡張およびファインチューニング戦略は、実際の農業画像データに対してモデルの汎化性能と耐性を顕著に向上させるか？
• RQ5 サイズ、クラスの多様性、画像品質の観点から、Paddy Doctorデータセットは既存の公開データセットと比べてどの程度優れているか？

主な発見

• ResNet34が97.50%のF1スコアを達成し、Xception（96.57%）、VGG16（93.20%）、MobileNet（92.39%）、カスタムDCNN（88.81%）を上回る最高の性能を示した。
• Xceptionモデルは96.57%のF1スコアを達成し、すべての病害虫クラスにおいて高い正確性と再現率を示した。
• カスタムDCNNモデルは88.81%のF1スコアを達成し、複雑で微細な病害虫分類タスクにおいて、トランスファーラーニングを用いないアプローチの限界を浮き彫りにした。
• データ拡張の活用により、すべての評価指標において一貫した性能向上が確認され、モデルの汎化性能が著しく向上した。
• Paddy Doctorデータセットは、サイズ（16,225枚の画像）とクラスの多様性（13クラス）の両面で、既存の公開データセットを上回っており、Bacterial Panicle Blight や Yellow Stem Borer といった希少で複雑な病気も含む。
• データセットと再現可能なコードのオープンソース化により、コミュニティ全体でのベンチマーク作成および今後の自動田んぼ病害虫分類分野の研究が可能になった。