[論文レビュー] Performance Analysis of Optimizers for Plant Disease Classification with Convolutional Neural Networks

Shreyas Rajesh Labhsetwar, Soumya Haridas+4 more|arXiv (Cornell University)|Nov 8, 2020

Smart Agriculture and AI参考文献 21被引用数 11

ひとこと要約

本研究では、28層の畳み込みニューラルネットワーク（CNN）を用いて、15種類の作物病害虫クラスのデータセットで、RMSprop、Adam、AMSgrad最適化手法の性能を評価した。モバイル、ドローン、または衛星画像を用いて訓練されたモデルは、Adam最適化手法を用いることで98％の検証精度を達成し、インド農業における早期病害虫発見による作物被害低減の面でディープラーニングの有効性を示した。

ABSTRACT

Crop failure owing to pests & diseases are inherent within Indian agriculture, leading to annual losses of 15 to 25% of productivity, resulting in a huge economic loss. This research analyzes the performance of various optimizers for predictive analysis of plant diseases with deep learning approach. The research uses Convolutional Neural Networks for classification of farm or plant leaf samples of 3 crops into 15 classes. The various optimizers used in this research include RMSprop, Adam and AMSgrad. Optimizers Performance is visualised by plotting the Training and Validation Accuracy and Loss curves, ROC curves and Confusion Matrix. The best performance is achieved using Adam optimizer, with the maximum validation accuracy being 98%. This paper focuses on the research analysis proving that plant diseases can be predicted and pre-empted using deep learning methodology with the help of satellite, drone based or mobile based images that result in reducing crop failure and agricultural losses.

研究の動機と目的

• インド農業における害獣・病害虫による年間15％～25％の作物損失を低減する課題に対処すること。
• モバイル、ドローン、または衛星画像を用いた画像を活用し、植物病害虫の早期発見を目的としたディープラーニングベースの予測モデルを開発すること。
• 3つの最適化アルゴリズム（RMSprop、Adam、AMSgrad）が、植物病害虫分類のためのCNNを訓練する際の性能を評価・比較すること。
• 農家が利用可能なスケーラブルで低コストかつ高精度なAIソリューションを提供し、病害虫の重症度を特定し、作物不作を防ぐこと。
• 最適化されたトレーニングを用いたディープラーニングが、分類精度を著しく向上させ、早期農業対応を支援できることを実証すること。

提案手法

• 画像分類を目的とした28層の順方向CNNアーキテクチャを設計し、畳み込み層、ReLU活性化関数、マックスプーリング層、全結合層を含む。
• データ拡張技術（フリップ、シフト、色調のばらつき、ノイズ低減）を適用し、データセットのサイズと耐性を向上させる。
• 分類の前処理として、RGB画像をHSV色彩空間に変換し、ガウスノイズを適用してノイズ低減と画像滑らかさの向上を図る。
• ハイパーパrameterチューニングのため、グリッドサーチを用いた交差検証を実施し、モデル性能を最適化する。
• RMSprop、Adam、AMSgradの3つの最適化手法を実装し、それぞれ異なる自己適応学習率メカニズムとモーメンタム統合を有する。
• 確率的勾配降下法を用い、誤差逆伝播法でモデルを訓練し、訓練/検証精度・損失曲線、混同行列、ROC曲線を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 RMSprop、Adam、AMSgradのうち、どの最適化手法が深層CNNを用いた植物病害虫画像分類において最高の検証精度を達成するか？
• RQ2 モデルトレーニング中に、3つの最適化手法の間で訓練損失・検証損失・訓練精度・検証精度の曲線にどのような差が生じるか？
• RQ3 混同行列から明らかになる各最適化手法の誤分類パターンはどのようなものか？
• RQ4 各病害虫クラスにおける受信者操作特性曲線（AUC）の面積は、3つの最適化手法でどのように比較されるか？
• RQ5 これらの最適化手法でトレーニングされたディープラーニングモデルは、モバイル端末やドローンなどの低コスト画像源を用いて、どの程度早期に植物病害虫を検出できるか？

主な発見

• Adam最適化手法が98％の最高検証精度を達成し、RMSprop（95％）およびAMSgradを上回った。
• Adamはほとんどの病害虫クラスでほぼ完璧な分類を示し、誤分類は1例のみ：トマトターゲットスポットがポテト晩腐病として誤分類された。
• RMSpropは95％の検証精度を達成し、トマトターゲットスポットがトマト晩腐病として誤分類された以外は誤分類がなかった。
• AMSgradも高い性能を示したが、トマトモザイクウイルスおよびトマトターゲットスポットがポテト晩腐病として誤分類された。
• 混同行列およびROC曲線から、Adamが全15クラスにわたって最も一貫性があり、強固な分類性能を示したことが確認された。
• 本研究は、最適化されたトレーニングを用いたディープラーニングが、低コストの画像から植物病害虫を効果的に検出できることを確認し、早期対応による作物被害低減を可能にすることを示した。