[論文レビュー] Plant Disease Detection Using Image Processing and Machine Learning

Pranesh Kulkarni, Atharva Karwande+4 more|arXiv (Cornell University)|Jun 20, 2021

Smart Agriculture and AIAgricultural and Biological Sciences被引用数 21

ひとこと要約

本論文では、コンピュータビジョンおよび機械学習に基づく自動植物病害虫検出システムを提示しており、5つの一般的な作物種において20種類の異なる病害虫を識別する際、93％の正確性を達成している。この手法は、画像前処理、事前学習済みの畳み込みニューラルネットワーク（CNN）を用いた特徴抽出、および全結合層による分類を組み合わせており、農業分野における早期病害虫検出のスケーラブルなソリューションを提供する。

ABSTRACT

One of the important and tedious task in agricultural practices is the detection of the disease on crops. It requires huge time as well as skilled labor. This paper proposes a smart and efficient technique for detection of crop disease which uses computer vision and machine learning techniques. The proposed system is able to detect 20 different diseases of 5 common plants with 93% accuracy.

研究の動機と目的

• 農業分野における手作業による植物病害虫検出の時間と人的労力の消費を軽減すること。
• デジタル画像を用いた、自動的でスケーラブルな作物病害虫の早期検出システムの開発。
• 機械学習技術を用いて、多数の植物病害虫を高精度で分類すること。
• 多様な植物病害虫画像データセット上で、画像処理とディープラーニングのハイブリッドパイプラインの性能を評価すること。

提案手法

• システムは、リサイズ、正規化、ノイズ低減などの画像前処理技術を用いて、入力画像を準備する。
• 畳み込みニューラルネットワーク（CNN）を特徴抽出に用い、VGG16 や ResNet などの事前学習済みモデルを用いたトランスファー学習を活用する。
• カスタムの植物病害虫画像データセット上で、事前学習済みCNNを微調整するためのトランスファー学習を適用する。
• 特徴抽出器の上部に、マルチクラス分類を実行するための全結合分類器ヘッドを追加する。
• 回転、反転、クロッピングなどのデータオーグメンテーション技術を用いて、モデルの汎化性能を向上させ、過学習を防ぐ。
• 交差エントロピー損失とAdam最適化を用いて、標準的なディープラーニングフレームワークでモデルを学習および検証する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのシステムは、葉の画像から多数の植物病害虫を高精度に検出できるか？
• RQ2 限られたデータ環境下で、事前学習済みCNNを用いたトランスファー学習は、植物病害虫分類においてどの程度効果的か？
• RQ3 画像前処理は、病害虫検出パイプラインの性能向上にどの程度寄与するか？
• RQ4 このシステムは、多様な植物種および病害虫タイプにおいて、どの程度の性能を示すか？

主な発見

• 提案されたシステムは、5つの一般的な作物種にまたがる20種類の異なる植物病害虫を含むデータセットにおいて、分類精度が93％に達した。
• 事前学習済みCNNを用いたトランスファー学習は、初期学習から訓練する場合と比較して、モデルの収束性と性能を顕著に向上させた。
• リサイズや正規化などの画像前処理ステップは、一貫した入力表現を提供し、モデルの安定性を向上させた。
• データオーグメンテーション技術の使用により、モデルのロバスト性が向上し、訓練データセットにおける過学習が軽減された。