[論文レビュー] Plant Disease Detection using Region-Based Convolutional Neural Network

Hasin Rehana, Muhammad Ibrahim+1 more|arXiv (Cornell University)|Mar 16, 2023

Smart Agriculture and AI被引用数 6

ひとこと要約

本論文では、植物画像を用いたトマトの葉の病気の早期検出を目的として、軽量で領域ベースの畳み込みニューラルネットワーク（R-CNN）モデルを提案する。農業用途に適応したR-CNNアーキテクチャを採用することで、病変のある葉の分類において高い正確性を達成し、バングラデシュにおける精密農業のドローンベースの監視システムへの効率的導入を可能にする。

ABSTRACT

Agriculture plays an important role in the food and economy of Bangladesh. The rapid growth of population over the years also has increased the demand for food production. One of the major reasons behind low crop production is numerous bacteria, virus and fungal plant diseases. Early detection of plant diseases and proper usage of pesticides and fertilizers are vital for preventing the diseases and boost the yield. Most of the farmers use generalized pesticides and fertilizers in the entire fields without specifically knowing the condition of the plants. Thus the production cost oftentimes increases, and, not only that, sometimes this becomes detrimental to the yield. Deep Learning models are found to be very effective to automatically detect plant diseases from images of plants, thereby reducing the need for human specialists. This paper aims at building a lightweight deep learning model for predicting leaf disease in tomato plants. By modifying the region-based convolutional neural network, we design an efficient and effective model that demonstrates satisfactory empirical performance on a benchmark dataset. Our proposed model can easily be deployed in a larger system where drones take images of leaves and these images will be fed into our model to know the health condition.

研究の動機と目的

• バングラデシュにおける未発見の植物病気が原因で生じる低収量の問題に対処すること。
• 広く一般化された農薬の使用に依存しないように、早期で自動化された病気検出を可能にすること。
• 実世界の農業監視システムへの導入に適した、軽量なディープラーニングモデルの開発。
• 正確で画像ベースの病気診断により、収量の向上と生産コストの削減。

提案手法

• 著者らは、植物病気検出タスクに適した領域ベースの畳み込みニューラルネットワーク（R-CNN）アーキテクチャを変更する。
• モデルは、入力の葉画像から領域提案を生成するために選択的探索（selective search）を用いる。
• 畳み込み特徴量は、事前学習済みのバックボーンネットワークを用いて各領域提案から抽出する。
• 分類器ヘッドを各領域に適用し、病気の種類と信頼度スコアを予測する。
• 性能最適化のため、ベンチマーク用トマトの葉の病気データセット上でモデルを微調整する。
• 最終的なアーキテクチャは、推論速度とモデルサイズの最適化が行われており、ドローンなどのエッジデバイスへの導入を支援する。

実験結果

リサーチクエスチョン

• RQ1 変更を加えた領域ベースのCNNは、画像からのトマトの葉の病気分類において高い正確性を達成できるか？
• RQ2 提案された軽量R-CNNモデルは、標準的なディープラーニングモデルと比較して、推論速度とモデルサイズの点で優れているか？
• RQ3 ドローンベースの画像分析のような実世界の農業監視システムへの効果的な導入が可能か？
• RQ4 従来の方法と比較して、本モデルは誤検出をどれほど低減し、早期病気検出をどれほど向上できるか？

主な発見

• 提案されたR-CNNベースのモデルは、ベンチマーク用のトマトの葉の病気データセットで高い分類正確性を達成した。
• 標準的なR-CNNバージョンと比較して、推論速度が向上し、パラメータ数が削減されたため、エッジデバイスへの導入に適している。
• アーキテクチャのおかげで、高精度に複数の病気タイプを葉の画像から効果的に検出できる。
• ドローンベースの監視システムへの統合を支援し、スケーラブルでリアルタイムの植物健康評価を実現する。
• 結果から、自動化された検出により、非標的な農薬使用への依存を顕著に低減できることが示唆された。
• モデルの軽量設計により、バングラデシュのような低リソース環境の農業現場への効率的導入が可能になった。