[論文レビュー] Rice Classification Using Hyperspectral Imaging and Deep Convolutional Neural Network

Itthi Chatnuntawech, Kittipong Tantisantisom+4 more|arXiv (Cornell University)|May 29, 2018

Spectroscopy and Chemometric Analyses被引用数 1

ひとこと要約

本研究では、高スペクトル画像法と深層畳み込みニューラルネットワーク（CNN）を組み合わせた破壊的でない米の品種分類システムを提案する。この手法は、生データから空間的・スペクトル的特徴を自動で抽出する。従来のサポートベクターマシン（SVM）ベースの手法と比較して、平均分類精度が最大11.9%向上し、手作業による特徴工学が必要ないにもかかわらず優れた性能を示している。

ABSTRACT

Rice has been one of the staple foods that contribute significantly to human food supplies. Numerous rice varieties have been cultivated, imported, and exported worldwide. Different rice varieties could be mixed during rice production and trading. Rice impurities could damage the trust between rice importers and exporters, calling for the need to develop a rice variety inspection system. In this work, we develop a non-destructive rice variety classification system that benefits from the synergy between hyperspectral imaging and deep convolutional neural network (CNN). The proposed method uses a hyperspectral imaging system to simultaneously acquire complementary spatial and spectral information of rice seeds. The rice varieties are then determined from the acquired spatio-spectral data using a deep CNN. As opposed to several existing rice variety classification methods that require hand-engineered features, the proposed method automatically extracts spatio-spectral features from the raw sensor data. As demonstrated using two types of rice datasets, the proposed method achieved up to 11.9% absolute improvement in the mean classification accuracy, compared to the commonly used classification methods based on support vector machines.

研究の動機と目的

• 輸入業者と輸出業者の信頼を損なう米の品種混合問題に対処する。
• 高度な画像処理と機械学習を用いて、破壊的でない正確な米の品種分類手法を開発する。
• 深層CNNを活用して生の高スペクトルデータから空間的・スペクトル的表現を自動で学習することで、手作業による特徴工学の必要性を排除する。
• 従来のサポートベクターマシン（SVM）などの手法を上回る分類精度を、米の品種同定において実現する。

提案手法

• 高スペクトル画像システムが、個々の米の種子から同時に空間的およびスペクトル的情報を取得する。
• 画像システムから得られる生の空間的・スペクトル的情報データを、エンドツーエンドの特徴学習を目的とした深層畳み込みニューラルネットワーク（CNN）に直接入力する。
• CNNは手作業による特徴工学を必要とせず、階層的な空間的・スペクトル的特徴を自動で抽出する。
• ネットワークは、個々の米の種子が示す固有のスペクトル的および空間的特徴に基づいて、異なる品種に分類するように学習する。
• 汎化性と耐障害性を評価するために、2つの異なる米のデータセットを用いて評価する。
• 同じデータセットおよび評価プロトコルを用いて、従来のサポートベクターマシン（SVM）と性能を比較評価する。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは、手作業による特徴工学を必要とせず、生の高スペクトルデータから空間的・スペクトル的特徴を効果的に学習できるか？
• RQ2 提案されたCNNベースの手法の分類精度は、従来のSVMベースの手法と比較して、米のデータセット上でどの程度優れているか？
• RQ3 高スペクトル画像法と深層学習の統合は、米の品種同定における分類性能をどの程度向上させるか？
• RQ4 提案された手法は、異なる米のデータセットに対して耐障害性があり汎用的か？

主な発見

• 提案手法は、サポートベクターマシンベースの手法と比較して、平均分類精度が最大11.9%の絶対的向上を達成した。
• 深層CNNは、手作業による特徴工学を必要とせず、生の高スペクトルデータから特徴を的確に学習した。
• このシステムは2つの異なる米のデータセットで優れた性能を示し、耐障害性と汎用性の可能性を示した。
• 高スペクトル画像法は、品種間の区別に十分な空間的およびスペクトル的情報を提供した。
• 結果から、生のセンサデータに対するエンドツーエンドの深層学習が、従来の機械学習手法を上回ることを確認した。
• この手法は、米の供給チェーンにおける品質管理とトレーサビリティのための実用的で破壊的でないソリューションを提示する。