[論文レビュー] Rice Classification Using Spatio-Spectral Deep Convolutional Neural Network

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

Spectroscopy and Chemometric Analyses参考文献 63被引用数 30

ひとこと要約

本論文では、高スペクトル画像と空間的・スペクトル的特徴を統合した深層畳み込みニューラルネットワーク（CNN）を用いた破壊的でない稲の品種分類システムを提案する。この手法は、生データから特徴を自動抽出する。2つの稲データセットにおいて、従来のSVMベースの手法と比較して、平均分類精度が最大11.9%向上する。

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

• 稲の生産および取引における品質管理の課題に対処するため、破壊的でない自動化された稲の品種分類システムの開発。
• 既存の稲の分類手法における手作業で設計された特徴量の限界を克服すること。
• 高スペクトル画像から得られる空間的およびスペクトル的情報の相補的利用による分類精度の向上。
• 従来の機械学習手法と比較して、生の空間的・スペクトル的稲データに適用した深層CNNの性能評価。
• 農業および産業現場における稲の品種点検に適した、強固でエンドツーエンドのソリューションの提供。

提案手法

• システムは、個々の稲の種子から空間的およびスペクトル的情報を取得するための高スペクトル画像装置を用いる。
• 手作業による特徴量設計を経ずに、生の空間的・スペクトル的情報データキューブを直接深層畳み込みニューラルネットワークに供給する。
• CNNアーキテクチャは、3次元データテンソル（高さ、幅、波長）から空間パターンとスペクトルシグネチャを同時に学習できるように設計されている。
• 標準的な誤差逆伝播法と交差エントロピー損失、確率的勾配降下法を用いてネットワークを訓練する。
• 一般化性能およびモデル安定性の向上を目的として、データ拡張および正規化技術を適用する。
• 最終的な分類は、全結合層とソフトマックス分類器を用いて実行する。

実験結果

リサーチクエスチョン

• RQ1 手作業による特徴量設計を経ずに、生の高スペクトル稲データから深層CNNが空間的・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ベースの手法の性能は、稲の品種データセットにおいて従来のSVMベースの分類法と比べてどのように異なるか？
• RQ3 空間的およびスペクトル的情報の統合が、分類精度をどの程度向上させるか？
• RQ4 提案手法は、異なる稲の品種および画像撮影条件に対しても一般化可能か？
• RQ5 データ前処理およびネットワークアーキテクチャの影響は、分類性能にどのように現れるか？

主な発見

• 提案された空間的・スペクトル的CNNは、2つの稲データセットにおいて、サポートベクターマシン（SVM）と比較して最大11.9%の絶対的な分類精度向上を達成した。
• 従来の手法よりも、生の高スペクトルデータから階層的特徴を自動で学習することで優れた性能を発揮した。
• 空間的およびスペクトル的情報の統合により、分類のロバスト性および精度が顕著に向上した。
• 多様な稲の品種および画像撮影条件に対しても、モデルは強力な一般化能力を示した。
• データ拡張および正規化の導入により、学習の安定性と最終的な性能が向上した。
• 本システムは、破壊的でない自動化されたソリューションを提供し、実世界の稲の品質点検に適している。