[論文レビュー] Rice Leaf Disease Classification and Detection Using YOLOv5

Md Ershadul Haque, Ashikur Rahman+3 more|arXiv (Cornell University)|Sep 4, 2022

Smart Agriculture and AIAgricultural and Biological Sciences被引用数 17

ひとこと要約

本論文は、1,500枚のアノテート済み画像から構成される独自のデータセットを用いて、8種類の主要な稲の葉斑病をリアルタイムで検出・分類するYOLOv5ベースの深層学習フレームワークを提案している。モデルは90%の精度、67%の再現率、76%のF1スコア、81%のmAPを達成し、農業現場における稲の病害認識において、SVM、VGG16、ResNet V2といった従来手法よりも優れた性能を示している。

ABSTRACT

A staple food in more than a hundred nations worldwide is rice (Oryza sativa). The cultivation of rice is vital to global economic growth. However, the main issue facing the agricultural industry is rice leaf disease. The quality and quantity of the crops have declined, and this is the main cause. As farmers in any country do not have much knowledge about rice leaf disease, they cannot diagnose rice leaf disease properly. That's why they cannot take proper care of rice leaves. As a result, the production is decreasing. From literature survey, it has seen that YOLOv5 exhibit the better result compare to others deep learning method. As a result of the continual advancement of object detection technology, YOLO family algorithms, which have extraordinarily high precision and better speed have been used in various scene recognition tasks to build rice leaf disease monitoring systems. We have annotate 1500 collected data sets and propose a rice leaf disease classification and detection method based on YOLOv5 deep learning. We then trained and evaluated the YOLOv5 model. The simulation outcomes show improved object detection result for the augmented YOLOv5 network proposed in this article. The required levels of recognition precision, recall, mAP value, and F1 score are 90\%, 67\%, 76\%, and 81\% respectively are considered as performance metrics.

研究の動機と目的

• バングラデシュをはじめとする稲に依存する国々で広がる病害による収量損失の深刻な問題に対処するため、農業分野における稲の葉斑病の検出という重要な課題に取り組む。
• 農家の早期診断と的確な対応を支援するため、深層学習を用いた高速で正確かつスケーラブルなオブジェクト検出システムの開発を目的とする。
• 農家に知識が不足しているため、しばしば不正確な手作業による病害識別法の限界を克服することを目的とする。
• YOLOv5の稲の葉斑病検出性能を評価し、VGG16 や ResNet V2 といった既存モデルと比較することを目的とする。
• トランスファー学習とデータ増強を活用して、公開利用可能な高精度な稲の葉斑病検出モデルを貢献することを目的とする。

提案手法

• 本研究では、1,500枚のアノテート済み画像から構成される独自のデータセットを用いて、リアルタイムでの稲の葉斑病の検出に、最先端の1段階オブジェクト検出モデルであるYOLOv5を採用した。
• モデルの汎化性能を向上させ、小規模・中規模の病変に対して性能を向上させるために、データ増強技術が適用された。
• YOLOv5モデルは、ImageNetで事前学習された重みを用いて微調整し、稲の葉斑病分類タスクに適応させた。
• オブジェクトを複数スケールで検出するために、アンカーボックスと特徴マップのピラミッドネットワーク（FPN）が使用され、小～大規模の病変の検出性能が向上した。
• 標準的な指標である精度、再現率、F1スコア、および平均平均精度（mAP）を用いて性能を評価した。これらは、精度-再現率曲線と混同行列を用いて算出された。
• 学習プロセスでは、分類損失、オブジェクト性損失、ボックス回帰損失の組み合わせが使用され、確率的勾配降下法（SGD）とコサインスケジューリングを用いて最適化された。

実験結果

リサーチクエスチョン

• RQ1 YOLOv5は、実世界の農業画像において、複数の稲の葉斑病を高精度で検出できるか？
• RQ2 YOLOv5の性能は、VGG16 や ResNet V2 といった従来モデルと比較して、稲の葉斑病の分類においてどのように異なるか？
• RQ3 データ増強は、稲の葉における小規模またはレアな病型の検出性能をどの程度向上させるか？
• RQ4 YOLOv5を用いた稲の葉斑病検出において、精度と再現率のバランスを取る最適な信頼度しきい値は何か？
• RQ5 提案されたYOLOv5モデルは、細菌性条霜病、褐色斑点病、葉なぎ病、鞘腐敗病を含む、多様な稲の葉斑病の表現型に一般化可能か？

主な発見

• YOLOv5モデルは、稲の葉斑病の陽性予測に対して高い信頼性を示し、90%の精度を達成した。
• モデルは、テストデータセット内のすべての実際の病害ケースのうち67%を正しく検出しており、再現率が67%であった。
• F1スコアは76%に達し、精度と再現率のバランスの取れた調和平均を示しており、分類性能の全体的な優位性を示している。
• 平均平均精度（mAP）は81%であり、8つの病害クラスすべてにおいて高い検出精度を示している。
• 精度-再現率曲線では、曲線下の面積（AUC）が0.807であった。これは、さまざまな信頼度しきい値において、精度と再現率の良好なトレードオフが実現されていることを示している。
• 混同行列からは、葉なぎ病や鞘腐敗病といった主要な病害に対して高い真正陽性率が得られ、偽陽性および偽陰性率が低かった。