[論文レビュー] The Plant Pathology 2020 challenge dataset to classify foliar disease of apples

Ranjita Thapa, Noah Snavely+2 more|ArXiv.org|Apr 24, 2020

Plant Pathogens and Fungal Diseases被引用数 8

ひとこと要約

本論文は、実世界のアプリルーブの病巣（シロシロ病、セイヨウコウキョウ病、健康な葉）をラベル付けした、高品質な3,651枚のアプリルーブの葉画像からなるデータセットを紹介する。標準的な畳み込みニューラルネットワークで訓練されたモデルは、保留されたテストセットで97％の正確性を達成し、農業分野におけるスケーラブルかつ高精度な病害検出の強力な可能性を示している。

ABSTRACT

Apple orchards in the U.S. are under constant threat from a large number of pathogens and insects. Appropriate and timely deployment of disease management depends on early disease detection. Incorrect and delayed diagnosis can result in either excessive or inadequate use of chemicals, with increased production costs, environmental, and health impacts. We have manually captured 3,651 high-quality, real-life symptom images of multiple apple foliar diseases, with variable illumination, angles, surfaces, and noise. A subset, expert-annotated to create a pilot dataset for apple scab, cedar apple rust, and healthy leaves, was made available to the Kaggle community for 'Plant Pathology Challenge'; part of the Fine-Grained Visual Categorization (FGVC) workshop at CVPR 2020 (Computer Vision and Pattern Recognition). We also trained an off-the-shelf convolutional neural network (CNN) on this data for disease classification and achieved 97% accuracy on a held-out test set. This dataset will contribute towards development and deployment of machine learning-based automated plant disease classification algorithms to ultimately realize fast and accurate disease detection. We will continue to add images to the pilot dataset for a larger, more comprehensive expert-annotated dataset for future Kaggle competitions and to explore more advanced methods for disease classification and quantification.

研究の動機と目的

• アプリルーブの葉病巣の微細分類のための大規模かつ実世界のデータセットの開発。
• 化学的処理への依存を減らすために、自動的かつ早期の植物病害検出を可能にする。
• 公開され、専門家がラベル付けしたデータセットを通じて、植物病理学分野における機械学習研究を支援する。
• 農業分野におけるコンピュータビジョン分野の今後の進展を促進する。

提案手法

• 可変な照明、角度、表面、ノイズ条件下での高解像度のアプリルーブの葉画像を3,651枚収集した。
• 専門家によるラベル付けを用いて、シロシロ病、セイヨウコウキョウ病、健康な葉の3クラスを対象としたパイロットデータセットを作成した。
• CVPR 2020のFGVCワークショップの一環としてKaggleコンペティションを主催し、モデル開発を促進した。
• エンドツーエンドの病害分類を目的として、事前学習済み畳み込みニューラルネットワーク（CNN）をこのデータセットで訓練した。
• モデルの性能を評価し、正確性を報告するために、保留されたテストセットを用いた。
• 今後のコンペティションや研究のため、追加の専門家ラベル付き画像によるデータセットの拡張を計画している。

実験結果

リサーチクエスチョン

• RQ1 大規模で多様性に富んだ実世界のデータセットは、自動アプリルーブの葉病巣分類の正確性を向上させることができるか？
• RQ2 限られた学習データで、標準的な事前学習済みCNNが、専門的な植物病害分類タスクにおいてどの程度の性能を示すか？
• RQ3 照明、角度、ノイズなどのデータセットのばらつきが、植物病理学分野におけるモデルの汎化性能にどの程度影響を与えるか？
• RQ4 公開されたベンチマークコンペティションは、農業分野におけるコンピュータビジョン分野の進歩を加速させることができるか？
• RQ5 このデータセットで訓練されたモデルは、実際の果樹園への展開において、どの程度スケーラブルかつ転送可能か？

主な発見

• 本データセットは、可変な照明、角度、表面、ノイズを含む多様な視覚的条件を持つ、3,651枚の実世界のアプリルーブの葉画像から構成されている。
• 標準的な市販の畳み込みニューラルネットワークが、保留されたテストセットで3つの病害カテゴリを分類する際、97％の正確性を達成した。
• Kaggleを通じてデータセットをコミュニティ主導の研究やモデル開発を支援する目的で公開した。
• パイロットデータセットは、シロシロ病、セイヨウコウキョウ病、健康な葉のラベル付けを専門家が行った。
• 今後のコンペティションや高度な手法開発のため、追加の専門家ラベル付き画像によるデータセットの拡張を計画している。
• 本データセットは、農業分野における迅速かつ高精度かつスケーラブルな植物病害検出のための機械学習モデルの開発を支援する。