[논문 리뷰] 4Weed Dataset: Annotated Imagery Weeds Dataset

Varun Aggarwal, Aanis Ahmad외 2명|arXiv (Cornell University)|2022. 03. 29.

Smart Agriculture and AI인용 수 4

한 줄 요약

이 논문은 풍성한, 현장에서 검증된 RGB 영상 데이터셋인 4Weed 데이터셋을 소개한다. 이 데이터셋은 4가지 흔한 잡초—Cocklebur, Foxtail, Redroot Pigweed, Giant Ragweed—에서 618장의 영상을 포함하며, 실제 농장 및 온실 조건에서 확보되었다. 이 데이터셋은 이미지 분류 및 객체 탐지 모델을 훈련시키는 데 활용되며, 경계 상자(annotation) 정보를 통해 옥수수 및 콩 재배지에서 조기 단계의 잡초 식별을 정확하게 지원한다.

ABSTRACT

Weeds are a major threat to crops and are responsible for reducing crop yield worldwide. To mitigate their negative effect, it is advantageous to accurately identify them early in the season to prevent their spread throughout the field. Traditionally, farmers rely on manually scouting fields and applying herbicides for different weeds. However, it is easy to confuse between crops with weeds during the early growth stages. Recently, deep learning-based weed identification has become popular as deep learning relies on convolutional neural networks that are capable of learning important distinguishable features between weeds and crops. However, training robust deep learning models requires access to large imagery datasets. Therefore, an early-season weeds dataset was acquired under field conditions. The dataset consists of 159 Cocklebur images, 139 Foxtail images, 170 Redroot Pigweed images and 150 Giant Ragweed images corresponding to four common weed species found in corn and soybean production systems.. Bounding box annotations were created for each image to prepare the dataset for training both image classification and object detection deep learning networks capable of accurately locating and identifying weeds within corn and soybean fields. (https://osf.io/w9v3j/)

연구 동기 및 목표

• 정밀 농업에서 딥러닝 모델을 훈련시키기 위한 고품질의 현장 검증된 잡초 영상 데이터셋 부족 문제를 해결하기 위해.
• 옥수수 및 콩 수확량을 크게 감소시키는 4가지 주요 잡초 종의 조기 단계 정확한 식별을 가능하게 하기 위해.
• 복잡한 실제 현장 조건에서 균형 잡힌, 애너테이션된 데이터셋을 구축하여 모델의 일반화 능력과 성능을 향상시키기 위해.
• 객체 탐지 및 이미지 분류 딥러닝 아키텍처를 활용한 자동화된 잡초 탐지 시스템 개발을 지원하기 위해.
• 연구를 가속화하기 위해 공개 가능하고 잘 문서화된 데이터셋을 제공하여 컴퓨터 비전 기반 농업 잡초 관리 분야의 연구를 지원하기 위해.

제안 방법

• Purdue 대학의 ACRE 농장 및 온실에서 UTV에 장착된 6대의 Logitech 920 웹캠과 수동으로 촬영한 Sony WX350, Pixel 3, iPhone 11 Pro 등의 모바일 카메라를 사용하여 총 618장의 RGB 영상을 확보하였다.
• 14인치 땅 위에서 다양한 현장 조건과 제어된 조명 조건 하에 1080×720에서 4032×3024 픽셀까지 다양한 해상도로 촬영하였다.
• 모든 영상의 각 잡초 개체에 대해 정밀한 경계 상자 애너테이션을 수작업으로 생성하기 위해 LabelImg 도구(Tzutalin, 2015)를 사용하였다.
• 초기 데이터셋의 불균형을 해소하기 위해 모바일 카메라를 활용해 Cocklebur 및 Foxtail에 대해 추가 영상을 확보하여 균형 잡힌 클래스 분포를 확보하였다.
• 데이터셋을 4개의 클래스로 구성: Cocklebur 159장, Foxtail 139장, Redroot Pigweed 170장, Giant Ragweed 150장.
• 이미지 분류 및 객체 탐지 딥러닝 모델 양용을 고려해 설계되어 종 식별과 공간적 국소화 모두를 가능하게 하였다.

실험 결과

연구 질문

• RQ1 대규모, 현장에서 검증된, 정밀하게 애너테이션된 잡초 영상 데이터셋이 조기 단계의 잡초 식별에 있어 딥러닝 모델의 정확도를 향상시킬 수 있는가?
• RQ2 실제 현장 조건에서의 데이터셋 균형과 영상 다양성이 객체 탐지 및 분류 모델의 성능에 어떤 영향을 미치는가?
• RQ3 4Weed처럼 공개 가능한 정밀한 애너테이션 데이터셋이 정밀 농업 연구에서 데이터 부족 문제를 어느 정도 줄일 수 있는가?
• RQ4 다양한 해상도와 촬영 방법(장착형 대비 수동)이 잡초 탐지 작업에서 모델의 일반화 능력에 어떤 영향을 미치는가?
• RQ5 4Weed 데이터셋은 실제 농업 환경에서 딥러닝 모델의 훈련 및 평가를 위한 신뢰할 수 있는 기준이 될 수 있는가?

주요 결과

• 4Weed 데이터셋은 실제 현장 및 온실 조건에서 확보한 4가지 흔한 잡초—Cocklebur(159장), Foxtail(139장), Redroot Pigweed(170장), Giant Ragweed(150장)—에 대한 고해상도 RGB 영상 총 618장으로 구성되어 있다.
• 모바일 카메라를 활용한 타겟팅된 영상 확보를 통해 데이터셋이 균형 잡히게 되었으며, 모든 4개의 잡초 종에 대해 거의 균일한 분포를 확보하였다.
• LabelImg 도구를 사용해 경계 상자 애너테이션을 생성하여 객체 탐지 및 이미지 분류 딥러닝 모델의 직접 훈련을 가능하게 하였다.
• 1080×720에서 4032×3024 픽셀까지 다양한 해상도로 촬영되어, 스케일 변화에 대한 모델의 강건성 향상에 기여하였다.
• UTV에 장착된 카메라 어레이를 사용해 지상 14인치 높이에서 데이터셋을 확보하여 실시간 현장 점검 조건을 모방하였다.
• 이 데이터셋은 https://osf.io/w9v3j/ 에 공개되어 있으며, 이미 이전 연구에서 딥러닝 모델을 활용한 잡초 식별 훈련에 사용된 바가 있다.