[논문 리뷰] A comprehensive review on Plant Leaf Disease detection using Deep learning

Sumaya Mustofa, Md Mehedi Hasan Munna외 3명|arXiv (Cornell University)|2023. 08. 27.

Smart Agriculture and AI인용 수 15

한 줄 요약

이 논문은 식물 잎 질병 탐지를 위한 딥러닝 모델에 대한 체계적 검토를 제시하며, ViT, DCNN/CNN, RSNSR-LDD, DDN, YOLO와 같은 아키텍처를 공용 데이터셋에서 일반적인 지표를 사용해 비교한다.

ABSTRACT

Leaf disease is a common fatal disease for plants. Early diagnosis and detection is necessary in order to improve the prognosis of leaf diseases affecting plant. For predicting leaf disease, several automated systems have already been developed using different plant pathology imaging modalities. This paper provides a systematic review of the literature on leaf disease-based models for the diagnosis of various plant leaf diseases via deep learning. The advantages and limitations of different deep learning models including Vision Transformer (ViT), Deep convolutional neural network (DCNN), Convolutional neural network (CNN), Residual Skip Network-based Super-Resolution for Leaf Disease Detection (RSNSR-LDD), Disease Detection Network (DDN), and YOLO (You only look once) are described in this review. The review also shows that the studies related to leaf disease detection applied different deep learning models to a number of publicly available datasets. For comparing the performance of the models, different metrics such as accuracy, precision, recall, etc. were used in the existing studies.

연구 동기 및 목표

• 식물 잎 질병 탐지에 사용되는 딥러닝 모델의 현황을 조사한다.
• 잎 질병 작업에 대한 다양한 아키텍처의 장점과 한계를 요약한다.
• 잎 질병 연구에서 사용된 데이터셋과 평가 지표를 논의한다.
• 현 분야의 격차와 향후 방향을 강조한다.

제안 방법

• 딥러닝을 이용한 잎 질병 탐지 연구의 체계적 문헌 고찰.
• 분석된 분류 및 객체 탐지 아키텍처(ViT, CNN, RSNSR-LDD, DDN, YOLO).
• 공용 데이터셋에서 보고된 정확도, 정밀도, 재현율 등의 지표를 기반으로 비교.

실험 결과

연구 질문

• RQ1 식물 잎 질병 탐지에 적용된 딥러닝 아키텍처는 무엇인가?
• RQ2 이 연구들에서 보고된 성능 지표와 사용된 데이터셋은 무엇인가?
• RQ3 잎 질병 과제에서 각 모델 유형의 주요 장점과 한계는 무엇인가?
• RQ4 현재 잎 질병 탐지 연구에서 어떤 격차가 있으며 어떻게 해결할 수 있는가?

주요 결과

• ViT, CNN 기반 네트워크, RSNSR-LDD, DDN, 및 YOLO를 포함한 여러 딥러닝 모델이 잎 질병 탐지에 적용되어 왔다.
• 연구들은 정확도, 정밀도, 재현율 등의 일반 지표와 다양한 공용 데이터셋을 사용하여 성능을 평가하는 것을 보고한다.
• 리뷰는 잎 질병 탐지 맥락에서 각 모델 카테고리의 장점과 한계를 논의한다.
• 데이터셋과 평가 프로토콜의 변동성이 있어 표준화된 벤치마크의 필요성을 시사한다.