[논문 리뷰] A Deep Learning Approach for Determining Effects of Tuta Absoluta in Tomato Plants

Denis Pastory Rubanga, Loyani Loyani외 2명|arXiv (Cornell University)|2020. 04. 08.

Smart Agriculture and AI참고 문헌 18인용 수 10

한 줄 요약

이 연구는 초기 생장 단계의 토마토 식물에서 Tuta absoluta의 감염 정도를 분류하기 위해 미세조정된 컨volutional 신경망(CNN)을 사용하는 딥러닝 접근법을 제안한다. VGG16, VGG19, ResNet50, Inception-V3 중에서 Inception-V3가 실제 현장에서 수집한 데이터셋을 사용하여 무감염, 저도의, 고도의 Tuta absoluta 감염 정도를 구분하는 데 평균 정확도 87.2%를 기록하여 가장 높은 성능을 보였다.

ABSTRACT

Early quantification of Tuta absoluta pest's effects in tomato plants is a very important factor in controlling and preventing serious damages of the pest. The invasion of Tuta absoluta is considered a major threat to tomato production causing heavy loss ranging from 80 to 100 percent when not properly managed. Therefore, real-time and early quantification of tomato leaf miner Tuta absoluta, can play an important role in addressing the issue of pest management and enhance farmers' decisions. In this study, we propose a Convolutional Neural Network (CNN) approach in determining the effects of Tuta absoluta in tomato plants. Four CNN pre-trained architectures (VGG16, VGG19, ResNet and Inception-V3) were used in training classifiers on a dataset containing health and infested tomato leaves collected from real field experiments. Among the pre-trained architectures, experimental results showed that Inception-V3 yielded the best results with an average accuracy of 87.2 percent in estimating the severity status of Tuta absoluta in tomato plants. The pre-trained models could also easily identify High Tuta severity status compared to other severity status (Low tuta and No tuta)

연구 동기 및 목표

• 수확 손실이 80–100%에 이르는 것을 방지하기 위해 토마토 식물에서 Tuta absoluta 감염을 조기에 정확하게 탐지할 수 있는 필수적인 필요성을 해결하기 위해.
• 토마토 식물의 초기 생장 단계에서 Tuta absoluta 손해 정도를 정량화할 수 있는 딥러닝 기반 시스템을 개발하기 위해.
• 합성 또는 비현실적인 이미지 데이터셋으로 훈련된 기존 모델의 한계를 극복하기 위해 내부에서 수집한 실제 현장 이미지를 사용하기 위해.
• 네 가지 사전 훈련된 CNN 아키텍처(VGG16, VGG19, ResNet50, Inception-V3)의 성능을 평가하고 비교하기 위해.

제안 방법

• 탄자니아 아루샤와 모로고로에서 수집한 토마토 식물의 실제 현장 이미지 1,384장을 사용하여 무감염, 저도의 감염(≤3마리의 기생충), 고도의 감염(3마리 이상의 기생충)의 세 가지 정도로 분류하였다.
• 모델 입력 요구사항을 충족시키기 위해 이미지를 수평 뒤집기 및 크기 조정(224×224 픽셀, VGG 및 ResNet용; 299×299 픽셀, Inception-V3용)을 통해 전처리하였다.
• 세 가지 분류 클래스(감염 정도 상태)를 위한 분류기로 최종 완전 연결 층을 교체함으로써, ImageNet으로 사전 훈련된 네 가지 CNN 아키텍처(VGG16, VGG19, ResNet50, Inception-V3)를 미세조정하였다.
• 배치 크기가 16인 50 에포크 동안 훈련하였으며, 초기 학습률이 10⁻⁴인 Adam 옵timizer를 사용하고, 조기 정지와 학습률 감소 전략을 적용하였다.
• GPU 가속 워크스테이션에서 Keras를 사용하고 Tensorflow를 백엔드로 활용하여 모델을 훈련하고 평가하였으며, 검증 손실 기반으로 가장 우수한 성능을 보인 모델을 저장하였다.

실험 결과

연구 질문

• RQ1 사전 훈련된 CNN 모델이 실제 현장 이미지를 사용하여 토마토 식물의 Tuta absoluta 감염 정도를 효과적으로 분류할 수 있는가?
• RQ2 VGG16, VGG19, ResNet50, Inception-V3 중에서 네 가지 CNN 아키텍처 중 어느 것이 Tuta absoluta 손해 정도의 다양한 수준을 탐지하는 데 가장 우수한 성능을 보이는가?
• RQ3 무감염, 저도의 감염, 고도의 감염의 세 가지 감염 정도에서 모델 성능은 어떻게 변화하는가?
• RQ4 잎사진을 기반으로 한 딥러닝을 통해 고도의 Tuta absoluta 감염을 조기에 신뢰성 있게 탐지할 수 있는가?
• RQ5 이 경우에서 저도의 감염 탐지가 무감염 또는 고도의 감염 탐지보다 더 어려운 이유는 무엇인가?

주요 결과

• Inception-V3가 테스트 세트 전반에서 Tuta absoluta 감염 정도 수준을 분류하는 데 평균 정확도 87.2%를 기록하여 가장 높은 성능을 보였다.
• 모든 모델에서 고도의 감염 이미지에 대해 가장 높은 정밀도(90.5%–91.5%)와 F1 점수를 기록하여 심각한 감염의 탐지 능력이 뛰어났다.
• VGG16과 Inception-V3는 무감염 식물 이미지에 대해 각각 가장 높은 재현율(96.5% 및 93.3%)을 기록하여 건강한 식물을 정확하게 식별하는 데 뛰어난 성능을 보였다.
• 저도의 감염 탐지는 가장 도전적인 과제였으며, F1 점수(0.448–0.575)와 재현율(35.5%–51.8%)이 가장 낮아 경미한 감염에 대한 높은 누락 비율을 보였다.
• 검증 손실이 가장 낮은 모델이 항상 선택되었고, 수렴 실패 시 재훈련되어 훈련의 안정성과 성능이 향상되었다.