[논문 리뷰] A Deep Learning-based Detector for Brown Spot Disease in Passion Fruit Plant Leaves

Andrew Katumba, Moses Bomera외 8명|arXiv (Cornell University)|2020. 07. 28.

Smart Agriculture and AI인용 수 5

한 줄 요약

이 논문은 우간다 농장에서 수집한 전문가가 레이블링한 2,000장의 파asion프루트 잎에서 갈색 반점 병변을 식별하기 위해 EfficientDet D3를 사용한 딥러닝 기반 객체 검출 모델을 제안한다. 10% 테스트 세트에서 mAP 0.351을 기록하며, 소규모 농업 환경에서의 조기 병해 감지 가능성을 입증한다.

ABSTRACT

Pests and diseases pose a key challenge to passion fruit farmers across Uganda and East Africa in general. They lead to loss of investment as yields reduce and losses increases. As the majority of the farmers, including passion fruit farmers, in the country are smallholder farmers from low-income households, they do not have the sufficient information and means to combat these challenges. While, passion fruits have the potential to improve the well-being of these farmers as they have a short maturity period and high market value , without the required knowledge about the health of their crops, farmers cannot intervene promptly to turn the situation around. For this work, we have partnered with the Uganda National Crop Research Institute (NaCRRI) to develop a dataset of expertly labelled passion fruit plant leaves and fruits, both diseased and healthy. We have made use of their extension service to collect images from 5 districts in Uganda, With the dataset in place, we are employing state-of-the-art techniques in machine learning, and specifically deep learning, techniques at scale for object detection and classification to correctly determine the health status of passion fruit plants and provide an accurate diagnosis for positive detections.This work focuses on two major diseases woodiness (viral) and brown spot (fungal) diseases.

연구 동기 및 목표

• 동아프리카에서 경제적 가치가 높은 파asion프루트 작물에 대해 기계학습 도구가 부족한 상황을 해결하기 위해.
• 우간다 5개 지방에서 건강한 잎과 병변이 있는 잎, 과일을 포함한 고품질의 공개 가능한 데이터셋을 수집하고 정제하기 위해.
• 잎에서 갈색 반점 병변 증상을 정확하게 국소화하고 분류하기 위한 딥러닝 기반 객체 검출 모델을 개발하고 평가하기 위해.
• 모바일 또는 엣지 디바이스를 활용한 저비용 조기 병해 진단을 통해 동아프리카의 소규모 농민을 지원하기 위해.

제안 방법

• 우간다 5개 지방의 현장 조사에서 갈색 반점 병변이 있는 보라색 파asion프루트 잎의 2,000장의 이미지를 수집하였다.
• 이미지는 400×400 픽셀로 자르고 Labelbox 플랫폼을 사용해 바운딩 박스로 레이블링하였으며, 레이블은 JSON 형식으로 내보내졌다.
• 객체 검출에 EfficientDet D3 모델을 사용하였고, COCO 데이터셋 사전학습 가중치를 활용한 전이학습을 적용하였다.
• 학습은 GPU를 탑재한 NC6 가상 머신을 사용한 마이크로소프트 애저에서 수행되었으며, 데이터의 90%는 학습/검증용, 10%는 테스트용으로 분할하였다.
• TensorFlow 프레임워크를 사용해 10,000회 반복 학습을 수행하였고, GPU 및 CPU 기반 추론 성능을 평가하였다.
• 성능 평가에는 테스트 세트에서의 검출 성능을 측정하기 위해 평균 평균 정밀도(mAP)를 사용하였다.

실험 결과

연구 질문

• RQ1 새로 수집한 데이터셋을 기반으로 딥러닝 기반 객체 검출 모델이 파asion프루트 잎의 갈색 반점 병변을 정확하게 국소화할 수 있는가?
• RQ2 작고 전문화된 식물 병해 데이터셋에서 EfficientDet D3 모델의 성능이 YOLO, SSD 등 다른 객체 검출 모델과 비교해 어떻게 다른가?
• RQ3 대규모 데이터셋(COCO)에서의 전이학습이 제한된 도메인 특화 데이터셋인 파asion프루트 잎의 병변 검출 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 학습된 모델의 추론 속도는 CPU 및 GPU에서 각각 얼마이며, 자원이 제한된 농업 환경에서 엣지 디바이스에 배포하기에 적합한가?

주요 결과

• 10,000회 학습 반복 후 테스트 세트에서 EfficientDet D3 모델은 평균 평균 정밀도(mAP) 0.351을 기록하여 작은 데이터셋에서 중간 수준의 검출 성능를 보였다.
• 실제로 검증되지 않은 이미지에서 병변의 모든 사례가 모델에 의해 성공적으로 탐지되었으며, 정답 레이블과의 시각적 비교로 확인되었다.
• GPU 기반 추론 시간은 0.06초, CPU 기반 추론 시간은 0.63초로 나타나 모바일 또는 엣지 디바이스에서 실시간 배포 가능성이 확인되었다.
• 2,000장의 레이블링된 이미지 데이터셋은 우간다의 다양한 지리적 지역에서 수집되어 현지 조건에 대한 대표성을 높였다.
• 이 연구는 동아프리카에서 경제적 가치가 높은 파asion프루트에서 갈색 반점 병해를 조기에 감지하기 위해 딥러닝을 활용할 수 있음을 입증하였다.
• 저자들은 향후 파asion프루트 병해 감지 연구를 지원하기 위해 데이터셋을 공개하였다.