[논문 리뷰] An Effective Scheme for Maize Disease Recognition based on Deep Networks

Saeedeh Osouli, Behrouz Bolourian Haghighi외 1명|arXiv (Cornell University)|2022. 05. 09.

Smart Agriculture and AI인용 수 4

한 줄 요약

이 논문은 전이 학습을 통해 미세조정된 MobileNetV2와 Inception 모듈을 결합한 새로운 딥러닝 모델인 Mob-INC을 제안한다. 이 모델은 특징 추출을 위해 두 아키텍처의 장점을 활용하고, 데이터 증강을 통해 클래스 불균형 문제를 해결함으로써 다중 클래스 옥수수 병해 감지 데이터셋에서 97%의 정확도를 달성하여 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

In the last decades, the area under cultivation of maize products has increased because of its essential role in the food cycle for humans, livestock, and poultry. Moreover, the diseases of plants impact food safety and can significantly reduce both the quality and quantity of agricultural products. There are many challenges to accurate and timely diagnosis of the disease. This research presents a novel scheme based on a deep neural network to overcome the mentioned challenges. Due to the limited number of data, the transfer learning technique is employed with the help of two well-known architectures. In this way, a new effective model is adopted by a combination of pre-trained MobileNetV2 and Inception Networks due to their effective performance on object detection problems. The convolution layers of MoblieNetV2 and Inception modules are parallelly arranged as earlier layers to extract crucial features. In addition, the imbalance problem of classes has been solved by an augmentation strategy. The proposed scheme has a superior performance compared to other state-of-the-art models published in recent years. The accuracy of the model reaches 97%, approximately. In summary, experimental results prove the method's validity and significant performance in diagnosing disease in plant leaves.

연구 동기 및 목표

• 옥수수 잎 병해의 정확하고 빠른 진단에 도전하는 것. 이는 식량 안보를 위협하고 수확량을 감소시키기 때문이다.
• 기존 방법의 한계, 즉 낮은 정확도, 전문가 진단의 높은 비용, 대규모 농업에서의 비효율성을 극복하는 것.
• 딥러닝을 활용한 자동화되고 비용 효율적이며 정밀한 옥수수 병해 분류 시스템을 개발하는 것.
• 전이 학습과 데이터 증강 전략을 통해 소규모이고 불균형적인 데이터셋에서의 성능을 향상시키는 것.

제안 방법

• 제안된 모델인 Mob-INC은 옥수수 잎 이미지에서 계층적 특징을 추출하기 위해 사전 훈련된 MobileNetV2와 Inception 모듈을 병렬로 구성된 초기 합성곱층으로 통합한다.
• 전이 학습은 ImageNet에서 사전 훈련한 후, 옥수수 병해 데이터셋에 대해 전체 MobileNetV2 네트워크를 미세조정함으로써 적용된다.
• 공유된 특징 추출 분기 후에 Inception 모듈을 추가하여 특징 표현을 향상시키고 다중 척도 패턴을 포착한다.
• 클래스 불균형 문제를 완화하기 위해 소수의 클래스 샘플 수를 늘리는 증강 전략을 사용한다.
• 융합된 특징 위에 최종 병해 분류를 위한 새로운 완전 연결 층을 추가한다.
• 모델은 70/10/20 훈련/검증/테스트 분할을 기반으로 30 에포크 동안 훈련되며, 검증 손실 기반 조기 정지 기법을 적용한다.

실험 결과

연구 질문

• RQ1 MobileNetV2와 Inception 모듈을 융합한 하이브리드 CNN 아키텍처가 단일 모델 대비 옥수수 병해 감지의 분류 정확도를 향상시킬 수 있는가?
• RQ2 소규모이고 불균형적인 옥수수 병해 데이터셋을 다룰 때 전이 학습과 데이터 증강 전략의 효과는 어떠한가?
• RQ3 제안된 Mob-INC 모델은 정확도와 강건성 측면에서 기존 최신 기술 모델보다 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ4 유사한 시각적 특징을 가진 클래스들에 대해서도 모델이 높은 신뢰도 예측을 달성할 수 있는가?

주요 결과

• Mob-INC 모델은 테스트 정확도 97%를 달성하여 최근 문헌에 보고된 다른 최신 기술 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 30개의 훈련 에포크 후, 검증 정확도는 96.10%이며 검증 손실은 0.14를 기록했다.
• 혼동 행렬 분석 결과, 주요 세 가지 병해 클래스에 대해 소수의 오분류만 관찰되었고, 높은 분류 신뢰도를 보였다.
• 모든 클래스에 대해 정밀도, F1 점수, 민감도, 특이도 지표가 강력하고 균형 잡힌 성능을 확인했다.
• 각 병해 클래스의 확률 출력 결과는 상당한 겹침이 없이 높은 신뢰도를 보였으며, 이는 신뢰할 수 있는 결정 경계를 의미한다.
• 제거 실험 결과, MobileNetV2와 Inception 모듈의 조합이 우수한 특징 학습과 전체 모델 성능 향상에 기여했음을 확인했다.