[논문 리뷰] Artificial Intelligence based drone for early disease detection and precision pesticide management in cashew farming

Manoj Kumar Rajagopal, Bala Murugan MS|arXiv (Cornell University)|2023. 03. 15.

Smart Agriculture and AI인용 수 8

한 줄 요약

이 논문은 MobileNetV2 및 PlantVillage 데이터를 사용하여 높은 분류 정확도를 달성하고, 캐슈 잎 질병(잎썩음병)을 감지하고 정밀 살충제 적용을 안내하는 엣지-AI UAV 시스템을 제시한다.

ABSTRACT

The use of unmanned aerial vehicles (UAV) is revolutionizing the agricultural industry. Cashews are grown by approximately 70% of small and marginal farmers, and the cashew industry plays a critical role in their economic development. To take timely counter measures against plant diseases and infections, it is imperative to monitor and detect diseases as early as possible and take suitable measures. Using UAVs, such as those that are equipped with artificial intelligence, can assist farmers by providing early detection of crop diseases and precision pesticide application. An edge computing paradigm of Artificial Intelligence is employed to process this image in order to make decisions with the least amount of latency possible. As a result of these decisions, the stage of infestation, the crops affected, the method of prevention of spreading the disease, and what type and amount of pesticides need to be applied can be determined. UAVs equipped with sensors detect disease patterns quickly and accurately over large areas. Combined with AI algorithms, these machines can analyse data from a variety of sources such as temperature, humidity, CO2 levels and soil composition. This allows them to recognize disease symptoms before they become visible. Early detection allows for more effective control strategies that can reduce costs caused by lost production due to infestations or crop failure. Using an end-to-end training architecture, mobileNetV2 determines how to classify anthracnose disease in cashew leaves. A standard PlantVillage dataset is used for performance evaluation and for standardization. Additionally, samples captured with a drone present a variety of image samples captured in a variety of conditions, which complicates the analysis. According to our analysis, we were able to identify the anthracnose with 95% accuracy and the healthy leaves with 99% accuracy.

연구 동기 및 목표

• 캐슈 질병의 조기 탐지를 통해 확산 및 작물 손실을 예방하기 위함.
• 지연 시간을 최소화하기 위해 UAV에서 엣지 컴퓨팅 AI 파이프라인을 개발.
• 질병 탐지 및 환경 센서 데이터를 기반으로 표적 살충제 적용을 가능하게 함.
• 성능 평가를 위한 표준화된 데이터셋을 활용하고 실제 드론 촬영 샘플로 확장하기 위함.

제안 방법

• 캐슈 잎의 잎썩음병 분류를 위한 MobileNetV2를 이용한 엔드투엔드 학습 아키텍처.
• 성능 평가 및 표준화를 위한 PlantVillage 데이터셋의 활용.
• 온도, 습도, CO2, 토양 등 다중 소스 데이터를 포착하는 드론 장착 센서.
• 질병 탐지 의사결정의 지연 시간을 최소화하는 엣지 컴퓨팅 패러다임.
• 발병 단계, 피해 작물, 예방 방법, 살충제 종류/양을 판단하는 능력.

실험 결과

연구 질문

• RQ1 엣지-AI UAV가 실제 드론 영상에서 캐슈 잎의 잎썩음병을 정확하게 감지할 수 있는가?
• RQ2 제안된 엔드투엔드 MobileNetV2 접근법으로 잎썩음병과 건강한 잎의 분류 정확도는 얼마인가?
• RQ3 PlantVillage 데이터에서 드론 촬영 캐슈 잎 샘플로 다양한 조건 하에서 시스템이 얼마나 잘 일반화되는가?
• RQ4 탐지된 질병 상태 및 환경 센서 데이터를 통해 어떤 살충제 관리 가이드를 도출할 수 있는가?

주요 결과

• 캐슈 잎의 잎썩음병이 95% 정확도로 식별되었다.
• 건강한 잎이 99% 정확도로 식별되었다.
• 엣지 컴퓨팅 워크플로우가 보드 상 의사결정을 위한 저지연 처리를 가능하게 한다.
• 벤치마킹 및 검증을 위한 표준 PlantVillage 데이터셋을 활용한다.
• 드론 촬영 샘플은 변동성을 야기하므로 다양한 조건에서의 분석에 대응하는 접근법을 제시한다.