[논문 리뷰] Automatic Detection of Rice Disease in Images of Various Leaf Sizes

Kantip Kiratiratanapruk, Pitchayagan Temniranrat외 3명|arXiv (Cornell University)|2022. 06. 15.

Smart Agriculture and AI인용 수 5

한 줄 요약

이 논문은 변수 크기의 벼 잎 이미지에서 객체 검출 정확도를 향상시키기 위해 자동 벼 잎 폭 추정과 이미지 타일링을 결합한 딥러닝 프레임워크를 제안한다. ResNet18 기반 모델을 사용해 잎 폭을 예측하고 원본 이미지를 균일한 크기의 타일로 나누어, YOLOv4의 평균 평균 정밀도(mAP)를 87.56%에서 91.14%로 향상시켰다. 이는 크기 변동으로 인한 성능 저하를 크게 감소시켰다.

ABSTRACT

Fast, accurate and affordable rice disease detection method is required to assist rice farmers tackling equipment and expertise shortages problems. In this paper, we focused on the solution using computer vision technique to detect rice diseases from rice field photograph images. Dealing with images took in real-usage situation by general farmers is quite challenging due to various environmental factors, and rice leaf object size variation is one major factor caused performance gradation. To solve this problem, we presented a technique combining a CNN object detection with image tiling technique, based on automatically estimated width size of rice leaves in the images as a size reference for dividing the original input image. A model to estimate leaf width was created by small size CNN such as 18 layer ResNet architecture model. A new divided tiled sub-image set with uniformly sized object was generated and used as input for training a rice disease prediction model. Our technique was evaluated on 4,960 images of eight different types of rice leaf diseases, including blast, blight, brown spot, narrow brown spot, orange, red stripe, rice grassy stunt virus, and streak disease. The mean absolute percentage error (MAPE) for leaf width prediction task evaluated on all eight classes was 11.18% in the experiment, indicating that the leaf width prediction model performed well. The mean average precision (mAP) of the prediction performance on YOLOv4 architecture was enhanced from 87.56% to 91.14% when trained and tested with the tiled dataset. According to our study, the proposed image tiling technique improved rice disease detection efficiency.

연구 동기 및 목표

• 현장 사진에서 변수 크기의 벼 잎으로 인해 딥러닝 기반 병해 탐지 성능이 떨어지는 문제를 해결한다.
• 전문가의 입력 없이도 농부가 스마트폰 이미지를 사용해 병해를 탐지할 수 있는 확장성 있고 사용자 친화적인 시스템을 개발한다.
• 입력 이미지에서 객체 크기를 정규화함으로써 다양한 잎 크기에서의 탐지 내성 향상.
• 이미지 구성이나 해상도에 대한 사용자 제약을 최소화하면서도 실제 현장 조건에서 정확한 병해 탐지 가능.
• 통제되지 않은 이미지 변동성이 있는 현실 농업 환경에 기존 AI 모델의 적용 가능성을 확장한다.

제안 방법

• 입력 이미지의 벼 잎 폭을 예측하기 위해 경량 ResNet18 모델을 훈련시어, 이미지 처리의 크기 기준으로 활용한다.
• 예측된 잎 폭을 기반으로 원본 이미지를 일관된 객체 크기를 갖는 타일로 나눈다.
• 타일화된 이미지 세트에 YOLOv4 객체 검출 모델을 적용하여 작은 또는 일관되지 않은 크기의 병변 검출을 향상시킨다.
• 예측된 잎 폭을 바탕으로 이미지를 세 크기 그룹(작은, 정상, 넓은)으로 분류하여 크기에 따른 탐지 성능 평가.
• 타일링을 통한 데이터 증강을 활용해 훈련 다양성을 증가시키고 모델 일반화 능력을 향상시킨다.
• 탐지 성능과 계산 비용의 균형을 고려해 이미지당 타일 수(N)를 최적화한다.

실험 결과

연구 질문

• RQ1 자동 잎 폭 추정이 벼 잎 병해 이미지의 객체 크기 일관성에 기여하는가?
• RQ2 예측된 잎 폭 기반의 이미지 타일링이 YOLOv4의 병해 탐지 mAP에 어떤 영향을 미치는가?
• RQ3 변수 크기의 벼 잎 이미지가 병해 탐지 성능에 얼마나 심각하게 영향을 미치는가?
• RQ4 어떤 병해 유형이 병변 분포나 가시성 패턴으로 인해 타일링으로 가장 큰 이점을 얻는가?
• RQ5 제안된 방법이 실제 농업 응용에서 엄격한 이미지 촬영 조건을 줄일 수 있는가?

주요 결과

• 잎 폭 예측 모델은 모든 여덟 가지 병해 유형에서 평균 절대 백분율 오차(MAPE)가 11.18%를 기록해 강력한 추정 정확도를 입증했다.
• 타일화된 이미지 세트를 사용할 경우 YOLOv4의 mAP가 기준값 87.56%에서 91.14%로 향상되어 3.58%p 향상되었다.
• 크기별로 탐지 성능에 큰 차이가 있었으며, 소형 잎의 mAP는 66.56%, 정상 크기 잎은 94.16%, 넓은 잎은 96.39%였으며, 크기 관련 성능 격차가 뚜렷했다.
• 타일링 기법은 여덟 병해 중 여섯에 대해 mAP 향상을 이끌었으며, 특히 병변이 부분적 또는 작은 경우(예: 박테리아병, 갈색점병)에서 가장 뚜렷한 성과를 보였다.
• 광범위하거나 뚜렷한 병변을 가진 병해(예: 썩음병, 빨간줄병, 주황색잎병)는 높은 AP 값을 기록했으며, 이는 병변의 가시성과 분포가 모델 성능에 영향을 준다는 것을 시사한다.
• 최적의 타일 수(N)는 병해 유형에 따라 달라졌으며, 좁은 갈색점병의 경우 N=7이 가장 높은 AP를 기록했고, 주황색잎병의 경우 N=5가 최적임을 확인해 병변 유형에 따라 타일링 파라미터 민감도가 다름을 보였다.