[논문 리뷰] CD&S Dataset: Handheld Imagery Dataset Acquired Under Field Conditions for Corn Disease Identification and Severity Estimation.

Aanis Ahmad, Dharmendra Saraswat외 2명|arXiv (Cornell University)|2021. 10. 22.

Smart Agriculture and AI참고 문헌 6인용 수 12

한 줄 요약

이 논문은 4,455장의 이미지를 포함한 CD&S 데이터셋을 소개한다. 이는 옥수수 병해진단 및 심각도 평가를 위한 현장에서 확보한 영상 데이터셋으로, 원본 현장 이미지 2,112장과 배경이 다양하게 처리된 증강 이미지 2,343장을 포함한다. 이 데이터셋은 실제 환경 조건에서 객체 검출 및 심각도 분류를 위한 딥러닝 모델의 강건한 훈련을 가능하게 하여 실험실 기반 데이터셋의 한계를 보완한다.

ABSTRACT

Accurate disease identification and its severity estimation is an important consideration for disease management. Deep learning-based solutions for disease management using imagery datasets are being increasingly explored by the research community. However, most reported studies have relied on imagery datasets that were acquired under controlled lab conditions. As a result, such models lacked the ability to identify diseases in the field. Therefore, to train a robust deep learning model for field use, an imagery dataset was created using raw images acquired under field conditions using a handheld sensor and augmented images with varying backgrounds. The Corn Disease and Severity (CD&S) dataset consisted of 511, 524, and 562, field acquired raw images, corresponding to three common foliar corn diseases, namely Northern Leaf Blight (NLB), Gray Leaf Spot (GLS), and Northern Leaf Spot (NLS), respectively. For training disease identification models, half of the imagery data for each disease was annotated using bounding boxes and also used to generate 2343 additional images through augmentation using three different backgrounds. For severity estimation, an additional 515 raw images for NLS were acquired and categorized into severity classes ranging from 1 (resistant) to 5 (susceptible). Overall, the CD&S dataset consisted of 4455 total images comprising of 2112 field images and 2343 augmented images.

연구 동기 및 목표

• 실제 현장 조건을 반영한 딥러닝 모델의 옥수수 병해 진단에 대한 격차를 해소하기 위해, 실제 현장 조건을 반영한 데이터셋을 구축한다.
• 백그라운드가 다양한 이미지(화이트, 블랙, 배경 없음)를 포함한 증강 이미지를 통해 모델의 일반화 성능을 향상시킨다.
• 경계 상자 애너테이션을 통한 객체 검출(경계 상자 애너테이션)과 5단계 심각도 척도(NLS)를 통한 심각도 분류를 모두 지원한다.
• 공개 가능하고 고품질의 데이터셋을 제공하여 옥수수 병해 진단 모델의 훈련 및 벤치마킹을 지원한다.

제안 방법

• 아이폰 11 프로(1200만 화소 센서)를 사용해 3개의 일반적인 옥수수 병해(NLB, GLS, NLS)에 대한 원본 현장 이미지 2,112장을 3000×3000 픽셀 해상도로 확보했다.
• 모델 개발을 위해 데이터셋을 50% 훈련용, 50% 테스트용으로 분할했다.
• 훈련 이미지의 50%에 대해 LabelImg를 사용해 YOLO .txt 형식의 경계 상자 애너테이션을 수행하여 객체 검출을 위한 준비를 했다.
• 온라인 도구를 활용해 배경을 제거하고, 이를 화이트, 블랙, 투명 배경에 다시 적용하여 2,343장의 증강 이미지를 생성했다.
• 원본, 애너테이션, 검은 배경, 흰 배경, 배경 없음, 심각도의 6개 폴더로 데이터셋을 정리했다.
• 심각도 평가를 위해 추가로 515장의 NLS 이미지를 확보했으며, 이는 5개 클래스(1 = 내성, 5 = 감수성)로 분류되었다.

실험 결과

연구 질문

• RQ1 현장에서 확보한 이미지로 훈련된 딥러닝 모델이 실험실 기반 데이터셋으로 훈련된 모델보다 더 뛰어난 일반화 성능을 보일 수 있는가?
• RQ2 다양한 배경을 가진 증강 데이터가 옥수수 병해 진단 모델의 성능에 어떤 영향을 미치는가?
• RQ3 현장 조건에서 옥수수 잎 병해에 대한 경계 상자 애너테이션은 객체 검출 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 현장 이미지에서 일관된 애너테이션을 기반으로 5단계 심각도 척도(NLS)를 신뢰성 있게 학습시킬 수 있는가?

주요 결과

• CD&S 데이터셋은 총 4,455장의 이미지를 포함하며, 원본 현장 이미지 2,112장과 3가지 배경이 다른 증강 이미지 2,343장이 포함되어 있다.
• 노스턴 리프 블라잇(NLB), 그레이 리프 스폟(GLS), 노스턴 리프 스폿(NLS)에 대해 각각 511장, 524장, 562장의 원본 이미지가 포함되어 있다.
• 병해를 가진 잎 이미지를 화이트, 블랙, 투명 배경에 배치하여 모델의 강건성을 향상시키기 위해 총 2,343장의 증강 이미지를 생성했다.
• NLS 심각도 서브셋은 1,077장의 이미지로 구성되어 있으며, 5개 클래스로 나뉘어져 있다: 클래스 1(108장), 클래스 2(330장), 클래스 3(297장), 클래스 4(231장), 클래스 5(111장).
• 데이터셋은 조직화된 폴더 구조와 메타데이터를 포함해 OSF를 통해 공개적으로 제공되며, 접근성과 재현 가능성이 뛰어나다.
• 이 데이터셋은 경계 상자 애너테이션을 통한 객체 검출과 심각도 클래스를 통한 이미지 분류를 모두 지원하여 다양한 딥러닝 응용 프로그램을 가능하게 한다.