[논문 리뷰] Deep Learning-Based Computational Model for Disease Identification in Cocoa Pods (Theobroma cacao L.)

Darlyn Buenaño Vera, Byron Oviedo외 2명|arXiv (Cornell University)|2024. 01. 02.

Cocoa and Sweet Potato AgronomyAgricultural and Biological Sciences인용 수 3

한 줄 요약

이 논문은 이미지 분석을 통해 코코아 열매의 '모니리아'와 '블랙 포드' 병해를 감지하고 분류하기 위한 경량 딥러닝 모델인 EfficientDet-Lite4를 제안한다. 500장의 정제된 이미지로 구성된 데이터셋으로 훈련된 모델는 평균 정밀도 35%를 기록하며, 농부들이 실시간으로 사용자 친화적인 질병 진단을 수행할 수 있도록 안드로이드 모바일 앱에 통합되었다.

ABSTRACT

The early identification of diseases in cocoa pods is an important task to guarantee the production of high-quality cocoa. The use of artificial intelligence techniques such as machine learning, computer vision and deep learning are promising solutions to help identify and classify diseases in cocoa pods. In this paper we introduce the development and evaluation of a deep learning computational model applied to the identification of diseases in cocoa pods, focusing on "monilia" and "black pod" diseases. An exhaustive review of state-of-the-art of computational models was carried out, based on scientific articles related to the identification of plant diseases using computer vision and deep learning techniques. As a result of the search, EfficientDet-Lite4, an efficient and lightweight model for object detection, was selected. A dataset, including images of both healthy and diseased cocoa pods, has been utilized to train the model to detect and pinpoint disease manifestations with considerable accuracy. Significant enhancements in the model training and evaluation demonstrate the capability of recognizing and classifying diseases through image analysis. Furthermore, the functionalities of the model were integrated into an Android native mobile with an user-friendly interface, allowing to younger or inexperienced farmers a fast and accuracy identification of health status of cocoa pods

연구 동기 및 목표

• 코코아 열매의 '모니리아'와 '블랙 포드' 병해를 조기에 감지하는 데 있어 중요한 과제를 해결한다. 이 병해는 생산량의 최대 80% 감소를 초래할 수 있다.
• 기술적 숙련도가 제한된 소규모 농부들이 모바일 기술을 활용해 병원 증상을 식별할 수 있도록 접근성 있고 저비용의 솔루션을 개발한다.
• 이미지에서 병변이 있는 코코아 열매를 정확하게 국소화하고 분류할 수 있는 딥러닝 기반의 계산 모델을 설계하고 구현한다.
• 훈련된 모델을 사용자 친화적인 안드로이드 애플리케이션에 통합하여 현장에서 실시간 진단 및 치료 권고를 지원한다.

제안 방법

• 특징 추출 및 바운딩 박스 예측에서 뛰어난 성능을 보이며 경량 설계와 효율성 덕분에 객체 검출에서의 성능이 뛰어난 EfficientDet-Lite4를 주요 객체 검출 아키텍처로 선택하였다.
• 코코아 열매의 건강한 상태, '모니리아', '블랙 포드'에 감염된 상태의 이미지 500장을 포함한 맞춤형 데이터셋을 준비하였다. 이는 이미지 자르기, 정규화, 그리고 'Asociación de Productores Agrícolas Divino Niño'의 전문가 검증을 통해 이루어졌다.
• Google Colab의 컴퓨팅 자원을 사용하여 모델을 훈련시켰으며, 추론 시간을 최소화하는 데 중점을 두고 병해 분류 및 객체 국소화에 최적화하였다.
• 훈련된 모델을 배포하기 위해 네이티브 안드로이드 개발을 사용하여 모바일 애플리케이션을 구현하였으며, 사용자가 이미지를 촬영하고 확률 기반 진단 결과를 받고 치료 지침에 접근할 수 있도록 하였다.
• 사용자 친화적인 인터페이스를 설계하여, 진단 결과 확인, 상세 정보 접근, 모델 개선을 위한 피드백 제공을 위한 '결과가 아님' 단추 기능을 포함하였다.
• 정밀도, 재현율, 평균 정밀도(mAP)를 사용하여 성능을 평가하였으며, 건강한 상태, 모니리아, 블랙 포드(Phytophthora)의 세 클래스에 대해 평가하였다.

실험 결과

연구 질문

• RQ1 표준 스마트폰 이미지에서 경량 딥러닝 모델이 '모니리아'와 '블랙 포드' 병해를 효과적으로 감지하고 국소화할 수 있는가?
• RQ2 EfficientDet-Lite4의 성능은 코코아 열매 건강 상태를 분류하는 데 있어 다른 최신 기술의 객체 검출 모델과 비교해 어떻게 나타나는가?
• RQ3 딥러닝 모델을 통합한 모바일 애플리케이션이 비전문가 농부들의 질병 진단 정확도와 접근성에 어떤 영향을 미치는가?
• RQ4 데이터셋의 품질과 전문가 검증은 모델의 예측 신뢰성과 실생활 활용 가능성에 어떤 영향을 미치는가?

주요 결과

• 모델은 모든 클래스에서 평균 정밀도 35%를 기록하였으며, '모니리아'의 경우 42.3%, '블랙 포드'의 경우 27.3%, 건강한 열매의 경우 34.4%의 정밀도를 기록하였다.
• 훈련 과정에서 점진적인 성능 향상이 나타났으며, 손실 값이 에포크 수에 따라 감소함으로써 정제된 데이터셋에서 효과적인 학습이 이루어졌음을 확인하였다.
• 모바일 애플리케이션은 실시간 진단을 성공적으로 제공하였으며, 정확하게 분류된 경우 열매가 건강한 상태일 가능성은 96%로 나타났다.
• 앱 인터페이스를 통해 사용자가 진단 결과, 치료 제안, 피드백 메커니즘에 쉽게 접근할 수 있었으며, 이는 사용성 향상과 모델의 적응 가능성 향상에 기여하였다.
• 'Asociación de Productores Agrícolas Divino Niño'의 전문가 검증을 통해 데이터셋 레이블의 정확성과 신뢰성이 확인되었다.
• 제한된 데이터셋 크기에도 불구하고 모델의 성능이 만족스러웠으며, 더 큰 규모이자 다양한 데이터로의 확장 시 성능 향상이 가능할 것으로 보인다.