[논문 리뷰] Farm land weed detection with region-based deep convolutional neural networks

Mohammad Ibrahim Sarker, Hyongsuk Kim|arXiv (Cornell University)|2019. 06. 05.

Smart Agriculture and AI참고 문헌 18인용 수 4

한 줄 요약

이 논문은 작물 재배지 이미지에서 정확하고 효율적인 잡초 탐지에 통합된 미세조정된 ResNet-101을 갖춘 영역 기반의 완전 컨volution 네트워크(R-FCN)를 제안한다. 제한된 데이터셋 크기 문제를 해결하기 위해 저자들은 과적합을 줄이기 위해 데이터 증강과 드롭아웃을 적용하여, 표준 CNN 접근 방식에 비해 소규모 잡초 데이터셋에서 뛰어난 탐지 성능을 달성하였다.

ABSTRACT

Machine learning has become a major field of research in order to handle more and more complex image detection problems. Among the existing state-of-the-art CNN models, in this paper a region-based, fully convolutional network, for fast and accurate object detection has been proposed based on the experimental results. Among the region based networks, ResNet is regarded as the most recent CNN architecture which has obtained the best results at ImageNet Large-Scale Visual Recognition Challenge (ILSVRC) in 2015. Deep residual networks (ResNets) can make the training process faster and attain more accuracy compared to their equivalent conventional neural networks. Being motivated with such unique attributes of ResNet, this paper evaluates the performance of fine-tuned ResNet for object classification of our weeds dataset. The dataset of farm land weeds detection is insufficient to train such deep CNN models. To overcome this shortcoming, we perform dropout techniques along with deep residual network for reducing over-fitting problem as well as applying data augmentation with the proposed ResNet to achieve a significant outperforming result from our weeds dataset. We achieved better object detection performance with Region-based Fully Convolutional Networks (R-FCN) technique which is latched with our proposed ResNet-101.

연구 동기 및 목표

• 농경지 이미지에서 잡초를 정확하게 탐지하기 위한 강력한 딥 러닝 모델을 개발하기 위해.
• 딥 컨volution 네트워크를 훈련할 때 제한된 애너테이션된 잡초 이미지 데이터 문제를 해결하기 위해.
• 드롭아웃과 데이터 증강 기법을 사용하여 소규모 데이터셋에서 일반화 능력을 향상시키고 과적합을 줄이기 위해.
• 영역 기반의 완전 컨볼루션 네트워크(R-FCN)와 잔차 네트워크를 융합하여 农업 영상에서의 객체 탐지 성능을 평가하기 위해.
• 실시간 농경지 잡초 모니터링 응용 분야에 적합한 높은 탐지 정확도와 속도를 달성하기 위해.

제안 방법

• 공간 불변성을 확보하면서 엔드 투 엔드 객체 탐지를 가능하게 하기 위해 영역 기반의 완전 컨볼루션 네트워크(R-FCN)를 사용한다.
• 특정 탐지 작업에 특화된 특징을 적응시키기 위해 사전 훈련된 ResNet-101 아키텍처를 농경지 잡초 데이터셋에서 미세조정한다.
• 소규모 잡초 데이터셋으로 인한 과적합을 완화하기 위해 훈련 중 드롭아웃 레이어를 적용한다.
• 훈련 세트를 인위적으로 확장하고 모델의 강인성을 향상시키기 위해 데이터 증강 기법을 사용한다.
• 가중치 감소와 운동량 최적화를 사용한 확률적 경사 하강법을 사용하여 모델을 엔드 투 엔드로 훈련한다.
• 최종 컨볼루션 레이어의 특징 맵을 사용하여 영역 제안을 생성하고 바운딩 박스로 잡초를 분류한다.

실험 결과

연구 질문

• RQ1 미세조정된 ResNet-101을 갖춘 영역 기반의 완전 컨볼루션 네트워크는 농경지 이미지에서 잡초 탐지에 높은 정확도를 달성할 수 있는가?
• RQ2 소규모 농업 영상 데이터셋에서 딥 CNN을 훈련할 때 드롭아웃과 데이터 증강이 과적합을 얼마나 효과적으로 줄이는가?
• RQ3 R-FCN와 ResNet-101의 통합은 표준 CNN 아키텍처에 비해 잡초 탐지 작업에서 더 뛰어난 성능을 보이는가?
• RQ4 실제 농업 응용 분야에서 깊이 잔차 네트워크를 사용할 경우 탐지 속도와 정확도 사이의 상충 관계는 어떻게 되는가?
• RQ5 ImageNet 사전 훈련 모델에서의 전이 학습이 제한된 잡초 탐지 데이터셋에서 성능을 크게 향상시킬 수 있는가?

주요 결과

• 제안된 R-FCN와 미세조정된 ResNet-101은 소규모 잡초 데이터셋에서 표준 CNN 모델에 비해 뛰어난 탐지 성능을 달성하였다.
• 데이터 증강과 드롭아웃의 사용이 과적합을 크게 줄였고, 새로운 농경지 이미지에 대한 모델 일반화 능력을 향상시켰다.
• 잡초 데이터셋에서 ResNet-101의 백본을 미세조정함으로써, 처음부터 훈련하는 것보다 빠른 수렴과 더 높은 정확도를 달성하였다.
• 영역 기반 탐지 프레임워크는 정확한 위치 추적과 바운딩 박스를 통해 표적 살충제 분사에 적합한 잡초 탐지가 가능했다.
• 데이터 증강 덕분에 빛의 조도, 토양 조건, 잡초의 외관 변화에 대해 모델이 강인함을 입증하였다.
• 탐지 정확도와 추론 속도 사이에 뚜렷한 균형을 이루었으며, 실시간 현장 구현에 적합한 성능을 보였다.