[논문 리뷰] Fusarium Damaged Kernels Detection Using Transfer Learning on Deep Neural Network Architecture

Márcio Nicolau, M. B. M. Pimentel외 3명|arXiv (Cornell University)|2018. 01. 31.

Smart Agriculture and AI참고 문헌 9인용 수 6

한 줄 요약

이 연구는 RGB 이미지를 사용하여 Inception-v3 기반의 전이학습 기반 딥 네ural 네트워크(DNN)를 제안하여, 단일 GPU 워크스테이션에서 한 시간 이내에 94.7% 평균 정확도를 달성함으로써 밀감염된 밀 씨앗을 탐지한다. 이 방법은 고비용 장비가 필요 없이도 전통적인 고분광 영상(HSI) 기술보다 높은 정확도를 확보한다.

ABSTRACT

The present work shows the application of transfer learning for a pre-trained deep neural network (DNN), using a small image dataset ($\approx$ 12,000) on a single workstation with enabled NVIDIA GPU card that takes up to 1 hour to complete the training task and archive an overall average accuracy of $94.7\%$. The DNN presents a $20\%$ score of misclassification for an external test dataset. The accuracy of the proposed methodology is equivalent to ones using HSI methodology $(81\%-91\%)$ used for the same task, but with the advantage of being independent on special equipment to classify wheat kernel for FHB symptoms.

연구 동기 및 목표

• 마이코톡신 오염을 방지하기 위해 자동화되고 저비용인 밀감염된 밀 씨앗 탐지 방법을 개발하기 위해.
• 시간이 오래 걸리고 인간 오류가 발생하기 쉬운 수작업 점검의 한계를 극복하기 위해.
• 밀의 FHB 감지에 있어 고비용 고분광 영상(HSI) 시스템에 대한 의존도를 줄이기 위해.
• 소비자용 하드웨어에서 작동하는 소규모 데이터셋(약 12,000장의 이미지)을 활용한 전이학습의 가능성을 평가하기 위해.
• RGB 이미지를 기반으로 한 경량이면서 고정확도를 가진 DNN을 활용해 스마트폰 기반 탐지 구현을 가능하게 하기 위해.

제안 방법

• 정규화된 Inception-v3 모델을 약 12,000장의 밀 씨앗 이미지 데이터셋에 대해 전이학습을 통해 미세조정하였으며, 이는 정상 씨앗, 밀감염된 씨앗, 식물 부위(꽃순, 잎)를 포함한다.
• TensorFlow 1.0.1 및 CUDA 8.0를 사용하여 GPU 가속 기능을 제공하는 NVIDIA GTX 780M GPU를 탑재한 단일 워크스테이션에서 DNN을 학습시켰다.
• 데이터셋을 80% 학습 및 20% 검증 세트로 분할하였으며, 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용하였다.
• 특수한 영상 하드웨어를 사용하지 않고 표준 카메라에서 촬영한 RGB 디지털 이미지만을 사용하였다.
• ImageNet 사전학습된 가중치를 활용하여 네트워크 초기화를 수행함으로써 학습 시간과 데이터 요구량을 감소시켰다.
• 최종 완전 연결층을 이진 분류 및 다중 분류를 위한 밀감염 손상 탐지에 최적화하였다.

실험 결과

연구 질문

• RQ1 소규모 데이터셋(약 12,000장의 RGB 이미지)을 사용하여 소비자용 하드웨어에서 전이학습을 통해 고정확도의 밀감염된 씨앗 탐지가 가능한가?
• RQ2 전이학습 기반 DNN의 성능은 FHB 증상 탐지에서 고분광 영상(HSI) 기반 방법과 비교해 어떻게 되는가?
• RQ3 제한된, 균형이 깨진 밀 씨앗 이미지 데이터셋으로 학습된 DNN에서 오분류의 주요 원인은 무엇인가?
• RQ4 밀감염된 씨앗과 감염된 잎 사이의 시각적 유사성이 모델의 혼동을 유발할 수 있는가?
• RQ5 스마트폰과 같은 저비용 장치에 이러한 모델을 구현해 현장에서의 곡물 점검을 실현가능하게 할 수 있는가?

주요 결과

• 제안된 DNN는 검증 세트에서 평균 94.7%의 전체 정확도를 달성하여 밀감염된 씨앗 탐지에 매우 효과적임을 입증하였다.
• 단일 GPU 워크스테이션에서 학습에 약 1시간이 소요되어, 무작위 초기화에서 학습하는 것에 비해 계산 비용과 시간을 크게 절감하였다.
• 외부 테스트 데이터에서는 20%의 오분류율을 보였으며, 그 중 10%의 오류는 감염된 잎을 밀감염된 씨앗으로 잘못 분류한 데 기인하였다.
• 오분류의 원인은 FHB에 감염된 씨앗과 잎 사이의 색상 및 질감의 시각적 유사성과 정상 씨앗을 중심으로 균형이 깨진 학습 데이터에 기인한 것으로 보인다.
• 고분광 영상 기반 접근법(81%-91% 정확도)과 유사한 정확도를 확보하였지만, 전용 영상 장비가 필요로 하지 않아야 한다.
• 결과적으로 이 모델을 스마트폰에 구현해 실시간 현장에서 밀감염된 밀 씨앗을 탐지하는 데 강력한 잠재력을 지닌 것으로 나타났다.