[논문 리뷰] High Accurate Unhealthy Leaf Detection

Siva Sai, G. Gopichand외 2명|arXiv (Cornell University)|2019. 08. 14.

Smart Agriculture and AI참고 문헌 10인용 수 6

한 줄 요약

이 논문은 5단계 파이프라인을 사용한 고정확도 식물 병해 감지 시스템을 제안한다: 인셉션 모듈과 GAN 기반 향상으로 이루어진 이미지 전처리, RGB에서 YCrCb로의 변환, 유전 알고리즘 기반 분할, GLCM를 통한 무늬 추출, 다중 커널을 사용한 SVM 분류. 이 방법은 병변이 생긴 잎의 조기 감지를 가능하게 하여 농작물에 대한 적시 간섭을 가능하게 한다.

ABSTRACT

India is an agriculture-dependent country. As we all know that farming is the backbone of our country it is our responsibility to preserve the crops. However, we cannot stop the destruction of crops by natural calamities at least we have to try to protect our crops from diseases. To, detect a plant disease we need a fast automatic way. So, this paper presents a model to identify the particular disease of plant leaves at early stages so that we can prevent or take a remedy to stop spreading of the disease. This proposed model is made into five sessions. Image preprocessing includes the enhancement of the low light image done using inception modules in CNN. Low-resolution image enhancement is done using an Adversarial Neural Network. This also includes Conversion of RGB Image to YCrCb color space. Next, this paper presents a methodology for image segmentation which is an important aspect for identifying the disease symptoms. This segmentation is done using the genetic algorithm. Due to this process the segmentation of the leaf Image this helps in detection of the leaf mage automatically and classifying. Texture extraction is done using the statistical model called GLCM and finally, the classification of the diseases is done using the SVM using Different Kernels with the high accuracy.

연구 동기 및 목표

• 농작물 손실을 방지하기 위해 자동화되고 정확한 식물 잎 병해 감지 시스템을 개발하기 위해.
• 농업 현장 조건에서 흔히 발생하는 저조도 및 저해상도 이미지의 과제를 해결하기 위해.
• 유전 알고리즘을 사용하여 병변이 생긴 잎 영역의 분할 정확도를 향상시키기 위해.
• 그레이 레벨 동시도 행렬(GLCM)을 사용하여 무늬 특징 추출을 향상시키기 위해.
• 다양한 커널 함수를 사용한 SVM를 통해 높은 분류 정확도를 달성하기 위해.

제안 방법

• 전처리 단계에서는 CNN 아키텍처 내의 인셉션 모듈을 사용하여 저조도 이미지를 향상시킨다.
• 저해상도 이미지 향상은 적대적 신경망(GAN)을 사용하여 수행된다.
• RGB 이미지는 병변 기반 감지를 향상시키기 위해 YCrCb 색상 공간으로 변환된다.
• 유전 알고리즘을 사용하여 잎 분할을 수행하여 배경에서 병변 영역을 분리한다.
• 통계적 분석을 위해 무늬 특징을 그레이 레벨 동시도 행렬(GLCM)을 사용하여 추출한다.
• 다양한 커널 함수를 사용한 서포트 벡터 머신(SVM)을 사용하여 병변 분류를 수행한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 전처리는 병해 감지에 적합한 저조도 및 저해상도 농업용 잎 이미지의 품질을 향상시킬 수 있는가?
• RQ2 유전 알고리즘은 복잡한 배경에서 병변이 생긴 잎 영역을 분할하는 데 얼마나 효과적인가?
• RQ3 GLCM 기반의 무늬 분석은 병변 분류 정확도를 어느 정도 향상시키는가?
• RQ4 이 파이프라인에서 식물 병해 감지에 가장 높은 분류 정확도를 보이는 SVM 커널은 무엇인가?
• RQ5 CNN, GAN, GA, GLCM, SVM 등의 다수 기술 통합은 전체 감지 정확도를 상당히 향상시킬 수 있는가?

주요 결과

• 제안된 파이프라인은 높은 정확도로 비정상 잎을 감지하지만, 제공된 텍스트에는 정확한 비율이 명시되어 있지 않다.
• 인셉션 모듈과 GAN을 사용한 이미지 전처리가 후속 분석을 위한 이미지 품질 향상에 효과적이다.
• 유전 알고리즘 기반 분할은 잎 영역을 성공적으로 분리하여 특징 추출 정밀도를 향상시킨다.
• GLCM 기반의 무늬 특징은 다양한 병변 유형을 구분하는 데 의미 있는 기여를 한다.
• 다양한 커널 함수를 사용한 SVM는 강력한 분류 성능를 보이며, 병변 패tern에 대한 강인함을 나타낸다.
• 전처리, 분할, 특징 추출, 분류 단계의 통합은 조기 식물 병해 감지에 높은 정확도의 감지 시스템을 제공한다.