[논문 리뷰] Identifying Water Stress in Chickpea Plant by Analyzing Progressive Changes in Shoot Images using Deep Learning.

Shiva Azimi, Rohan Wadhawan외 1명|arXiv (Cornell University)|2021. 04. 16.

Date Palm Research Studies인용 수 2

한 줄 요약

이 논문은 5개월간의 영상 데이터를 바탕으로 콩 식물의 줄기 영상에서 시간에 따른 변화를 분석함으로써 수분 스트레스를 탐지하기 위해 LSTM-CNN 딥러닝 모델을 제안한다. JG-62 품종과 Pusa-372 품종에서 각각 98.52% 및 97.78%의 정확도를 달성하였다.

ABSTRACT

To meet the needs of a growing world population, we need to increase the global agricultural yields by employing modern, precision, and automated farming methods. In the recent decade, high-throughput plant phenotyping techniques, which combine non-invasive image analysis and machine learning, have been successfully applied to identify and quantify plant health and diseases. However, these image-based machine learning usually do not consider plant stress's progressive or temporal nature. This time-invariant approach also requires images showing severe signs of stress to ensure high confidence detections, thereby reducing this approach's feasibility for early detection and recovery of plants under stress. In order to overcome the problem mentioned above, we propose a temporal analysis of the visual changes induced in the plant due to stress and apply it for the specific case of water stress identification in Chickpea plant shoot images. For this, we have considered an image dataset of two chickpea varieties JG-62 and Pusa-372, under three water stress conditions; control, young seedling, and before flowering, captured over five months. We then develop an LSTM-CNN architecture to learn visual-temporal patterns from this dataset and predict the water stress category with high confidence. To establish a baseline context, we also conduct a comparative analysis of the CNN architecture used in the proposed model with the other CNN techniques used for the time-invariant classification of water stress. The results reveal that our proposed LSTM-CNN model has resulted in the ceiling level classification performance of extbf{98.52\%} on JG-62 and extbf{97.78\%} on Pusa-372 and the chickpea plant data. Lastly, we perform an ablation study to determine the LSTM-CNN model's performance on decreasing the amount of temporal session data used for training.

연구 동기 및 목표

• 시간에 따라 변화하지 않는 영상 기반 기계학습의 한계를 해결하기 위해 시간 역동성을 통합함으로써 식물 스트레스를 조기에 탐지하는 것.
• 비침습적 영상 분석과 딥러닝을 활용하여 콩 식물의 수분 스트레스를 조기에 탐지할 수 있도록 하는 것.
• 다양한 수분 스트레스 조건 하에서 순차적인 줄기 영상에서 시각적-시간 패턴을 학습하는 모델을 개발하는 것.
• 딥러닝을 활용하여 콩에서 수분 스트레스의 시간에 따라 변화하지 않는 분류와 시간에 따라 변화하는 분류 간의 성능 기준을 설정하는 것.
• 모델의 정밀도를 점검하기 위해 훈련에 사용된 시간적 영상 세션 수를 점차 줄여가며 분석하는 아블레이션 연구를 수행하는 것.

제안 방법

• 5개월 동안 세 가지 수분 스트레스 조건 하에서 두 가지 콩 품종(JG-62 및 Pusa-372)의 종단적 영상 데이터셋을 수집하였다.
• 개별 영상에서의 공간적 특징과 순차적 영상 간의 시간적 의존성을 동시에 학습할 수 있도록 LSTM-CNN 아키텍처를 설계하였다.
• 시간 순서에 따라 정렬된 영상 세션을 기반으로 LSTM-CNN 모델을 훈련시켜 수분 스트레스 카테고리에 대해 높은 신뢰도로 예측하도록 하였다.
• 기본 성능 기준을 확립하기 위해 시간에 따라 변화하지 않는 분류에 사용되는 표준 CNN과 LSTM-CNN 모델을 비교하였다.
• 훈련에 사용된 시간적 영상 세션 수를 점차 줄여가며 모델의 정밀도를 평가하기 위해 아블레이션 연구를 수행하였다.
• 제어 상태, 어린 씨앗기수기, 전개화기 단계에서 촬영한 영상 시퀀스를 활용하여 스트레스 진행 상황을 모델링하였다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하지 않는 접근 방식과 비교해 볼 때, 순차적 줄기 영상의 시간 모델링이 콩 식물의 수분 스트레스를 조기에 탐지하는 데에 얼마나 기여하는가?
• RQ2 표준 CNN에 비해 LSTM-CNN 아키텍처를 사용할 경우 콩에서 수분 스트레스 분류 성능에 얼마나 큰 향상이 이루어지는가?
• RQ3 점차적으로 감소하는 시간적 영상 시퀀스로 훈련된 모델의 정확도는 어떻게 변하는가?
• RQ4 영상 시퀀스에서 유도된 시각적-시간 패턴은 눈에 띄는 증상 이전에 수분 스트레스를 얼마나 정확하게 예측할 수 있는가?
• RQ5 두 콩 품종(JG-62 및 Pusa-372)은 시간이 지남에 따라 수분 스트레스에 대해 어떻게 다른 시각적 반응을 보이는가?

주요 결과

• 제안된 LSTM-CNN 모델은 수분 스트레스 조건 하에서 JG-62 콩 품종에서 분류 정확도 98.52%를 달성하였다.
• 모델는 Pusa-372 품종에서도 97.78%의 정확도를 기록하여 다양한 콩 유전자형에 걸쳐 높은 일반화 능력을 입증하였다.
• 시간에 따라 변화하는 모델링 접근 방식은 시간에 따라 변화하지 않는 CNN보다 유의미하게 뛰어난 성능을 보였으며, 스트레스를 더 이르고 더 확신 있게 탐지할 수 있도록 하였다.
• 아블레이션 연구를 통해 모델는 데이터 부족 상황에서도 높은 성능을 유지함을 확인하였으며, 데이터 부족에 대한 강건성을 입증하였다.
• 결과적으로, 줄기 영상의 시각적-시간 패턴은 정밀한 초기 단계의 수분 스트레스 예측에 충분한 정보를 포함하고 있음을 입증하였다.
• 모델의 천장 수준의 성능은 자동화된 정밀 농업 시스템에서 작물 모니터링에 통합될 잠재력이 매우 높음을 시사한다.