[논문 리뷰] Image Quality Assessment for Foliar Disease Identification (AgroPath)

Nisar Ahmed, Hafiz M. Asif외 2명|arXiv (Cornell University)|2022. 09. 26.

Smart Agriculture and AI인용 수 11

한 줄 요약

이 논문은 농업 현장에서 진단 정확도를 향상시키기 위해 영상 품질 평가를 잎병 식별과 통합하는 딥러닝 프레임워크인 AgroPath를 제안한다. 분석 이전에 흐릿하거나 노이즈가 많은 저품질 영상을 걸러내는 것으로, 모델은 스마트폰을 활용한 현장 적용에서 식물 병해를 99.42%의 정확도로 분류한다.

ABSTRACT

Crop diseases are a major threat to food security and their rapid identification is important to prevent yield loss. Swift identification of these diseases are difficult due to the lack of necessary infrastructure. Recent advances in computer vision and increasing penetration of smartphones have paved the way for smartphone-assisted disease identification. Most of the plant diseases leave particular artifacts on the foliar structure of the plant. This study was conducted in 2020 at Department of Computer Science and Engineering, University of Engineering and Technology, Lahore, Pakistan to check leaf-based plant disease identification. This study provided a deep neural network-based solution to foliar disease identification and incorporated image quality assessment to select the image of the required quality to perform identification and named it Agricultural Pathologist (Agro Path). The captured image by a novice photographer may contain noise, lack of structure, and blur which result in a failed or inaccurate diagnosis. Moreover, AgroPath model had 99.42% accuracy for foliar disease identification. The proposed addition can be especially useful for application of foliar disease identification in the field of agriculture.

연구 동기 및 목표

• 현장 기반 식물 병해 진단에서 낮은 영상 품질로 인한 정확하지 않은 진단 문제를 해결하기 위해.
• 진단에 사용되는 영상이 모두 고품질임을 보장하는 견고한 딥러닝 시스템을 개발하기 위해.
• 실제 농업 현장 응용을 위해 영상 품질 평가를 병해 식별 파이프라인에 직접 통합하기 위해.
• 노이즈, 흐림, 또는 구조적으로 열열한 영상들을 걸러내어 스마트폰 기반 식물 병해 진단의 신뢰성을 향상시키기 위해.

제안 방법

• 고품질의 잎 영상로 식별된 병해를 분류하기 위해 딥 신경망을 훈련시켰다.
• 분류 이전에 선명도, 노이즈 수준, 구조적 무결성 등을 평가하기 위해 영상 품질 평가 모듈을 파이프라인에 통합했다.
• 잎 영상에서 특징 추출을 향상시키기 위해 사전 훈련된 컨volutional 신경망을 사용한 전이 학습을 적용했다.
• 품질 평가 구성 요소는 블러 감지 및 노이즈 추정과 같은 메트릭을 적용하여 열열한 영상을 거부한다.
• 최종 분류 모델은 라호르의 엔지니어링 및 기술 대학에서 수집한 정제된 잎 영상 데이터셋으로 최적화되었다.
• 모든 파이프라인이 스마트폰에서의 현장 사용을 지원하기 위해 모바일 장치에 최적화되어 있다.

실험 결과

연구 질문

• RQ1 실제 농업 현장에서 영상 품질 평가가 잎병 식별 정확도를 향상시킬 수 있는가?
• RQ2 딥러닝 기반 영상 품질 평가 모듈이 병해 분류 이전에 저품질 영상을 효과적으로 걸러낼 수 있는가?
• RQ3 영상 품질이 현장 조건에서 식물 병해 분류 모델의 성능에 미치는 영향은 어떠한가?
• RQ4 영상 품질 및 병해 분류를 통합한 시스템이 높은 정확도를 달성하면서도 모바일 배포에 실용적인가?
• RQ5 품질 평가 통합이 스마트폰 기반 식물 병해 진단의 신뢰성에 어떤 영향을 미치는가?

주요 결과

• AgroPath 모델은 테스트된 잎병 영상 데이터셋에서 99.42%의 분류 정확도를 달성했다.
• 영상 품질 평가 통합으로 인해 흐릿하거나 노이즈가 많은 영상으로 인한 오분류 수가 크게 감소했다.
• 기존에는 잘못된 진단을 유도할 수 있었던 저품질 영상들을 효과적으로 걸러내는 데 성공했다.
• 비전문가 사용자가 촬영한 실제 영상에서도 모델이 강력한 일반화 능력을 보였다.
• 제안된 파이프라인은 스마트폰에서의 배포에 적합하여 신뢰할 수 있는 현장 진단을 가능하게 했다.
• 본 연구는 영상 품질이 자동화된 식물 병해 진단 시스템 성공에 결정적인 요소임을 확인했다.