[논문 리뷰] Machine Learning-Based Tea Leaf Disease Detection: A Comprehensive Review

Faruk Ahmed, Md Taimur Ahad외 1명|arXiv (Cornell University)|2023. 11. 06.

Smart Agriculture and AI인용 수 5

한 줄 요약

이 종합적 리뷰는 영상 분류를 통한 자동 차잎 질병 진단을 위한 기계 학습 모델—특히 비전 트랜스포머와 CNN 기반 아키텍처—를 평가한다. ICVT, PlantViT, YOLOv5, ResNet-50V2, DenseNet 등의 모델을 다양한 데이터셋에서 분석하여 성능 상충 관계를 규명하고 정밀 농업 분야의 향후 연구에서 중요한 연구 격차를 밝혀낸다.

ABSTRACT

Tea leaf diseases are a major challenge to agricultural productivity, with far-reaching implications for yield and quality in the tea industry. The rise of machine learning has enabled the development of innovative approaches to combat these diseases. Early detection and diagnosis are crucial for effective crop management. For predicting tea leaf disease, several automated systems have already been developed using different image processing techniques. This paper delivers a systematic review of the literature on machine learning methodologies applied to diagnose tea leaf disease via image classification. It thoroughly evaluates the strengths and constraints of various Vision Transformer models, including Inception Convolutional Vision Transformer (ICVT), GreenViT, PlantXViT, PlantViT, MSCVT, Transfer Learning Model & Vision Transformer (TLMViT), IterationViT, IEM-ViT. Moreover, this paper also reviews models like Dense Convolutional Network (DenseNet), Residual Neural Network (ResNet)-50V2, YOLOv5, YOLOv7, Convolutional Neural Network (CNN), Deep CNN, Non-dominated Sorting Genetic Algorithm (NSGA-II), MobileNetv2, and Lesion-Aware Visual Transformer. These machine-learning models have been tested on various datasets, demonstrating their real-world applicability. This review study not only highlights current progress in the field but also provides valuable insights for future research directions in the machine learning-based detection and classification of tea leaf diseases.

연구 동기 및 목표

• 이미지 분류를 통한 차잎 질병 진단에 사용되는 최신 기계 학습 모델의 상태를 체계적으로 평가하는 것.
• 차잎 질병 인식 맥락에서 새로운 비전 트랜스포머 아키텍처의 강점과 한계를 규명하는 것.
• 전통적인 CNN, YOLO 기반 모델, 하이브리드 딥 러닝 접근법을 정확도, 추론 속도, 차잎 데이터셋에서의 일반화 능력 측면에서 비교하는 것.
• 제한된 차병 데이터셋에서 모델 성능 향상에 기여하는 전이 학습 및 데이터 증강의 역할을 평가하는 것.
• 농업 환경에서 확장 가능하고 실시간이며 내구성이 뛰어난 차병 진단 시스템을 위한 향후 연구 방향을 제시하는 것.

제안 방법

• 2023년 11월 이전에 출판된 기계 학습 기반의 차잎 질병 진단에 관한 동료 심사 논문을 대상으로 체계적 문헌 리뷰를 수행하였다.
• 모델을 아키텍처 유형 기반으로 분류하고 분석하였다: 비전 트랜스포머(예: ICVT, PlantViT, IterationViT), CNN(예: DenseNet, ResNet-50V2), 객체 탐지 모델(예: YOLOv5, YOLOv7).
• 공개된 차잎 질병 이미지 데이터셋을 기반으로 정확도, F1 점수, 정밀도, 재현율, 추론 시간 등의 표준 지표를 사용해 모델을 평가하였다.
• 작은 또는 불균형한 차병 이미지 컬렉션에서의 모델 일반화 능력을 향상시키기 위해 전이 학습 및 데이터 증강 기법의 적용을 검토하였다.
• 잎 이미지의 병변 특징에 집중하는 병변 인식 모델의 성능을 평가하였다.
• 다양한 연구의 결과를 통합하여 현장 조건에서의 모델 효율성, 확장성, 실질적 구현 가능성에 대해 비교 분석하였다.

실험 결과

연구 질문

• RQ1 어떤 기계 학습 아키텍처가 잎 이미지에서 차잎 질병을 가장 높은 정확도와 강건성으로 분류하는 데 가장 효과적인가?
• RQ2 비전 트랜스포머 기반 모델은 잎의 미세하거나 조기 단계의 질병 증상을 인식하는 데 기존 CNN과 비교하여 어떻게 다를까?
• RQ3 제한된 차병 데이터셋에서 학습할 경우 전이 학습 및 데이터 증강이 모델 성능에 미치는 영향은 어떠한가?
• RQ4 YOLOv5 및 YOLOv7와 같은 객체 탐지 모델은 차잎에서 여러 질병 유형을 국소화하고 분류하는 데 어떻게 성능을 내는가?
• RQ5 이러한 모델을 실제 农업 환경에 구현할 때의 주요 과제와 한계는 무엇인가?

주요 결과

• ICVT 및 PlantViT와 같은 비전 트랜스포머 기반 모델은 차잎 이미지에서 장거리 의존성을 효과적으로 포착하여 복잡한 병변 패tern에서의 분류 정확도를 향상시켰다.
• YOLOv5 및 YOLOv7는 높은 추론 속도와 실시간 탐지 능력을 보이며, 현장에서 모바일 또는 엣지 기반 응용에 적합하다.
• ResNet-50V2 및 DenseNet과 같은 사전 학습된 모델을 활용한 전이 학습은 제한된 차병 데이터셋에서 성능을 크게 향상시켰으며, 여러 연구에서 90% 이상의 정확도를 달성하였다.
• 병변에 주목하는 시각 트랜스포머는 표준 모델보다 국소화된 병변 증상 탐지에서 뛰어난 성능을 보였으며, 병변 영역에 집중된 주의 메커니즘의 가치를 입증하였다.
• MobileNetv2와 같은 모델은 낮은 계산 비용으로 높은 효율성을 달성하여 스마트폰과 같은 저자원 장치에 구현이 가능했다.
• 통제된 환경에서는 높은 정확도를 기록했지만, 다양한 차 품종과 환경 조건 간 일반화 능력은 여전히 주요 과제이며, 교차 데이터셋 평가에서 성능 저하가 심각하게 나타났다.