[논문 리뷰] Maize Haploid Identification via LSTM-CNN and Hyperspectral Imaging Technology

Xuan-Yu Wang, Wen-Xuan Liao외 2명|arXiv (Cornell University)|2018. 05. 23.

Spectroscopy and Chemometric Analyses참고 문헌 2인용 수 9

한 줄 요약

이 연구는 고분광 영상 기반으로 최적의 파장대(1367.6–1526.4 nm)를 선택하여 97%의 정확도로 옥수수 이배체 종자를 식별하는 새로운 LSTM-CNN 딥러닝 모델을 제안한다. LSTM은 노이즈가 많은 파장대를 제거하고, CNN은 고구분 능력을 가진 파장대 간격을 식별하여, 비침습적이고 효율적인 종자 분류를 가능하게 한다. 학습에 전체 데이터의 1/5만 사용된다.

ABSTRACT

Accurate and fast identification of seed cultivars is crucial to plant breeding, with accelerating breeding of new products and increasing its quality. In our study, the first attempt to design a high-accurate identification model of maize haploid seeds from diploid ones based on optimum waveband selection of the LSTM-CNN algorithm is realized via deep learning and hyperspectral imaging technology, with accuracy reaching 97% in the determining optimum waveband of 1367.6-1526.4nm. The verification of testing another cultivar achieved an accuracy of 93% in the same waveband. The model collected images of 256 wavebands of seeds in the spectral region of 862.9-1704.2nm. The high-noise waveband intervals were found and deleted by the LSTM. The optimum-data waveband intervals were determined by CNN's waveband-based detection. The optimum sample set for network training only accounted for 1/5 of total sample data. The accuracy was significantly higher than the full-waveband modeling or modeling of any other wavebands. Our study demonstrates that the proposed model has outstanding effect on maize haploid identification and it could be generalized to some extent.

연구 동기 및 목표

• 육종 프로그램을 가속화하기 위해 이배체 종자 중에서 옥수수 이배체 종자를 고정밀도, 비침습적으로 식별할 수 있는 방법을 개발하기 위해.
• 높은 비용, 시간 소모, 수작업 또는 복잡한 레이블링에 의존하는 전통적 방법의 한계를 극복하기 위해.
• 딥러닝과 고분광 영상 기반으로 분류 성능 향상을 위한 최적의 스펙트럼 특징을 추출하기 위해.
• 분류 정확도를 극대화하면서 데이터 복잡성을 최소화하는 데 가장 정보가 많은 파장대 간격을 식별하기 위해.
• 다른 옥수수 품종과 파장대 구성에 대해 모델의 일반화 능력을 입증하기 위해.

제안 방법

• 고분광 영상 기술은 862.9–1704.2 nm 범위의 256개 파장대를 이용해 옥수수 종자의 스펙트럼적 및 공간적 특징을 촬영한다.
• LSTM은 순차적인 파장대 데이터를 분석하여 비용 함수의 수렴 행동을 파장대 순서 간 비교함으로써 노이즈가 많은 간격을 식별한다.
• CNN은 파장대 기반 분류를 수행하여 고정밀도 분류를 달성하는 간격을 식별하고, 가장 구분 능력이 높은 스펙트럼 영역을 선택한다.
• 모델은 전체 데이터의 1/5에 해당하는 최적의 파장대 간격(1367.6–1526.4 nm)만 포함된 축소된 데이터셋으로 학습된다.
• 최종 모델은 잡음 필터링과 특징 추출을 동시에 최적화하기 위해 하이브리드 LSTM-CNN 아키텍처를 사용한다.
• 모델 성능은 교차 품종 테스트 및 전체 파장대 모델, 다른 파장대 조합 모델과의 비교를 통해 검증된다.

실험 결과

연구 질문

• RQ1 고분광 영상 기반 딥러닝 모델은 이배체 종자 중에서 옥수수 이배체 종자를 정확하게 식별할 수 있는가?
• RQ2 어느 특정 파장대 간격이 이배체와 이배체 종자 간의 분류에 가장 구분 능력 있는 스펙트럼 정보를 포함하는가?
• RQ3 LSTM과 CNN을 통한 파장대 선택은 전체 스펙트럼 모델링에 비해 분류 정확도를 얼마나 향상시키는가?
• RQ4 모델은 다른 옥수수 품종에 대해 어느 정도 일반화 가능한가?
• RQ5 LSTM을 통한 노이즈 영향을 받는 파장대의 제거는 모델의 안정성과 정확도를 향상시키는가?

주요 결과

• 제안된 LSTM-CNN 모델은 최적의 파장대 간격(1367.6–1526.4 nm)에서 97%의 식별 정확도를 달성하였으며, 전체 파장대 모델(80%)과 다른 파장대 조합 모델(<90%)에 비해 뚜렷이 뛰어난 성능을 보였다.
• 최적의 파장대 간격(1367.6–1526.4 nm)은 스펙트럼적 특징을 기반으로 옥수수 이배체와 이배체 종자를 식별하는 데 가장 정보가 많은 것으로 확인되었다.
• 전체 데이터의 1/5에 해당하는 선택된 최적의 파장대만으로 학습함으로써, 더 넓은 또는 전체 파장대 범위로 학습하는 것보다 높은 정확도와 더 나은 테스트 안정성을 확보하였다.
• 다른 옥수수 품종에 대해 동일한 최적의 파장대 간격을 사용하여 테스트한 결과, 모델은 93%의 정확도를 달성하며 일반화 능력을 입증하였다.
• LSTM은 노이즈 영향을 받는 파장대 간격을 성공적으로 식별하고 제외하여 전체 모델의 강건성과 성능을 향상시켰다.
• 전통적인 방법인 SVM 및 PCA 기반 모델과 비교했을 때, 하이브리드 LSTM-CNN 접근 방식은 고차원적이고 노이즈가 많은 고분광 데이터를 처리하는 데서 특히 뛰어난 성능을 보였다.