[논문 리뷰] PlantSeg: A Large-Scale In-the-wild Dataset for Plant Disease Segmentation

Tianqi Wei, Zhi Chen외 4명|arXiv (Cornell University)|2024. 09. 06.

Smart Agriculture and AI인용 수 8

한 줄 요약

PlantSeg은 34개 식물에 걸친 115개 질환에 대해 픽셀 단위의 병해 세분화 마스크를 포함하는 대규모 현장 데이터셋을 도입하여 현실 세계 조건에서 식물 질병 세분화의 벤치마크를 가능하게 합니다. 여러 베이스라인을 벤치마크하고 이 데이터셋에서 SegNeXt의 강한 성능을 보여줍니다.

ABSTRACT

Plant diseases pose significant threats to agriculture. It necessitates proper diagnosis and effective treatment to safeguard crop yields. To automate the diagnosis process, image segmentation is usually adopted for precisely identifying diseased regions, thereby advancing precision agriculture. Developing robust image segmentation models for plant diseases demands high-quality annotations across numerous images. However, existing plant disease datasets typically lack segmentation labels and are often confined to controlled laboratory settings, which do not adequately reflect the complexity of natural environments. Motivated by this fact, we established PlantSeg, a large-scale segmentation dataset for plant diseases. PlantSeg distinguishes itself from existing datasets in three key aspects. (1) Annotation type: Unlike the majority of existing datasets that only contain class labels or bounding boxes, each image in PlantSeg includes detailed and high-quality segmentation masks, associated with plant types and disease names. (2) Image source: Unlike typical datasets that contain images from laboratory settings, PlantSeg primarily comprises in-the-wild plant disease images. This choice enhances the practical applicability, as the trained models can be applied for integrated disease management. (3) Scale: PlantSeg is extensive, featuring 11,400 images with disease segmentation masks and an additional 8,000 healthy plant images categorized by plant type. Extensive technical experiments validate the high quality of PlantSeg's annotations. This dataset not only allows researchers to evaluate their image classification methods but also provides a critical foundation for developing and benchmarking advanced plant disease segmentation algorithms.

연구 동기 및 목표

• 높은 품질의 현장 식물 질병 세분화 데이터가 로버스트한 모델에 필요한 점을 강조합니다.
• PlantSeg 데이터셋을 11,458장의 이미지와 34개 식물에 걸친 115개의 질환 범주 및 상세한 세분화 마스크를 포함하여 설명합니다.
• 대표적인 세분화 모델을 사용한 PlantSeg의 기준선 성능을 설정하고 주석 품질과 데이터셋 특성을 분석합니다.

제안 방법

• 34개 식물과 115개 질환에 걸친 키워드 주도 수집을 통한 웹 소스 이미지 기반 데이터셋 구성.
• 교차 주석자 검증 및 전문가 병리학자 검토를 통한 엄격한 데이터 정리.
• LabelMe를 사용한 다각형 마스크 기반의 상세한 세분화 주석(겹치는 병변 및 변형 처리 포함).
• 식물, 질병, 해상도, 마스크 비율, 학습/검증/테스트 분할 정보 등의 메타데이터 큐레이션.
• 4개의 의미론적 세분화 모델(SAN, DeepLabv3, DeepLabv3+, SegNeXt) 및 다양한 백본으로 벤치마킹.
• MIoU와 평균 정확도(mAcc)로 평가.

실험 결과

연구 질문

• RQ1 크고 다양한 현장 데이터가 세분화 모델의 현장 일반화에 도움이 될 수 있는가?
• RQ2 실세계 식물 질병 마스크에서 최신 의미론적 세분화 방법은 실험실 데이터셋에 비해 어떻게 성능이 다른가?
• RQ3 세분화 마스크 비율과 이미지 해상도가 식물병리학에서 모델 설계 및 평가에 어떤 통찰을 제공하는가?
• RQ4 백본의 크기나 모델 아키텍처가 현장 현장 현장 식물 질병 세분화의 성능에 얼마나 영향을 미치는가?
• RQ5 데이터셋이 식물 질병 세분화 방법 개발을 위한 종합 벤치마크로 작용할 수 있는가?

주요 결과

• PlantSeg는 34개 식물에 걸친 11,458장의 이미지와 115개 질환 범주를 포함하며, 식물 유형 분류를 위한 8,000장의 건강한 이미지도 포함합니다.
• 주석 품질은 전문가 병리학자 검토 및 교차 주석자 일치성 검사로 검증되었습니다.
• SegNeXt with MSCAN-L 백본이 가장 높은 MIoU(44.52%)와 mAcc(59.95%)를 달성합니다.
• SAN with ViT-L/14 백본이 ViT-B/16을 상회하여 MIoU 36.91%와 mAcc 52.81%를 달성합니다.
• DeepLabv3 및 DeepLabv3+는 더 깊은 백본(ResNet-101)으로 개선되지만 PlantSeg에서 SegNeXt보다 뒤처집니다.
• 베이스라인 결과는 실제 질병 마스크에서 더 큰 백본과 다중 스케일 컨볼루션 접근의 큰 이점을 보여줍니다.