[논문 리뷰] Rice Leaf Disease Classification and Detection Using YOLOv5

Md Ershadul Haque, Ashikur Rahman외 3명|arXiv (Cornell University)|2022. 09. 04.

Smart Agriculture and AIAgricultural and Biological Sciences인용 수 17

한 줄 요약

이 논문은 1,500장의 정확히 레이블이 매겨진 이미지를 사용한 고유한 데이터셋을 기반으로 YOLOv5 기반의 딥러닝 프레임워크를 제안하여 실시간으로 8종의 주요 밭다리병을 감지하고 분류한다. 모델은 90% 정밀도, 67% 재현율, 76% F1 점수, 81% mAP를 기록하여 전통적인 방법인 SVM, VGG16, ResNet V2보다도 农업 환경에서 밭다리병 인식에 있어 뛰어난 성능을 보였다.

ABSTRACT

A staple food in more than a hundred nations worldwide is rice (Oryza sativa). The cultivation of rice is vital to global economic growth. However, the main issue facing the agricultural industry is rice leaf disease. The quality and quantity of the crops have declined, and this is the main cause. As farmers in any country do not have much knowledge about rice leaf disease, they cannot diagnose rice leaf disease properly. That's why they cannot take proper care of rice leaves. As a result, the production is decreasing. From literature survey, it has seen that YOLOv5 exhibit the better result compare to others deep learning method. As a result of the continual advancement of object detection technology, YOLO family algorithms, which have extraordinarily high precision and better speed have been used in various scene recognition tasks to build rice leaf disease monitoring systems. We have annotate 1500 collected data sets and propose a rice leaf disease classification and detection method based on YOLOv5 deep learning. We then trained and evaluated the YOLOv5 model. The simulation outcomes show improved object detection result for the augmented YOLOv5 network proposed in this article. The required levels of recognition precision, recall, mAP value, and F1 score are 90\%, 67\%, 76\%, and 81\% respectively are considered as performance metrics.

연구 동기 및 목표

• 농업 분야에서 밀생산국인 방글라데시를 비롯한 여러 국가에서 널리 발생하는 밭다리병 감지의 핵심 과제를 해결하기 위해.
• 농민들이 조기에 진단하고 적절한 시기에 조치를 내릴 수 있도록 도와주는 빠르고 정확하며 확장 가능한 객체 감지 시스템을 딥러닝 기반으로 개발하기 위해.
• 농민들이 전문 지식이 부족하여 발생하는 수동 감지 방식의 정확도 부족 문제를 해결하기 위해.
• YOLOv5의 밭다리병 감지 성능을 평가하고 기존 모델인 VGG16 및 ResNet V2와 비교하기 위해.
• 전이 학습과 데이터 증강을 활용하여 공개적으로 사용 가능한 고정밀도의 밭다리병 감지 모델을 기여하기 위해.

제안 방법

• 본 연구는 실시간으로 밭다리병을 감지하기 위해 최신 기술로 평가받는 단일 단계 객체 감지 모델인 YOLOv5를 사용하며, 1,500장의 정확히 레이블이 매겨진 고유한 데이터셋을 활용한다.
• 모델의 일반화 능력 향상과 소형 및 중형 병변에 대한 성능 향상을 위해 데이터 증강 기법을 적용하였다.
• 이미지넷 사전 학습된 가중치를 기반으로 전이 학습을 통해 YOLOv5 모델을 밭다리병 분류 작업에 맞게 미세 조정하였다.
• 다양한 크기의 병변을 감지하기 위해 앵커 박스와 특징 피라미드 네트워크(FPN)를 사용하여 다중 척도 감지를 수행하였다.
• 정밀도, 재현율, F1 점수, 평균 평균 정확도(mAP)와 같은 표준 지표를 사용하여 성능을 평가하였으며, 정밀도-재현율 곡선과 혼동 행렬을 통해 계산하였다.
• 학습 과정에서는 분류 손실, 객체 존재성 손실, 박스 회귀 손실의 조합을 사용하였으며, 코스인 안내 스케줄을 적용한 확률적 경사 하강법으로 최적화하였다.

실험 결과

연구 질문

• RQ1 YOLOv5는 실제 农업 환경의 이미지에서 다수의 밭다리병을 고정밀도로 감지할 수 있는가?
• RQ2 YOLOv5의 성능은 VGG16 및 ResNet V2와 같은 기존 모델에 비해 밭다리병 분류에서 어떻게 비교되는가?
• RQ3 데이터 증강은 밭다리잎의 소형 또는 희귀 병변 유형에 대한 감지 성능 향상에 얼마나 기여하는가?
• RQ4 YOLOv5를 사용한 밭다리병 감지에서 정밀도와 재현율을 균형 있게 유지하기 위해 최적의 신뢰도 임계값은 무엇인가?
• RQ5 제안된 YOLOv5 모델은 박테리아 블라잇, 갈색점, 잎부패병, 캡슐부패병 등 다양한 밭다리병 표현형에 대해 일반화 가능한가?

주요 결과

• YOLOv5 모델은 밭다리병에 대한 양성 예측에 높은 신뢰도를 보이며 정밀도 90%를 기록하였다.
• 모델은 테스트 세트에 포함된 모든 실제 병변 사례의 67%를 성공적으로 감지하였으며, 재현율 67%를 기록하였다.
• F1 점수는 76%에 도달하여 정밀도와 재현율의 균형 잡힌 조화 평균을 반영하며 강력한 종합 분류 성능를 나타내었다.
• 평균 평균 정확도(mAP)는 81%였으며, 모든 8종의 병변 유형에서 뛰어난 감지 정확도를 보였다.
• 정밀도-재현율 곡선을 통해 곡선 아래 면적(AUC)이 0.807로 다양한 신뢰도 임계값에서 정밀도와 재현율 사이의 유리한 트레이드오프를 보였다.
• 혼동 행렬을 통해 잎부패병과 캡슐부패병과 같은 주요 병변에 대해 높은 참 양성률과 낮은 참 음성 및 참 음성 오류 비율을 확인하였다.