[논문 리뷰] SWP-Leaf NET: a novel multistage approach for plant leaf identification based on deep learning.

Ali Beikmohammadi, Karim Faez외 1명|arXiv (Cornell University)|2020. 09. 10.

Smart Agriculture and AI참고 문헌 38인용 수 7

한 줄 요약

이 논문은 식물 잎 식별을 위한 새로운 다단계 딥러닝 프레임워크인 SWP-Leaf NET을 제안한다. 이 프레임워크는 세 가지 전문화된 모델—두 개의 고유 설계된 모델과 한 개의 미세조정된 MobileNetV2—를 통해 식물학자의 행동을 모델링하며, 수작업 특징 추출 없이도 Flavia 및 MalayaKew 데이터셋에서 각각 99.67%와 99.81%의 정확도를 달성했으며, 처리 속도와 배포 용이성 향상도 함께 달성하였다.

ABSTRACT

Modern scientific and technological advances are allowing botanists to use computer vision-based approaches for plant identification tasks. These approaches have their own challenges. Leaf classification is a computer-vision task performed for the automated identification of plant species, a serious challenge due to variations in leaf morphology, including its size, texture, shape, and venation. Researchers have recently become more inclined toward deep learning-based methods rather than conventional feature-based methods due to the popularity and successful implementation of deep learning methods in image analysis, object recognition, and speech recognition. In this paper, a botanist's behavior was modeled in leaf identification by proposing a highly-efficient method of maximum behavioral resemblance developed through three deep learning-based models. Different layers of the three models were visualized to ensure that the botanist's behavior was modeled accurately. The first and second models were designed from scratch.Regarding the third model, the pre-trained architecture MobileNetV2 was employed along with the transfer-learning technique. The proposed method was evaluated on two well-known datasets: Flavia and MalayaKew. According to a comparative analysis, the suggested approach was more accurate than hand-crafted feature extraction methods and other deep learning techniques in terms of 99.67% and 99.81% accuracy. Unlike conventional techniques that have their own specific complexities and depend on datasets, the proposed method required no hand-crafted feature extraction, and also increased accuracy and distributability as compared with other deep learning techniques. It was further considerably faster than other methods because it used shallower networks with fewer parameters and did not use all three models recurrently.

연구 동기 및 목표

• 식물 종 간 잎 형태의 높은 변동성(크기, 모양, 질감, 혈관 배열 등)에 대응하기 위해.
• 딥러닝을 활용해 식물학자의 잎 식별 의사결정 과정을 모방하는 방법을 개발하기 위해.
• 수작업으로 특징를 추출하는 데 소요되는 시간과 데이터셋에 의존하는 문제를 제거하기 위해.
• 기존의 전통적 및 딥러닝 기반 방법들과 비교해 정확도, 처리 속도, 모델의 배포 용이성을 향상시키기 위해.

제안 방법

• 식물학자가 단계적으로 분석하는 방식을 모방하기 위해 계층적인 잎 특징을 포착할 수 있도록, 두 개의 고유 설계된 딥러닝 모델을 처음부터 설계하였다.
• 세 번째 모델에서 사전 훈련된 MobileNetV2 아키텍처를 활용한 전이 학습을 적용하여, 훈련 복잡도를 낮추면서도 특징 표현 능력을 향상시켰다.
• 모델의 각 레이어에서의 특징 맵을 시각화하여, 모델이 인간과 유사한 시각적 추론 방식을 모방하고 있음을 검증하였다.
• 각 단계가 점진적으로 분류를 정밀화하는 다단계 파이프라인으로 세 모델을 통합하여, 효율성을 위해 모든 모델을 반복적으로 사용하지 않도록 하였다.
• 얕은 네트워크를 사용하고 파rameter 수를 줄여 처리 속도를 최적화함으로써 실시간 적용 가능성을 높였다.
• 프레임워크의 정확도와 일반화 능력을 보장하기 위해, Flavia 및 MalayaKew라는 두 가지 벤치마크 데이터셋에서 훈련 및 평가를 수행하였다.

실험 결과

연구 질문

• RQ1 다단계 딥러닝 프레임워크는 식물학자의 잎 식별 의사결정 행동을 효과적으로 모방할 수 있는가?
• RQ2 수작업 특징 추출 기법과 다른 딥러닝 기법과 비교해 본다면, 제안된 방법은 정확도와 효율성 측면에서 어떤가?
• RQ3 MobileNetV2를 활용한 전이 학습은 모델 복잡도를 줄이면서 성능 향상에 얼마나 기여하는가?
• RQ4 수작업 특징 추출 없이도 다양한 데이터셋에 걸쳐 높은 정확도와 더 나은 배포 용이성을 달성할 수 있는가?

주요 결과

• 제안된 SWP-Leaf NET는 Flavia 데이터셋에서 99.67%의 정확도를 달성하여 기존의 전통적 및 딥러닝 기반 방법들을 능가하였다.
• MalayaKew 데이터셋에서는 99.81%의 정확도를 기록하여 복잡한 잎 식별 작업에서 뛰어난 성능을 입증하였다.
• 수작업 특징 추출이 필요 없어졌으며, 이는 데이터셋에 특화된 사전 처리에 대한 의존도를 낮추고 일반화 능력을 향상시켰다.
• 얕은 네트워크와 선택적 모델 사용 전략을 통해, 다른 딥러닝 접근 방식보다 훨씬 빠른 추론 시간을 달성하였다.
• 특징 맵 분석 결과, 모델이 다양한 레이어에서 계층적이고 식물학자와 유사한 표현 방식을 학습하고 있음을 확인하였다.
• MobileNetV2와의 전이 학습 통합으로, 더 적은 파라미터와 낮은 계산 비용으로도 높은 성능을 달성하였다.