[논문 리뷰] The Plant Pathology 2020 challenge dataset to classify foliar disease of apples

Ranjita Thapa, Noah Snavely외 2명|ArXiv.org|2020. 04. 24.

Plant Pathogens and Fungal Diseases인용 수 8

한 줄 요약

이 논문은 사과 잎의 잎병(사과가시병, 소나무사과부정병, 건강한 잎)을 정확하게 표기한 고품질의 실세계 데이터셋을 소개한다. 이 데이터셋은 자동식 식물 병해충 진단을 지원하기 위해 수집되었으며, 표준 합성곱 신경망으로 훈련된 모델은 별도로 확보한 테스트 세트에서 97%의 정확도를 기록하여 농업 분야에서 확장 가능하고 정확한 병해충 감지의 강력한 잠재력을 보여주었다.

ABSTRACT

Apple orchards in the U.S. are under constant threat from a large number of pathogens and insects. Appropriate and timely deployment of disease management depends on early disease detection. Incorrect and delayed diagnosis can result in either excessive or inadequate use of chemicals, with increased production costs, environmental, and health impacts. We have manually captured 3,651 high-quality, real-life symptom images of multiple apple foliar diseases, with variable illumination, angles, surfaces, and noise. A subset, expert-annotated to create a pilot dataset for apple scab, cedar apple rust, and healthy leaves, was made available to the Kaggle community for 'Plant Pathology Challenge'; part of the Fine-Grained Visual Categorization (FGVC) workshop at CVPR 2020 (Computer Vision and Pattern Recognition). We also trained an off-the-shelf convolutional neural network (CNN) on this data for disease classification and achieved 97% accuracy on a held-out test set. This dataset will contribute towards development and deployment of machine learning-based automated plant disease classification algorithms to ultimately realize fast and accurate disease detection. We will continue to add images to the pilot dataset for a larger, more comprehensive expert-annotated dataset for future Kaggle competitions and to explore more advanced methods for disease classification and quantification.

연구 동기 및 목표

• 세부적인 분류를 위한 대규모 실세계 데이터셋을 개발하기 위해.
• 식물 병해충의 자동화된 조기 진단을 통해 화학 농약 사용에 대한 의존도를 줄이기 위해.
• 공개된 전문가 표기 데이터셋을 통해 기계 학습 연구를 지원하기 위해.
• 농업 분야의 컴퓨터 비전 기술 향상을 위한 향후 발전을 촉진하기 위해.

제안 방법

• 다양한 조명 조건, 각도, 표면 상태 및 노이즈 조건에서 고해상도 사과 잎 이미지 3,651장을 수집하였다.
• 전문가 표기로 세 가지 클래스(사과가시병, 소나무사과부정병, 건강한 잎)를 포함한 프로토타입 데이터셋을 구축하였다.
• CVPR 2020에서 열린 FGVC 워크숍의 일환으로 캐글 경진대회를 개최하여 모델 개발을 유도하였다.
• 엔드 투 엔드 병해충 분류를 위해 사전 훈련된 합성곱 신경망(CNN)을 데이터셋에 적용하여 훈련하였다.
• 모델 성능 평가 및 정확도 보고를 위해 별도의 테스트 세트를 확보하였다.
• 향후 경진대회 및 연구를 위해 추가로 전문가가 표기한 이미지를 포함해 데이터셋을 지속적으로 확장할 계획이다.

실험 결과

연구 질문

• RQ1 대규모이고 다양한 실세계 데이터셋이 자동식 사과 잎병 진단의 정확도를 향상시킬 수 있는가?
• RQ2 제한된 훈련 데이터로 전문화된 식물 병해충 분류 작업에 표준 사전 훈련된 CNN이 얼마나 잘 작동하는가?
• RQ3 조명, 각도, 노이즈 등의 데이터셋 변동성이 식물 병리학에서 모델의 일반화 능력에 얼마나 영향을 미치는가?
• RQ4 공개 벤치마크 경진대회가 农업 분야의 컴퓨터 비전 기술 발전을 가속화할 수 있는가?
• RQ5 이 데이터셋에서 훈련된 모델은 실세계 농장 환경에 얼마나 확장 가능하고 이식 가능한가?

주요 결과

• 이 데이터셋은 다양한 시각적 조건(변동하는 조명, 각도, 표면, 노이즈 등)을 포함한 실세계 사과 잎 이미지 3,651장을 포함하고 있다.
• 표준 오프더쇼프 합성곱 신경망이 별도의 테스트 세트에서 세 가지 병변 유형을 분류하는 데 97%의 정확도를 기록하였다.
• 이 데이터셋은 캐글을 통해 공개되어 커뮤니티 기반 연구 및 모델 개발을 지원한다.
• 프로토타입 데이터셋은 사과가시병, 소나무사과부정병, 건강한 잎에 대해 전문가 표기를 통해 구축되었다.
• 저자들은 향후 경진대회 및 고도의 방법 개발을 위해 추가로 전문가가 표기한 이미지를 포함해 데이터셋을 확장할 계획이다.
• 이 데이터셋은 농업 분야에서 빠르고 정확하며 확장 가능한 식물 병해충 진단을 위한 기계 학습 모델 개발을 지원한다.