[논문 리뷰] The Power of Transfer Learning in Agricultural Applications: AgriNet

Zahraa Al Sahili, Mariette Awad|arXiv (Cornell University)|2022. 07. 08.

Smart Agriculture and AI인용 수 4

한 줄 요약

이 논문은 423개의 식물 종류, 병해충, 해충, 잡초를 포함한 총 16만 장의 이미지로 구성된 대규모 농업 데이터셋 AgriNet을 소개하고, 다섯 개인 ImageNet 아키텍처를 기반으로 사전 훈련된 전이 학습 모델인 AgriNet 모델을 제안한다. AgriNet-VGG19 모델은 94%의 정확도와 92%의 F1 스코어를 기록하여 외부 해충 및 식물 병해 데이터셋에서 ImageNet 모델을 능가했으며, 농업 분야에서 도메인 전용 사전 훈련의 강력함을 입증한다.

ABSTRACT

Advances in deep learning and transfer learning have paved the way for various automation classification tasks in agriculture, including plant diseases, pests, weeds, and plant species detection. However, agriculture automation still faces various challenges, such as the limited size of datasets and the absence of plant-domain-specific pretrained models. Domain specific pretrained models have shown state of art performance in various computer vision tasks including face recognition and medical imaging diagnosis. In this paper, we propose AgriNet dataset, a collection of 160k agricultural images from more than 19 geographical locations, several images captioning devices, and more than 423 classes of plant species and diseases. We also introduce AgriNet models, a set of pretrained models on five ImageNet architectures: VGG16, VGG19, Inception-v3, InceptionResNet-v2, and Xception. AgriNet-VGG19 achieved the highest classification accuracy of 94 % and the highest F1-score of 92%. Additionally, all proposed models were found to accurately classify the 423 classes of plant species, diseases, pests, and weeds with a minimum accuracy of 87% for the Inception-v3 model.Finally, experiments to evaluate of superiority of AgriNet models compared to ImageNet models were conducted on two external datasets: pest and plant diseases dataset from Bangladesh and a plant diseases dataset from Kashmir.

연구 동기 및 목표

• 농업 컴퓨터 비전 분야에서의 제한된 데이터셋과 전용 데이터셋 부족 문제를 해결하기 위해 대규모이고 다양한 농업 이미지 컬렉션을 구축한다.
• 식물 도메인 전용 사전 훈련 모델의 부족을 보완하기 위해 농업 데이터에 맞게 최적화된 AgriNet 모델을 개발한다.
• 도메인 적응된 모델를 사용한 전이 학습을 통해 식물 종류, 병해, 해충, 잡초의 분류 성능을 향상시킨다.
• 방글라데시와 카슈미르에서 확보한 실제 농업 데이터셋에서 AgriNet 모델이 표준 ImageNet 사전 훈련 모델보다 뛰어난 성능을 보임을 입증한다.
• 공개 가능하고 고품질인 데이터셋과 사전 훈련 모델을 제공하여 农업 컴퓨터 비전 분야의 벤치마크를 설정한다.

제안 방법

• 19개 이상의 지리적 지역에서 다양한 이미징 장치를 사용해 총 16만 장의 이미지를 포함한 다양한 농업 데이터셋을 정제했다.
• 식물 종류, 병해, 해충, 잡초를 포함한 423개 클래스에 걸쳐 이미지를 주석 처리하여 농업 문제의 광범위한 커버리지 확보.
• AgriNet 데이터셋에 대해 다섯 개인 ImageNet 아키텍처(VGG16, VGG19, Inception-v3, InceptionResNet-v2, Xception)를 미세조정하여 도메인 전용 사전 훈련 모델을 생성.
• 표준 전이 학습 프로토콜을 사용해 모델을 훈련하였으며, 최종 분류 헤드는 423개 클래스의 농업 작업에 맞게 조정하였다.
• 정확도, F1 스코어, 정밀도-재현율 등 표준 지표를 사용해 여러 외부 데이터셋에서 모델 성능을 평가하였다.
• 두 개의 외부 농업 데이터셋에서 AgriNet 모델과 그 ImageNet 사전 훈련 모델 버전 간의 비교 실험을 수행하였다.

실험 결과

연구 질문

• RQ1 대규모 농업 데이터셋에 대해 도메인 전용 사전 훈련을 수행할 경우, 식물 병해, 해충, 종의 분류 성능이 크게 향상되는가?
• RQ2 실제 농업 데이터셋에서 AgriNet 모델의 성능은 표준 ImageNet 사전 훈련 모델과 비교해 어떻게 되는가?
• RQ3 도메인 전용 모델을 사용한 전이 학습을 통해 423개의 다양한 농업 클래스에서 확보할 수 있는 최소 분류 정확도는 얼마인가?
• RQ4 다양한 지리적 지역과 이미징 장치에서 확보한 데이터의 포함 여부가 농업 응용 분야에서 모델의 일반화 능력 향상에 기여하는가?
• RQ5 AgriNet 모델은 외부 농업 벤치마크 데이터셋에서 최고 성능을 달성할 수 있는가?

주요 결과

• AgriNet-VGG19는 모든 423개 클래스에서 가장 높은 분류 정확도 94%와 가장 높은 F1 스코어 92%를 기록했다.
• 모든 AgriNet 모델은 Inception-v3 아키텍처 기준 최소 87%의 정확도를 확보하여 강력한 기초 성능을 입증했다.
• 방글라데시와 카슈미르에서 확보한 두 개의 외부 데이터셋에서 AgriNet 모델은 ImageNet 사전 훈련 모델 대비 유의미하게 뛰어난 성능을 보였다.
• AgriNet 데이터셋의 지리적 기원 및 이미징 장치의 다양성이 모델의 강건성과 일반화 능력 향상에 기여했다.
• AgriNet 모델을 사용한 전이 학습 접근법은 희귀하거나 표현이 부족한 클래스를 포함한 모든 평가 클래스에서 일관된 성능 향상을 이끌어냈다.
• 결과적으로 도메인 전용 사전 훈련이 농업 컴퓨터 비전 작업에서 최적의 성능를 달성하기 위해 필수적임을 확인했다.