[논문 리뷰] Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging

Alessandro Benfenati, Paola Causin외 2명|arXiv (Cornell University)|2021. 12. 20.

Powdery Mildew Fungal Diseases인용 수 4

한 줄 요약

이 논문은 다중스펙트럼 영상 데이터를 사용하여 자동에코더를 활용한 비지도 딥러닝 기법을 제안하여 오이 잎의 조기 황백병을 탐지한다. 특징 군집화와 이상 탐지 두 가지 전략을 평가하여, 자동에코더 기반 이상 탐지 기법이 최대 0.94까지 높은 AUC를 기록함으로써 소수의 샘플을 사용하는 지도학습에 강력한 사전 지식이 될 수 있음을 입증한다.

ABSTRACT

Objectives. Sustainable management of plant diseases is an open challenge which has relevant economic and environmental impact. Optimal strategies rely on human expertise for field scouting under favourable conditions to assess the current presence and extent of disease symptoms. This labor-intensive task is complicated by the large field area to be scouted, combined with the millimeter-scale size of the early symptoms to be detected. In view of this, image-based detection of early disease symptoms is an attractive approach to automate this process, enabling a potential high throughput monitoring at sustainable costs. Methods. Deep learning has been successfully applied in various domains to obtain an automatic selection of the relevant image features by learning filters via a training procedure. Deep learning has recently entered also the domain of plant disease detection: following this idea, in this work we present a deep learning approach to automatically recognize powdery mildew on cucumber leaves. We focus on unsupervised deep learning techniques applied to multispectral imaging data and we propose the use of autoencoder architectures to investigate two strategies for disease detection: i) clusterization of features in a compressed space; ii) anomaly detection. Results. The two proposed approaches have been assessed by quantitative indices. The clusterization approach is not fully capable by itself to provide accurate predictions but it does cater relevant information. Anomaly detection has instead a significant potential of resolution which could be further exploited as a prior for supervised architectures with a very limited number of labeled samples.

연구 동기 및 목표

• 밀리미터 수준의 증상으로 인해 어려운 오이 잎의 조기 황백병 탐지 문제를 해결한다. 이는 현장에서의 수작업 감시가 필수적이기 때문이다.
• 대규모 인간 레이블 데이터셋에 의존도를 줄이기 위해 비지도 딥러닝 기법을 활용한다.
• 광범위한 수동 애너테이션을 요구하지 않는 자동에코더 기반 방법의 질병 탐지 잠재력을 탐색한다.
• 비지도 특징 학습이 얼마나 적은 레이블 데이터로도 후속 지도학습을 지원할 수 있는지 조사한다.
• 정밀 농업에서 식물 질병 진단을 위한 사전 스크리닝 도구로 이상 탐지 기법의 실용성을 평가한다.

제안 방법

• 오이 잎의 반사율을 다중 스펙트럼 대역에서 측정한 다중스펙트럼 영상 데이터를 활용한다.
• 자기에코더 아키텍처(예: 변분 자동에코더 및 노이즈 제거 자동에코더 포함)를 사용하여 잎 영상의 압축된 표현을 학습한다.
• 잠재 공간에서 특징 군집화를 적용하여 유사한 영상 특징을 그룹화하지만, 이는 정확한 탐지에만으로는 충분하지 않다.
• 이상 탐지 기법으로서 영상 공간(sₓ)과 잠재 특징 공간(s_z)에서의 복원 오차를 이방성 점수로 측정한다.
• 수신기 작동 특성(ROC) 곡선과 그 아래 면적(AUC)을 사용하여 다양한 자동에코더 변형에서 이상 탐지 성능을 평가한다.
• 다양한 자동에코더 아키텍처(예: B3: Ano-AE)를 비교하여 병변 탐지에 가장 우수한 성능을 보인 모델을 식별한다.

실험 결과

연구 질문

• RQ1 레이블이 없는 데이터에 의존하지 않고도 비지도 자동에코더 기반 방법이 오이 잎의 조기 황백병 증상을 효과적으로 탐지할 수 있는가?
• RQ2 자기에코더의 잠재 공간에서의 특징 군집화가 직접적인 이상 탐지에 비해 질병 탐지에 얼마나 효과적인가?
• RQ3 자기에코더 기반 이상 탐지의 진단 성능은 AUC 기준으로 어떠한가? 다양한 네트워크 아키텍처 간 비교 결과는 어떠한가?
• RQ4 이상 탐지 결과가 매우 적은 레이블 샘플을 가진 후속 지도학습에 얼마나 신뢰할 수 있는 사전 지식로 기능할 수 있는가?
• RQ5 영상 공간과 잠재 특징 공간에서의 복원 오차는 실제 질병 존재와 얼마나 상관이 있는가?

주요 결과

• 이상 탐지 기법에서 Ano-AE 모델이 영상 복원 오차를 이방성 점수로 사용했을 때 AUC가 0.94를 기록하여 뛰어난 진단 성능을 보였다.
• Ano-AE 모델은 다른 자동에코더 아키텍처보다 뛰어난 성능을 보였으며, 모든 테스트 설정에서 가장 높은 AUC를 기록했으며, 특히 특징 복원 오차를 이방성 점수로 사용했을 때 두드러졌다.
• 잠재 공간에서의 특징 군집화는 정확한 탐지에만으로는 충분하지 않지만, 영상 특징의 의미 있는 그룹화를 제공했으며, 주의 메커니즘과의 통합으로 향상될 수 있다.
• 건강한 잎에서도 병변의 복원이 가능했으며, 이는 모델이 일반적인 잎의 결함을 학습하고 있음을 시사한다. 이는 실세계 구현에서 현실적인 과제이다.
• 높은 AUC 값은 이상 탐지 기법이 병변이 있는 잎과 건강한 잎을 신뢰성 있게 구분할 수 있음을 나타내며, 소수의 샘플을 사용하는 지도학습 파ipeline에서 사전 필터로 사용할 수 있는 강력한 후보임을 시사한다.
• 결과적으로 비지도 자동에코더는 최소한의 또는 전혀 레이블이 없는 데이터로도 조기 단계의 황백병 증상을 효과적으로 식별할 수 있으며, 정밀 농업에서의 확장 가능하고 비용 효율적인 모니터링을 지원한다.