[论文解读] Automatic Detection of Rice Disease in Images of Various Leaf Sizes

Kantip Kiratiratanapruk, Pitchayagan Temniranrat+3 more|arXiv (Cornell University)|Jun 15, 2022

Smart Agriculture and AI被引用 5

一句话总结

本文提出了一种深度学习框架，结合自动水稻叶宽估计与图像拼接技术，以提升在尺寸多变的水稻叶片图像中目标检测的准确性。通过使用基于ResNet18的模型预测叶宽，并将图像划分为尺寸一致的图像块，该方法将YOLOv4在八种水稻病害上的平均平均精度（mAP）从87.56%提升至91.14%，显著降低了因尺寸变化导致的性能下降。

ABSTRACT

Fast, accurate and affordable rice disease detection method is required to assist rice farmers tackling equipment and expertise shortages problems. In this paper, we focused on the solution using computer vision technique to detect rice diseases from rice field photograph images. Dealing with images took in real-usage situation by general farmers is quite challenging due to various environmental factors, and rice leaf object size variation is one major factor caused performance gradation. To solve this problem, we presented a technique combining a CNN object detection with image tiling technique, based on automatically estimated width size of rice leaves in the images as a size reference for dividing the original input image. A model to estimate leaf width was created by small size CNN such as 18 layer ResNet architecture model. A new divided tiled sub-image set with uniformly sized object was generated and used as input for training a rice disease prediction model. Our technique was evaluated on 4,960 images of eight different types of rice leaf diseases, including blast, blight, brown spot, narrow brown spot, orange, red stripe, rice grassy stunt virus, and streak disease. The mean absolute percentage error (MAPE) for leaf width prediction task evaluated on all eight classes was 11.18% in the experiment, indicating that the leaf width prediction model performed well. The mean average precision (mAP) of the prediction performance on YOLOv4 architecture was enhanced from 87.56% to 91.14% when trained and tested with the tiled dataset. According to our study, the proposed image tiling technique improved rice disease detection efficiency.

研究动机与目标

• 解决田间照片中水稻叶尺寸多变对基于深度学习的病害检测性能造成的负面影响。
• 开发一种可扩展、用户友好的系统，使水稻农民无需专家输入即可通过智能手机图像检测病害。
• 通过在输入图像中归一化目标尺度，提升在不同叶尺寸下的检测鲁棒性。
• 在现实田间条件下实现准确的病害检测，同时对图像构图或分辨率的用户约束最小化。
• 将现有AI模型的适用性扩展至具有不可控图像变异性的现实农业场景。

提出的方法

• 训练一个轻量级ResNet18模型，用于预测输入图像中水稻叶的宽度，以此作为图像处理的尺寸参考。
• 利用预测的叶宽将原始图像划分为多个尺寸一致的图像块。
• 在拼接后的图像集上应用YOLOv4目标检测模型，以提升对小型或尺寸不一致的病斑的检测能力。
• 根据预测的叶宽将图像分为三类尺寸组（小、正常、宽），以评估不同尺寸下的检测性能。
• 通过拼接技术进行数据增强，以增加训练多样性并提升模型泛化能力。
• 优化每张图像的图像块数量（N），以在检测性能与计算成本之间取得平衡。

实验结果

研究问题

• RQ1 自动叶宽估计能否提升水稻病害叶片图像中目标尺度的一致性？
• RQ2 基于估计叶宽的图像拼接技术对YOLOv4检测水稻病害的mAP有何影响？
• RQ3 水稻叶图像中的尺寸变化在多大程度上会降低病害检测性能？
• RQ4 哪些病害类型因病斑分布或可见性特征而最受益于图像拼接？
• RQ5 所提出的方法能否减少现实农业应用中对严格图像采集条件的依赖？

主要发现

• 叶宽预测模型在全部八种病害类别上的平均绝对百分比误差（MAPE）为11.18%，表明其具有较强的估计精度。
• 当使用拼接图像集时，YOLOv4的mAP从基线的87.56%提升至91.14%，实现了3.58个百分点的提升。
• 检测性能在不同尺寸间差异显著：小叶的mAP为66.56%，正常叶为94.16%，宽叶为96.39%，凸显了尺寸相关的性能差距。
• 拼接技术使八种病害中的六种mAP得到提升，其中在病斑部分或较小的病害（如稻瘟病和褐斑病）中提升最为显著。
• 病斑广泛或可见的病害（如白叶枯病、红条病、橙叶病）表现出更高的AP值，表明病斑的可见性与分布特征会影响模型性能。
• 最优图像块数量（N）因病害而异，窄叶褐斑病的最优N为7，橙叶病的最优N为5，表明不同病害对拼接参数的敏感性存在差异。