[論文レビュー] CD&S Dataset: Handheld Imagery Dataset Acquired Under Field Conditions for Corn Disease Identification and Severity Estimation.

Aanis Ahmad, Dharmendra Saraswat+2 more|arXiv (Cornell University)|Oct 22, 2021

Smart Agriculture and AI参考文献 6被引用数 12

ひとこと要約

本論文では、コーン病害の同定と重症度推定を目的とした、4,455枚の画像からなるCD&Sデータセットを紹介する。このデータセットは、2,112枚の生の現地画像と、背景が異なる2,343枚の拡張画像を含む。このデータセットにより、現実の現場環境下でのオブジェクト検出および重症度分類のためのディープラーニングモデルの強固な訓練が可能となり、ラボベースのデータセットに起因する制限を克服する。

ABSTRACT

Accurate disease identification and its severity estimation is an important consideration for disease management. Deep learning-based solutions for disease management using imagery datasets are being increasingly explored by the research community. However, most reported studies have relied on imagery datasets that were acquired under controlled lab conditions. As a result, such models lacked the ability to identify diseases in the field. Therefore, to train a robust deep learning model for field use, an imagery dataset was created using raw images acquired under field conditions using a handheld sensor and augmented images with varying backgrounds. The Corn Disease and Severity (CD&S) dataset consisted of 511, 524, and 562, field acquired raw images, corresponding to three common foliar corn diseases, namely Northern Leaf Blight (NLB), Gray Leaf Spot (GLS), and Northern Leaf Spot (NLS), respectively. For training disease identification models, half of the imagery data for each disease was annotated using bounding boxes and also used to generate 2343 additional images through augmentation using three different backgrounds. For severity estimation, an additional 515 raw images for NLS were acquired and categorized into severity classes ranging from 1 (resistant) to 5 (susceptible). Overall, the CD&S dataset consisted of 4455 total images comprising of 2112 field images and 2343 augmented images.

研究の動機と目的

• 現実の畑環境を反映したデータセットを構築することで、コーン病害検出のためのディープラーニングモデルにおけるギャップを埋める。
• 白、黒、背景なしの異なる背景を有する拡張画像を含めることで、モデルの一般化性能を向上させる。
• ボクシングボックスアノテーションによるオブジェクト検出と、NLSの5段階スケールによる重症度分類を両方支援する。
• コーン病害検出モデルのトレーニングおよびベンチマークに使用可能な、公開可能で高品質なデータセットを提供する。

提案手法

• iPhone 11 Pro（1200万画素センサー）を用いて、3種類の一般的なコーン病害（NLB、GLS、NLS）の2,112枚の生の現地画像を収集した。解像度は3000×3000ピクセル。
• モデル開発のため、データセットを50％トレーニング、50％テストに分割した。
• トレーニング画像の50％を、YOLO .txt形式のLabelImgを用いてボクシングボックスアノテーションでマークした。
• オンラインツールを用いて背景を除去し、白、黒、透明の背景に再配置することで、2,343枚の拡張画像を生成した。
• 6つのフォルダ（オリジナル、アノテーション済み、黒背景、白背景、背景なし、重症度）にデータセットを整理した。
• 重症度推定のため、追加で515枚のNLS画像を収集し、5段階のクラス（1＝耐性、5＝感受性）に分類した。

実験結果

リサーチクエスチョン

• RQ1 現地で収集した画像でトレーニングされたディープラーニングモデルは、ラボベースのデータセットでトレーニングされたモデルよりも優れた一般化性能を示すか？
• RQ2 異なる背景を用いたデータ拡張は、コーン病害検出モデルの性能にどのように影響するか？
• RQ3 ボクシングボックスアノテーションは、現実の畑環境下におけるコーン葉部病害のオブジェクト検出精度をどの程度向上させるか？
• RQ4 現地画像から一貫したアノテーションを施した5段階のNLS重症度スケールは、信頼性を持って学習可能か？

主な発見

• CD&Sデータセットは、合計4,455枚の画像を含み、そのうち2,112枚が生の現地画像、2,343枚が3種類の異なる背景を持つ拡張画像である。
• ノーザンリーフブライト（NLB）、グレイリーフスパー（GLS）、ノーザンリーフスパー（NLS）のそれぞれに対して、511枚、524枚、562枚の生画像が含まれる。
• 病巣葉画像を白、黒、透明の背景に再配置することで、モデルの耐性を高める目的で合計2,343枚の拡張画像が生成された。
• NLS重症度サブセットには1,077枚の画像が含まれ、5つのクラスに分類されている（クラス1：108枚、クラス2：330枚、クラス3：297枚、クラス4：231枚、クラス5：111枚）。
• データセットはOSF経由で公開されており、整理されたフォルダ構造とメタデータを備えており、アクセスと再現性が容易である。
• 本データセットは、ボクシングボックスアノテーションによるオブジェクト検出と、重症度クラスによる画像分類の両方をサポートしており、多様なディープラーニング応用を可能にする。