[论文解读] Early Disease Diagnosis for Rice Crop

Mudassir Masood, Habiba Saim+2 more|arXiv (Cornell University)|Apr 9, 2020

Smart Agriculture and AI参考文献 12被引用 8

一句话总结

本文提出了一种基于Mask R-CNN的方法，用于早期水稻病害诊断，能够定位并分类受感染的植株区域，准确率达到87.6%，显著优于仅依赖全图分类的普通CNN（58.4%），通过引入局部病害标注实现。该方法利用一个全新的、人工标注的1,700张水稻作物图像数据集，实现对感染区域的细粒度检测，从而实现更早的干预和更好的产量保护。

ABSTRACT

Many existing techniques provide automatic estimation of crop damage due to various diseases. However, early detection can prevent or reduce the extend of damage itself. The limited performance of existing techniques in early detection is lack of localized information. We instead propose a dataset with annotations for each diseased segment in each image. Unlike existing approaches, instead of classifying images into either healthy or diseased, we propose to provide localized classification for each segment of an images. Our method is based on Mask RCNN and provides location as well as extend of infected regions on the plant. Thus the extend of damage on the crop can be estimated. Our method has obtained overall 87.6% accuracy on the proposed dataset as compared to 58.4% obtained without incorporating localized information.

研究动机与目标

• 为解决现有方法在早期病害检测中的局限性，通过引入局部病害信息而非依赖全图分类。
• 开发一种深度学习模型，能够利用真实田间图像同时定位和分类水稻植株中的病害区域。
• 创建一个公开可用的高质量数据集，包含水稻作物图像中每个病灶区域的像素级标注。
• 设计一种可移动端访问的系统，使农民能够通过最少的技术知识获取自动化的实时病害分析报告。

提出的方法

• 该方法采用Mask R-CNN，一种双流深度学习架构，可为图像中每个病灶区域预测边界框和分割掩码。
• 该模型在自定义的1,700张水稻作物图像数据集上进行训练（分辨率为4032×1960），图像在巴基斯坦旁遮普地区使用手机于白天拍摄。
• 图像通过裁剪掉无信息区域（如天空、道路）进行预处理，随后使用LabelMe对病害植株部位绘制多边形进行标注。
• Mask R-CNN模型采用两个并行分支：一个用于将区域分类为健康或病害，另一个用于生成实例分割掩码。
• 为进行对比，还训练了一个基线CNN，其结构包含三个卷积层，使用批量归一化、ReLU激活函数，输出层为Sigmoid函数。
• Mask R-CNN在1024×1024×3输入图像上训练60个周期，批量大小为2，使用带动量的随机梯度下降（学习率0.001，动量0.9），输入图像的最小掩码尺寸为56×56。

实验结果

研究问题

• RQ1 与全图分类相比，能够定位水稻植株病灶区域的深度学习模型是否能提升早期病害检测的准确率？
• RQ2 为每个病灶区域引入像素级标注对病害分类模型的性能有何影响？
• RQ3 Mask R-CNN在真实田间图像上对水稻病害的分类与定位性能，相较于标准CNN的提升程度如何？
• RQ4 是否可通过移动端可访问的网络应用，有效实现对农民的自动化病害分析，且仅需极少技术知识？

主要发现

• Mask R-CNN在所提出数据集上的准确率达到87.6%，比基线CNN的58.4%高出49.4个百分点。
• Mask R-CNN的召回率提升了45.3%（从66.2%增至96.2%），F1分数提升41%（从62.8%增至88.6%）。
• 精确率提高了36.29%（从59.8%增至82.1%），表明病害检测中的假阳性更少。
• Mask R-CNN的平均精度均值（mAP）为0.65，表明其在定位与分类方面均表现优异。
• 该模型能正确识别单张图像中的多个病灶区域，样本结果中仅出现一次误分类。
• 网络应用原型成功可视化了预测的病灶区域及其概率，使农民能够直观理解结果。