[論文レビュー] Machine Learning-Based Tea Leaf Disease Detection: A Comprehensive Review

Faruk Ahmed, Md Taimur Ahad+1 more|arXiv (Cornell University)|Nov 6, 2023

Smart Agriculture and AI被引用数 5

ひとこと要約

本包括的なレビューでは、画像分類を用いた茶の葉の病気自動検出のための機械学習モデル——特にビジョントランスフォーマーとCNNベースのアーキテクチャ——を評価している。ICVT、PlantViT、YOLOv5、ResNet-50V2、DenseNetといったモデルをさまざまなデータセットで分析し、性能のトレードオフを明らかにするとともに、精密農業分野における今後の研究における主要なギャップを特定している。

ABSTRACT

Tea leaf diseases are a major challenge to agricultural productivity, with far-reaching implications for yield and quality in the tea industry. The rise of machine learning has enabled the development of innovative approaches to combat these diseases. Early detection and diagnosis are crucial for effective crop management. For predicting tea leaf disease, several automated systems have already been developed using different image processing techniques. This paper delivers a systematic review of the literature on machine learning methodologies applied to diagnose tea leaf disease via image classification. It thoroughly evaluates the strengths and constraints of various Vision Transformer models, including Inception Convolutional Vision Transformer (ICVT), GreenViT, PlantXViT, PlantViT, MSCVT, Transfer Learning Model & Vision Transformer (TLMViT), IterationViT, IEM-ViT. Moreover, this paper also reviews models like Dense Convolutional Network (DenseNet), Residual Neural Network (ResNet)-50V2, YOLOv5, YOLOv7, Convolutional Neural Network (CNN), Deep CNN, Non-dominated Sorting Genetic Algorithm (NSGA-II), MobileNetv2, and Lesion-Aware Visual Transformer. These machine-learning models have been tested on various datasets, demonstrating their real-world applicability. This review study not only highlights current progress in the field but also provides valuable insights for future research directions in the machine learning-based detection and classification of tea leaf diseases.

研究の動機と目的

• 画像分類を用いた茶の葉の病気検出に用いられる最新の機械学習モデルを体系的に評価すること。
• 茶の葉の病気認識の文脈において、新興のビジョントランスフォーマー・アーキテクチャの強みと限界を特定すること。
• 従来のCNN、YOLOベースのモデル、ハイブリッドディープラーニング手法を、正確性、推論速度、一般化性能の観点から茶の葉データセット上で比較すること。
• 限られた茶の病気データセット上でモデル性能を向上させるために、トランスファー・ラーニングとデータオーグメンテーションの役割を評価すること。
• 農業現場におけるスケーラブルでリアルタイムかつ頑健な茶の病気検出システムを構築するための今後の研究方向性を提示すること。

提案手法

• 2023年11月までに発表された、機械学習を用いた茶の葉の病気検出に関する査読付き論文を対象とした体系的文献レビューを実施した。
• アーキテクチャの種別に基づいてモデルを分類・分析した：ビジョントランスフォーマー（例：ICVT、PlantViT、IterationViT）、CNN（例：DenseNet、ResNet-50V2）、オブジェクト検出モデル（例：YOLOv5、YOLOv7）。
• 公に提供されている茶の葉の病気データセットを用い、標準的な指標（正確性、F1スコア、適合率、再現率、推論時間）を用いてモデルを評価した。
• 小規模または不均衡な茶の病気画像コレクションにおいて、モデルの一般化性能を向上させるために、トランスファー・ラーニングとデータオーグメンテーション技術の応用をレビューした。
• 病変に特化した特徴に注目するモデルの性能を評価した。
• 研究結果を統合し、現実の現場環境におけるモデルの効率性、スケーラビリティ、実装可能性を比較した。

実験結果

リサーチクエスチョン

• RQ1 どの機械学習アーキテクチャが、葉の画像からの茶の葉の病気の分類において最も高い正確性と頑健性を示すか？
• RQ2 ビジョントランスフォーマーに基づくモデルは、従来のCNNと比較して、微細または初期段階の茶の葉の病気症状を検出する際にどのように異なるか？
• RQ3 限られた茶の病気データセット上で学習する場合、トランスファー・ラーニングとデータオーグメンテーションがモデル性能に与える影響は何か？
• RQ4 YOLOv5 や YOLOv7 といったオブジェクト検出モデルは、茶の葉上で複数の病気タイプを局所化して分類する際に、どのように性能を示すか？
• RQ5 これらのモデルを現実の農業環境に展開するにあたり、主な課題と制限は何であるか？

主な発見

• ICVT や PlantViT といったビジョントランスフォーマーに基づくモデルは、茶の葉画像における長距離依存関係を効果的に捉え、複雑な病変パターンの分類正確性を向上させた。
• YOLOv5 と YOLOv7 は高い推論速度とリアルタイム検出能力を示し、現場でのモバイルまたはエッジベースの応用に適していた。
• ResNet-50V2 や DenseNet といった事前学習済みモデルを用いたトランスファー・ラーニングは、小規模な茶の病気データセットでも顕著な性能向上をもたらし、いくつかの研究で90％以上の正確性を達成した。
• 病変に特化したビジョントランスフォーマーは、標準的なモデルを上回る性能を示し、病変領域に注目するアテンション機構の価値を示した。
• MobileNetv2 などのモデルは、低コストの計算負荷で高い効率性を発揮し、スマートフォンなどのリソース制限のあるデバイスへのデプロイが可能であった。
• 制御された環境下では高い正確性を示したが、多様な茶の品種や環境条件への一般化は依然として大きな課題であり、データセット間での評価では性能が著しく低下した。