[論文レビュー] The Power of Transfer Learning in Agricultural Applications: AgriNet

Zahraa Al Sahili, Mariette Awad|arXiv (Cornell University)|Jul 8, 2022

Smart Agriculture and AI被引用数 4

ひとこと要約

本論文では、423種の植物、病気、害獣、雑草をカバーする16万枚の画像を含む大規模農業データセットAgriNetと、5つのImageNetアーキテクチャで事前学習された転移学習モデルであるAgriNetモデルを提案する。AgriNet-VGG19モデルは94%の正確性と92%のF1スコアを達成し、外部の害獣および植物病気データセットにおいてImageNetモデルを上回った。これは、農業分野におけるドメイン特化型事前学習の有効性を示している。

ABSTRACT

Advances in deep learning and transfer learning have paved the way for various automation classification tasks in agriculture, including plant diseases, pests, weeds, and plant species detection. However, agriculture automation still faces various challenges, such as the limited size of datasets and the absence of plant-domain-specific pretrained models. Domain specific pretrained models have shown state of art performance in various computer vision tasks including face recognition and medical imaging diagnosis. In this paper, we propose AgriNet dataset, a collection of 160k agricultural images from more than 19 geographical locations, several images captioning devices, and more than 423 classes of plant species and diseases. We also introduce AgriNet models, a set of pretrained models on five ImageNet architectures: VGG16, VGG19, Inception-v3, InceptionResNet-v2, and Xception. AgriNet-VGG19 achieved the highest classification accuracy of 94 % and the highest F1-score of 92%. Additionally, all proposed models were found to accurately classify the 423 classes of plant species, diseases, pests, and weeds with a minimum accuracy of 87% for the Inception-v3 model.Finally, experiments to evaluate of superiority of AgriNet models compared to ImageNet models were conducted on two external datasets: pest and plant diseases dataset from Bangladesh and a plant diseases dataset from Kashmir.

研究の動機と目的

• 農業コンピュータビジョン分野における限られた非専門的データセットの課題に対処するため、大規模かつ多様な農業画像コレクションを構築すること。
• 植物ドメイン特化型事前学習モデルの不足を補うために、農業データで微調整されたAgriNetモデルを開発すること。
• ドメイン適応型モデルを用いた転移学習により、植物種、病気、害獣、雑草の分類性能を向上させること。
• バングラデシュおよびカシミールの実世界農業データセットにおいて、標準的なImageNet事前学習モデルと比較してAgriNetモデルの優位性を実証すること。
• 公開可能で高品質なデータセットと事前学習モデルを提供することで、農業コンピュータビジョン分野のベンチマークを確立すること。

提案手法

• 19か国以上の地理的場所から収集された16万枚以上の画像を含む多様な農業データセットを収集し、さまざまな画像撮影装置を用いて取得した。
• 植物種、病気、害獣、雑草を含む423クラスにわたり画像をアノテーションし、農業的課題の広範なカバーを確保した。
• AgriNetデータセット上で微調整した5つのImageNetアーキテクチャ（VGG16、VGG19、Inception-v3、InceptionResNet-v2、Xception）を用いて、ドメイン特化型事前学習モデルを構築した。
• 標準的な転移学習プロトコルに従い、最終分類ヘッドを423クラスの農業タスクに適合させることでモデルを訓練した。
• 標準指標（正確性、F1スコア、精度・再現率）を用いて、複数の外部データセットにおけるモデル性能を評価した。
• 2つの外部農業データセット（バングラデシュおよびカシミール）において、AgriNetモデルとそのImageNet事前学習モデル版との間で比較実験を実施した。

実験結果

リサーチクエスチョン

• RQ1 大規模農業データセット上でドメイン特化型事前学習を実施することで、植物病気、害獣、植物種の分類性能が顕著に向上するか？
• RQ2 実世界の農業データセットにおいて、AgriNetモデルは標準的なImageNet事前学習モデルと比較してどのように性能を発揮するか？
• RQ3 ドメイン特化型モデルを用いた転移学習により、423種の多様な農業クラスにおける分類正確性の最小値はどの程度達成可能か？
• RQ4 複数の地理的場所および画像撮影装置からのデータを含めることで、農業アプリケーションにおけるモデルの汎化性能が向上するか？
• RQ5 AgriNetモデルは外部農業ベンチマークデータセットで最先端の性能を達成できるか？

主な発見

• AgriNet-VGG19は、全423クラスにおいて最高の分類正確性94%と最高のF1スコア92%を達成した。
• すべてのAgriNetモデルが、Inception-v3アーキテクチャで最低87%の正確性を達成し、強力なベースライン性能を示した。
• バングラデシュおよびカシミールの2つの外部データセットにおいて、AgriNetモデルはそのImageNet事前学習モデル版を顕著に上回った。
• AgriNetデータセットの地理的起源および画像撮影装置の多様性が、モデルの頑健性と汎化性能の向上に寄与した。
• ドメイン特化型モデルを用いた転移学習アプローチにより、希少または代表度が低いクラスを含むすべての評価クラスで一貫した性能向上が得られた。
• 結果から、農業コンピュータビジョンタスクにおける最適なパフォーマンスを達成するには、ドメイン特化型事前学習が不可欠であることが確認された。