[論文レビュー] Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging

Alessandro Benfenati, Paola Causin+2 more|arXiv (Cornell University)|Dec 20, 2021

Powdery Mildew Fungal Diseases被引用数 4

ひとこと要約

本論文では、イチゴの葉に生じる初期段階の白癬病を検出するために、自己符号化器を用いた教師なし深層学習をマルチスペクトル画像データに適用する手法を提案する。2つの戦略—特徴クラスタリングと異常検出—を評価し、自己符号化器を用いた異常検出が、AUC（最大0.94）を達成し、少数のラベル付きデータを用いた教師あり学習の強力な事前知識として機能できることを示している。

ABSTRACT

Objectives. Sustainable management of plant diseases is an open challenge which has relevant economic and environmental impact. Optimal strategies rely on human expertise for field scouting under favourable conditions to assess the current presence and extent of disease symptoms. This labor-intensive task is complicated by the large field area to be scouted, combined with the millimeter-scale size of the early symptoms to be detected. In view of this, image-based detection of early disease symptoms is an attractive approach to automate this process, enabling a potential high throughput monitoring at sustainable costs. Methods. Deep learning has been successfully applied in various domains to obtain an automatic selection of the relevant image features by learning filters via a training procedure. Deep learning has recently entered also the domain of plant disease detection: following this idea, in this work we present a deep learning approach to automatically recognize powdery mildew on cucumber leaves. We focus on unsupervised deep learning techniques applied to multispectral imaging data and we propose the use of autoencoder architectures to investigate two strategies for disease detection: i) clusterization of features in a compressed space; ii) anomaly detection. Results. The two proposed approaches have been assessed by quantitative indices. The clusterization approach is not fully capable by itself to provide accurate predictions but it does cater relevant information. Anomaly detection has instead a significant potential of resolution which could be further exploited as a prior for supervised architectures with a very limited number of labeled samples.

研究の動機と目的

• ミリメートルスケールの症状と人的に負担が大きい現地の点検作業のため、イチゴの葉における白癬病の早期検出が困難であるという課題に対処する。
• 大規模な人為ラベル付きデータセットへの依存を減らすために、教師なし深層学習技術を活用する。
• 広範な手動アノテーションを必要としない自己符号化器ベースの手法による病気検出の可能性を探る。
• 教師あり学習に最小限のラベル付きデータで利用可能な教師なし特徴学習が、下流の分類タスクにどの程度寄与するかを調査する。
• 精密農業における植物病害診断のための前処理として、異常検出をフィルタリングツールとして使用する可能性を評価する。

提案手法

• イチゴの葉の反射率を複数のスペクトル帯で捉えたマルチスペクトル画像データを用いる。
• 自己符号化器アーキテクチャ（変分自己符号化器やノイズ除去自己符号化器を含む）を用いて、葉画像の圧縮表現を学習する。
• 潜在空間における特徴クラスタリングを実施し、類似した画像特徴をグループ化するが、単独では正確な検出には不十分である。
• 画像空間（sₓ）および潜在特徴空間（s_z）における再構成誤差を異常スコアとして用いて、異常検出を実装する。
• 受信器操作特性（ROC）曲線と曲線下面積（AUC）を用いて、異なる自己符号化器バージョンにおける異常検出性能を評価する。
• 複数の自己符号化器アーキテクチャ（例：B3: Ano-AE）を比較し、病変領域を検出するのに最も優れた性能を示すモデルを同定する。

実験結果

リサーチクエスチョン

• RQ1 教師ありラベルデータに依存せずに、自己符号化器ベースの手法がイチゴの葉における初期白癬病症状を効果的に検出できるか。
• RQ2 自己符号化器の潜在空間における特徴クラスタリングは、直接的な異常検出と比較して、病気検出にどの程度寄与するか。
• RQ3 自己符号化器ベースの異常検出の診断性能（AUC）はどの程度で、異なるネットワークアーキテクチャ間でどのように比較されるか。
• RQ4 異常検出の結果が、極めて少ないラベル付きサンプルを用いた後続の教師あり学習にどの程度信頼できる事前知識として機能するか。
• RQ5 画像空間と潜在特徴空間における再構成誤差は、実際に病気が存在する場合とどの程度相関しているか。

主な発見

• 画像再構成誤差を異常スコアとして用いたAno-AEモデルでは、AUCが0.94に達し、優れた診断性能を示した。
• Ano-AEモデルは、他の自己符号化器アーキテクチャを上回り、全テスト設定において最高のAUCを示した。特に、特徴再構成誤差を異常スコアとして用いた場合に顕著であった。
• 潜在空間における特徴クラスタリングは、単独では正確な検出に不十分であったが、画像特徴の意味のあるグループ化を実現し、注意メカニズムとの統合によりさらなる向上が期待できる。
• 健康な葉においても病変領域の再構成が可能であったため、モデルが一般的な葉の欠損を学習していることが示され、実運用環境における現実的な課題であることが裏付けられた。
• 高いAUC値は、異常検出手法が病巣ありと健康な葉を信頼性高く区別できることを示しており、少数のラベル付きデータを用いた教師あり学習パイプラインにおける前処理フィルタとして強力な候補である。
• 結果から、教師なし自己符号化器が、最小限または全くラベルなしの状態でも初期段階の白癬病症状を効果的に同定できることを示しており、精密農業におけるスケーラブルでコスト効率の高い監視を支援する可能性がある。