[论文解读] A Deep Learning Approach for Determining Effects of Tuta Absoluta in Tomato Plants

Denis Pastory Rubanga, Loyani Loyani+2 more|arXiv (Cornell University)|Apr 8, 2020

Smart Agriculture and AI参考文献 18被引用 10

一句话总结

本研究提出一种基于微调卷积神经网络（CNN）的深度学习方法，用于在番茄植株早期生长阶段分类番茄潜旋线蛾（Tuta absoluta）侵害严重程度。在VGG16、VGG19、ResNet50和Inception-V3中，Inception-V3在使用实地采集数据集区分无侵害、低侵害和高侵害严重程度水平时，实现了87.2%的最高平均准确率。

ABSTRACT

Early quantification of Tuta absoluta pest's effects in tomato plants is a very important factor in controlling and preventing serious damages of the pest. The invasion of Tuta absoluta is considered a major threat to tomato production causing heavy loss ranging from 80 to 100 percent when not properly managed. Therefore, real-time and early quantification of tomato leaf miner Tuta absoluta, can play an important role in addressing the issue of pest management and enhance farmers' decisions. In this study, we propose a Convolutional Neural Network (CNN) approach in determining the effects of Tuta absoluta in tomato plants. Four CNN pre-trained architectures (VGG16, VGG19, ResNet and Inception-V3) were used in training classifiers on a dataset containing health and infested tomato leaves collected from real field experiments. Among the pre-trained architectures, experimental results showed that Inception-V3 yielded the best results with an average accuracy of 87.2 percent in estimating the severity status of Tuta absoluta in tomato plants. The pre-trained models could also easily identify High Tuta severity status compared to other severity status (Low tuta and No tuta)

研究动机与目标

• 为解决在番茄植株中实现早期且准确检测番茄潜旋线蛾侵害的迫切需求，以防止产量损失达80%–100%。
• 开发一种基于深度学习的系统，能够在番茄植株生长的早期阶段量化番茄潜旋线蛾损害的严重程度。
• 通过使用自研的实地采集图像，克服现有模型在合成或非真实图像数据集上训练的局限性。
• 评估并比较四种预训练CNN架构（VGG16、VGG19、ResNet50、Inception-V3）在严重程度分类中的性能。

提出的方法

• 从坦桑尼亚阿鲁沙和莫罗戈罗地区采集了1,384张番茄植株的实地图像，按三个严重程度等级分类：无番茄潜旋线蛾侵害、低侵害（≤3只幼虫）和高侵害（>3只幼虫）。
• 通过水平翻转和调整图像大小至224×224像素（适用于VGG和ResNet）或299×299像素（适用于Inception-V3）对图像进行预处理，以匹配模型的输入要求。
• 通过将最终全连接层替换为三分类分类器，对四种ImageNet预训练的CNN架构（VGG16、VGG19、ResNet50、Inception-V3）进行微调，以识别严重程度状态。
• 使用50个周期、批量大小为16、初始学习率为10⁻⁴的Adam优化器进行模型训练，并采用早停法结合学习率衰减。
• 使用Keras配合TensorFlow后端，在配备GPU的计算工作站上训练和评估模型，并基于验证损失选择表现最佳的模型进行保存。

实验结果

研究问题

• RQ1 预训练的CNN模型能否有效利用实地图像对番茄植株中番茄潜旋线蛾侵害严重程度进行分类？
• RQ2 在VGG16、VGG19、ResNet50和Inception-V3这四种CNN架构中，哪一种在检测番茄潜旋线蛾损害的不同严重程度水平时表现最佳？
• RQ3 模型性能在三个严重程度类别（无番茄潜旋线蛾、低侵害、高侵害）中的表现有何差异？
• RQ4 能否通过在叶片图像上应用深度学习，可靠地实现对高侵害番茄潜旋线蛾的早期检测？
• RQ5 为何在此背景下，低侵害检测比无侵害或高侵害检测更具挑战性？

主要发现

• Inception-V3在测试集上对番茄潜旋线蛾严重程度等级的分类实现了87.2%的最高平均准确率。
• 所有模型在高侵害图像上的精确率（90.5%–91.5%）和F1得分均最高，表明其对严重侵害的检测能力更强。
• VGG16和Inception-V3在无侵害图像上的召回率最高（分别为96.5%和93.3%），表明其在正确识别健康植株方面表现优异。
• 低侵害检测最具挑战性，其F1得分最低（0.448–0.575），召回率最低（35.5%–51.8%），表明对轻度侵害的漏检率较高。
• 当收敛失败时，始终选择验证损失最低的模型进行重新训练，从而提升了训练的稳定性和性能。