[论文解读] A Deep Learning-based Detector for Brown Spot Disease in Passion Fruit Plant Leaves

Andrew Katumba, Moses Bomera+8 more|arXiv (Cornell University)|Jul 28, 2020

Smart Agriculture and AI被引用 5

一句话总结

本文提出了一种基于深度学习的物体检测模型，采用 EfficientDet D3 模型检测番荔枝叶上的褐斑病病斑。该模型在来自乌干达农场的新颖专家标注数据集（2,000 张图像）上进行训练，在 10% 的测试集上达到 0.351 的平均精度均值，证明了在小农户农业环境中实现早期疾病检测的可行性。

ABSTRACT

Pests and diseases pose a key challenge to passion fruit farmers across Uganda and East Africa in general. They lead to loss of investment as yields reduce and losses increases. As the majority of the farmers, including passion fruit farmers, in the country are smallholder farmers from low-income households, they do not have the sufficient information and means to combat these challenges. While, passion fruits have the potential to improve the well-being of these farmers as they have a short maturity period and high market value , without the required knowledge about the health of their crops, farmers cannot intervene promptly to turn the situation around. For this work, we have partnered with the Uganda National Crop Research Institute (NaCRRI) to develop a dataset of expertly labelled passion fruit plant leaves and fruits, both diseased and healthy. We have made use of their extension service to collect images from 5 districts in Uganda, With the dataset in place, we are employing state-of-the-art techniques in machine learning, and specifically deep learning, techniques at scale for object detection and classification to correctly determine the health status of passion fruit plants and provide an accurate diagnosis for positive detections.This work focuses on two major diseases woodiness (viral) and brown spot (fungal) diseases.

研究动机与目标

• 为解决尽管番荔枝在东非具有高经济价值，但缺乏用于番荔枝病害检测的机器学习工具这一问题。
• 收集并整理一个高质量、公开可用的番荔枝叶和果实数据集，涵盖健康与患病样本，数据来源为乌干达五个地区。
• 开发并评估一种基于深度学习的物体检测模型，以实现对叶片上褐斑病症状的精确定位与分类。
• 通过支持移动设备或边缘设备上的低延迟、低成本诊断，助力东非小农户实现早期病害识别。

提出的方法

• 从乌干达五个地区开展实地考察，收集了 2,000 张紫色番荔枝叶上带有褐斑病的图像。
• 图像被裁剪为 400×400 像素，并使用 Labelbox 平台进行边界框标注，标签以 JSON 格式导出。
• 采用 EfficientDet D3 模型进行物体检测，利用在 COCO 数据集上预训练的权重进行迁移学习。
• 训练在 Microsoft Azure 上使用配备 GPU 的 NC6 虚拟机进行，其中 90% 的数据用于训练/验证，10% 用于测试。
• 使用 TensorFlow 框架训练了 10,000 次迭代，推理性能在 GPU 和 CPU 上均进行了评估。
• 评估采用平均精度均值（mAP）来衡量模型在测试集上的检测性能。

实验结果

研究问题

• RQ1 基于新收集的数据集，基于深度学习的物体检测模型能否准确地定位番荔枝叶上的褐斑病病斑？
• RQ2 在小型、专业化的植物病害数据集上，EfficientDet D3 模型的性能与其它物体检测模型（如 YOLO、SSD）相比如何？
• RQ3 从大规模数据集（COCO）进行迁移学习，能在多大程度上提升在有限、领域特定的番荔枝叶数据集上的检测准确率？
• RQ4 训练后的模型在 CPU 和 GPU 上的推理速度如何？是否适合在低资源农业环境中的边缘设备上部署？

主要发现

• 经过 10,000 次训练迭代后，EfficientDet D3 模型在测试集上达到 0.351 的平均精度均值（mAP），表明在小数据集上具有中等检测性能。
• 通过与真实标签的视觉对比确认，该模型在一张未参与训练的图像中成功检测出所有褐斑病病斑实例。
• GPU 上的推理时间为 0.06 秒，CPU 上为 0.63 秒，表明其在移动设备或边缘设备上具备实现实时部署的潜力。
• 2,000 张标注图像的数据集来自乌干达不同地理区域，增强了其对当地条件的代表性。
• 本研究证明了利用深度学习实现东非高价值作物——番荔枝早期褐斑病检测的可行性。
• 作者已将该数据集公开，以支持未来在植物病害检测领域，特别是番荔枝病害检测方面的研究。