[论文解读] A Novel CropdocNet for Automated Potato Late Blight Disease Detection from the Unmanned Aerial Vehicle-based Hyperspectral Imagery

Yue Shi, Liangxiu Han+3 more|arXiv (Cornell University)|Jul 28, 2021

Smart Agriculture and AI参考文献 19被引用 4

一句话总结

该论文提出CropdocNet，一种新颖的深度学习模型，通过利用分层胶囊特征捕捉基于无人机的高光谱影像中光谱-空间结构关系，实现马铃薯晚疫病的自动化检测。通过建模病害特征的旋转不变性及部分-整体关系，CropdocNet实现94.2%的分类准确率，显著优于SVM（76.8%）和3DCNN（83.2%），证明了分层特征表示在复杂农业成像中的价值。

ABSTRACT

Late blight disease is one of the most destructive diseases in potato crop, leading to serious yield losses globally. Accurate diagnosis of the disease at early stage is critical for precision disease control and management. Current farm practices in crop disease diagnosis are based on manual visual inspection, which is costly, time consuming, subject to individual bias. Recent advances in imaging sensors (e.g. RGB, multiple spectral and hyperspectral cameras), remote sensing and machine learning offer the opportunity to address this challenge. Particularly, hyperspectral imagery (HSI) combining with machine learning/deep learning approaches is preferable for accurately identifying specific plant diseases because the HSI consists of a wide range of high-quality reflectance information beyond human vision, capable of capturing both spectral-spatial information. The proposed method considers the potential disease specific reflectance radiation variance caused by the canopy structural diversity, introduces the multiple capsule layers to model the hierarchical structure of the spectral-spatial disease attributes with the encapsulated features to represent the various classes and the rotation invariance of the disease attributes in the feature space. We have evaluated the proposed method with the real UAV-based HSI data under the controlled field conditions. The effectiveness of the hierarchical features has been quantitatively assessed and compared with the existing representative machine learning/deep learning methods. The experiment results show that the proposed model significantly improves the accuracy performance when considering hierarchical-structure of spectral-spatial features, comparing to the existing methods only using spectral, or spatial or spectral-spatial features without consider hierarchical-structure of spectral-spatial features.

研究动机与目标

• 解决现有方法在建模作物病害特征中光谱-空间层次结构方面的局限性。
• 开发一种自动化、高精度且鲁棒的方法，利用基于无人机的高光谱影像实现马铃薯晚疫病的早期检测。
• 减少在精准农业中对人工、耗时且主观的视觉检查的依赖。
• 通过捕捉病株冠层结构与反射率变异之间的部分-整体关系，提升分类性能。
• 在受控条件下的真实田间数据上验证模型，证明其在精准作物管理中的实际应用价值。

提出的方法

• 提出一种新颖的深度学习架构CropdocNet，通过多层胶囊网络将光谱-空间标量特征整合为分层向量特征。
• 利用胶囊网络建模病害特征的层次结构，捕捉特征空间中的空间关系和旋转不变性。
• 采用注意力机制突出因冠层结构多样性引起的病害特异性反射辐射变异。
• 通过3D卷积主干网络处理三维高光谱数据（空间×光谱），再输入胶囊网络以实现联合光谱-空间表征。
• 在胶囊层中应用动态路由，将特征分组为有意义的病害表征，增强类间可分性。
• 在受控田间条件下采集的真实无人机高光谱影像上端到端训练模型，采用交叉熵损失和Adam优化。

实验结果

研究问题

• RQ1 与传统的仅依赖光谱或空间信息的模型相比，明确建模光谱-空间层次特征的深度学习模型是否能提升马铃薯晚疫病检测的准确性？
• RQ2 胶囊网络的引入在高光谱数据中如何增强病害特异性反射率变异和结构模式的表征能力？
• RQ3 与传统3D CNN或SVM相比，分层胶囊特征在特征空间中多大程度上提升了类间可分性？
• RQ4 该模型在具有植物与背景混合光谱-空间特征的复杂田间条件下是否具备良好的泛化能力？
• RQ5 在分类准确率和对误分类的鲁棒性方面，分层特征表征带来了多大的定量性能提升？

主要发现

• CropdocNet在真实无人机高光谱影像上实现94.2%的分类准确率，显著优于SVM（76.8%）和3DCNN（83.2%）。
• 分层胶囊特征空间中，健康与病害类别的聚类清晰，标准差无重叠，且平均特征方向明显区分。
• 基于SVM的模型表现出较差的可分性，因光谱特征中类间方差不足，导致81%的健康地块被误判为病害。
• 3DCNN模型在地块边缘表现出较高的误分类率，原因在于光谱-空间特征重叠以及联合特征空间中类间距离较近。
• 可视化特征空间证实，胶囊特征能有效捕捉病害症状中的部分-整体关系和旋转不变模式。
• 所提模型的分层结构成功隔离了背景区域（如病害地块中的白色挡板），降低了误报率。