[论文解读] A two-step machine learning approach for crop disease detection: an application of GAN and UAV technology

Aaditya Prasad, Nikhil Mehta+2 more|arXiv (Cornell University)|Sep 19, 2021

Smart Agriculture and AI参考文献 14被引用 4

一句话总结

本文提出了一种两步机器学习框架，利用生成对抗网络（GAN）生成的高保真图像和低保真度数据生成器，训练基于无人机的作物病害检测系统。该系统在高保真分类中达到96.3%的准确率，在低保真识别中达到75.5%的置信度，实现了使用极少标注数据的高效、可扩展且准确的病害检测。

ABSTRACT

Automated plant diagnosis is a technology that promises large increases in cost-efficiency for agriculture. However, multiple problems reduce the effectiveness of drones, including the inverse relationship between resolution and speed and the lack of adequate labeled training data. This paper presents a two-step machine learning approach that analyzes low-fidelity and high-fidelity images in sequence, preserving efficiency as well as accuracy. Two data-generators are also used to minimize class imbalance in the high-fidelity dataset and to produce low-fidelity data that is representative of UAV images. The analysis of applications and methods is conducted on a database of high-fidelity apple tree images which are corrupted with class imbalance. The application begins by generating high-fidelity data using generative networks and then uses this novel data alongside the original high-fidelity data to produce low-fidelity images. A machine-learning identifier identifies plants and labels them as potentially diseased or not. A machine learning classifier is then given the potentially diseased plant images and returns actual diagnoses for these plants. The results show an accuracy of 96.3% for the high-fidelity system and a 75.5% confidence level for our low-fidelity system. Our drone technology shows promising results in accuracy when compared to labor-based methods of diagnosis.

研究动机与目标

• 解决作物病害检测中无人机影像标注数据有限的挑战。
• 通过低分辨率和高分辨率图像分析，提升大规模农田中检测的准确率和效率。
• 通过在两种分辨率级别上生成合成的、具有代表性的训练数据，减少对人工标注的依赖。
• 通过无人机实现仅需极少数据和计算开销的实时、即时病害检测。
• 验证一种可扩展、数据高效的流水线，其性能优于传统的人工密集型诊断方法。

提出的方法

• 基于GAN的数据生成器创建合成的高保真图像，以扩充原始数据集并解决类别不平衡问题。
• 低保真度数据生成器从高保真输出中合成逼真的低分辨率无人机图像，用于训练识别模型。
• 实施两阶段流水线：首先，低分辨率识别器实时检测潜在病害植株；其次，高分辨率分类器进行病害诊断。
• 识别器使用目标检测技术在低保真度无人机图像中定位可疑植株，而分类器则对特写图像执行多类别病害分类。
• 该框架使用单一小型公开的高保真苹果树图像数据集进行训练和验证，合成数据生成使模型训练更加稳健。
• 通过混淆矩阵、精确率、召回率、F1分数和置信区间评估模型性能，以评估流水线两个阶段的表现。

实验结果

研究问题

• RQ1 使用合成数据生成的两步机器学习流水线能否提升基于无人机的作物病害检测准确率？
• RQ2 GAN和低保真度数据生成器在多大程度上能减少对大规模人工标注无人机图像数据集的需求？
• RQ3 低保真度图像上识别器模型的性能在多大程度上影响整个病害检测流水线的整体准确率？
• RQ4 一种数据高效框架能否仅使用少量初始标注数据集，实现与最先进模型相当的性能？
• RQ5 当前系统中的主要瓶颈是什么？如何加以解决以提升实际部署效果？

主要发现

• 高保真分类器在F1分数上达到98%的精确率，准确率达到96.3%，表明其在病害分类方面表现强劲。
• 低保真识别器对检测潜在病害植株的置信度达到75.5%，且该值理论上为流水线准确率的上限。
• 分类器性能指标在所有类别中均表现优异：精确率为0.96–0.98，召回率为0.98–1.00，F1分数均高于0.96。
• 混淆矩阵显示误分类极少，大多数情况下每类仅有1–2个假阳性，表明模型泛化能力出色。
• 完整流水线的准确率估计为71.8%，识别器是主要瓶颈，原因在于低分辨率图像中目标检测的复杂性。
• 该框架表明，合成数据生成显著降低了对昂贵人工标注的依赖，同时保持了高模型准确率。