[论文解读] Deep Convolutional Neural Network for Plant Seedlings Classification

Daniel K. Nkemelu, Daniel Omeiza+1 more|arXiv (Cornell University)|Nov 20, 2018

Smart Agriculture and AI参考文献 4被引用 37

一句话总结

本文提出一种深度卷积神经网络（CNN），用于在早期生长阶段对12种植物幼苗进行精确分类，使用了包含4,275张图像的数据集。通过结合基于OpenCV的背景分割与6层卷积层的CNN，该模型实现了92.6%的验证准确率，显著优于传统的SVM和KNN方法，展现出在农业中自动化精准除草的强劲潜力。

ABSTRACT

Agriculture is vital for human survival and remains a major driver of several economies around the world; more so in underdeveloped and developing economies. With increasing demand for food and cash crops, due to a growing global population and the challenges posed by climate change, there is a pressing need to increase farm outputs while incurring minimal costs. Previous machine vision technologies developed for selective weeding have faced the challenge of reliable and accurate weed detection. We present approaches for plant seedlings classification with a dataset that contains 4,275 images of approximately 960 unique plants belonging to 12 species at several growth stages. We compare the performances of two traditional algorithms and a Convolutional Neural Network (CNN), a deep learning technique widely applied to image recognition, for this task. Our findings show that CNN-driven seedling classification applications when used in farming automation has the potential to optimize crop yield and improve productivity and efficiency when designed appropriately.

研究动机与目标

• 利用计算机视觉解决农业田地中可靠且精确的杂草检测挑战。
• 通过在早期生长阶段实现幼苗自动分类，提高作物产量并降低人工劳动成本。
• 评估并比较传统机器学习模型（SVM、KNN）与深度学习（CNN）在植物幼苗分类中的表现。
• 证明基于背景分割的预处理可提升真实农业图像数据中CNN的性能。
• 为在大规模农业环境中部署基于机器人平台的自动化除草系统奠定基础。

提出的方法

• 使用了包含4,275张图像的数据集，涵盖12个物种的960株独特植物，处于不同早期生长阶段。
• 通过高斯模糊、HSV颜色空间转换以及使用11×11核的形态学腐蚀处理对图像进行预处理，以从背景中分离出幼苗。
• 通过减去均值、除以标准差并将像素值缩放至[0,1]区间，对图像进行归一化处理。
• 训练了一个包含6个卷积层的CNN，使用ReLU激活函数，最大池化操作，并在每对卷积层后应用10%的dropout正则化。
• 采用Adam优化器，批量大小为32，并使用加权交叉熵损失函数以缓解训练中的类别不平衡问题。
• 比较了两种CNN变体：一种使用原始图像输入，另一种使用经OpenCV处理并进行背景减除后的输入。

实验结果

研究问题

• RQ1 深度CNN是否能在基于早期生长阶段图像的植物幼苗分类任务中显著优于SVM和KNN等传统机器学习模型？
• RQ2 基于背景分割的预处理在多大程度上提升了基于CNN的幼苗分类准确率？
• RQ3 图像预处理与深度学习的结合如何影响在真实农业图像数据集中的泛化能力和鲁棒性？
• RQ4 在该特定幼苗分类任务中，传统算法与深度学习模型之间存在多大的性能差距？
• RQ5 基于CNN的系统是否能有效扩展至大规模农业环境中的机器人除草应用？

主要发现

• 采用基于OpenCV的背景分割的CNN模型实现了92.6%的验证准确率，显著优于基线SVM（61.47%）和KNN（56.84%）模型。
• 未经预处理的CNN模型也达到了80.21%的验证准确率，表明图像预处理在提升模型性能方面具有显著价值。
• OpenCV预处理与CNN的结合降低了误分类率，如混淆矩阵所示，尤其在外观相似的物种中表现更优。
• 在仅使用注意力输入的情况下，模型达到了98.9%的训练准确率，表明其具备强大的特征学习能力，尽管存在过拟合风险。
• 使用加权交叉熵损失函数有助于缓解数据集中类别不平衡导致的性能下降。
• 结果表明，将传统图像处理与深度学习相结合，可显著提升农业计算机视觉任务的鲁棒性与准确性。