[论文解读] Detection of healthy and diseased crops in drone captured images using Deep Learning

Jai Vardhan, Kothapalli Sai Swetha|arXiv (Cornell University)|May 22, 2023

Smart Agriculture and AIAgricultural and Biological Sciences被引用 3

一句话总结

本文提出一种基于深度学习的卷积神经网络（CNN）方法，通过无人机拍摄的图像检测健康与患病作物，在15种植物病害类别中实现了高精度分类。该方法包括图像预处理、边缘检测、阈值处理以及30个周期的CNN训练，最终通过准确率、损失曲线和混淆矩阵验证，表现出优异性能。

ABSTRACT

Monitoring plant health is crucial for maintaining agricultural productivity and food safety. Disruptions in the plant's normal state, caused by diseases, often interfere with essential plant activities, and timely detection of these diseases can significantly mitigate crop loss. In this study, we propose a deep learning-based approach for efficient detection of plant diseases using drone-captured imagery. A comprehensive database of various plant species, exhibiting numerous diseases, was compiled from the Internet and utilized as the training and test dataset. A Convolutional Neural Network (CNN), renowned for its performance in image classification tasks, was employed as our primary predictive model. The CNN model, trained on this rich dataset, demonstrated superior proficiency in crop disease categorization and detection, even under challenging imaging conditions. For field implementation, we deployed a prototype drone model equipped with a high-resolution camera for live monitoring of extensive agricultural fields. The captured images served as the input for our trained model, enabling real-time identification of healthy and diseased plants. Our approach promises an efficient and scalable solution for improving crop health monitoring systems.

研究动机与目标

• 解决农业中植物病害人工检测不准确且耗时的问题。
• 开发一种基于无人机拍摄图像和深度学习的自动化系统，实现作物病害的早期检测。
• 通过及时诊断植物病害，提高农业生产力并减少化学药剂的过度使用。
• 构建一种可扩展、高精度且适合农民使用的解决方案，用于从叶片图像中分类15种不同的作物病害类型。
• 利用图像处理与深度学习技术，提升植物健康监测能力，支持可持续农业实践。

提出的方法

• 系统收集并预处理无人机拍摄的作物叶片图像，应用Canny边缘检测和图像阈值处理以增强特征并减少噪声。
• 从互联网获取的图像中构建一个包含15种植物病害类别的数据集，并将其划分为训练集和测试集以评估模型性能。
• 使用标注数据集对卷积神经网络（CNN）进行30个周期的训练，以学习病害分类的分层特征。
• CNN架构能够自动从图像中提取相关特征，实现高精度图像分类，无需人工特征工程。
• 通过训练/验证准确率和损失曲线，以及15×15的混淆矩阵，评估模型性能，分析各类别分类表现。
• 最终模型能够以高精度预测病害类别，支持通过原型无人机系统实现实时监测。

实验结果

研究问题

• RQ1 深度学习模型能否准确地从无人机拍摄的图像中分类15种不同的作物病害类型？
• RQ2 与传统图像处理和机器学习方法相比，基于CNN的方法在检测植物病害方面效果如何？
• RQ3 图像预处理（边缘检测、阈值处理）在多大程度上提升了病害分类模型的性能？
• RQ4 训练好的CNN模型是否能在多样化的真实农业图像上实现高准确率和良好的泛化能力？
• RQ5 混淆矩阵显示，模型在不同病害类别上的表现如何变化？

主要发现

• 所提出的基于CNN的模型在30个周期的训练后达到高分类准确率，性能通过准确率和损失曲线得到验证。
• 该系统表现出强大的泛化能力，能够从无人机拍摄的图像中正确分类15种不同的植物病害类别。
• 图像预处理技术，包括Canny边缘检测和阈值处理，显著提升了图像质量，并改善了模型的特征提取效果。
• 混淆矩阵显示，所有15种病害类别的分类表现一致，表明模型在多类别预测中具有稳健性和可靠性。
• 相关工作中报告的该算法平均分类准确率达到97.6%，支持其在实际部署中的有效性。
• 该模型实现了植物病害的自动化、实时检测，减少了对专家检查的依赖，并降低了化学药剂的过度使用。