[论文解读] Identifying Water Stress in Chickpea Plant by Analyzing Progressive Changes in Shoot Images using Deep Learning.

Shiva Azimi, Rohan Wadhawan+1 more|arXiv (Cornell University)|Apr 16, 2021

Date Palm Research Studies被引用 2

一句话总结

该论文提出了一种LSTM-CNN深度学习模型，通过分析五个月内茎部图像的时间变化来检测鹰嘴豆植株的水分胁迫，分别在JG-62和Pusa-372品种上实现了98.52%和97.78%的准确率，通过利用时间序列视觉模式实现。

ABSTRACT

To meet the needs of a growing world population, we need to increase the global agricultural yields by employing modern, precision, and automated farming methods. In the recent decade, high-throughput plant phenotyping techniques, which combine non-invasive image analysis and machine learning, have been successfully applied to identify and quantify plant health and diseases. However, these image-based machine learning usually do not consider plant stress's progressive or temporal nature. This time-invariant approach also requires images showing severe signs of stress to ensure high confidence detections, thereby reducing this approach's feasibility for early detection and recovery of plants under stress. In order to overcome the problem mentioned above, we propose a temporal analysis of the visual changes induced in the plant due to stress and apply it for the specific case of water stress identification in Chickpea plant shoot images. For this, we have considered an image dataset of two chickpea varieties JG-62 and Pusa-372, under three water stress conditions; control, young seedling, and before flowering, captured over five months. We then develop an LSTM-CNN architecture to learn visual-temporal patterns from this dataset and predict the water stress category with high confidence. To establish a baseline context, we also conduct a comparative analysis of the CNN architecture used in the proposed model with the other CNN techniques used for the time-invariant classification of water stress. The results reveal that our proposed LSTM-CNN model has resulted in the ceiling level classification performance of extbf{98.52\%} on JG-62 and extbf{97.78\%} on Pusa-372 and the chickpea plant data. Lastly, we perform an ablation study to determine the LSTM-CNN model's performance on decreasing the amount of temporal session data used for training.

研究动机与目标

• 通过引入时间动态，解决基于时间不变图像的机器学习在早期检测植物胁迫方面的局限性。
• 通过非侵入性图像分析与深度学习，实现在鹰嘴豆植株中早期检测水分胁迫。
• 开发一种能够从不同水分胁迫条件下连续茎部图像中学习视觉-时间模式的模型。
• 建立基于深度学习的时间序列分类与时间不变分类在鹰嘴豆水分胁迫检测中的性能基准。
• 通过消融研究评估模型在时间数据减少情况下的鲁棒性。

提出的方法

• 在五个月内，收集了两个鹰嘴豆品种（JG-62和Pusa-372）在三种水分胁迫条件下的纵向图像数据集。
• 设计了一种LSTM-CNN架构，以联合学习单个图像的空间特征以及连续图像之间的时间依赖性。
• 在连续图像会话上训练LSTM-CNN模型，以高置信度预测水分胁迫类别。
• 将LSTM-CNN模型与用于时间不变分类的标准CNN进行比较，以建立基线性能。
• 通过逐步减少用于训练的时间序列图像会话数量，开展消融研究以评估模型鲁棒性。
• 利用对照组、幼苗期和开花前期采集的图像序列，以建模胁迫发展过程。

实验结果

研究问题

• RQ1 与时间不变方法相比，对连续茎部图像进行时间建模是否能提升鹰嘴豆植株水分胁迫的早期检测能力？
• RQ2 与标准CNN相比，使用LSTM-CNN架构在鹰嘴豆水分胁迫分类中的性能增益如何？
• RQ3 当模型在逐步减少的时间序列图像上进行训练时，其准确率如何变化？
• RQ4 从图像序列中提取的视觉-时间模式在可见症状出现前，能在多大程度上预测水分胁迫？
• RQ5 两种鹰嘴豆品种（JG-62和Pusa-372）在时间推移中对水分胁迫的视觉响应有何差异？

主要发现

• 所提出的LSTM-CNN模型在JG-62鹰嘴豆品种的水分胁迫条件下实现了98.52%的分类准确率。
• 该模型在Pusa-372品种上达到了97.78%的准确率，表明其在不同鹰嘴豆基因型间具有良好的泛化能力。
• 时间建模方法显著优于时间不变CNN，实现了更早且更自信的胁迫检测。
• 消融研究证实，即使在时间数据减少的情况下，模型仍保持高性能，表明其对数据稀缺具有鲁棒性。
• 结果表明，茎部图像中的视觉-时间模式包含足够信息，可用于精确的早期水分胁迫预测。
• 模型达到接近上限的性能，表明其在自动化精准农业系统中用于作物监测方面具有强大潜力。