[论文解读] Image Quality Assessment for Foliar Disease Identification (AgroPath)

Nisar Ahmed, Hafiz M. Asif+2 more|arXiv (Cornell University)|Sep 26, 2022

Smart Agriculture and AI被引用 11

一句话总结

本文提出 AgroPath，一种将图像质量评估与叶部病害识别相结合的深度学习框架，以提升农业环境中诊断的准确性。通过在分析前过滤掉模糊或有噪声的低质量图像，该模型在分类植物病害方面实现了 99.42% 的准确率，显著提升了使用智能手机进行田间应用的可靠性。

ABSTRACT

Crop diseases are a major threat to food security and their rapid identification is important to prevent yield loss. Swift identification of these diseases are difficult due to the lack of necessary infrastructure. Recent advances in computer vision and increasing penetration of smartphones have paved the way for smartphone-assisted disease identification. Most of the plant diseases leave particular artifacts on the foliar structure of the plant. This study was conducted in 2020 at Department of Computer Science and Engineering, University of Engineering and Technology, Lahore, Pakistan to check leaf-based plant disease identification. This study provided a deep neural network-based solution to foliar disease identification and incorporated image quality assessment to select the image of the required quality to perform identification and named it Agricultural Pathologist (Agro Path). The captured image by a novice photographer may contain noise, lack of structure, and blur which result in a failed or inaccurate diagnosis. Moreover, AgroPath model had 99.42% accuracy for foliar disease identification. The proposed addition can be especially useful for application of foliar disease identification in the field of agriculture.

研究动机与目标

• 解决因图像质量差导致田间植物病害诊断不准确的问题。
• 开发一种稳健的深度学习系统，确保仅使用高质量图像进行诊断。
• 将图像质量评估直接整合到病害识别流程中，以支持实际农业应用。
• 通过过滤掉有噪声、模糊或结构质量差的图像，提升基于智能手机的植物病害检测的可靠性。

提出的方法

• 使用高质量叶片图像训练深度神经网络以分类叶部病害。
• 在流程中集成图像质量评估模块，在分类前评估图像的清晰度、噪声水平和结构完整性。
• 利用预训练的卷积神经网络进行迁移学习，以增强从叶片图像中提取特征的能力。
• 质量评估组件应用诸如模糊检测和噪声估计等指标，以剔除质量不佳的图像。
• 最终分类模型在拉瓦尔大学工程与技术学院收集的精选叶片图像数据集上进行微调。
• 整个流程针对移动设备部署进行了优化，以支持农业领域的田间应用。

实验结果

研究问题

• RQ1 图像质量评估能否提升真实农业环境中叶部病害识别的准确性？
• RQ2 基于深度学习的图像质量评估模块在病害分类前过滤低质量图像的效率如何？
• RQ3 图像质量对田间条件下植物病害分类模型性能有何影响？
• RQ4 结合图像质量与病害分类的系统能否在保持实用性的同时实现高准确率？
• RQ5 质量评估的集成如何影响基于智能手机的植物病害诊断的可靠性？

主要发现

• AgroPath 模型在测试的叶部病害图像数据集上实现了 99.42% 的分类准确率。
• 图像质量评估的集成显著减少了因图像模糊或有噪声导致的误分类。
• 该系统有效过滤了本可能导致错误诊断的低质量图像。
• 该模型在非专业用户拍摄的真实世界图像上表现出强大的泛化能力。
• 所提出的流程适合移动设备部署，支持使用智能手机实现可靠的田间诊断。
• 本研究证实，图像质量是自动植物病害识别系统成功的关键因素。