[论文解读] Inference of Plant Diseases from Leaf Images through Deep Learning

Sharada P. Mohanty, David Hughes+1 more|arXiv (Cornell University)|Apr 11, 2016

Smart Agriculture and AI被引用 7

一句话总结

本文提出一种在54,306张公开叶像上训练的深度卷积神经网络，用于识别14种作物物种和26种病害，在保留测试集上达到99.35%的准确率。当在来自在线来源的真实世界图像上进行测试时，该模型实现了31.4%的准确率，证明了其可行性，但也突显了需要更多样化的训练数据以提升智能手机辅助作物病害诊断的泛化能力。

ABSTRACT

Crop diseases are a major threat to food security, but their rapid identification remains difficult in many parts of the world due to the lack of the necessary infrastructure. The combination of increasing global smartphone penetration and recent advances in computer vision made possible by deep learning has paved the way for smartphone-assisted disease diagnosis. Using a public dataset of 54,306 images of diseased and healthy plant leaves collected under controlled conditions, we train a deep convolutional neural network to identify 14 crop species and 26 diseases (or absence thereof). The trained model achieves an accuracy of 99.35% on a held-out test set, demonstrating the feasibility of this approach. When testing the model on a set of images collected from trusted online sources - i.e. taken under conditions different from the images used for training - the model still achieves an accuracy of 31.4%. While this accuracy is much higher than the one based on random selection (2.6%), a more diverse set of training data is needed to improve the general accuracy. Overall, the approach of training deep learning models on increasingly large and publicly available image datasets presents a clear path towards smartphone-assisted crop disease diagnosis on a massive global scale.

研究动机与目标

• 开发一种可扩展的、可通过智能手机访问的基于深度学习的植物病害诊断方法。
• 解决资源匮乏农业地区病害诊断基础设施有限的挑战。
• 评估模型在与受控训练条件不同的真实世界图像上的性能。
• 评估利用公开可用图像数据集实现大规模部署的可行性。

提出的方法

• 在受控条件下收集的54,306张叶像公开数据集上训练了深度卷积神经网络（CNN）。
• 该模型设计用于分类14种作物物种和26种病害类别，包括无病害情况。
• 训练使用标准CNN架构，并通过数据增强提高鲁棒性。
• 在保留测试集上评估模型性能，以衡量在受控条件下的准确率。
• 通过从可信在线来源收集的独立图像集测试泛化能力，模拟真实世界中的变化性。
• 将性能与随机基线（2.6%）进行比较，以评估其实际诊断能力的有效性。

实验结果

研究问题

• RQ1 基于大规模公开可用数据集，深度学习模型能否在从叶像识别植物病害方面实现高准确率？
• RQ2 该模型在与训练数据不同的真实世界条件下收集的图像上泛化能力如何？
• RQ3 受控训练数据与真实世界部署场景之间的性能差距有多大？
• RQ4 在实际场景中，该模型在多大程度上优于随机分类？

主要发现

• 在受控条件下收集的保留测试集上，该模型实现了99.35%的测试准确率。
• 在来自在线来源的真实世界图像上评估时，该模型实现了31.4%的准确率，显著高于随机选择（2.6%）。
• 从99.35%到31.4%的性能下降表明，向非受控环境泛化面临重大挑战。
• 结果证实，尽管深度学习模型在整理过的数据集上可实现近乎完美的准确率，但真实世界部署需要更多样化的训练数据。
• 本研究证明了利用公开可用数据集和深度学习实现大规模智能手机辅助作物病害诊断的潜力。
• 研究结果强调了需要扩大并多样化训练数据，以提升现场应用中的鲁棒性和泛化能力。