[论文解读] Localized Data Work as a Precondition for Data-Centric ML: A Case Study of Full Lifecycle Crop Disease Identification in Ghana

Darlington Akogo, Issah Abubakari Samori+6 more|arXiv (Cornell University)|Jul 4, 2023

Smart Agriculture and AIAgricultural and Biological Sciences被引用 3

一句话总结

本文介绍了CADI AI项目，该研究采用以数据为中心的机器学习方法，利用无人机采集的多光谱影像，实现加纳全生命周期作物病害识别。通过本地化数据工作——利益相关者参与、标注数据收集（4,736张图像）以及使用YOLOv5X进行模型训练——团队开发了一款桌面应用程序，mAP达到64.8%，使农民能够以空间精度诊断腰果作物中的昆虫、病害及非生物胁迫问题。

ABSTRACT

The Ghana Cashew Disease Identification with Artificial Intelligence (CADI AI) project demonstrates the importance of sound data work as a precondition for the delivery of useful, localized datacentric solutions for public good tasks such as agricultural productivity and food security. Drone collected data and machine learning are utilized to determine crop stressors. Data, model and the final app are developed jointly and made available to local farmers via a desktop application.

研究动机与目标

• 通过开发本地化、以数据为驱动的AI解决方案，应对加纳腰果产业在粮食安全与农业生产力方面的挑战。
• 通过强调严谨的本地化数据工作作为有效模型部署的前提，克服现有农业AI工具的局限性。
• 创建一个公开可访问、开源的作物病害检测流程，通过可操作的洞察支持小农户。
• 通过整合空间定位与用户友好的软件部署，确保模型在真实农业环境中的可用性。
• 为低资源环境下的未来农业AI创新建立可持续、由社区参与的数据与模型生态系统。

提出的方法

• 在加纳博诺地区两次实地考察中，从腰果农场收集了4,736张多光谱无人机图像，以捕捉季节性和形态多样性。
• 与当地农业科学家共同制定标注指南，使用MakeSense和Roboflow工具将图像分类为‘昆虫’、‘病害’或‘非生物’胁迫。
• 将数据集按3,788张训练集、710张验证集和238张测试集进行划分，保留类别偏斜以反映现实世界中的实际发生率。
• 在DFKI GIZ集群上训练YOLOv5X目标检测模型，通过数据增强技术平衡类别代表性不足的问题，同时保持现实世界中的类别分布。
• 将训练好的模型集成到基于Flutter的桌面应用程序中，使农民能够上传图像并获得带有空间元数据的本地化诊断结果。
• 在Kaggle和Hugging Face上托管数据集，在Hugging Face上托管模型，实现开放获取、可重用性及社区贡献。

Figure 1: A visual summary of the application lifecycle: data work (data collection with farmers, data annotation and labelling), model work (model training and fine-tuning), and UI application (software deployment and release to farmers).

实验结果

研究问题

• RQ1 本地化数据工作在以数据为中心的农业AI应用中，如何作为有效机器学习的先决条件？
• RQ2 在低资源、小农户农业环境中，收集和标注多样化真实作物影像面临哪些挑战，如何加以缓解？
• RQ3 模型在检测作物胁迫因素方面的性能在多大程度上取决于数据质量、标注一致性以及真实农业数据中的类别分布？
• RQ4 能否有效实施一个透明、开源的端到端流程，涵盖数据收集、模型训练与应用部署，以支持小农户？
• RQ5 利益相关者协作与领域专业知识在确保农业AI系统相关性与准确性方面发挥何种作用？

主要发现

• CADI AI项目成功构建了加纳全生命周期作物病害识别的以数据为中心的流程，共收集了4,736张真实农场拍摄的标注无人机图像。
• 最终YOLOv5X模型在测试集上实现了0.648的平均精度均值（mAP），展现出适用于实际部署的优异性能。
• 模型在‘昆虫’类别上表现最佳，因其具有明显的视觉特征；而‘病害’与‘非生物’类别的区分仍具挑战，主要因视觉相似性。
• 数据集中对‘非生物’胁迫的显著偏斜被保留，以真实反映现实条件，增强了模型在田间环境中的鲁棒性。
• 桌面应用程序使农民能够实现带有空间定位的作物胁迫诊断，提升了针对性农事干预的可操作洞察。
• 项目通过Kaggle和Hugging Face实现了数据、模型与代码的开放获取，支持版本控制与内容管理，促进可重用性、功能扩展与社区协作。

Figure 2: Top: Sample instances from the annotated dataset. For a higher resolution sample see the appendices. Bottom: Distribution of labels in the annotated data.