[论文解读] Machine Learning-Based Tea Leaf Disease Detection: A Comprehensive Review

Faruk Ahmed, Md Taimur Ahad+1 more|arXiv (Cornell University)|Nov 6, 2023

Smart Agriculture and AI被引用 5

一句话总结

本篇全面综述评估了用于基于图像分类的茶叶叶片病害自动检测的机器学习模型，特别是视觉变换器（Vision Transformers）和基于卷积神经网络（CNN）的架构。该研究分析了ICVT、PlantViT、YOLOv5、ResNet-50V2和DenseNet等模型在多种数据集上的表现，揭示了性能权衡，并指出了未来精准农业研究中的关键空白。

ABSTRACT

Tea leaf diseases are a major challenge to agricultural productivity, with far-reaching implications for yield and quality in the tea industry. The rise of machine learning has enabled the development of innovative approaches to combat these diseases. Early detection and diagnosis are crucial for effective crop management. For predicting tea leaf disease, several automated systems have already been developed using different image processing techniques. This paper delivers a systematic review of the literature on machine learning methodologies applied to diagnose tea leaf disease via image classification. It thoroughly evaluates the strengths and constraints of various Vision Transformer models, including Inception Convolutional Vision Transformer (ICVT), GreenViT, PlantXViT, PlantViT, MSCVT, Transfer Learning Model & Vision Transformer (TLMViT), IterationViT, IEM-ViT. Moreover, this paper also reviews models like Dense Convolutional Network (DenseNet), Residual Neural Network (ResNet)-50V2, YOLOv5, YOLOv7, Convolutional Neural Network (CNN), Deep CNN, Non-dominated Sorting Genetic Algorithm (NSGA-II), MobileNetv2, and Lesion-Aware Visual Transformer. These machine-learning models have been tested on various datasets, demonstrating their real-world applicability. This review study not only highlights current progress in the field but also provides valuable insights for future research directions in the machine learning-based detection and classification of tea leaf diseases.

研究动机与目标

• 系统评估用于通过图像分类进行茶叶叶片病害检测的最先进机器学习模型。
• 识别新兴视觉变换器架构在茶叶叶片病害识别背景下的优势与局限性。
• 从准确率、推理速度和在茶叶叶片数据集上的泛化能力方面，比较传统CNN、基于YOLO的模型以及混合深度学习方法。
• 评估迁移学习与数据增强技术在有限茶叶病害数据集上提升模型性能的作用。
• 提出未来在农业环境中实现可扩展、实时且鲁棒的茶叶病害检测系统的研究方向。

提出的方法

• 对截至2023年11月发表的同行评审论文中基于机器学习的茶叶叶片病害检测研究进行了系统性文献综述。
• 根据架构类型对模型进行分类与分析：视觉变换器（如ICVT、PlantViT、IterationViT）、CNN（如DenseNet、ResNet-50V2）以及目标检测模型（如YOLOv5、YOLOv7）。
• 使用标准指标（如准确率、F1值、精确率、召回率和推理时间）在公开的茶叶叶片病害数据集上评估模型性能。
• 回顾迁移学习与数据增强技术在小规模或类别不平衡的茶叶病害图像集合上提升模型泛化能力的应用。
• 评估关注病灶区域的模型在叶片图像中检测特定病害特征的表现。
• 整合各研究的发现，以比较模型在效率、可扩展性及田间实际部署能力方面的表现。

实验结果

研究问题

• RQ1 哪些机器学习架构在从叶片图像中分类茶叶叶片病害方面展现出最高的准确率与鲁棒性？
• RQ2 基于视觉变换器的模型在检测细微或早期阶段茶叶叶片病害症状方面，与传统CNN相比表现如何？
• RQ3 在有限茶叶病害数据集上训练时，迁移学习与数据增强对模型性能有何影响？
• RQ4 YOLOv5和YOLOv7等目标检测模型在茶叶叶片上定位并分类多种病害类型方面的表现如何？
• RQ5 在真实农业环境中部署这些模型时面临的主要挑战与局限性是什么？

主要发现

• 基于视觉变换器的模型（如ICVT和PlantViT）在捕捉茶叶叶片图像中的长距离依赖关系方面表现优异，显著提升了复杂病害模式的分类准确率。
• YOLOv5和YOLOv7展现出高推理速度与实时检测能力，适用于田间移动设备或边缘计算设备的应用。
• 使用预训练模型（如ResNet-50V2和DenseNet）进行迁移学习显著提升了小规模茶叶病害数据集上的性能，在多项研究中准确率超过90%。
• 关注病灶的视觉变换器在检测局部病害症状方面优于标准模型，表明聚焦于病理性区域的注意力机制具有重要价值。
• 如MobileNetv2等模型在计算成本极低的情况下实现了高效率，使其能够在智能手机等低资源设备上部署。
• 尽管在受控环境下准确率较高，但跨不同茶叶品种和环境条件的泛化能力仍是主要挑战，跨数据集评估中性能显著下降。