[论文解读] Mobile-Based Deep Learning Models for Banana Diseases Detection

Sophia Sanga, Victor Mero+2 more|arXiv (Cornell University)|Apr 7, 2020

Smart Agriculture and AI参考文献 10被引用 16

一句话总结

本研究基于InceptionV3和ResNet152的迁移学习，开发了一款基于移动设备的深度学习应用，用于检测香蕉叶上的尖孢镰刀菌枯萎病1号小种和黑斑病。该模型在测试中达到95.5%的准确率，并成功部署于安卓设备，在真实场景检测中实现99%的置信度，使坦桑尼亚的小农户能够实现离线、随时随地的病害诊断。

ABSTRACT

Smallholder farmers in Tanzania are challenged on the lack of tools for early detection of banana diseases. This study aimed at developing a mobile application for early detection of Fusarium wilt race 1 and black Sigatoka banana diseases using deep learning. We used a dataset of 3000 banana leaves images. We pre-trained our model on Resnet152 and Inceptionv3 Convolution Neural Network architectures. The Resnet152 achieved an accuracy of 99.2% and Inceptionv3 an accuracy of 95.41%. On deployment using Android mobile phones, we chose Inceptionv3 since it has lower memory requirements compared to Resnet152. The mobile application on real environment detected the two diseases with a confidence level of 99% of the captured leaf area. This result indicates the potential in improving the yield of bananas by smallholder farmers using a tool for early detection of diseases.

研究动机与目标

• 为解决坦桑尼亚阿鲁沙、姆贝亚和乞力马扎罗地区小农户在早期检测香蕉真菌病害方面面临的挑战。
• 减少尖孢镰刀菌枯萎病1号小种和黑斑病造成的作物损失，这些病害在东非显著影响香蕉产量。
• 开发一种可访问、支持离线运行的移动应用程序，利用深度学习为农民提供实时病害诊断支持。
• 利用预训练的卷积神经网络（ResNet152和InceptionV3）进行迁移学习，实现在移动设备上高效且准确的病害分类。
• 通过智能手机技术实现快速、低成本的病害检测，支持及时干预，从而改善农业产出。

提出的方法

• 使用包含3,000张香蕉叶图像的数据集，对预训练的深度学习模型（ResNet152和InceptionV3）进行微调，通过数据增强技术将图像扩展至18,000张，涵盖三类：健康、黑斑病和尖孢镰刀菌枯萎病1号小种。
• 数据增强技术包括水平翻转、缩放（0.2）、旋转、错切（0.1）、裁剪以及按1/255的比例缩放，以提升模型泛化能力。
• 将数据集按80%训练、15%验证和5%测试的比例划分，以确保评估无偏见且模型选择合理。
• 使用TensorFlow配合Keras后端，在GPU支持的环境中（Google CoLab和Dell Precision工作站）进行训练，实现高效计算。
• 尽管准确率较低，但选择InceptionV3模型用于移动设备部署，因其相比ResNet152具有更低的内存占用。
• 最终模型通过TensorFlow Lite部署于安卓设备，实现在无网络环境下对拍摄的叶片图像进行实时推理。

实验结果

研究问题

• RQ1 基于预训练CNN的迁移学习是否能在移动系统中实现对香蕉叶尖孢镰刀菌枯萎病1号小种和黑斑病的高精度检测？
• RQ2 在香蕉叶病害检测任务中，ResNet152和InceptionV3在准确率、推理时间和内存使用方面表现如何？
• RQ3 在真实田间条件下，具备设备端推理能力的移动应用在多大程度上能提供可靠且高置信度的病害检测？
• RQ4 数据增强对提升小农户农田环境中图像质量参差不齐情况下的模型泛化能力和鲁棒性有何影响？
• RQ5 支持离线运行的移动应用是否能显著提升坦桑尼亚小农户在香蕉病害早期检测和产量表现方面的成效？

主要发现

• ResNet152模型在测试中达到99.8%的准确率，验证准确率达到99.2%，表现出优异的香蕉叶病害分类性能。
• InceptionV3模型在测试中达到95.5%的准确率，验证准确率达到95.4%，且相比ResNet152具有显著更低的内存需求。
• 在真实场景的移动设备部署中，基于InceptionV3的应用对所捕获叶片区域的病害检测置信度达到99%，满足70%的阈值要求。
• 该移动应用已成功部署于安卓设备，支持离线运行，使低网络覆盖的农村农业地区也能实现可访问性。
• 本研究证实，基于移动设备的深度学习工具可显著提升香蕉病害的早期检测能力，支持及时干预并提高产量。
• 基于Android和TensorFlow Lite构建的FUSI Scanner应用，为小农户农业系统中的病害监测提供了可扩展、低成本的解决方案。