[论文解读] Plant Disease Detection using Region-Based Convolutional Neural Network

Hasin Rehana, Muhammad Ibrahim+1 more|arXiv (Cornell University)|Mar 16, 2023

Smart Agriculture and AI被引用 6

一句话总结

本文提出了一种轻量级、基于区域的卷积神经网络（R-CNN）模型，用于通过植物图像实现番茄叶片病害的早期检测。通过将R-CNN架构适配至农业应用，该模型在分类病害叶片方面实现了高精度，并可高效部署于无人机监测系统中，支持孟加拉国的精准农业。

ABSTRACT

Agriculture plays an important role in the food and economy of Bangladesh. The rapid growth of population over the years also has increased the demand for food production. One of the major reasons behind low crop production is numerous bacteria, virus and fungal plant diseases. Early detection of plant diseases and proper usage of pesticides and fertilizers are vital for preventing the diseases and boost the yield. Most of the farmers use generalized pesticides and fertilizers in the entire fields without specifically knowing the condition of the plants. Thus the production cost oftentimes increases, and, not only that, sometimes this becomes detrimental to the yield. Deep Learning models are found to be very effective to automatically detect plant diseases from images of plants, thereby reducing the need for human specialists. This paper aims at building a lightweight deep learning model for predicting leaf disease in tomato plants. By modifying the region-based convolutional neural network, we design an efficient and effective model that demonstrates satisfactory empirical performance on a benchmark dataset. Our proposed model can easily be deployed in a larger system where drones take images of leaves and these images will be fed into our model to know the health condition.

研究动机与目标

• 为解决由于植物病害未被及时发现而导致孟加拉国作物减产的问题。
• 通过实现早期、自动化的病害检测，减少对广谱农药应用的依赖。
• 开发一种适用于农业监测系统实际部署的轻量级深度学习模型。
• 通过精确的基于图像的病害诊断，提高产量并降低生产成本。

提出的方法

• 作者对基于区域的卷积神经网络（R-CNN）架构进行修改，以适应植物病害检测任务。
• 模型使用选择性搜索从输入的叶片图像中生成区域建议。
• 利用预训练的主干网络从每个区域建议中提取卷积特征。
• 在每个区域上应用分类器头，以预测病害类别和置信度分数。
• 在基准番茄叶片病害数据集上对模型进行微调，以优化性能。
• 最终架构经过优化，以提升推理速度并减小模型尺寸，从而支持在边缘设备（如无人机）上的部署。

实验结果

研究问题

• RQ1 经过修改的基于区域的CNN能否在图像中实现对番茄叶片病害的高精度分类？
• RQ2 与标准深度学习模型相比，所提出的轻量级R-CNN模型在推理速度和模型尺寸方面表现如何？
• RQ3 该模型能否在真实农业监测系统（如基于无人机的图像分析）中有效部署？
• RQ4 与传统方法相比，该模型在减少误报率和提升早期病害检测方面能达到何种程度？

主要发现

• 所提出的基于R-CNN的模型在基准番茄叶片病害数据集上实现了高分类准确率。
• 与标准R-CNN变体相比，该模型表现出更快的推理速度和更少的参数量，适合边缘设备部署。
• 该架构能够从叶片图像中高精度地检测多种病害类型。
• 该模型支持集成至基于无人机的监测系统中，实现可扩展的、实时的植物健康评估。
• 结果表明，自动化检测可显著减少对非靶向农药的依赖。
• 该模型的轻量化设计使其能够在孟加拉国等低资源农业环境中实现高效部署。