[论文解读] The Plant Pathology 2020 challenge dataset to classify foliar disease of apples

Ranjita Thapa, Noah Snavely+2 more|ArXiv.org|Apr 24, 2020

Plant Pathogens and Fungal Diseases被引用 8

一句话总结

本文引入了一个高质量、真实世界中的苹果叶图像数据集，共包含3,651张图像，对叶部病害（包括苹果黑星病、日本桧锈病和健康叶片）进行了标注，旨在支持自动化植物病害分类。使用标准卷积神经网络训练后，该模型在保留的测试集上达到了97%的准确率，展示了在农业领域实现可扩展、高精度病害检测的强大潜力。

ABSTRACT

Apple orchards in the U.S. are under constant threat from a large number of pathogens and insects. Appropriate and timely deployment of disease management depends on early disease detection. Incorrect and delayed diagnosis can result in either excessive or inadequate use of chemicals, with increased production costs, environmental, and health impacts. We have manually captured 3,651 high-quality, real-life symptom images of multiple apple foliar diseases, with variable illumination, angles, surfaces, and noise. A subset, expert-annotated to create a pilot dataset for apple scab, cedar apple rust, and healthy leaves, was made available to the Kaggle community for 'Plant Pathology Challenge'; part of the Fine-Grained Visual Categorization (FGVC) workshop at CVPR 2020 (Computer Vision and Pattern Recognition). We also trained an off-the-shelf convolutional neural network (CNN) on this data for disease classification and achieved 97% accuracy on a held-out test set. This dataset will contribute towards development and deployment of machine learning-based automated plant disease classification algorithms to ultimately realize fast and accurate disease detection. We will continue to add images to the pilot dataset for a larger, more comprehensive expert-annotated dataset for future Kaggle competitions and to explore more advanced methods for disease classification and quantification.

研究动机与目标

• 开发一个大规模、真实世界的数据集，用于苹果叶部病害的细粒度分类。
• 实现植物病害的自动化、早期检测，以减少对化学农药的依赖。
• 通过公开、专家标注的数据集，支持植物病理学领域的机器学习研究。
• 推动计算机视觉在农业应用中的未来发展。

提出的方法

• 在不同光照、角度、表面和噪声条件下，收集了3,651张高分辨率苹果叶图像。
• 通过专家标注创建了初步数据集，涵盖三种类别：苹果黑星病、日本桧锈病和健康叶片。
• 作为CVPR 2020 FGVC研讨会的一部分，在Kaggle上举办了竞赛，以促进模型开发。
• 在该数据集上使用预训练卷积神经网络（CNN）进行端到端病害分类训练。
• 使用保留的测试集评估模型性能并报告准确率。
• 计划通过未来竞赛和研究持续扩展数据集，增加更多专家标注的图像。

实验结果

研究问题

• RQ1 大规模、多样化、真实世界的数据集是否能提升自动化苹果叶部病害分类的准确率？
• RQ2 在训练数据有限的情况下，标准预训练CNN在专门的植物病害分类任务上表现如何？
• RQ3 数据集的多样性（光照、角度、噪声等）在植物病理学中在多大程度上影响模型的泛化能力？
• RQ4 公开基准竞赛在多大程度上能加速农业计算机视觉领域的进展？
• RQ5 在该数据集上训练的模型在现实果园部署中的可扩展性和可迁移性如何？

主要发现

• 该数据集包含3,651张真实世界中的苹果叶图像，涵盖多样的视觉条件，包括光照变化、拍摄角度、表面差异及噪声。
• 使用标准现成的卷积神经网络在保留的测试集上对三种病害类别分类达到了97%的准确率。
• 该数据集已通过Kaggle向公众开放，以支持社区驱动的研究和模型开发。
• 通过专家标注创建了初步数据集，涵盖苹果黑星病、日本桧锈病和健康叶片。
• 作者计划通过未来竞赛和先进方法开发，进一步扩展数据集，增加更多专家标注的图像。
• 该数据集支持开发用于农业中快速、准确、可扩展的植物病害检测的机器学习模型。