[论文解读] Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging

Alessandro Benfenati, Paola Causin+2 more|arXiv (Cornell University)|Dec 20, 2021

Powdery Mildew Fungal Diseases被引用 4

一句话总结

该论文提出了一种基于多光谱成像数据的无监督深度学习方法，利用自编码器检测黄瓜叶片上的早期白粉病。该方法评估了两种策略——特征聚类与异常检测，结果表明通过自编码器实现的异常检测可达到较高的AUC（最高0.94），并可作为少样本监督学习的强先验知识。

ABSTRACT

Objectives. Sustainable management of plant diseases is an open challenge which has relevant economic and environmental impact. Optimal strategies rely on human expertise for field scouting under favourable conditions to assess the current presence and extent of disease symptoms. This labor-intensive task is complicated by the large field area to be scouted, combined with the millimeter-scale size of the early symptoms to be detected. In view of this, image-based detection of early disease symptoms is an attractive approach to automate this process, enabling a potential high throughput monitoring at sustainable costs. Methods. Deep learning has been successfully applied in various domains to obtain an automatic selection of the relevant image features by learning filters via a training procedure. Deep learning has recently entered also the domain of plant disease detection: following this idea, in this work we present a deep learning approach to automatically recognize powdery mildew on cucumber leaves. We focus on unsupervised deep learning techniques applied to multispectral imaging data and we propose the use of autoencoder architectures to investigate two strategies for disease detection: i) clusterization of features in a compressed space; ii) anomaly detection. Results. The two proposed approaches have been assessed by quantitative indices. The clusterization approach is not fully capable by itself to provide accurate predictions but it does cater relevant information. Anomaly detection has instead a significant potential of resolution which could be further exploited as a prior for supervised architectures with a very limited number of labeled samples.

研究动机与目标

• 解决黄瓜叶片上早期白粉病检测的挑战，该挑战因症状仅在毫米尺度且田间巡查工作量大而难以应对。
• 通过利用无监督深度学习技术，减少对大规模人工标注数据集的依赖。
• 探索基于自编码器的方法在无需大量人工标注的情况下进行病害检测的潜力。
• 研究无监督特征学习是否可支持下游监督学习，且仅需极少标注数据。
• 评估将异常检测作为精准农业中植物病害诊断预筛选工具的可行性。

提出的方法

• 利用捕获多个光谱波段反射率的多光谱成像数据，对黄瓜叶片进行分析。
• 采用自编码器架构（包括变分自编码器和去噪自编码器）学习叶片图像的压缩表示。
• 在潜在空间中应用特征聚类，以对相似图像特征进行分组，但该方法单独使用不足以实现准确检测。
• 通过测量图像空间（sₓ）和潜在特征空间（s_z）中的重建误差作为异常得分，实现异常检测。
• 使用受试者工作特征曲线（ROC）和曲线下面积（AUC）评估不同自编码器变体的异常检测性能。
• 比较多种自编码器架构（如B3: Ano-AE），以识别在检测病斑方面表现最佳的模型。

实验结果

研究问题

• RQ1 无监督的基于自编码器的方法是否能有效检测黄瓜叶片中无标签数据支持下的早期白粉病症状？
• RQ2 与直接异常检测相比，自编码器潜在空间中的特征聚类在多大程度上支持病害检测？
• RQ3 基于自编码器的异常检测在AUC方面的诊断性能如何？不同网络架构之间的表现有何差异？
• RQ4 异常检测结果在多大程度上可作为后续仅使用极少标注样本的监督学习的可靠先验？
• RQ5 图像空间与潜在特征空间中的重建误差与实际病害存在之间有何相关性？

主要发现

• 使用图像重建误差作为异常得分时，基于Ano-AE模型的异常检测方法AUC达到0.94，表明其具有出色的诊断性能。
• Ano-AE模型在所有测试配置中表现最佳，AUC最高，尤其在使用特征重建误差作为异常得分时优势明显。
• 潜在空间中的特征聚类虽不足以单独实现准确检测，但能对图像特征进行有意义的分组，且与注意力机制结合可能进一步提升性能。
• 即使在健康叶片中，模型也能重建病斑区域，表明模型学习到了常见叶片瑕疵的重建方式，这在实际部署中构成了现实挑战。
• 高AUC值表明异常检测方法能可靠地区分病害与健康叶片，因此非常适合作为少样本监督学习流程中的预筛选工具。
• 结果表明，无监督自编码器可有效识别早期白粉病症状，即使在极少或无标注数据的情况下，支持精准农业中可扩展且成本效益高的监测。