A Hybrid Technique for Plant Disease Identification and Localisation in Real-time

要約

過去 10 年間にわたり、視覚データに基づいて植物の病気を特定するためのいくつかの画像処理方法とアルゴリズムが提案されてきました。
最近、このタスクのために DNN (ディープ ニューラル ネットワーク) が普及しています。
従来の画像処理と DNN ベースの方法はいずれも、計算上の限界と広範囲にわたる植物病害の特徴により、リアルタイム検出において重大なパフォーマンスの問題に直面します。
この記事では、画像の四分木分解と特徴学習を同時に行うことに基づいて、植物の病気を特定し位置を特定するための新しい手法を提案します。
提案されたアルゴリズムは、比較的低い計算負荷で高解像度画像の精度と高速な収束を大幅に向上させます。
したがって、このアルゴリズムを遠隔操作の画像取得および病気検出システムのスタンドアロン プロセッサに導入するのに理想的であり、大規模な農地で作業するドローンやロボットに搭載するのが理想的です。
この記事で提案されている手法は、従来の画像処理方法と DNN ベースのモデルの利点をさまざまなスケールで活用するため、ハイブリッドであり、推論が高速化されます。
ジャガイモとトマトの作物に対応する 4 つの病気クラスの F1 スコアは約 0.80 です。

要約(オリジナル)

Over the past decade, several image-processing methods and algorithms have been proposed for identifying plant diseases based on visual data. DNN (Deep Neural Networks) have recently become popular for this task. Both traditional image processing and DNN-based methods encounter significant performance issues in real-time detection owing to computational limitations and a broad spectrum of plant disease features. This article proposes a novel technique for identifying and localising plant disease based on the Quad-Tree decomposition of an image and feature learning simultaneously. The proposed algorithm significantly improves accuracy and faster convergence in high-resolution images with relatively low computational load. Hence it is ideal for deploying the algorithm in a standalone processor in a remotely operated image acquisition and disease detection system, ideally mounted on drones and robots working on large agricultural fields. The technique proposed in this article is hybrid as it exploits the advantages of traditional image processing methods and DNN-based models at different scales, resulting in faster inference. The F1 score is approximately 0.80 for four disease classes corresponding to potato and tomato crops.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google