Small data deep learning methodology for in-field disease detection

要約

作物の病気を早期に検出することは、収穫量の損失を防ぎ、最終製品の品質を向上させるために不可欠です。
これに関連して、機械学習と近接センサーの組み合わせが、この検出を効率的かつ効果的に達成できる技術として登場しつつあります。
たとえば、この機械学習アプローチは、疫病 (Phytophthora infestans) を検出するためにジャガイモ作物に適用され、べと病を検出するためにブドウの作物に適用されています。
ただし、専門文献にあるこれらの AI モデルのほとんどは、実験室で撮影された葉ごとの画像を使用して開発されており、現場の状態を表しておらず、適用可能性が制限されています。
この研究では、畑で直接撮影された高解像度 RGB 画像の分析を通じて、ジャガイモ作物の疫病の軽度の症状を検出できる最初の機械学習モデルを紹介します。これは、他の文献の制限を克服し、実際の状況を示します。
世界的な適用可能性。
私たちの提案は、パッチングの概念を介して高解像度画像の利用可能性を活用し、焦点損失関数を備えたディープ畳み込みニューラル ネットワークに基づいており、フィールド条件で生じる複雑なパターンに焦点を当てたモデルを作成します。
さらに、少数の高解像度画像でこれらのニューラル ネットワークのトレーニングを容易にするデータ拡張スキームを提示します。これにより、スモール データ パラダイムの下でモデルの開発が可能になります。
私たちのモデルは、テスト データセット内の疫病のすべてのケースを正確に検出し、初期症状の特定における高レベルの精度と有効性を実証しています。
これらの有望な結果は、農業における病気や害虫の早期検出に機械学習を利用できる可能性を裏付け、より適切な治療を可能にし、作物への影響を軽減します。

要約(オリジナル)

Early detection of diseases in crops is essential to prevent harvest losses and improve the quality of the final product. In this context, the combination of machine learning and proximity sensors is emerging as a technique capable of achieving this detection efficiently and effectively. For example, this machine learning approach has been applied to potato crops — to detect late blight (Phytophthora infestans) — and grapevine crops — to detect downy mildew. However, most of these AI models found in the specialised literature have been developed using leaf-by-leaf images taken in the lab, which does not represent field conditions and limits their applicability. In this study, we present the first machine learning model capable of detecting mild symptoms of late blight in potato crops through the analysis of high-resolution RGB images captured directly in the field, overcoming the limitations of other publications in the literature and presenting real-world applicability. Our proposal exploits the availability of high-resolution images via the concept of patching, and is based on deep convolutional neural networks with a focal loss function, which makes the model to focus on the complex patterns that arise in field conditions. Additionally, we present a data augmentation scheme that facilitates the training of these neural networks with few high-resolution images, which allows for development of models under the small data paradigm. Our model correctly detects all cases of late blight in the test dataset, demonstrating a high level of accuracy and effectiveness in identifying early symptoms. These promising results reinforce the potential use of machine learning for the early detection of diseases and pests in agriculture, enabling better treatment and reducing their impact on crops.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google