Anglicky: A Robust Deep-Learning-Based Detector for Real-Time Tomato Plant Diseases and Pests Recognition
Zdroj: Fuentes, A., Yoon, S., Kim, S. C., Park, D. S. 2017. A Robust Deep-Learning-Based Detector for Real-Time Tomato Plant Diseases and Pests Recognition. Sensor. 17: 2022
Klíčová slova: "choroby rostlin, škůdce, hluboké konvoluční neuronové sítě, zpracování v reálném čase, detekce"
Choroby rostlin a jejich škůdci představují obecně v zemědělství problém. Přesná a rychlá detekce těchto symptomů by mohla pomoci rozvinout techniku včasného ošetření a tím podstatně snížit hospodářské ztráty. Současný vývoj hlubokých neuronových sítí umožnil výzkumníkům značnou měrou zpřesnit metody detekce a rozpoznávání objektů z obrazu. Jelikož choroby a škůdci vykazují jistý vizuální charakter, nabízí se využití těchto metod k rozpoznávání příznaků onemocnění rostlin, v tomto případě rostlin rajčete. Namísto mechanického procesu sběru vzorků a následného analytického zpracování v laboratoři lze vzorky nasbírat nekontaktní metodou pomocí digitálního fotoaparátu a následně je nechat vyhodnotit softwarem. Dokonce lze zároveň pro sběr a vyhodnocování vzorků využít například „chytrého“ mobilního telefonu nebo jeho podobného hardwaru a celý tento proces pak může probíhat v reálném čase.
Cílem této stude bylo najít nejvhodnější architekturu hlubokého strojového učení pro tuto úlohu s ohledem na variabilnost rozlišení vstupního obrazu. Hodnoceny byly tři hlavní skupiny detektorů (architektury neuronových sítí): Faster Region-based Convolutional Neural Network (Faster R-CNN), Single Shot Detector (SSD) a Region-based Fully Convolutional Network
(R-FCN), v kombinaci s extraktory příznaků VGG a ResNet. V práci byla navržena anotační metoda pro označování deseti rozpoznávaných tříd objektů: plíseň listová, plíseň šedá, padlí rajčete, mor rajčete, rakovina rajčete, makadlovka, molice, nutriční přebytek nebo nedostatek, onemocnění způsobené nízkou teplotou rostliny a také pozadí za rostlinou. Pro proces učení bylo použito 5000 snímků nemocí rostlin rajčat pořízených z farem v oblasti korejského poloostrova za různých světelných podmínek a variant scénářů. Každý snímek obsahoval více než jednu třídu, která byla označena obdélníkovým výřezem během procesu anotace. Celkový počet takto anotovaných vzorků byl 43 398, přičemž největší podíl (43,54%) celkové množiny obsahovala třída pozadí za rostlinou s odůvodněním zlepšení výsledné variability prostředí. Dále bylo využito procesu augmentace dat pro zvýšení konečné přesnosti a snížení vlivu přeučení během tréninku neuronové sítě. Učící proces neuronové sítě byl prováděn na trénovací sadě o velikosti 90 % z celkové množiny (včetně 10 % validační množiny) na výkonném počítači s dvěma grafickými kartami v 200 000 iteracích. Zbylých 10 % vzorků množiny pak zbývalo na testovací proces, ze kterého byla výstupem chybová matice. Nejlepší výsledky dosáhl model neuronové sítě Faster R-CNN s extraktorem příznaků VGG-16, a to s průměrnou 55% spolehlivostí bez augmentace dat a 83% spolehlivostí s augmentací dat. Nejobtížněji rozeznatelná třída bylo padlí rostliny rajčete. Obecně tento systém dokáže účinně rozpoznat
a lokalizovat devět různých druhů chorob a škůdců, a také je schopen se vypořádat se složitými scénáři v prostředí okolní rostliny.
