植物の葉の病害虫分類に向けた強力な事前学習ベースモデルの開発

Abstract

植物、作物、そしてそれらの収量は、私たちの存在そのものに欠かせないものですが、病害や害虫によって毎年大きな損失が発生します。そのため、病気を早期に発見し、適切に治療できるようにするとともに、まだ可能なうちに蔓延を止めることが重要です。手作業や従来の方法では、人が畑を歩いて行き、症状を「手で」確認する必要があります。これは非常に労力がかかり、非常に時間を要します。そこで結果として、機械学習（ML）手法が適用され、有望な結果が得られています。CNNモデルは特に効率的であり、事前に手作業で特徴量を構築することなく、画像から特徴を自動的に抽出し、その特徴を分類器に入力できます。データセットは、モデルの最終的な性能に大きく影響します。データセットがこの分野にとって重要であるにもかかわらず、公的に利用可能なものと、十分に能力のあるモデルを十分に訓練するのに必要なものとの間には、依然としてある種の食い違いがあるように見えます。これらの欠点を克服するため、本論文の一部として、植物の葉の病害分類分野のオープンデータセットが特定され、さらにそれらで学習可能なモデルが示されるとともに、その適合性を評価するための大規模なベンチマークが実施されました。次に、これらの調査結果およびデータ拡張の適用可能性に関する調査の結果に基づいて新しいデータセットが構築されました。このデータセットを用いて、DenseNet201アーキテクチャに基づく新たなベースモデルを学習します。そのモデルは、当該の新データセットにおいてベースラインモデルを上回るだけでなく、別の新しいデータセット上で行った、植物の葉の病害分類ドメイン特化の転移学習（Transfer-Learning）実験でも上回ることができました。この新しいモデルは、一般的なモデルよりも、転移学習（TL）による学習をより速く、より頑健に、より安定して、そしてより少ないデータで実現することができ、さらに、この分野が依然として抱える多くの問題を克服します。