水田の葉病の検出および成長段階特異的治療勧告のための深層学習ベースの方法

Summary

本研究は、ディープラーニングを用いた水稲の成長段階予測と病害分類の手法を提示し、自動化されたユーザーフレンドリーな意思決定支援システムを通じて段階ごとの治療推奨を提供し、効果的な作物病害管理を実現します。

Abstract

水稲の葉病は稲の収量と品質に大きな影響を与えるため、精密農業のために早期発見と適切な処置が不可欠です。本研究は、稲の葉病の検出、成長段階の予測、および段階ごとの治療推奨のためのディープラーニングに基づく意思決定支援システムを提案します。本研究で使用されたデータセットは、複数のソースから収集された水痧画像で構成され、成長段階および病害クラスごとに分類されています。データセットは、適切なモデル評価を確保するために、トレーニングセット(80%)、検証セット(10%)、テストセット(10%)に分けられました。成長段階の予測のために、軽量畳み込みニューラルネットワーク(CNN)モデルが開発され、VGG16、ResNet50、InceptionV3、MobileNetV2などの転移学習モデルを用いて疾患分類が行われました。分類性能向上のために平均確率投票に基づくアンサンブル法が用いられました。モデルは独立テストセット上で、精度、精度、リコール率、F1スコアを用いて評価されました。実験結果は、アンサンブルモデルが個々のモデルよりも高い精度を達成し、堅牢性と一般化の向上を示していることを示しました。提案されたシステムは、病気の検出、成長段階の予測、治療の推奨を提供するStreamlitウェブアプリケーションとして実装されました。提案された統合枠組みは、農家や農業専門家が適時かつ正確な疾病管理の意思決定を行うのを支援します。

Introduction

インドは農業経済であり、農業に大きく依存しており、多くの人口の主食作物は米(稲)です。しかし、稲作はブラスト病、細菌性葉枯病、褐斑病、鞘枯病などの葉病の影響を大きく受けており、収量の減少や経済的損失を引き起こします。これらの疾患の早期発見は不可欠であり、従来の手動検査方法は時間がかかり、しばしば不正確です。この問題に対処するため、本研究は水田の葉の成長段階予測、病害分類、治療推奨のための深層学習に基づく意思決定支援システムを提案します。このシステムはニューラルネットワークモデルを用いて水田の成長段階を予測し、CNN、VGG16、ResNet50、InceptionV3、MobileNetV2などの複数のディープラーニングモデルを用いて病害分類を行います。これらのモデルはアンサンブル方式で統合され、精度と堅牢性が向上し、分類精度は98.99%に達しています。予測される疾患および成長段階に基づき、システムはステージに応じた治療推奨を提供します。提案されたシステムはStreamlitベースのウェブアプリケーションとして実装されており、ユーザーがリーフ画像をアップロードし、リアルタイムの予測や推奨を受け取ることができます。この統合的なアプローチは、実用的かつ拡張可能な精密農業ソリューションを提供し、農家が作物の損失を減らし生産性を向上させるのに役立ちます。

いくつかの研究では、機械学習やディープラーニング技術を作物推薦、病害検出、農業意思決定支援に応用しています。アンサンブル深層学習手法は、病害予測を統合することで作物および肥料の推奨精度を向上させるために用いられており、単一モデルアプローチよりも優れた性能を示しています^。意思決定木やサポートベクターマシンを用いた機械学習ベースの推奨システムも開発されており、作物、肥料、病害処理を提案しつつ、農家のフィードバックを取り入れて適応性を向上させています^。

疾病検出に関しては、ハイブリッドCNNモデルとCLAHEやGLCMなどの特徴抽出技術を組み合わせることで、稲病分類の精度が向上しました^。他のアプローチでは、クラスタリングやテクスチャベースの特徴抽出を用いたランダムフォレストアルゴリズムを用いて病害^{検出性能を向上させ}ています。ディープラーニングモデル、特にCNNや転移学習アーキテクチャは、植物病害検出において高い精度を達成し、リアルタイムおよびスマートフォンベースの^{診断システムを実現}しています^5,6,7。色、質感、形状の特徴を用いた従来の画像処理および分類木法も、計算量を抑えながら効果的な病害検出を示している^8,9。

アンサンブル学習は、ランダムフォレスト、ナイーブベイズ、サポートベクターマシンなどの分類器を組み合わせることで、予測精度と堅牢性を向上させることで作物推薦システムで広く利用^{されています。}CNNベースのモデルは、稲病の検出やIoTシステムと統合されてリアルタイムの農業勧告にも利用されています¹¹。K近傍や回帰分析手法などの機械学習モデルは、予測意思決定支援システムに応用されています^。さらに、土壌、季節、生産性の要因に基づく作物推奨システムも開発され、データ駆動型の農業意思決定を支えています ¹³。

また、米の生産制約や病害管理戦略についても研究されており、持続可能な病害制御と農業慣行の改善の重要性が強調されています¹⁴。しかし、既存の研究の多くは病害検出や作物の推奨のみに焦点を当てており、病害分類、成長段階の予測、治療推奨を単一の意思決定支援システムに統合しているものは非常に少ないです。このギャップは、統合的かつ実践的な農業意思決定支援フレームワークの必要性を浮き彫りにしています。¹⁵。

この研究の新規性は、疾病分類だけでなく、稲^{病管理のための}完全な意思決定支援システムの開発にもあります。提案されたシステムは、稲の葉の成長段階予測、深層学習モデルのアンサンブルを用いた病害分類、成長段階ごとの治療推奨を統合しています。既存の研究が病害検出のみに焦点を当てているのに対し、本研究は病害予測と植物成長段階¹⁷に基づく実践的な治療アドバイスを結びつけています。この統合的なアプローチにより、システムは実際の農業利用により実用的であり、タイムリーかつ段階に適した介入を提供することで精密農業を支援し^ます。

本研究の主な目的は、稲の葉病を早期に検出し、葉の成長段階を正確に予測し、治療を適時かつ選択的に推奨する次の段階のディープラーニングシステムを構築することです。このシステムは、CNN、VGG16、ResNet50、InceptionV3、MobileNetV2などの先進モデルを精密に組み立てることで、98.99という高い疾病分類精度を達成しています。成長段階を予測し、分析に応じた特定の除草剤や農薬の提案を提供するニューラルネットワークを組み込んでいます。この技術は、リアルタイムの予測や処置アドバイスを可能にする使いやすいStreamlitウェブアプリケーションを通じて農家に提供^{されています。}この研究は、インドのような農業経済にも適用可能な、タイムリーな予測と治療勧告を通じて疾病管理に関する意思決定を促進するべきです。

機械学習やディープラーニングを用いた植物病害検出に関する複数の研究が行われていますが、既存の研究の多くは、植物の発育段階や治療法の提案を考慮せずに病害分類を試みています。しかし、実際の農業現場では、治療指示が病気の性質だけでなく、農薬の程度や種類が作物の段階によって異なるため、処理段階に基づくものではありません。病気の検出、成長段階の予測、治療の提案を一つの自動化システムに統合した研究は非常に少ないです。このギャップを埋めるために、本研究では、稲の葉の段階予測、深層学習モデル群での病害分類、成長段階に基づくStreamlit実行意思決定支援システムによる特定治療の推奨を含む、深層学習ベースの複合アーキテクチャを提案しています²⁰。このような統合により、提案されたシステムは現実世界の精密農業においてより実用的かつ有用なものとなるでしょう。本研究は、成長段階の予測と疾患分類を治療推奨モジュールと組み合わせて完全な意思決定支援パイプラインを形成する段階認識型疾患診断フレームワークを提案^します。

植物の病害検出にはいくつかのディープラーニングやアンサンブル学習の手法が提案されていますが、既存の研究の多くは病害分類のみに焦点を当てており、植物の成長段階を考慮していません。しかし、実際の農業では、処理方法、農薬の種類、投与量は病害の種類だけでなく、植物の成長段階にも依存することが多いです。既存の疾病検出システムは段階ごとの治療推奨を提供しておらず、精密農業における実用的な適用性を制限^{しています。}さらに、多くの既存の研究はディープラーニングモデルを用いた分類精度の向上にのみ焦点を当てており、予測システムを農家や農業専門家が利用できる実用的な意思決定支援フレームワークに統合していません。これらの制約に対処するため、本研究は水纂の成長段階予測、アンサンブル学習を用いた疾患分類、段階ごとの治療推奨を組み合わせた統合意思決定支援システムを提案します。提案されたシステムは、リアルタイムの農業意思決定を支援するウェブベースのアプリケーションとして実装^{されています。}

本研究の主な貢献は、画像データを用いて水稲の葉の成長段階を正確に予測する深層学習モデルの開発であり、これにより作物のモニタリングと管理の改善が可能になりました。また、事前学習モデルを活用して水痩病を効果的に分類するための転移学習技術の実装も含まれており、精度を向上させつつ訓練の複雑^さを削減します。疾病検出の信頼性をさらに高めるために、複数のモデルを組み合わせたアンサンブル学習手法が採用され、優れた分類性能を実現しています。さらに、本研究では、特定された病気と作物の成長段階の両方に基づいた標的を絞った解決策を提供する段階ごとの治療推奨システムを導入し、より正確かつ効果的な農業介入を実現します。最後に、これらすべてのコンポーネントはStreamlitベースのウェブアプリケーションに統合されており、リアルタイムの意思決定支援のためのユーザーフレンドリーなプラットフォームを提供し、農家や関係者が予測や推奨事項に簡単にアクセスできるように^{しています。}

Protocol

以下のプロトコルは、水田の病害検出および治療推奨システムの構築と導入のプロセスを段階的に示します。この論文で提示された発見を再現するためには、取られた手順を連続して行う必要があります。

データセットの準備

Paddyのステージデータセット:このデータはPaddyNet4に基づいています。このシーンは、ステージ2、ステージ3、ステージ4、ステージ5の4つの異なる開発段階に分類された560枚の画像で構成されています。分類は水��の葉の色や成熟度、窒素濃度などの要因や植物の発育に依存します。提示されたデータセットは、水稲の適切な段階を知る上で重要です(図1)。PaddyNetは data.mendeley.com/datasets/ のウェブサイトを通じて一般公開されています。水疴の病害データセット:このデータセットはKaggle上で複数の個別の公開データセットとして利用可能で、合計6,920枚の画像を統合して統一データセットを作成しました。画像は図2に示された6つの病気タイプのいずれかに属していました。治療データセット:このデータセットは、公開されているさまざまなデータセットの情報を収集・統合して重要に開発され、4つの成長期における稲病のさまざまな管理実践に関するデータを含^{んでいます。}このデータセットの主な目的は、水疴病の予防と制御のための推奨事項を策定することです。データは、適切な農薬を選ぶことで水稲の病気と戦う上で不可欠な資源の一つ^です。

データ拡張

データ拡張は訓練データセットの強化と過学習の軽減に用いられました。本研究で用いられている増強手法は、回転(最大30)、幅と高さの移動(最大20%)、ズーム(最大20%)、せん断、水平反転です。これらの拡張手法の使用は、モデルがモデルの本質を習得するのを助け、見えないデータでテストされた際にモデルの一般化を強化します。データ補強はトレーニングデータセットで行われ、検証およびテストデータセットはそのままにしてシステムの公正なパフォーマンスを検証しました。元のデータセットのサイズは比較的小さいため、データで拡張する必要があり、葉の画像の向き、スケール、位置の違いをモデルに導入することで一般化を強化し過学習を最小限に抑える必要がありました。

画像前処理

収集されたステージおよび疾患データは、データの整合性を高め、モデルのパフォーマンスを向上させるために複数の前処理ステップを経ました。両方のデータセットのすべての画像は、128 × 128 × 3にスケーリングされ、どのディープラーニングアーキテクチャにも適合するようになった。ピクセル値は学習時に収束を早めるために間隔[0,1]にスケーリングされました。さらに、病気やその段階のラベルは数値に変換され、モデルをより効果的に評価・訓練しました。これらの前処理手法は特徴の抽出精度向上、分類率の向上、そして異なる環境条件に対するモデルの堅牢性の向上に役立ちました。使用された画像のサイズは128×128で、計算と特徴損失によって損なわれていました。具体的な画像サイズは、学習時間と計算コストを最小限に抑え、ディープラーニングモデルを活用する際に病気や病期を分類するための情報(視覚的特徴)を排除しません。

データセット分割

処理されたデータは3つのサブセットに分けられました(表1):トレーニングセット(80%)、検証セット(10%)、テストセット(10%)。3つのサブセットすべてでクラスの分布が不均衡になることを避けるため、段階データセット(560枚)と疾患データセット(6,920枚)がクラス分布が均等であることを保証するために、層別ランダム抽出が用いられました。サブセット間でデータ漏洩はありませんでした。

モデルトレーニング

水稲の葉や病害の成長段階の分類には、2段階のモデルトレーニング法が用いられました。

ステージ分類モデル

葉の成長段階の分類方法は4つのクラスを持ち、比較的データサイズが小さいため、畳み込みニューラルネットワーク(NN)のアーキテクチャはあまり拡張されていなかったものの、軽量と考えられていました。より単純なアーキテクチャを用いて、色や質感特徴を用いた分類において高い精度を犠牲にする代わりに、過学習や計算能力を削減できます。新しいCNN構造は、ReLU活性化関数を用いた3つの畳み込み層を持ちます。畳み込み層は最大プーリング層(2×2)と交互に配置され、空間次元を縮小し、顕著な特徴を識別します。特徴写像は畳み込み層を経て平坦化され、完全連結の高密度層とドロップアウト正則化が実行され、過学習を抑制します。最後に、4つの成長段階のマルチクラス分類はsoftmax出力層の助けを借りて行われます。 学習率0.001でカテゴリカルクロスエントロピーを損失関数とするアダム最適化器がモデルの学習に用いられました。バッチ数は10に設定され、モデルは10の時代に訓練されました。検証精度や検証損失もモデルのパフォーマンス監視に用いられ、モデルが一般化されているか確認するために使われました。

アンサンブル学習に基づく疾患分類モデル

疾病分類には、予測精度を向上させるために一連のディープラーニングアーキテクチャが採用されました。カスタムCNNモデルの初期開発は、3つの畳み込み層、3つの最大プーリング層、密な完全連結層、そしてドロップアウト正則化の4層で構成されていました。MobileNetV2は深さごとに分離可能な畳み込み、逆残差ブロック、線形残留を含む逆ボトルネックを用いています。モデルはパラメータ数がわずか340万と小さく、資源制約のある環境でも使用できます。モデルはImageNetのアクティベーションを使い始め、畳み込み層は学習した特徴表現が失われないように凍結されました。softmax分類層は、ドロップアウト正則化を持つ完全連結層に付加されていました。すべてのモデルは20のエポックで32のバッチサイズで訓練され、最適化器と損失はCNNモデルと同一でした。分類を改善するために、平均投票アンサンブル学習法が用いられました。結果は、最終クラス予測を得るために5つのモデル(CNN、VGG16、ResNet50、InceptionV3、MobileNetV2)すべてが予測した平均確率でした。この組み合わせ手法は、モデルのバイアスを減らし、一般化を強化するのに有用でした。最後の組み合わせモデルの方が分類の精度が高まりました。アンサンブルアプローチが選ばれた理由は、異なるディープラーニングモデルが同じデータセットを用いて各特徴表現を学習するためです。アンサンブルはまた、モデルバイアスと分散を低減し、独立モデルと比べて全体的な予測問題や一般化性能を向上させます。

予測戦略

水睛病およびそれに関連する成長段階の予測過程において、アンサンブルベースの分類法が用いられました。5つのディープラーニングモデル(CNN、VGG16、ResNet50、InceptionV3、MobileNetV2)は、それぞれ独立して病気を分類し、平均投票アンサンブル法を用いて統合されました。この手順では、すべてのモデルの各疾患カテゴリーの確率と平均確率分布の予測が含まれ、予測可能性に精度が高まり、モデルのバイアスを最小限に抑えました。最終的な予測は、平均確率が最も高い疾患クラスとして選ばれました。さらに、別のCNNベースの段階分類モデルが訓練され、水稲の成長段階を予測するために使用されました。両方の分類モデルは、128x 128の入力画像を受け取り、ピクセル値を正規化してからモデルを使って推論を行います。葉の段階と病害の最終予測は、既存の治療勧告セットにマッピングされ、病気管理のための有効な治療法が提供されました。

例文:「葉の段階:3、病害:トゥングロ」

治療の推奨

水��の病害分類をより実用的にするため、Streamlitに基づく治療推奨システムがアプリケーションに統合されました。システムは予測される病害と葉の段階を基に、病気が効果的に管理されるよう具体的な治療勧告を提供します。アンサンブル病害分類モデル(CNN、VGG16、ResNet50、InceptionV3、MobileNetV2を含む)は病気を分類し、葉の段階分類モデルは別のモデルです。葉と病害のモデル化段階は、推奨用量のある治療データ(予防措置および農薬の適用)と比較されます。

方法論的枠組みと貢献

提示されたシステムの手法は、画像分類と意思決定支援を組み合わせた多段階のパイプラインです。このフレームワークは、画像の促進と増強、葉の成長段階の予測、画像上で訓練されたディープラーニングモデルを用いた病気の分類、予測結果を組み合わせてアンサンブル決定を得ること、そして病気の種類と成長段階に基づく治療の推奨という5つの大きなステップで構成されています。本研究の方法論的貢献は、多くの予測モデルと治療推奨モジュールを一つの意思決定支援パイプラインに統合することに焦点を当てています。このシステムは単に病気の分類だけでなく、植物の成長段階に関する情報を取り入れ、特定の段階での治療勧告も行っています。この段階意識に基づく推薦戦略により、このシステムは現実世界の農業意思決定プロセスにより関連性が高いです。入力画像はまず前処理を受け、その後段階分類モデルおよび疾患分類モデルに送られます。疾患モデルの結果はアンサンブル手法で平均化され、疾患予測と成長段階は治療データベース内の関連治療記録の特定に基づき正確な治療推奨を得るために最後まで持ち込まれます。

検証戦略と過学習防止

開発されたモデルの厳格な検証を提供するため、データセットは3つの選言サブセットに分割されました:トレーニングセット(80%)、検証セット(10%)、テストセット(10%)です。モデルは訓練セットで訓練され、検証セットで調整され、最終的な性能はテストセットのみで評価されました。テストセットはモデルの公平な分析を行うために完全に独立していました。以下の手法は、モデルが過学習しないことを保証し、一般化能力を高めるために用いられました。データセットの多様性レベルを高めるために、まずデータ拡張手法(回転、ズーム、シフト、せん断、水平反転)が用いられました。次に、過学習を減らすためにCNNモデルの完全連結層でドロップアウト正則化が用いられました。第三に、事前学習済みモデル(VGG16、ResNet50、InceptionV3、MobileNetV2)を凍結畳み込み層技術で転送し、学習した特徴を保持し、データセットの小ささによる過学習の可能性を最小限に抑えました。最後に、検証損失と精度を用いて、トレーニング中のモデル性能を監視し、モデルがトレーニングデータに過学習していないか確認しました。これらは、提案されたモデルが未見えデータに対して非常によく一般化し、良好な性能を提供することを保証する検証および正則化スキームです。

提案されたシステム

提案されているのは、葉の段階予測と病気の分類を含む、稲の病害管理に対するディープラーニングソリューションです。まずは水の葉の画像を共通の高さにリサイズし、ピクセル値をリサイズする前処理から始まります。葉の成長段階はニューラルネットワークを用いて予測され、平均投票技術を用いて、CNN、VGG16、ResNet50、InceptionV3、MobileNetV2などの深層学習モデル群を用いて疾患を分類します。システムは予測される病害段階と病状を基に、治療に使用する適切な除草剤や農薬の投与量を処方します。提案されたシステムのワークフローは図3に示されています。前の小節(AからI)では、このパイプラインの各要素を説明しているため、ここでは詳しい説明は行いません。本研究で開発されたStreamlitベースのアプリケーションは、提案モデルの実用的応用性を示すためのプロトタイプ意思決定支援ツールです。このシステムは、ユーザーが水田の葉の画像をアップロードし、病気の予測、成長段階の情報、治療の推奨を受け取ることを可能にします。大規模なユーザビリティテストや農家との現場展開も、システムの実世界での有効性と使いやすさを評価する将来の取り組みの一環として実施されます。

Results

ステージ分類モデル

段階予測モデルは訓練精度95.88%(損失:0.1172)、検証精度95.24%(損失:0.1751)を達成し、モデルが一貫して学習し、未確認検証サンプルに適用した場合に公正な予測を行っていることを示しています。検証精度は95.24%に達し、検証損失は0.1751でした。モデルはテストデータ上で94.05%の精度と0.1759のテスト損失を達成し、モデルの堅牢性と未知サンプルへの対応能力を裏付けています。ステージモデルの精度と損失曲線は(図4)に示されています。

アンサンブル学習を用いた疾病分類モデル

表2は訓練済みモデルの精度と損失結果をまとめており、訓練および検証曲線は図5,6,7

Discussion

本論文では、水田の葉の成長段階の予測、ディープラーニングモデル群(VGG16、MobileNetV2、ResNet50)を活用した疾患分類、ウェブベースのアプリケーションに基づく段階ごとの治療推奨を含む新しい意思決定支援システムを提案しています。アンサンブルモデルは分類精度98.99%を記録し、個別モデルよりも高いです。これは以前報告されているように、個別戦略モデルはバイアスに敏感で^{一般化時に}誤分類しやすい傾向^{があると報告}されています。最も重要な新機能はエンドツーエンドのパイプラインです。農家は水稲の画像を送信し、病気の診断とステージごとの治療推奨をリアルタイムで得られます。これは以前のシステムでは^{統合システムでは}検出できなかった^3,7です。

これまでの水疴病に関するディープラーニン...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
データセット	Paddy Leaf Stage Dataset (PaddyNet4)	4つの成長段階(ステージ2–5)
データセット	水纂病害データセット	Kaggleからの6つの疾患クラスにわたる6920枚の画像
データセット	処理データセット	成長段階別に病害管理の実践を含むデータセットをまとめました
前処理	画像リサイズ	画像を128x128x3にリサイズ
前処理	正規化	ピクセル値は[0,1]にスケールします
前処理	ラベル符号化	カテゴリラベルを数値に変換
増強	回転	最大30度まで
増強	幅と高さのシフト	最大20%まで
増強	ズーム	最大20%まで
増強	シア&フリップ	せん断と水平反転
モデル	CNN(ステージ分類)	3層の変換層を持つ軽量CNN
モデル	CNN(疾病分類)	変換+プーリング層を持つカスタムCNN
モデル	VGG16	転移学習モデル
モデル	ResNet50	転移学習モデル
モデル	インセプションV3	転移学習モデル
モデル	MobileNetV2	軽量移動学習モデル
技術	アンサンブル学習	5モデルの平均確率投票
技術	転移学習	事前学習済みのImageNet重みの使用
技術	ドロップアウト正則化	過学習防止のために
訓練	オプティマイザー	アダム(学習率0.001)
訓練	損失関数	カテゴリー的交差エントロピー
訓練	バッチサイズ	10(ステージモデル)、32(疾患モデル)
訓練	時代	10(ステージ)、20(病気)
評価	指標	正確さ、正確さ、リコール、F1スコア
展開	ストリームライト	リアルタイム予測のためのウェブアプリケーション