Journal of Broadcast Engineering (방송공학회논문지)

The Korean Institute of Broadcast and Media Engineers (한국방송∙미디어공학회)
권호 표지
DOI QR코드

DOI QR Code

Detection and Classification of Leaf Diseases for Phenomics System

피노믹스 시스템을 위한 식물 잎의 질병 검출 및 분류

  • 박관익 (한양대학교 컴퓨터소프트웨어학과) ;
  • 심규동 (한양대학교 컴퓨터소프트웨어학과) ;
  • 견민수 (한양대학교 컴퓨터소프트웨어학과) ;
  • 이상화 (서울대학교 뉴미디어통신공동연구소) ;
  • 백정현 ((주)케이엠씨로보틱스) ;
  • 박종일 (한양대학교 컴퓨터소프트웨어학과)
  • Received : 2022.09.23
  • Accepted : 2022.11.04
  • Published : 2022.11.30
Download PDF
⟨ Previous Next ⟩

Abstract

This paper deals with detection and classification of leaf diseases for phenomics systems. As the smart farm systems of plants are increased, It is important to determine quickly the abnormal growth of plants without supervisors. This paper considers the color distribution and shape information of leaf diseases, and designs two deep leaning networks in training the leaf diseases. In the first step, color distribution of input image is analyzed for possible diseases. In the second step, the image is first partitioned into small segments using mean shift clustering, and the color information of each segment is inspected by the proposed Color Network. When a segment is determined as disease, the shape parameters of the segment are extracted and inspected by proposed Shape Network to classify the leaf disease types in the third step. According to the experiments with two types of diseases (frogeye/rust and tipburn) for apple leaves and iceberg, the leaf diseases are detected with 92.3% recall for a segment and with 99.3% recall for an input image where there are usually more than two disease segments. The proposed method is useful for detecting leaf diseases quickly in the smart farm environment, and is extendible to various types of new plants and leaf diseases without additional learning.

본 논문에서는 스마트팜 시스템에서 재배 중인 식물 잎의 질병을 검출하고, 질병 유형을 분류하는 방법을 제안한다. 영상으로부터식물 잎의 컬러 정보와 질병 유형의 형태 정보를 다층 퍼셉트론(MLP) 모델을 이용하여 학습한다. 1단계에서는 입력된 영상의 컬러분포를 분석하여 질병 존재 여부를 판단한다. 1단계의 질병 존재 가능성이 높은 영상에 대하여 2단계에서는 Mean shift clustering을 이용하여 작은 영역으로 분할하고, 각 분할된 영역 단위로 컬러 정보를 추출하여 제안한 Color Network에 의하여 질병 여부를 판별한다. 컬러 분할된 영역이 Color Network에 의하여 질병으로 판별되면, 3단계에서는 그 영역의 형태 정보를 추출하여 제안한 Shape Network를 이용하여 질병의 유형을 분류한다. 사과나무 잎과 서양 양상추(Iceberg)에서 발생하는 두 가지 대분류 유형의 질병에 대하여, 제안한 기법은 작은 영역 단위로는 92.3%의 잎 질병 검출률을 보였으며, 보통 2개 이상의 질병 영역이 존재하는 한 장의 영상 단위로는 99.3% 이상의 검출률을 보였다. 본 논문에서 제안한 방법은 스마트팜 환경에서 잎 식물의 질병 여부를 조기에 발견할 수 있으며, 대상 식물에 따른 추가 학습 없이 다양한 식물과 질병 유형으로 확대 적용이 가능하다.

Keywords

Acknowledgement

이 논문은 2021 년도 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원의 ICT R&D 지원을 받아 수행된 연구임 (No.2021-0-00917, 식물 성장 영상 정보를 이용한 식물공장 피노믹스 시스템 개발)

References

  1. Skobelev, Petr Olegovich, et al. "Development of a knowledge base in  the "smart farming" system for agricultural enterprise management."  Procedia Computer Science Vol. 150, pp.154-161, 2019.  doi: https://doi.org/10.1016/j.procs.2019.02.029 
  2. Singh, Vijai, and Ak K. Misra. "Detection of plant leaf diseases using  image segmentation and soft computing techniques." Information  processing in Agriculture Vol4, No.1, pp.41-49, 2017.  doi: https://doi.org/10.1016/j.inpa.2016.10.005 
  3. Jadhav, Sachin B. "Convolutional neural networks for leaf  image-based plant disease classification." IAES International Journal  of Artificial Intelligence, Vol.8, No.4, pp.328-341, Dec 2019.  doi: http://doi.org/10.11591/ijai.v8.i4.pp328-341 
  4. Comaniciu, Dorin, and Peter Meer. "Mean shift: A robust approach  toward feature space analysis." IEEE Transactions on pattern analysis  and machine intelligence, Vol.24, No.5, pp.603-619, May 2002.  doi: https://doi.org/10.1109/34.1000236 
  5. Kim, Yejin, et al. "Determination of shape parameters of sands: a deep  learning approach." Acta Geotechnica, Vol.17, No.4, pp.1521-1531,  Jan 2022.  doi: https://doi.org/10.1007/s11440-022-01464-1 
  6. Venkatasubbaiah, P., T. B. Sutton, and W. S. Chilton. "Effect of  phytotoxins produced by Botryosphaeria obtusa, the cause of black rot  of apple fruit and frogeye leaf spot." Phytopathology, Vol.81, No.3,  pp.243-247, 1991.  doi: https://doi.org/10.1094/phyto-81-243 
  7. Crowell, Ivan H. "The hosts, life history and control of the cedar-apple  rust fungus gymnosporangium juniperi-virginianae schw." Journal of  the Arnold Arboretum, Vol.15, No.3, pp.163-232, July 1934.  doi: https://doi.org/10.5962/p.185310 
  8. Macias-Gonzalez, M., et al. "Genetic architecture of tipburn resistance  in lettuce." Theoretical and Applied Genetics, Vol.132, No.8,  pp.2209-2222, May 2019.  doi: https://doi.org/10.1007/s00122-019-03349-6 
  9. Mohammed, R., Rawashdeh, J., & Abdullah, M. "Machine learning  with oversampling and undersampling techniques: overview study and  experimental results." 11th international conference on information  and communication systems (ICICS), pp. 243-248, April 2020.  doi: https://doi.org/10.1109/ICICS49469.2020.239556 
  10. Berger, Anna, and Sergey Guda. "Threshold optimization for F measure of macro-averaged precision and recall." Pattern Recognition,  Vol.102, pp.107250-107259, 2020.  doi: https://doi.org/10.1016/j.patcog.2020.107250