PR-CNN: A Multiscale Attention Relation Network for Accurate Bean Leaf Disease Image Recognition

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber anstatt eines Tatorts betrachten Sie ein Blatt. In der Welt der intelligenten Landwirtschaft werden Computer beigebracht, dieses Detektivspiel zu spielen. Sie nutzen einen Zweig der künstlichen Intelligenz namens „Deep Learning“, was wie ein digitales Gehirn ist, das durch das Betrachten von tausenden Bildern lernt. Normal in gesehen diese digitalen Gehirne wie hungrige Riesen; sie müssen Millionen von Fotos „essen“, um zu lernen, wie man ein krankes Blatt von einem gesunden unterscheidet. Aber in der realen Welt haben Landwirte oft nicht Millionen von Fotos zur Verfügung. Sie besitzen vielleicht nur ein paar Schnappschüsse einer neuen Krankheit, die gerade auf ihrem Feld auftaucht. Hier kommt ein spezieller Trick namens „Few-Shot Learning“ ins Spiel. Es ist, als würde man einen Detektiv lehren, einen neuen Kriminellen nach nur ein oder zwei Fahndungsfotos zu erkennen, anstatt ein ganzes Jahrbuch voller Verdächtiger zu benötigen. Das Ziel ist es, ein System zu bauen, das Pflanzenkrankheiten schnell und präzise erkennen kann, selbst wenn es diese spezifische Krankheit noch nicht tausendmal gesehen hat, denn die Rettung von Nutzpflanzen vor Krankheiten bedeutet auch, Lebensmittel und Geld zu retten.

Lernen Sie den neuen Detektiv der Stadt kennen: ein System namens PR-CNN. Die Forscher hinter dieser Studie wollten ein schwieriges Problem lösen: Bohnenblätter. Bohnenblätter sind knifflig, weil die Flecken, wenn sie krank werden, sich sehr ähnlich sehen können oder sie hinter unordentlichen Hintergründen wie Erde oder anderen Pflanzen verborgen sein können. Das Team baute ein neues digitales Gehirn, das speziell für diese Bohnenblatt-Rätsel entwickelt wurde. Sie kombinierten drei leistungsstarke Werkzeuge zu einem Super-Ermittler. Zuerst verwendeten sie ein standardmäßiges „Convolutional Neural Network“, welches der grundlegende Motor ist, der das Bild betrachtet. Zweitens fügten sie etwas hinzu, das „Pyramid Split Attention“ genannt wird. Stellen Sie sich das wie das Geben eines Detektivs eines Satzes verschiedener Lupen vor. Einige Lupen zoomen eng heran, um winzige Punkte zu sehen, während andere herauszoomen, um die gesamte Blattform zu sehen. Dies hilft dem Computer, sich auf die wichtigen kranken Stellen zu konzentrieren und den langweiligen Hintergrundlärm zu ignorieren. Drittens verwendeten sie ein „Relation Network“. Anstatt nur auswendig zu lernen, wie ein krankes Blatt aussieht, lernt dieser Teil des Gehirns, wie man zwei Bilder nebeneinander vergleicht. Er fragt: „Wie ähnlich ist dieses neue Blatt den kranken Blättern, die ich zuvor gesehen habe?“ und vergibt eine Punktzahl basierend auf dieser Beziehung.

Das Team testete seinen neuen Detektiven an einem Datensatz von Bohnenblättern, den sie auf einem Bauernhof in Henan, China, zusammen mit Open-Source-Daten gesammelt hatten. Sie hatten insgesamt 11.903 Stichproben, die vier Arten von Krankheiten abdeckten: Rost, Mosaik, Blattbrand und Weißpunkt, sowie gesunde Blätter. Als sie PR-CNN auf die Probe stellten, schnitt das System unglaublich gut ab. In ihrem Hauptexperiment lieferte das System in 99,24 % der Fälle die richtige Antwort. Um dies einzuordnen: Sie verglichen es mit einigen der berühmtesten „Riesen“ der Deep-Learning-Welt, wie ResNet50, DenseNet, Inception v4 und EfficientNet B7. Das neue PR-CNN-System schlug sie alle und zeigte, dass seine spezielle Mischung aus Lupen und Vergleichsfähigkeiten besser funktioniert als die Standardmethoden. Die Forscher testeten es auch auf vier anderen öffentlichen Pflanzenkrankheits-Datensätzen, und es behielt die Ruhe und erreichte eine durchschnittliche Genauigkeit von 99,84 % über alle Datensätze hinweg.

Die Autoren sind jedoch vorsichtig damit, zu behaupten, dass dies die endgültige, perfekte Lösung für jedes Problem im Universum ist. Sie weisen darauf hin, dass ihr System derzeit ein Spezialist ist; es weiß nur, wie es diese vier spezifischen Bohnenkrankheiten diagnostiziert. Wenn ein Landwirt es mit einer neuen Art von Bohnenkrankheit oder einer Krankheit an einer Tomatenpflanze konfrontiert, weiß das System noch nicht, was zu tun ist. Es hat auch gewisse Grenzen, wenn es um das Chaos der realen Welt geht. In einem perfekten Laborfoto ist das Blatt klar und gut beleuchtet, aber auf einem echten Feld können Blätter verschwommen, mit Schmutz bedeckt oder hinter anderen Pflanzen verborgen sein. Die Arbeit legt nahe, dass das System zwar ein großer Schritt nach vorne ist, aber in diesen unordentlichen, realen Bedingungen noch getestet werden muss. Das Team stellt auch fest, dass ihr aktuelles System nur Standbilder betrachtet, keine Videos, und es dem Landwirt noch nicht sagt, wie schlimm die Krankheit ist, sondern nur, was es ist.

Trotz dieser Einschränkungen sind die Ergebnisse ein starker Hinweis darauf, dass dieser neue Ansatz funktioniert. Durch die Kombination der Fähigkeit, Details auf verschiedenen Skalen zu sehen, mit der Fertigkeit, Bilder zu vergleichen, zeigt PR-CNN, dass wir intelligentere, anpassungsfähigere Werkzeuge für die Landwirtschaft bauen können. Die Autoren glauben, dass diese Technologie in Zukunft auf Mobiltelefone übertragen werden könnte, sodass Landwirte ein Foto eines Blattes auf dem Feld machen und eine sofortige Diagnose erhalten können. Im Moment jedoch ist PR-CNN ein hochpräziser, spezialisierter Detektiv, der beweist, dass mit der richtigen Mischung aus Aufmerksamkeit und Vergleich Computer lernen können, unsere Ernten zu retten, selbst wenn sie dem Feind noch nicht eine Million Mal begegnet sind.