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

Immaginate di essere un detective che cerca di risolvere un mistero, ma invece di una scena del crimine, state osservando una foglia. Nel mondo dell'agricoltura intelligente, i computer vengono istruiti per giocare a questo gioco da detective. Utilizzano un ramo dell'intelligenza artificiale chiamato "deep learning", che è come un cervello digitale che impara guardando migliaense di immagini. Di solito, questi cervelli digitali sono come giganti affamati; hanno bisogno di "mangiare" milioni di foto per imparare a distinguere una foglia malata da una sana. Ma nel mondo reale, gli agricoltori spesso non dispongono di milioni di foto. Potrebbero avere solo pochi scatti di una nuova malattia che sta apparendo nel loro campo. È qui che entra in gioco un trucco speciale chiamato "few-shot learning". È come insegnare a un detective a riconoscere un nuovo criminale dopo aver visto solo uno o due ritratti segnaletici, invece di aver bisogno di un intero annuario di sospettati. L'obiettivo è costruire un sistema in grado di individuare le malattie delle piante in modo rapido e accurato, anche quando non ha visto quella specifica malattia mille volte prima, perché salvare i raccolti dalle malattie significa salvare cibo e denaro.

Incontra il nuovo detective della zona: un sistema chiamato PR-CNN. I ricercatori dietro questo studio volevano risolvere un problema complicato: le foglie di fagiolo. Le foglie di fagiolo sono complicate perché, quando si ammalano, le macchie possono sembrare molto simili tra loro, oppure possono essere nascoste dietro sfondi disordinati come terra o altre piante. Il team ha costruito un nuovo cervello digitale progettato specificamente per gestire questi misteri delle foglie di fagiolo. Hanno combinato tre strumenti potenti in un unico super-investigatore. Per prima cosa, hanno utilizzato una standard "rete neurale convoluzionale", che è il motore di base che osserva l'immagine. In secondo luogo, hanno aggiunto qualcosa chiamato "attenzione a piramide divisa" (pyramid split attention). Pensate a questo come se aveste dato al detective un set di diverse lenti d'ingrandimento. Alcune lenti si avvicinano molto per vedere minuscoli granelli, mentre altre si allontanano per vedere l'intera forma della foglia. Questo aiuta il computer a concentrarsi sulle macchie malate importanti e a ignorare il rumore di fondo noioso. Terzo, hanno utilizzato una "rete di relazione" (relation network). Invece di limitarsi a memorizzare l'aspetto di una foglia malata, questa parte del cervello impara come confrontare due immagini fianco a fianco. Chiede: "Quanto è simile questa nuova foglia a quelle malate che ho già visto?" e fornisce un punteggio basato su questa relazione.

Il team ha testato il loro nuovo detective su un dataset di foglie di fagiolo che hanno raccolto da un'azienda agricola nell'Henan, in Cina, insieme ad alcuni dati open-source. Avevano un totale di 11.903 campioni, che coprivano quattro tipi di malattie: ruggine, mosaico, muffa fogliare e macchia bianca, oltre alle foglie sane. Quando hanno messo alla prova il PR-CNN, ha performato incredibilmente bene. Nel loro esperimento principale, il sistema ha dato la risposta corretta il 99,24% delle volte. Per mettere le cose in prospettiva, lo hanno confrontato con alcuni dei più famosi "giganti" del mondo del deep learning, come ResNet50, DenseNet, Inception v4 ed EfficientNet B7. Il nuovo sistema PR-CNN li ha battuti tutti, dimostrando che il suo speciale mix di lenti d'ingrandimento e capacità di confronto funziona meglio dei metodi standard. I ricercatori hanno anche testato il sistema su altri quattro dataset pubblici di malattie delle piante e ha mantenuto la calma, raggiungendo un'accuratezza media del 99,84% in tutto il campo.

Tuttavia, gli autori sono cauti nel non affermare che questa sia la soluzione finale e perfetta per ogni problema dell'universo. Sottolineano che il loro sistema è attualmente uno specialista; conosce solo come diagnosticare quei quattro tipi specifici di malattie del fagiolo. Se un agricoltore mostrasse al sistema un nuovo tipo di malattia del fagiolo o una malattia su una pianta di pomodoro, il sistema non saprebbe cosa fare. Ha anche alcuni limiti per quanto riguarda il caos del mondo reale. In una foto perfetta da laboratorio, la foglia è chiara e ben illuminata, ma in un vero campo, le foglie potrebbero essere sfocate, coperte di sporco o nascoste dietro altre piante. Il documento suggerisce che, sebbene il sistema sia un grande passo avanti, deve ancora essere testato in queste condizioni reali e disordinate. Il team nota anche che il loro sistema attuale guarda solo immagini statiche, non video, e non dice ancora all'agricoltore quanto sia grave la malattia, ma solo cos'è.

Nonostante questi limiti, i risultati sono una forte indicazione che questo approccio funziona. Combinando la capacità di vedere i dettagli a diverse scale con l'abilità di confrontare le immagini, il PR-CNN dimostra che possiamo costruire strumenti più intelligenti e adattabili per l'agricoltura. Gli autori credono che in futuro questa tecnologia potrebbe essere spostata sui telefoni cellulari, permettendo agli agricoltori di scattare una foto di una foglia e ottenere una diagnosi istantanea. Per ora, però, il PR-CNN è un detective altamente accurato e specializzato che dimostra come, con il giusto mix di attenzione e confronto, i computer possano imparare a salvare i nostri raccolti anche quando non hanno visto il nemico un milione di volte prima.