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

Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van een plaats delict, kijk je naar een blad. In de wereld van slimme landbouw worden computers geleerd om dit detectivespel te spelen. Ze gebruiken een tak van kunstmatige intelligentie genaamd "deep learning", wat een soort digitaal brein is dat leert door naar duizenden foto's te kijken. Normaal gesproken zijn deze digitale breinen als hongerige reuzen; ze moeten miljoenen foto's "eten" om te leren hoe ze een ziek blad van een gezond blad kunnen onderscheiden. Maar in de echte wereld hebben boeren vaak niet miljoenen foto's tot hun beschikking. Ze hebben misschien slechts een paar snapshots van een nieuwe ziekte die opduikt in hun veld. Dit is waar een speciale truc genaamd "few-shot learning" om de hoek komt kijken. Het is alsof je een detective leert om een nieuwe crimineel te herkennen na het zien van slechts één of twee politiefoto's, in plaats van een heel jaarboek met verdachten nodig te hebben. Het doel is om een systeem te boueren dat plantenziekten snel en nauwkeurig kan opsporen, zelfs wanneer het die specifieke ziekte nog niet duizend keer heeft gezien, omdat het redden van gewassen van ziekte betekent dat er voedsel en geld wordt gered.

Maak kennis met de nieuwe detective in de stad: een systeem genaamd PR-CNN. De onderzoekers achter deze studie wilden een lastig probleem oplossen: bonenbladeren. Bonenbladeren zijn lastig omdat de vlekken wanneer ze ziek worden erg op elkaar kunnen lijken, of verborgen kunnen zijn achter rommelige achtergronden zoals aarde of andere planten. Het team bouwde een nieuw digitaal brein dat specifiek is ontworpen om deze mysteries van bonenbladeren aan te pakken. Ze combineerden drie krachtige instrumenten tot één superdetective. Ten eerste gebruikten ze een standaard "convolutional neural network", wat de basismotor is die naar de foto kijkt. Ten tweede voegden ze iets toe dat "pyramid split attention" wordt genoemd. Denk hierbij aan het geven van een set verschillende vergrootglazen aan de detective. Sommige brillen zoomen strak in om minuscule spikkels te zien, terwijl andere uitzoomen om de hele bladvorm te zien. Dit hels de computer om zich te concentreren op de belangrijke zieke plekken en de saaie achtergrondruis te negeren. Ten derde gebruikten ze een "relation network". In plaats van alleen te memoriseren hoe een ziek blad eruitziet, leert dit deel van het brein hoe het twee foto's naast elkaar kan vergelijken. Het vraagt: "Hoe vergelijkbaar is dit nieuwe blad met de zieke bladeren die ik eerder heb gezien?" en geeft een score op basis van die relatie.

Het team testte hun nieuwe detective op een dataset van bonenbladeren die ze hebben verzameld op een boerderij in Henan, China, samen met open-source data. Ze hadden in totaal 11.903 monsters, variërend over vier soorten ziekten: roest, mozaïek, bladschimmel en witte stip, plus gezonde bladeren. Toen ze PR-CNN aan de test onderwierpen, presteerde het systeem ongelooflijk goed. In hun hoofdexperiment had het systeem in 99,24% van de gevallen het juiste antwoord. Om dit in perspectief te plaatsen, vergeleken ze het met enkele van de beroemdste "reuzen" in de wereld van deep learning, zoals ResNet50, DenseNet, Inception v4 en EfficientNet B7. Het nieuwe PR-CNN-systeem versloeg hen allemaal, wat aantoont dat de speciale mix van vergrootglazen en vergelijkingsvaardigheden beter werkt dan de standaardmethoden. De onderzoekers testten het ook op vier andere publieke plantenziekte-datasets, en het behield zijn koelte, waarbij het een gemiddelde nauwkeurigheid van 99,84% behaalde over de hele linie.

De auteurs zijn echter voorzichtig om niet te beweren dat dit de definitieve, perfecte oplossing is voor elk probleem in het universum. Ze wijzen erop dat hun systeem momenteel een specialist is; het kent alleen die vier specifieke bonenziekten. Als een boer het presenteert aan een nieuwe soort bonenziekte of een ziekte op een tomatenplant, weet het systeem nog niet wat het moet doen. Het heeft ook beperkingen wanneer het gaat om de chaos van de echte wereld. In een perfecte labfoto is het blad duidelijk en goed verlicht, maar in een echt veld kunnen bladeren wazig zijn, bedekt met vuil of verborgen achter andere planten. Het artikel suggereert dat, hoewel het systeem een enorme stap voorwaarts is, het nog steeds getest moet worden in die rommelige, echte levensomstandigheden. Het team merkt ook op dat hun huidige systeem alleen naar stilstaande beelden kijkt, niet naar video's, en het vertelt de boer nog niet hoe erg de ziekte is, alleen wat het is.

Ondanks deze beperkingen zijn de resultaten een sterk bewijs dat deze nieuwe aanpak werkt. Door de mogelijkheid om details op verschillende schalen te zien te combineren met de vaardigheid om afbeeldingen te vergelijken, laat PR-CNN zien dat we slimmere, aanpasbaardere hulpmiddelen voor de landbouw kunnen bouwen. De auteurs geloven dat deze technologie in de toekomst naar mobiele telefoons verplaatst kan worden, zodat boeren een foto van een blad in het veld kunnen maken en een directe diagnose krijgen. Voor nu staat PR-CNN echter als een zeer nauwkeurige, gespecialiseerde detective die bewijst dat met de juiste mix van aandacht en vergelijking, computers kunnen leren om onze gewassen te redden, zelfs wanneer ze de vijand niet een miljoen keer hebben gezien.