# 論文筆記 plant --- ## Computer Vision with Deep Learning for Plant Phenotyping in Agriculture: A Survey : 論文筆記 --- [原文網址](https://arxiv.org/abs/2006.11391) --- ## Introduction 人口成長導致食物需求的上升 --- ## Ground-based Remote Sensing for Plant Phenotyping --- ## Unmanned Aircraft Vehicles for Plant Phenotyping * 無人機比傳統人工好的特點： * 更彈性 * 有效率 * 空間解析度更好 * 低成本 * 簡單操作 ---- * UAVs 用在精緻農業管理和監控作物的方式： * 雜草偵測 * 排灌溉的時間 * 農業模式預測 * 灑農藥 * 牛群偵測 * 昆蟲偵測 * 資料收集 --- ## Satellites for Plant Phenotyping * 不可預見的大自然和氣候變遷是影響農作物產量和管理的主要因素，而政府可以幫助人民的有： * 提供人民天氣預報的關鍵訊息 * 土壤條件等 ---- ### 衛星影像 * 降低農民自己觀察的成本 * 最佳化水資源的分配 * 關成土地利用率和基礎場地 * 印度目前自己擁有 7 顆衛星是用來幫助農作物生產 * 栽種面積 ---- * 光學衛星感測器可以觀察： * 可見光 * 靠近地表的近紅外線光波幫助我們了解作物狀況 * 幫助作物生產的方法有： * 預測作物產量 * 作物型號 * 土壤鹽度 * 土壤濕度 * 土壤酸鹼值 * 栽種面積 --- ## Plant Phenotyping with limited Labeled Data * 植物表徵的瓶頸 * 需要大量 label 過的資料集還是一個瓶頸 * 其他資料集 * 整體環境的資料機 * 植物基因序列的資料集 * 小的資料集常常導致 models overfit ---- * 深度神經網路應用於植物表徵的表現很好 * 對有限的資料集的表現很好 * 極大的幫助植物表徵的社群 * 使農夫更願意依靠植物表徵科技達到更好的產量 ---- ### Data Augumentation 電腦視覺花了很大力氣增加資料，但有些限制 擴增資料只可以抓到可變的資料集(e.g. 如果資料集沒有包括特定顏色的水果，那特定的案例永遠學不到) 像這塊可以使用 GAN 來做新的圖片 ---- ### Weakly Supervised Learning * 做水果數量計算 * 傳統的 vision-based solution * 要有很多 label 後的資料 * 也會有標注不準確的問題 * 而有些水果，也不好取得足夠的 label 資料 --- * 有人應用 weakly supervised learning for plant phenotyping * 對高粱的果實進行偵測 * 使用 label 的資料只要到 model 達到足夠的表現 * 透過些許的 loss 的增加 * 達到需要的 label data 指數性的下降 ---- * 作者也提出計算水果不用特別的 label * e.g. 手動匡出特定的區域或是所有的數量 ---- ### Transfer Learning * 就是可以讓知識轉移 ---- ### Active Learning * 可以自動選出好的樣本讓機器學習 * 減少手動 label 的需求 --- ## Challenges and Open Problems * 有哪些存在於 植物表徵 的挑戰 ---- ### The Training Data Bottleneck * 減少深度學習對於大量 label 資料的需求 * 還沒有很好減低人工 label 資料的工具 * 使用前述的方法可以有很好的解法，像是 unsupervised, self-supervised, weakly supervised, active and semi-supervised learning ---- ### Explainability * 深度學習一直像是黑盒子，他產生預測而沒有足夠的公正性 * 使用 explainable ai * 可以有方法對這個深度神經網路 debug * 可以知道是什麼導致錯誤的預測 * 對作物進行預測也可以知道是什麼導致出來的結果不好 * 所以發展 explainable models 也是一個挑戰 ---- ### Data collection * 使用 vision based plant phenotyping 的問題 * 因為天氣改變導致收集到比較暗的圖片 * 因此建立強大的 tools 應對視覺改變是必要的 --- ### Conclusions 高產量的 植物表徵 的方法已經被保證在 有效率監控作物為了培育和管理作物 我們可以做的事發展前述的工具來觀察作物特徵 --- * 高產量的 phenotyping 工具被一些問題限制： * 在大資料集下的深度網路的相依關係，資料集很難組織 * 因為收集資料的場域變化所導致資料難以收集的情形 * 對發展中國家，資本和維護成本不能太貴 * 目前是一個很好時機用深度學習來研究 plant phenotyping --- ###### tags: `uscc論文`