軽量で説明可能なCNNモデルで,植物病の診断を可能にします

科学分野:

• 農業科学
• コンピュータ科学
• 人工知能

背景:

• 農作物病は世界の食糧安全保障に重大な脅威をもたらし,かなりの経済的損失をもたらしています.
• 伝統的な病気診断方法は,しばしば遅い,労働集約的で,大規模な農作業のスケーラビリティが欠けている.
• 農作物の病気の検出に 迅速で正確でスケーラブルな自動化ソリューションが不可欠です

研究 の 目的:

• 農作物の病気を自動検知するための 新しく軽量なディープラーニングアーキテクチャであるMob-Resを導入します
• 様々なベンチマークデータセットでMob-Resの性能と効率を評価する.
• 視覚化技術を使用してモデルの予測の解釈性を向上させる.

主な方法:

• MobileNetV2の機能抽出器と残留学習を統合してMob-Resを開発しました.
• 2つの大規模なデータセットでMob-Resをトレーニングし,検証しました. 植物病専門家 (199,644 画像,58 クラス) とPlantVillage (54,305 画像,38 クラス).
• 精度メトリックとクロスドメイン検証率 (CDVR) を使用してモデルのパフォーマンスを評価し,解釈性のためにGrad-CAM,Grad-CAM++,およびLIMEを使用しました.

主要な成果:

• Mob-Resは,植物病専門家データセットでは97.73%,PlantVillageデータセットでは99.47%の高い平均精度を達成しました.
• このモデルは,ViT-L32を含む,先行的に訓練されたコンボリューションニューラルネットワーク (CNN) のアーキテクチャを上回る強力なクロスドメインの適応性を実証した.
• Mob-Resは,他のモデルと比較して,パラメータ数 (3.5100万) を大幅に減らし,推論時間を短縮してこれらの結果を達成した.

結論:

• Mob-Resは,モバイルアプリケーションに適した,高度に正確で効率的で軽量な植物疾患検出ソリューションです.
• モデルの解釈機能は,病気の識別プロセスに貴重な視覚的洞察を提供します.
• Mob-Resは大規模な農業モニタリングを支援し,作物の収穫を改善し,世界の食糧安全保障に貢献する大きな可能性を示しています.