拡大可能で堅固な植物葉病の分類のための軽量ハイブリッドモデル

科学分野:

• 農業科学
• コンピュータ・ビジョン
• 深層学習

背景:

• 植物病は収穫量の大幅な損失と経済的損害をもたらし,食糧安全保障を脅かしています.
• 植物病の正確な早期診断は 効果的な管理と治療に不可欠です
• 現存する自動化システムは,フィールド環境における計算リソースの制限により,課題に直面しています.

研究 の 目的:

• 植物葉病の効率的な分類のための軽量でコンボリュショナルなニューラルネットワークモデルを開発する.
• 限られた計算能力のフィールド条件での病気の迅速な識別の必要性を解決する.
• 改良された農業診断のためのハイブリッド植物疾患分類ネットワーク (HPDC-Net) を提案する.

主な方法:

• ハイブリッドブロックアーキテクチャで設計されたHPDC-Net:深度的に分離可能なコンボリューションブロック (DSCB),ダブルパス適応プーリングブロック (DAPB) およびチャネルに配慮した注意改定ブロック (CARB).
• DSCBで深さで分離可能なコンボリュームを使用し,堅固な特徴を効率的に抽出し,軽量なモデルを確保しました.
• ポテトとトマトの葉の病気を分類するための3つのデータセットでHPDC-Netを訓練し,評価しました.

主要な成果:

• 植物葉病分類の3つのデータセットで99%以上の精度を達成しました.
• GFLOP 0.06 と 0.52M パラメータ (10 クラス) / 0.17M パラメータ (3 クラス) で低い計算複雑さを維持した.
• 高い推論速度をCPUで19.82FPS,GPUで408.25FPSで実証している.

結論:

• HPDC-Netは植物病の早期発見のための正確で軽量で効率的なモデルです.
• モデルの性能は,計算上の制約のある現実世界の農業アプリケーションに適していることを示しています.
• GitHubでのコードの利用は,さらなる研究と実装を容易にする.