LeafAI: エッジコンピューティングのための解釈可能な植物病害検出

科学分野:

• 農業AI
• コンピュータビジョン
• 機械学習

背景:

• 現実世界の農業は、健康な植物の葉が病気の葉よりも多いため、著しいクラス不均衡を示します。
• この不均衡は、自動植物病害検出における計算集約型の深層学習モデルにとって課題となり、非効率につながります。
• リソース消費を最適化し、検出精度を向上させるためには、持続可能なAIソリューションが必要です。

研究 の 目的:

• リアルタイムの植物病害検出における計算効率、解釈可能性、およびスケーラビリティを向上させるための、反復的なハイブリッドAIアプローチを提示すること。
• 自動植物病害同定におけるクラス不均衡と高リソース消費の課題に対処すること。
• 精密農業のための信頼性が高く持続可能なAIソリューションを開発すること。

主な方法:

• 2段階のハイブリッドシステム：軽量の従来の分類器で最初に健康な葉を除外し、次に深層学習モデル（ResNet、DenseNet、MobileNet、EfficientNet）で病気の葉を分類します。
• 勾配重み付きクラス活性化マッピング（Grad-CAM）を指定した説明可能なAI（XAI）手法の実装により、予測ヒートマップを生成します。
• パフォーマンスと効率のために、ロジスティック回帰とMobilenetv3を組み合わせたハイブリッドモデルの評価。

主要な成果:

• ハイブリッドモデルは、従来の深層学習モデルと比較して最大77.6%高速な推論を達成し、精度は約3%のわずかな低下で済みました。
• 大規模テスト（1,227枚の画像）では、ハイブリッドモデルはエントリーレベルのラップトップで合計推論時間を4,548秒から1,010.13秒に短縮し、CPU負荷は最小限でした。
• Grad-CAMヒートマップは、モデルの予測に重要な画像領域を強調表示することで透明性を提供し、特徴の洗練を支援しました。

結論:

• 提案されたハイブリッドAIアプローチは、精密農業における植物病害検出のためのスケーラブルで持続可能で信頼性の高いソリューションを提供します。
• この方法は、クラス不均衡に効果的に対処し、推論効率を最適化するため、AIソリューションを実際の農業アプリケーションにより実用的にします。
• XAIの統合は、モデルの解釈可能性と信頼性を向上させ、農業実践におけるAIの採用に不可欠です。