[논문 리뷰] Cashew dataset generation using augmentation and RaLSGAN and a transfer learning based tinyML approach towards disease detection

Varsha Jayaprakash, K. R. Akilesh외 3명|arXiv (Cornell University)|2023. 04. 18.

Smart Agriculture and AIAgricultural and Biological Sciences인용 수 3

한 줄 요약

이 논문은 광학적/기하적 증강과 RaLSGAN를 활용하여 데이터 부족 문제를 해결하기 위해 새로운 증강된 캐슈 나뭇잎 및 열매 데이터셋을 제안한다. 질병 검출을 위해 이는 이동식 신경망과 인셉션을 사용한 전이 학습을 적용하고, 텐서플로우 라이트를 통해 드론에 탑재 가능한 토이ML 환경에 최적화하여 실시간 자원 제약 조건에서 최대 99%의 정확도를 달성한다. 메모리 소비와 지연 시간이 감소하였다.

ABSTRACT

Cashew is one of the most extensively consumed nuts in the world, and it is also known as a cash crop. A tree may generate a substantial yield in a few months and has a lifetime of around 70 to 80 years. Yet, in addition to the benefits, there are certain constraints to its cultivation. With the exception of parasites and algae, anthracnose is the most common disease affecting trees. When it comes to cashew, the dense structure of the tree makes it difficult to diagnose the disease with ease compared to short crops. Hence, we present a dataset that exclusively consists of healthy and diseased cashew leaves and fruits. The dataset is authenticated by adding RGB color transformation to highlight diseased regions, photometric and geometric augmentations, and RaLSGAN to enlarge the initial collection of images and boost performance in real-time situations when working with a constrained dataset. Further, transfer learning is used to test the classification efficiency of the dataset using algorithms such as MobileNet and Inception. TensorFlow lite is utilized to develop these algorithms for disease diagnosis utilizing drones in real-time. Several post-training optimization strategies are utilized, and their memory size is compared. They have proven their effectiveness by delivering high accuracy (up to 99%) and a decrease in memory and latency, making them ideal for use in applications with limited resources.

연구 동기 및 목표

• 밀도 높은 수관을 가진 수목에서의 질병 검출에 어려움을 겪는 제한적이고 불균형한 데이터셋 문제를 해결한다.
• 실제 감염 부위의 가시성을 향상시키기 위해 RGB 색상 변환을 활용하여 건강한 및 병변이 있는 캐슈 나뭇잎과 열매의 고품질, 실제적인 데이터셋을 구축한다.
• 광학적 및 기하적 증강 기법을 결합한 RaLSGAN를 활용하여 데이터셋의 다양성과 크기를 증가시켜 모델의 일반화 능력을 향상시킨다.
• 드론과 같은 자원 제약이 있는 플랫폼에 최적화된 모델을 배포하여 현장 조건에서 실시간 현장 내 질병 검출을 가능하게 한다.
• 기본 훈련 후 정밀도 조정 및 모델 압축 기법을 통해 메모리 소비와 지연 시간을 최소화하여 추론 성능을 최적화한다.

제안 방법

• 병변 부위의 시각적 구분을 향상시키기 위해 캐슈 나뭇잎 및 열매 이미지에 RGB 색상 변환을 적용한다.
• 조명 및 방향 변화에 대한 저항력을 높이기 위해 광학적 및 기하적 데이터 증강 기법을 사용하여 데이터셋의 다양성과 강건성을 증가시킨다.
• 초기 데이터셋의 확장과 데이터 부족 문제 완화를 위해 RaLSGAN(Relativistic Average Least Squares Generative Adversarial Network)를 활용해 합성 이미지를 생성한다.
• 증강된 데이터셋을 기반으로 이동식 신경망과 인셉션 아키텍처를 사용한 전이 학습을 통해 딥러닝 모델을 훈련 및 평가한다.
• 텐서플로우 라이트를 활용해 엣지 기기(예: 드론)에 훈련된 모델을 배포하고, 기본 훈련 후 정밀도 조정 및 최적화 기법을 적용하여 모델 크기와 추론 지연 시간을 감소시킨다.
• 다양한 최적화된 모델 버전 간의 메모리 사용량과 추론 지연 시간을 비교하여 가장 효율적인 배포 구성 요건을 도출한다.

실험 결과

연구 질문

• RQ1 데이터 증강과 GAN 기반 합성 기법이 작은 실세계 캐슈 질병 데이터셋의 품질과 다양성에 상당한 기여를 할 수 있는가?
• RQ2 이동식 신경망과 인셉션을 사용한 전이 학습이 증강된 캐슈 데이터셋에서 분류 정확도를 얼마나 향상시키는가?
• RQ3 기본 훈련 후 정밀도 조정 및 최적화 기법이 엣지 기기 배포를 위한 모델 크기와 지연 시간을 얼마나 효과적으로 줄이는가?
• RQ4 최적화된 모델이 저전력 장치(예: 드론)에서 실시간 추론에 적합하면서도 높은 정확도를 유지할 수 있는가?
• RQ5 현장 내 캐슈 질병 검출을 위한 최적의 모델 정확도, 메모리 사용량, 추론 속도 간의 균형은 무엇인가?

주요 결과

• 제안된 데이터셋 증강 및 RaLSGAN 기반 데이터 생성 기법이 실세계 캐슈 질병 이미지에 대한 모델의 일반화 능력과 강건성을 크게 향상시켰다.
• 이동식 신경망과 인셉션을 사용한 전이 학습이 증강된 데이터셋에서 최대 99%의 분류 정확도를 달성하여 뛰어난 성능을 입증했다.
• 기본 훈련 후 정밀도 조정을 통해 모델 크기와 추론 지연 시간이 감소하여 메모리 제약이 있는 엣지 기기에서의 배포에 적합한 상태가 되었다.
• 최적화된 모델들은 낮은 메모리 오버헤드로 높은 정확도를 확보하여 드론에서 실시간 질병 검출을 가능하게 하였다.
• 데이터 증강, GAN 기반 합성, 모델 최적화의 조합은 농업 모니터링을 위한 배포 가능한, 효율적이고 정확한 토이ML 파이프라인을 구현하였다.
• 최종 최적화된 모델들은 메모리 사용량과 지연 시간이 크게 감소한 것으로 확인되어 엣지 기반 애플리케이션, 특히 정밀 농업 분야에서의 실용성을 입증하였다.