[논문 리뷰] Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices

Weloday Fikadu Moges, Jianmei Su외 1명|arXiv (Cornell University)|2026. 01. 24.

Smart Agriculture and AI인용 수 0

한 줄 요약

본 논문은 Dynamic Meta-Ensemble Framework (DMEF)를 도입하여 세 가지 경량 CNN(MobileNetV2, NASNetMobile, InceptionV3)을 동적으로 가중치화해 엣지 배포를 위한 정확도와 효율성의 균형을 맞추고, 감자 질병 분류에서 99.53%, 옥수수 질병 분류에서 96.61%의 정확도와 75 ms 미만의 지연 시간 및 <1M 매개변수 수를 달성합니다.

ABSTRACT

Deploying deep learning models for plant disease detection on edge devices such as IoT sensors, smartphones, and embedded systems is severely constrained by limited computational resources and energy budgets. To address this challenge, we introduce a novel Dynamic Meta-Ensemble Framework (DMEF) for high-accuracy plant disease diagnosis under resource constraints. DMEF employs an adaptive weighting mechanism that dynamically combines the predictions of three lightweight convolutional neural networks (MobileNetV2, NASNetMobile, and InceptionV3) by optimizing a trade-off between accuracy improvements (DeltaAcc) and computational efficiency (model size). During training, the ensemble weights are updated iteratively, favoring models exhibiting high performance and low complexity. Extensive experiments on benchmark datasets for potato and maize diseases demonstrate state-of-the-art classification accuracies of 99.53% and 96.61%, respectively, surpassing standalone models and static ensembles by 2.1% and 6.3%. With computationally efficient inference latency (&lt;75ms) and a compact footprint (&lt;1 million parameters), DMEF shows strong potential for edge-based agricultural monitoring, suggesting viability for scalable crop disease management. This bridges the gap between high-accuracy AI and practical field applications.

연구 동기 및 목표

• 엣지 디바이스에서 제한된 계산 및 에너지로 식물 잎 질병을 정확하게 감지하는 방법을 다룬다.
• 실시간 추론을 위한 정확도와 모델 크기의 균형을 맞추는 동적 앙상블을 개발한다.
• 경량 베이스 모델과 전이 학습을 활용하여 작물(감자와 옥수수)에 걸친 일반화 성능을 극대화한다.
• 에지 배치를 위한 소형 모델 풋프린트를 유지하면서 최첨단 성능을 시연한다.

제안 방법

• PlantVillage 데이터를 128x128로 리사이징하고 0-1로 정규화하는 전처리; 데이터 증강(무작위 반전, 회전, 확대, 대비)을 적용한다.
• MobileNetV2, NASNetMobile, InceptionV3의 세 가지 경량 사전 학습 모델을 미세조정하며, 최상단 층을 글로벌 풀링과 소프트맥스로 대체하고, 과제 적응을 위해 더 깊은 일부 층의 동결 해제를 한다.
• w_i = lambda_i * alpha_i + (1 - lambda_i) * beta_i 인 동적 앙상블 가중치를 정의하며, 여기서 alpha_i는 정확도 비율이고 beta_i는 모델 크기 비율이다.
• lambda_i(t)는 적응 업데이트를 통해 계산하며, lambda_i(t) = clip(lambda_i(t-1) + delta * DeltaA_i(t) / sum_j DeltaA_j(t), lambda_min, lambda_max).
• 기본 모델을 학습하고 에포크별로 앙상블 가중치를 업데이트하여 정확하고도 컴팩트한 모델을 선호한다; 추론은 모델 간의 softmax 출력 가중합을 사용한다.

Figure 1 : Dynamic Meta-Ensemble Framework for Plant Disease Classification

실험 결과

연구 질문

• RQ1 동적 메타 앙상블이 엣지 디바이스에서 개별 경량 모델보다 정확도를 향상시킬 수 있는가?
• RQ2 학습 중 정확도와 모델 크기의 균형이 정적 앙상블보다 더 나은 엣지 구현 성능을 제공하는가?
• RQ3 자원 제약 하의 하드웨어에서 동적 메타 앙상블을 사용할 때 정확도 향상과 지연 간의 트레이드오프는 무엇인가?
• RQ4 실제 현장 조건에서 프레임워크가 서로 다른 작물/질병에 대해 일반화되는가?

주요 결과

• 감자 데이터세트에서: 정확도 99.53% 및 클래스별 지표 거의 완벽, Early Blight와 Late Blight 및 Healthy 클래스에 대해 강한 강건성.
• 옥수수 데이터세트에서: 정확도 96.61%; Common rust와 Healthy 잎에서 정밀도/재현율/F1이 1.00에 도달; Gray leaf spot은 재현율 0.78로 다소 변동.
• 엔semble 총 매개변수: 994,012로 MobileNetV2, NASNetMobile, InceptionV3 전체 합계(1M 미만 규모); 추론 지연 < 75 ms.
• 동적 가중치가 감자에서 InceptionV3를 선호하도록 진화하며(최종 약 0.384), 옥수수 시나리오에서는 InceptionV3 약 0.4013; NASNetMobile 약 0.3102; MobileNetV2 약 0.2885.
• 정확도-효율성 프런티어는 포인터에서 파레토 최적 위치를 보여주며, 감자에서 5.2× 지연에서 최대 5.8%의 정확도 향상, 옥수수에서 6.9× 지연에서 2.3%의 향상.

Figure 2 : Flow chart of the Dynamic Meta-Ensemble Framework