[논문 리뷰] Siamese Network-based Lightweight Framework for Tomato Leaf Disease Recognition

Selvarajah Thuseethan, Palanisamy Vigneshwaran외 2명|arXiv (Cornell University)|2022. 09. 18.

Smart Agriculture and AI인용 수 8

한 줄 요약

이 논문은 식물마을 데이터셋에서 96.97%의 정확도와 대만 데이터셋에서 95.48%의 정확도를 기록하며, 소규모이고 불균형한 훈련 데이터 조건에서도 높은 정확도를 달성하는 시아모이즈 네트워크 기반의 경량 프레임워크를 제안한다. 유일한 경량 백본(296만 개 파라미터)과 대비 손실 함수를 활용함으로써, 자원 제약이 있는 장치에서 고정확도 실시간 추론을 가능하게 한다.

ABSTRACT

Automatic tomato disease recognition from leaf images is vital to avoid crop losses by applying control measures on time. Even though recent deep learning-based tomato disease recognition methods with classical training procedures showed promising recognition results, they demand large labelled data and involve expensive training. The traditional deep learning models proposed for tomato disease recognition also consume high memory and storage because of a high number of parameters. While lightweight networks overcome some of these issues to a certain extent, they continue to show low performance and struggle to handle imbalanced data. In this paper, a novel Siamese network-based lightweight framework is proposed for automatic tomato leaf disease recognition. This framework achieves the highest accuracy of 96.97% on the tomato subset obtained from the PlantVillage dataset and 95.48% on the Taiwan tomato leaf disease dataset. Experimental results further confirm that the proposed framework is effective with imbalanced and small data. The backbone deep network integrated with this framework is lightweight with approximately 2.9629 million trainable parameters, which is way lower than existing lightweight deep networks.

연구 동기 및 목표

• 훈련 데이터가 소규모이고 불균형할 경우 토마토 병해 인식 성능이 낮아지는 문제를 해결한다.
• 모바일 및 엣지 장치에의 배포를 위해 모델 복잡도와 계산 비용을 감소시킨다.
• 기존의 경량 네트워크가 소규모 데이터셋과 불균형 데이터에서 성능이 떨어지는 한계를 극복한다.
• 다중 이미지 쌍 비교를 통한 다수결 투표 기반의 새로운 테스트 절차를 개발하여 시아모이즈 네트워크 추론의 정확도를 향상시킨다.
• 엔드 투 엔드 훈련이 가능하고 효율적이며 정확한 토마토 병해 인식을 실현하여 실생활 农업 적용에 적합한 솔루션을 제공한다.

제안 방법

• 두 개의 동일한 스트림 간에 공유 가중치를 갖는 시아모이즈 네트워크 아키텍처를 설계하여 토마토 잎 이미지 쌍을 비교한다.
• 오직 296만 2900개의 학습 가능한 파라미터를 가진 새로운 경량 딥 네트워크를 백본으로 통합한다.
• 유사한 이미지의 임베딩 간 유클리드 거리를 최소화하고, 비유사한 경우는 최대화하는 대비 손실 함수를 사용해 프레임워크를 훈련한다.
• 불균형한 데이터셋에서의 성능 향상을 위해 데이터 증강 및 클래스 재균형 기법을 적용한다.
• 예측 신뢰도와 정확도를 향상시키기 위해 다수의 이미지 쌍을 기반으로 한 다수결 투표를 활용한 전용 테스트 단계를 구현한다.
• 다양한 데이터 분할(100%, 75%, 50%) 조건 하에 식물마을, 대만, 증강된 대만 데이터셋 세 개의 벤치마크 데이터셋에서 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 소규모이고 불균형한 훈련 데이터셋을 사용할 때도 시아모이즈 네트워크 기반 프레임워크가 높은 정확도로 토마토 병해 인식을 수행할 수 있는가?
• RQ2 제안된 경량 백본은 기존 최첨단 네트워크 대비 파라미터 효율성과 성능에서 어떻게 비교되는가?
• RQ3 대비 손실과 다수결 투표 테스트 절차는 표준 훈련 및 추론 방식에 비해 정확도 향상에 얼마나 기여하는가?
• RQ4 제한된 계산 자원 조건에서 실생활 배포 환경에서 프레임워크의 효과성은 어떠한가?
• RQ5 정확도, 파라미터 수, 데이터 부족에 대한 강건성 측면에서 기존 방법보다 프레임워크가 뛰어난가?

주요 결과

• 제안된 프레임워크는 훈련 데이터의 50%만 사용하여 식물마을 데이터셋에서 96.97%의 정확도, 대만 데이터셋에서 95.48%의 정확도를 달성했다.
• 50% 데이터 조건에서, 식물마을, 대만, 증강된 대만 데이터셋에서 각각 최고의 베이스라인 방법에 비해 정확도를 13.16%, 25.33%, 14.05% 향상시켰다.
• 백본 네트워크는 오직 296만 2900개의 학습 가능한 파라미터만을 포함하여 VGG19(1억 4367만 개)와 비교해 극적으로 적은 수치를 기록하며 효율적 배포를 가능하게 했다.
• 모든 데이터 분할 조건에서 기존 방법을 초월하여 성능을 확보하여, 데이터 부족과 클래스 불균형에 대한 뛰어난 강건성을 입증했다.
• 다수결 투표 테스트 절차는 다수의 이미지 쌍 비교를 통한 예측 안정성을 높여 정확도 향상에 기여했다.
• 대만 데이터셋에서 50% 데이터 조건에서도 91.03%의 정확도를 기록함으로써, 저자원 환경에서의 효과성을 입증하였으며, 이는 실생활 농업 적용에 매우 중요한 요소이다.