[論文レビュー] Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices

Weloday Fikadu Moges, Jianmei Su+1 more|arXiv (Cornell University)|Jan 24, 2026

Smart Agriculture and AI被引用数 0

ひとこと要約

本論文は Dynamic Meta-Ensemble Framework (DMEF) を導入し、3つの軽量 CNN (MobileNetV2、NASNetMobile、InceptionV3) を動的に重み付けしてエッジ展開の精度と効率をバランスさせる。ジャガイモ病害分類で99.53%、トウモロコシ病害分類で96.61%、推論遅延は75 ms未満、パラメータ数は <1M 未満を実現。

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.

研究の動機と目的

• エッジデバイスの限定的な計算能力とエネルギー消費で、植物の葉の病害を正確に検出する方法に取り組む。
• 精度とモデルサイズをリアルタイム推論のためにバランスさせる動的アンサンブルを開発する。
• 軽量なベースモデルと転移学習を活用して作物（ジャガイモとトウモロコシ）全体で一般化を最大化する。
• エッジ展開に適したコンパクトなモデルフットプリントを維持しつつ最先端の性能を示す。

提案手法

• PlantVillage データを 128x128 へリサイズし 0-1 正規化を適用する前処理を行う。データ拡張（ランダム反転、回転、ズーム、コントラスト）を適用する。
• 3つの軽量事前学習モデル（MobileNetV2、NASNetMobile、InceptionV3）をファインチューニングし、トップ層をグローバルプーリングと softmax に置換する。タスク適用のために限られた深い層をアンフリーズする。
• 動的アンサンブル重み w_i = lambda_i * alpha_i + (1 - lambda_i) * beta_i を定義する。ここで alpha_i は精度の割合、beta_i はモデルサイズの割合。
• lambda_i(t) を適応的に更新する式 lambda_i(t) = clip(lambda_i(t-1) + delta * DeltaA_i(t) / sum_j DeltaA_j(t), lambda_min, lambda_max)。
• 基礎モデルを訓練し、エポックごとにアンサンブル重みを更新して精度が高くかつコンパクトなモデルを優先する。推論は各モデルの softmax 出力の加重和を用いる。

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

実験結果

リサーチクエスチョン

• RQ1 動的メタエンサンブルはエッジデバイス上の個々の軽量モデルより精度を向上させることができるか。
• RQ2 訓練中に精度とモデルサイズのバランスを取ることで、静的なアンサンブルよりエッジ実装の性能が向上するか。
• RQ3 資源制約のあるハードウェアで動的メタエンサンブルを用いると、精度向上と遅延のトレードオフはどうなるか。
• RQ4 実世界の野外条件で異なる作物／病害に対してフレームワークは汎化できるか。

主な発見

• ジャガイモデータセット: accuracy 99.53%、クラス別指標はほぼ完璧でEarly/ Late BlightおよびHealthyクラスに対して堅牢。
• トウモロコシデータセット: accuracy 96.61%；Common rustおよびHealthy leavesは precision/recall/F1 が 1.00、Gray leaf spot は recall 0.78 で若干ばらつき。
• アンサンブル総パラメータ: 994,012（MobileNetV2, NASNetMobile, InceptionV3 合計、1M未満規模）、推論遅延 < 75 ms。
• 動的重みは Potato では InceptionV3 を優遇して最終 ~0.384、Maize では InceptionV3 ~0.4013、NASNetMobile ~0.3102、MobileNetV2 ~0.2885 の傾向へ進化。
• 精度と効率のフロンティアはパレート最適な位置を示し、Potato で最大 5.8% の精度向上を 5.2×の遅延、Maize で 2.3% の向上を 6.9×の遅延で実現。

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