[论文解读] 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 0

一句话总结

该论文提出 Dynamic Meta-Ensemble Framework (DMEF)，动态权衡三种轻量级 CNN（MobileNetV2、NASNetMobile、InceptionV3）以在边缘部署时平衡准确性与效率，在马铃薯疾病分类达到 99.53%、在玉米疾病分类达到 96.61%，延迟低于 75 ms，参数量 < 1M。

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.

研究动机与目标

• 解决在计算资源和能源有限的边缘设备上如何准确检测植物叶片疾病。
• 开发一个在准确性与模型大小之间实现平衡的动态集成以实现实时推断。
• 利用轻量级基础模型和迁移学习在作物（马铃薯和玉米）之间实现良好泛化。
• 在保持紧凑模型体积、适合边缘部署的前提下，展示最先进的性能。

提出的方法

• 将 PlantVillage 数据预处理为 128x128 的尺寸并归一化到 0-1；应用数据增强（随机翻转、旋转、缩放、对比度）。
• 微调三种轻量级预训练模型：MobileNetV2、NASNetMobile、InceptionV3，将顶层替换为全局池化和 softmax；对较深层进行有限解冻以适应任务。
• 定义动态集成权重 w_i = lambda_i * alpha_i + (1 - lambda_i) * beta_i，其中 alpha_i 是准确率比例，beta_i 是模型大小比例。
• 通过自适应更新计算 lambda_i(t) = clip(lambda_i(t-1) + delta * DeltaA_i(t) / sum_j DeltaA_j(t), lambda_min, lambda_max)。
• 在每个时期对基模型进行训练并更新集成权重，使之偏向于准确但紧凑的模型；推断阶段使用跨模型的 softmax 输出的加权和。

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

实验结果

研究问题

• RQ1 动态元集成是否能够在边缘设备上相较于单独的轻量级模型提升准确性？
• RQ2 在训练过程中将准确性与模型大小进行平衡是否比静态集成在边缘实现上获得更好性能？
• RQ3 在资源受限硬件上使用动态元集成时，准确性提升与延迟之间存在哪些权衡？
• RQ4 该框架在真实场地条件下是否能跨不同作物/疾病实现泛化？

主要发现

• 马铃薯数据集：准确率 99.53%，具备近乎完美的类间指标，对早疫病/晚疫病与健康类别具备强鲁棒性。
• 玉米数据集：准确率 96.61%； 普通锈病和健康叶片的精确率/召回率/F1 值均为 1.00；灰叶斑的召回率有一定波动（0.78）。
• 集成总参数量：994,012，涵盖 MobileNetV2、NASNetMobile、InceptionV3（接近 1M 以下）；推断延迟 < 75 ms。
• 动态权重在马铃薯场景倾向于 InceptionV3（最终约 0.384），在玉米场景为 InceptionV3 ~0.4013；NASNetMobile ~0.3102；MobileNetV2 ~0.2885。
• 准确性-效率前沿表现出帕累托最优，在马铃薯下延迟增加 5.2× 时准确性提升高达 5.8%；在玉米下延迟增加 6.9× 时准确性提升高达 2.3%。

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