Новые легкие модели глубокого обучения для защиты нескольких культур и диагностики болезней растений

Быстрая диагностика болезней растений жизненно важна для предотвращения значительных потерь урожая и обеспечения продовольственной безопасности. Методы на основе обнаружения объектов с использованием глубокого обучения показали потенциал для точной идентификации и локализации болезней.

Однако существующие подходы имеют ограничения: они обычно предназначены для диагностики болезней одной культуры и требуют больших вычислительных ресурсов из-за огромного числа параметров. Это затрудняет их развертывание на мобильных устройствах в сельском хозяйстве, так как уменьшение параметров часто ведет к снижению точности.

Следовательно, необходимы исследования для баланса между эффективностью и точностью модели, чтобы создать легкие, но эффективные модели, способные диагностировать множественные болезни на различных культурах.

В июне 2023 года Plant Phenomics опубликовал исследовательскую статью "Knowledge Distillation Facilitates the Lightweight and Efficient Plant Diseases Detection Model".

В этом исследовании ученые представили новый легкий и эффективный метод диагностики болезней растений с помощью обнаружения объектов на нескольких культурах. В подходе используется дистилляция знаний, в частности многостадийная дистилляция знаний (MSKD), для улучшения легких студенческих моделей с помощью комплексной учительской модели.

Исследование было основано на наборе данных PlantDoc. Студенческие модели, включая варианты YOLOR-Light и Mobile-YOLOR, сравнивались с традиционными и новейшими методами обнаружения объектов на изображениях. Эти модели продемонстрировали превосходную производительность с точки зрения количества параметров, вычислительных требований и использования памяти, сохраняя при этом сопоставимую точность.

Эффективность метода MSKD была подтверждена сравнением дистиллированных моделей с недистиллированными, показавшим значительное улучшение средней средней точности (mAP).

Визуальный анализ с помощью Eigen-CAM показал, что студенческие модели после дистилляции эффективнее распределяют внимание, улучшая локализацию и классификацию болезней. Абляционное исследование подтвердило эффективность дистилляции для разных частей студенческих моделей, подчеркнув роль дистилляции на этапе головы (head stage distiller) в изучении пространственной информации и разнообразия категорий болезней растений.

Также была оценена "легковесность" моделей, что критически важно для реальных сельскохозяйственных применений.

Модель YOLOR-Light-v2 оказалась сбалансированным выбором, сочетающим легкость и точность. Были изучены начальные значения ограничивающих рамок объектов, что подчеркнуло важность специфичных для набора данных знаний для точной локализации поражений.

В итоге, это комплексное исследование не только продвигает диагностику болезней растений с помощью обнаружения объектов, но и открывает пути для решения более широких задач в обработке сельскохозяйственных изображений.