An Edge Computing-Based Solution for Real-Time Leaf Disease Classification using Thermal Imaging

要約

ディープラーニング (DL) テクノロジーは、作物の健康状態の監視と管理を改善することで農業を変革し、食品の安全性を向上させることができます。
この論文では、熱画像を使用して葉の病気をリアルタイムに分類するためのエッジ コンピューティングの可能性を探ります。
植物の病気を分類するための熱画像データセットを提示し、Raspberry Pi 4B などのリソースに制約のあるデバイス上で InceptionV3、MobileNetV1、MobileNetV2、VGG-16 などの深層学習モデルを評価します。
これらのモデルは、プルーニングと量子化対応トレーニングを使用することで、RTX 3090 などのハイエンド GPU と比較して、VGG16 の Edge TPU Max で最大 1.48 倍、MobileNetV1 の Intel NCS2 で精度低減により最大 2.13 倍の推論時間を実現します。
、最先端の精度を維持しながら。

要約(オリジナル)

Deep learning (DL) technologies can transform agriculture by improving crop health monitoring and management, thus improving food safety. In this paper, we explore the potential of edge computing for real-time classification of leaf diseases using thermal imaging. We present a thermal image dataset for plant disease classification and evaluate deep learning models, including InceptionV3, MobileNetV1, MobileNetV2, and VGG-16, on resource-constrained devices like the Raspberry Pi 4B. Using pruning and quantization-aware training, these models achieve inference times up to 1.48x faster on Edge TPU Max for VGG16, and up to 2.13x faster with precision reduction on Intel NCS2 for MobileNetV1, compared to high-end GPUs like the RTX 3090, while maintaining state-of-the-art accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google