식물 질병 진단을 위한 경량 CNN 모델

작물 질병은 농업 생산량과 경제적 손실에 큰 영향을 미치므로, 신속하고 정확한 진단이 필수적입니다. 기존 진단 방식은 시간 소모적이고 전문가 지식에 의존하여 대규모 적용에 한계가 있습니다. 본 연구는 이러한 문제를 해결하기 위해 잔여 학습과 MobileNetV2 특징 추출기를 결합한 경량 합성곱 신경망(CNN) 모델인 Mob-Res를 제안합니다. Mob-Res는 351만 개의 적은 파라미터 수를 가지면서도 뛰어난 성능을 발휘하여 모바일 애플리케이션에 적합합니다. 이 모델은 Plant Disease Expert(58개 클래스, 199,644개 이미지) 및 PlantVillage(38개 클래스, 54,305개 이미지) 두 가지 벤치마크 데이터셋으로 평가되었습니다. 엄격한 훈련 전략을 통해 Mob-Res는 Plant Disease Expert 데이터셋에서 평균 97.73%, PlantVillage 데이터셋에서 99.47%의 높은 정확도를 달성했습니다. 또한, 교차 도메인 유효성 검사율(CDVR) 평가에서 기존 사전 훈련 모델들과 비교하여 경쟁력 있는 교차 도메인 적응성을 보였습니다. 특히, ViT-L32보다 훨씬 적은 파라미터와 빠른 추론 속도로 우수한 성능을 나타냈습니다. Mob-Res는 Grad-CAM, Grad-CAM++, LIME 기법을 활용하여 예측에 영향을 미치는 신경망 영역을 시각적으로 제공함으로써 설명 가능성을 높였습니다. 본 연구 결과는 Mob-Res가 자동화된 식물 질병 탐지를 위한 유망한 솔루션임을 입증하며, 대규모 농업 운영과 전 세계 식량 안보 증진에 기여할 수 있음을 시사합니다.