画像ベースのインゲン豆の葉の病害分類のための、リソース効率に優れたハイブリッドCNN-LSTMネットワーク

概要: 正確でリソース効率の高い自動診断は、現代の農業エキスパートシステムの基盤です。畳み込みニューラルネットワーク（CNN）は植物病理分野においてベンチマークを確立している一方で、長距離の空間的依存関係を捉える能力は、標準的なプーリング層によってしばしば制限されており、また高いメモリ使用量がポータブル端末への展開を妨げています。本論文では、マメの葉の病気分類のための軽量なハイブリッドCNN-LSTMシステムを提案します。特徴マップ内の空間—時系列関係をモデル化するためにLSTM層を統合することで、提案するハイブリッドアーキテクチャは、メモリフットプリントを1.86 MBに保ちながら94.38%の精度を達成します。これは、従来のCNNベースのシステムに比べてサイズを70%削減したことに相当します。さらに本研究では、画像データ拡張戦略を体系的に評価し、診断パターンの完全性を維持する観点では、個別に調整された変換が、一般的な組み合わせよりも優れていることを示します。 extit{ibean}データセットでの結果により、提案システムがEfficientNet-B7+LSTMにおいて最先端のF1スコア99.22%を達成することが確認されました。これにより、リソース制約のある環境におけるリアルタイムの農業意思決定支援のための、堅牢で拡張可能な枠組みが提供されます。本研究で用いたコードおよび拡張データセットは、こちらの
pm{\href{https://github.com/HJin-R/bean_disease}{Github}}リポジトリで公開されています。