面向资源受限边缘设备的植物叶片病害检测动态元集框架
计算机视觉与模式识别
2026-01-27 v1 人工智能
摘要
在物联网传感器、智能手机和嵌入式系统等边缘设备上部署植物病害检测深度学习模型，受限于计算资源和能源预算。为应对这一挑战，我们引入一种 novel 动态元集框架(Dynamic Meta-Ensemble Framework, DMEF)，用于在资源受限条件下的高精度植物病害诊断。DMEF采用自适应加权机制，动态组合三个轻量级卷积神经网络(MobileNetV2、NASNetMobile和InceptionV3)的预测，通过优化准确率提升(D DeltaAcc)与计算效率(模型大小)之间的trade-off来实现。训练期间，集成权重迭代更新，优先选择表现优异且计算复杂度低的模型。针对番薯和玉米疾病基准数据集进行的广泛实验表明，DMEF实现了99.53%和96.61%的state-of-the-art分类准确率，分别超过单一模型和静态集成2.1%和6.3%。具有推理延迟<75ms和紧凑 footprint(<100万参数)的DMEF在边缘based农业监测中展现出强大的潜力，表明其在可扩展的作物病害管理中具有可行性。这一框架弥合了高精度AI与实际田间应用之间的鸿沟。
关键词
引用
@article{arxiv.2601.17290,
title = {Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices},
author = {Weloday Fikadu Moges and Jianmei Su and Amin Waqas},
journal= {arXiv preprint arXiv:2601.17290},
year = {2026}
}