Safety-Aware Cascaded Inference for Crop Damage Assessment with Controlled Error Trade-offs

Resumen Técnico: Inferencia en Cascada con Conciencia de Seguridad para la Evaluación de Daños en Cultivos

Planteamiento del Problema
En el seguro agrícola basado en imágenes para pequeños agricultores, la estructura de costos de los errores de clasificación es fundamentalmente asimétrica. Un falso negativo (no detectar un cultivo dañado) resulta en que un agricultor no reciba un pago por pérdidas reales, una consecuencia que es irreversible y financieramente catastrófica. Por el contrario, un falso positivo (marcar un cultivo sano como dañado) desencadena una revisión experta innecesaria, lo cual es operativamente costoso pero reversible. Los clasificadores multiclase estándar optimizan la precisión global, fallando al no codificar esta asimetría en su lógica de decisión. Además, los sistemas existentes suelen tener dificultades ante cambios de distribución en el mundo real (por ejemplo, iluminación variable, ruido de sensores, dispositivos heterogéneos), donde los objetivos asimétricos codificados durante el entrenamiento no se traducen de manera confiable en comportamientos asimétricos de seguridad durante el despliegue.

Metodología: CascadeCropNet
Los autores proponen CascadeCropNet, una arquitectura en cascada de dos etapas diseñada para operacionalizar las restricciones de seguridad mediante el aislamiento estructural en lugar de solo el diseño de la función de pérdida.

1. Etapa 1: SentinelNet (Triaje): Un clasificador binario ligero (MobileNetV3-Large) realiza el triaje de salud, distinguiendo entre cultivos "Sanos" y "Dañados".

   • Restricción de Entrenamiento: El modelo se selecciona basándose en una restricción de seguridad: el Recall de muestras Dañadas ($Rec_{Damaged}$) debe ser $\ge 0.95$. Esto se impone durante la selección de puntos de control (checkpoints) a través de las épocas de entrenamiento, maximizando la precisión en muestras dañadas sujeto a este piso estricto de recall.
   • Enrutamiento: Un umbral calibrado $\tau$ determina el enrutamiento. Si $P(Dañado|x) \ge \tau$, la muestra se escala a la segunda etapa; de lo contrario, se predice como Sana.
   • Pérdida: Utiliza ClassBalancedFocalLoss con una ponderación pesada (5x) en la tarea binaria de salud para priorizar la precisión del triaje.

2. Etapa 2: ExpertNet (Diagnóstico): Un modelo especialista (también MobileNetV3-Large) realiza la clasificación detallada entre tipos específicos de daño (Sequía vs. Malezas) solo en las muestras enrutadas por SentinelNet.

   • Aislamiento Arquitectónico: Una característica de diseño crítica es que ExpertNet recibe imágenes de un flujo de preprocesamiento limpio y controlado, independientemente de la corrupción aplicada a las entradas de SentinelNet. Esto aísla el componente de diagnóstico de la degradación de la entrada ascendente.
   • Entrenamiento: Utiliza FocalLoss ($\gamma=2.0$) para abordar el desequilibrio de clases de 4:1 entre Malezas y Sequía, y emplea supervisión enmascarada donde la cabeza de tipo de daño recibe gradientes solo de las muestras dañadas.

3. Control Operacional: El umbral $\tau$ es un parámetro de despliegue. Los operadores pueden navegar por una frontera de Pareto entre la Carga del Experto ($\rho$, la fracción de muestras enrutadas al experto) y la Seguridad ($Rec_{Damaged}$) sin necesidad de reentrenar.

Contribuciones Clave

• Arquitectónicas: Un marco con conciencia de seguridad que separa el triaje del diagnóstico, localizando las detecciones omitidas en la etapa de triaje en lugar de intentar eliminarlas globalmente. Esto impone una estructura de etiquetas condicional (el tipo de daño solo es significativo dada la presencia de daño) al nivel de la distribución de entrada.
• Operacionales: Un mecanismo de enrutamiento basado en umbrales que permite el control en el despliegue del compromiso entre seguridad y eficiencia. El sistema permite a los operadores ajustar $\tau$ para equilibrar la carga de trabajo del experto frente al riesgo de omitir daños.
• Analíticas: Una descomposición del comportamiento del sistema que demuestra que la robustez bajo corrupción de entrada surge del aislamiento arquitectónico (contención de errores) más que de una robustez intrínseca del modelo. La brecha representacional entre la cascada y una línea base plana se reduce a un $+0.008$ F1-macro bajo evaluación justa, indicando que la principal ganancia es estructural, no representacional.

Resultados
Evaluado con el conjunto de datos Eyes on the Ground (23,804 imágenes de granjas de maíz de pequeños agricultores en Kenia):

• Desempeño de Seguridad: Con $\tau = 0.5$, la cascada logra un $Rec_{Damaged} = 0.974$, reduciendo los casos de daño omitidos en un 54% en comparación con una línea base plana ($Rec_{Damaged} = 0.943$).
• Eficiencia: Con $\tau = 0.5$, el sistema reduce el volumen de inferencia del experto en un 13.2% mientras mantiene el piso de seguridad. Con $\tau = 0.6$, la carga del experto se reduce en un 22.6%, aunque el $Rec_{Damaged}$ cae a 0.929.
• Robustez: Bajo corrupción de entrada (ruido de Campo y de Sensor) aplicada solo a las entradas de Sentinel, las métricas diagnósticas de ExpertNet ($F1_{Expert}$, $F1_{DGT}$, $F1_{WED}$) se mantienen estables dentro de la precisión de la medición. En contraste, la línea base plana se degrada entre un 17% y un 35% en todas las tareas.
  • Mecanismo: La corrupción aumenta la tasa de enrutamiento $\rho$ (el Sentinel se vuelve incierto y escala más muestras), pero las entradas del Experto permanecen limpias. El sistema falla hacia una consulta "segura" en lugar de una clasificación errónea confiada.
• Modos de Fallo: El sistema exhibe un "modo de fallo seguro" bajo degradación severa del sensor: $\rho$ se acerca a 1.0 (casi todas las muestras son enrutadas al Experto), eliminando las ganancias de eficiencia pero preservando la seguridad. Sin embargo, si la corrupción alcanza el flujo de entrada del Experto, la garantía de aislamiento falla y el desempeño colapsa.
• Limitaciones: El $F1_{DGT}$ (Sequía) permanece en 0.791, insuficiente para una fiabilidad a nivel de tratamiento debido al solapamiento visual con las malezas y al desequilibrio de clases. Además, el $Rec_{Healthy}$ es bajo (0.424 en $\tau=0.5$), lo que refleja el alto costo de los falsos negativos aceptados para cumplir con el piso de seguridad.

Significancia y Reivindicaciones
El artículo argumenta que, para aplicaciones críticas de seguridad como el seguro agrícola, la estructura de decisión debe imponerse a nivel de sistema en lugar de inferirse únicamente a partir de las funciones objetivo. Los autores afirman que:

1. El aislamiento arquitectónico proporciona un mecanismo práctico para mitigar la discrepancia entre la codificación del riesgo en el entrenamiento y el comportamiento en el despliegue bajo cambios de distribución.
2. La calibración de umbrales permite un control explícito, post-entrenamiento, sobre el compromiso entre seguridad y eficiencia, haciendo que el sistema sea adaptable a diferentes restricciones operativas (por ejemplo, ancho de banda del experto frente a tolerancia al riesgo).
3. La robustez observada es condicional: depende de la suposición de que el componente de diagnóstico (ExpertNet) recibe entradas limpias. El sistema no posee una robustez intrínseca a todo tipo de corrupción, sino que contiene los errores al enrutar la incertidumbre hacia un especialista.

El trabajo concluye que, si bien la cascada no resuelve los desafíos representacionales subyacentes para distinguir la sequía de las malezas, logra operacionalizar las restricciones de seguridad y la contención de errores de una manera que los clasificadores planos no pueden, particularmente en entornos donde la fiabilidad y la capacidad de control son priorizadas sobre la precisión agregada.