A Lightweight Attentive CNN with Explainable AI for Crop-Weed Classification on CWD30

Problematica

La classificazione accurata di colture e infestanti è essenziale per l'agricoltura di precisione, al fine di ottimizzare l'uso di erbicidi e ridurre l'impatto ambientale. Tuttavia, il dispiegamento di sistemi di riconoscimento automatizzati in condizioni reali di campo deve affrontare tre sfide primarie:

1. Ambiguità Botanica: Esiste un'elevata somiglianza inter-classe tra le specie di colture e infestanti, in particolare durante le prime fasi di crescita, rendendo difficile la discriminazione morfologica.
2. Sbilanciamento delle Classi: I dataset sul campo presentano spesso un grave sbilanciamento, in cui le specie dominanti superano di gran lunga quelle meno comuni, portando a un addestramento del modello distorto.
3. Vincoli di Risorse: Sebbene i modelli di deep learning (ad es. ResNet, VGG) raggiungano un'elevata accuratezza, la loro complessità computazionale e i requisiti di memoria li rendono inadatti all'inferenza in tempo reale su dispositivi edge con risorse limitate (ad es. robot agricoli, UAV, sistemi embedded).

I modelli leggeri esistenti spesso sacrificano la capacità discriminativa per soddisfare i vincoli di efficienza, e gli standard strati convoluzionali spesso non riescono a distinguere caratteristiche sottili a causa della mancanza di meccanismi di attenzione espliciti. Inoltre, molti modelli mancano di spiegabilità, rendendo difficile per gli agronomi fidarsi delle decisioni automatizzate.

Metodologia

Gli autori propongono un'architettura MobileNetV3-DualCBAM, una rete neurale convoluzionale (CNN) con attenzione a due stadi, leggera e progettata per il benchmark CWD30 (composto da 10 specie di colture e 20 di infestanti).

1. Design dell'Architettura:

• Backbone: Il modello utilizza MobileNetV3-Large come backbone per l'estrazione delle caratteristiche, scelto per il suo design consapevole dell'hardware ed efficiente.
• Attenzione a Due Stadi (CBAM): A differenza degli approcci standard che applicano l'attenzione solo nell'ultimo strato, questo lavoro integra i Convolutional Block Attention Modules (CBAM) in due stadi distinti:
  • Stadio Intermedio (livello medio): Un CBAM è inserito dopo lo Stage 3 (mappe di caratteristiche a 40 canali). Ciò mira a sopprimere il rumore di fondo (suolo, bordi dei contenitori) precocemente nella gerarchia di elaborazione, costringendo la rete a concentrarsi su pattern strutturali e testurali (bordi delle foglie, venature) prima della successiva elaborazione semantica.
  • Stadio Finale (livello alto): Un secondo CBAM è inserito dopo lo Stage 5 (mappe di caratteristiche a 960 canali) per ricalibrare le rappresentazioni semantiche immediatamente prima della classificazione.
• Ablazione: Lo studio confronta l'approccio a due stadi con un baseline MobileNetV3, una variante a singolo stadio CBAM (solo stadio finale), EfficientNet-B0 e GhostNet.

2. Gestione dei Dati e Strategia di Addestramento:

• Pre-elaborazione del Dataset: Il dataset CWD30 (originariamente composto da 219.770 immagini) è stato filtrato per rimuovere i campioni di laboratorio "Settimana-0" (immagini di solo suolo) per evitare che il modello apprendesse artefatti del contenitore di sfondo. Il set di addestramento finale comprendeva 174.126 immagini.
• Mitigazione dello Sbilanciamento delle Classi: È stata impiegata una strategia a tre pilastri:
  • WeightedRandomSampler: Sovracampionamento delle classi rare durante la formazione dei batch.
  • Ripesatura della Perdita (Loss Reweighting): Cross-entropy loss pesata per classe con label smoothing ($\epsilon=0.1$) per penalizzare più pesantemente gli errori delle classi minoritarie e prevenire l'overconfidence.
  • Augmentation: Augmentation online aggressiva, inclusi MixUp e CutMix, insieme a trasformazioni geometriche (flip, rotazioni, color jitter) per migliorare la generalizzazione.
• Configurazione dell'Addestramento: I modelli sono stati addestrati utilizzando PyTorch con precisione mista (AMP), ottimizzatore AdamW, tassi di apprendimento differenziali (più bassi per il backbone, più alti per i nuovi head) e cosine annealing con warmup.

3. Intelligenza Artificiale Spiegabile (XAI):
Per garantire che il modello si basi su caratteristiche biologicamente significative piuttosto che su correlazioni spurie, gli autori hanno impiegato due tecniche di spiegabilità ortogonali:

• Grad-CAM: Visualizza le mappe di attivazione pesate dal gradiente per mostrare quali regioni dell'immagine guidano le predizioni.
• LIME (Local Interpretable Model-agnostic Explanations): Identifica i superpixel che contribuiscono positivamente alla classificazione.
  Questi metodi sono stati utilizzati per validare che il modello si concentri sulle strutture vegetali (foglie, steli, punte di crescita) piuttosto che sugli elementi di sfondo.

Contributi Chiave

1. Architettura Cascata Dual-Stage CBAM: L'integrazione di CBAM sia negli stadi di caratterizzazione intermedia che finale all'interno di MobileNetV3-Large. Gli studi di ablazione confermano che l'attenzione allo stadio intermedio fornisce il guadagno di prestazione dominante, consentendo il raffinamento gerarchico delle caratteristiche.
2. Benchmarking Completo: Un confronto sistematico di cinque architetture leggere sul dataset CWD30, valutando sia le metriche di classificazione (accuratezza Top-1/Top-3, macro-F1) che le metriche di efficienza (GFLOPs, latenza, parametri).
3. Soluzione Integrata per lo Sbilanciamento: Una pipeline unificata che combina campionamento, pesatura della perdita e augmentation sintetica specificamente adattata per il grave sbilanciamento nel dataset CWD30.
4. Validazione tramite XAI Ortogonale: L'uso congiunto di Grad-CAM e LIME per fornire prove che le predizioni del modello siano fondate sulla morfologia delle piante, affrontando il problema della "scatola nera" nell'IA agricola.

Risultati Sperimentali

Il modello proposto MobileNetV3-DualCBAM ha ottenuto i seguenti risultati sul test set CWD30 (utilizzando 5-view Test-Time Augmentation):

• Accuratezza: 96,68% di accuratezza Top-1 e 98,97% di accuratezza Top-3.
• Efficienza: 3,12 Milioni di parametri, 0,43 GFLOPs e una latenza di inferenza di 10,47 ms (87,2 immagini/secondo).
• Confronto:
  • Ha superato EfficientNet-B0 (96,07% accuratezza, 4,05M parametri, 0,78 GFLOPs) nonostante avesse significativamente meno parametri e un costo computazionale inferiore.
  • Ha superato il Baseline MobileNetV3 (93,18% accuratezza) e la variante Single-CBAM (95,45% accuratezza), dimostrando il valore dello stadio di attenzione intermedio.
  • GhostNet ha ottenuto l'accuratezza più bassa (~90%) nonostante i GFLOPs più bassi, indicando che la compressione estrema compromette la discriminazione fine.
• Ottimalità di Pareto: Il modello è stato identificato come Pareto-ottimale nello spazio accuratezza-complessità, offrendo il miglior compromesso tra alta accuratezza e basso costo computazionale tra i modelli valutati.
• Risultati della Spiegabilità: Le visualizzazioni Grad-CAM e LIME hanno confermato che il modello DualCBAM concentra l'attenzione sulle foglie e sulle punte di crescita delle piante, mentre il modello baseline spesso si attivava su elementi di sfondo come i bordi dei contenitori o il suolo.

Significatività e Rivendicazioni

Il paper afferma che l'architettura MobileNetV3-DualCBAM rappresenta un passo avanti significativo per l'agricoltura di precisione in tempo reale su dispositivi edge. Raggiungendo un equilibrio Pareto-ottimale tra accuratezza ed efficienza, il modello è adatto per il dispiegamento su sistemi embedded (ad es. Jetson Nano) senza richiedere ulteriori compressioni strutturali.

Gli autori sottolineano che il meccanismo di attenzione a due stadi è critico per gestire l'ambiguità morfologica delle colture e delle infestanti nelle prime fasi, filtrando efficacemente il rumore di fondo prima della classificazione semantica. Inoltre, l'integrazione dell'Intelligenza Artificiale Spiegabile è presentata non solo come uno strumento di analisi, ma come una componente necessaria per costruire la fiducia con gli agronomi, garantendo che le decisioni automatizzate si basino su tratti osservabili delle piante piuttosto che su artefatti del dataset.

Lo studio conclude che, sebbene i metodi d'insieme possano produrre guadagni marginali di accuratezza, l'approccio a singolo modello proposto offre una soluzione robusta, efficiente e interpretabile per il complesso compito di classificazione colture-infestanti a 30 classi. Il lavoro futuro suggerisce di esplorare i Vision Transformer, la fusione di dati multispettrali e la generalizzazione tra diversi dataset.