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

Definição do Problema

A classificação precisa de culturas e ervas daninhas é essencial para a agricultura de precisão, visando otimizar o uso de herbicidas e reduzir o impacto ambiental. No entanto, a implantação de sistemas de reconhecimento automatizados em condições reais de campo enfrenta três desafios primários:

1. Ambiguidade Botânica: Existe uma alta similaridade interclasse entre espécies de culturas e ervas daninhas, particularmente durante as fases iniciais de crescimento, tornando a discriminação morfológica difícil.
2. Desbalanceamento de Classes: Conjuntos de dados de campo frequentemente exibem um desbalanceamento severo, onde espécies dominantes superam vastamente as cultivares raras, levando ao treinamento enviesado do modelo.
3. Restrições de Recursos: Embora modelos de aprendizado profundo (ex: ResNet, VGG) alcancem alta acurácia, sua complexidade computacional e requisitos de memória os tornam inadequados para inferência em tempo real em dispositivos de borda com recursos limitados (ex: robôs agrícolas, UAVs, sistemas embarcados).

Modelos leves existentes frequentemente sacrificam a capacidade discriminativa para atender às restrições de eficiência, e camadas convolucionais padrão frequentemente falham em distinguir características sutis devido à falta de mecanismos de atenção explícitos. Além disso, muitos modelos carecem de explicabilidade, tornando difícil para agrônomos confiarem em decisões automatizadas.

Metodologia

Os autores propõem uma arquitetura MobileNetV3-DualCBAM, uma Rede Neural Convolucional (CNN) atenta e leve, de dois estágios, projetada para o benchmark CWD30 (composto por 10 espécies de culturas e 20 de ervas daninhas).

1. Design da Arquitetura:

• Backbone: O modelo utiliza o MobileNetV3-Large como backbone de extração de características, escolhido por seu design orientado ao hardware e eficiência.
• Atenção de Estágio Duplo (CBAM): Diferente das abordagens padrão que aplicam atenção apenas na camada final, este trabalho integra Módulos de Atenção de Bloco Convolucional (CBAM) em dois estágios distintos:
  • Estágio Intermediário (Nível Médio): Um CBAM é inserido após o Estágio 3 (mapas de características de 40 canais). O objetivo é suprimir o ruído de fundo (solo, bordas de recipientes) precocemente na hierarquia de processamento, forçando a rede a focar em padrões estruturais e texturais (bordas de folhas, nervuras) antes do processamento semântico mais profundo.
  • Estágio Final (Nível Alto): Um segundo CBAM é inserido após o Estágio 5 (mapas de características de 960 canais) para recalibrar as representações semânticas imediatamente antes da classificação.
• Ablação: O estudo compara a abordagem de estágio duplo contra um baseline MobileNetV3, uma variante de CBAM de estágio único (apenas estágio final), EfficientNet-B0 e GhostNet.

2. Manipulação de Dados e Estratégia de Treinamento:

• Pré-processamento de Dados: O conjunto de dados CWD30 (originalmente 219.770 imagens) foi filtrado para remover espécimes de laboratório da "Semana 0" (imagens apenas de solo) para evitar que o modelo aprenda artefatos de fundo dos recipientes. O conjunto de treinamento final compreendeu 174.126 imagens.
• Mitigação de Desbalanceamento de Classes: Uma estratégia de três frentes foi empregada:
  • WeightedRandomSampler: Sobreamostragem de classes raras durante a formação dos lotes (batches).
  • Redimensionamento de Perda (Loss Reweighting): Perda de entropia cruzada ponderada por classe com suavização de rótulo ($\epsilon=0.1$) para penalizar erros de classes minoritárias de forma mais severa e evitar o excesso de confiança.
  • Aumentação (Augmentation): Aumentação online agressiva incluindo MixUp e CutMix, juntamente com transformações geométricas (giros, rotações, jitter de cor) para melhorar a generalização.
• Configuração de Treinamento: Os modelos foram treinados usando PyTorch com precisão mista (AMP), otimizador AdamW, taxas de aprendizado diferenciais (menores para o backbone, maiores para novos cabeçotes) e decaimento de cosseno com warmup.

3. IA Explicável (XAI):
Para garantir que o modelo dependa de características biologicamente significativas em vez de correlações espúrias, os autores empregaram duas técnicas de explicabilidade ortogonais:

• Grad-CAM: Visualiza mapas de ativação ponderados pelo gradiente para mostrar quais regiões da imagem impulsionam as previsões.
• LIME (Local Interpretable Model-agnostic Explanations): Identifica superpixels que contribuem positivamente para a classificação.
  Esses métodos foram usados para validar que o modelo foca em estruturas vegetais (folhas, caules, pontas de crescimento) em vez de elementos de fundo.

Principais Contribuições

1. Arquitetura Cascata Dual-Stage CBAM: A integração do CBAM tanto nos estágios de característica intermediários quanto finais dentro do MobileNetV3-Large. Estudos de ablação confirmam que a atenção do estágio intermediário fornece o ganho de desempenho dominante, permitindo o refinamento hierárquico de características.
2. Benchmarking Abrangente: Uma comparação sistemática de cinco arquiteturas leves no conjunto de dados CWD30, avaliando tanto métricas de classificação (acurácia Top-1/Top-3, macro-F1) quanto métricas de eficiência (GFLOPs, latência, parâmetros).
3. Solução Integrada de Desbalanceamento: Um pipeline unificado combinando amostragem, ponderação de perda e aumentação sintética especificamente adaptado para o desbalanceamento severo no CVD30.
4. Validação de Explicabilidade Ortogonal: O uso conjunto de Grad-CAM e LIME para fornecer evidências de que as previsões do modelo são fundamentadas na morfologia das plantas, abordando a preocupação da "caixa preta".

Resultos Experimentais

O modelo proposto MobileNetV3-DualCBAM alcançou os seguintes resultados no conjunto de teste CWD30 (usando 5-view Test-Time Augmentation):

• Acurácia: 96,68% de acurácia Top-1 e 98,97% de acurácia Top-3.
• Eficiência: 3,12 Milhões de parâmetros, 0,43 GFLOPs e uma latência de inferência de 10,47 ms (87,2 imagens/segundo).
• Comparação:
  • Superou o EfficientNet-B0 (96,07% de acurácia, 4,05M de parâmetros, 0,78 GFLOPs) apesar de possuir significativamente menos parâmetros e menor custo computacional.
  • Superou o Baseline MobileNetV3 (93,18% de acurácia) e a variante Single-CBAM (95,45% de acurácia), demonstrando o valor do estágio de atenção intermediário.
  • O GhostNet alcançou a menor acurácia (~90%) apesar de ter os menores GFLOPs, indicando que a compressão extrema compromete a discriminação de detalhes finos.
• Pareto-Otimização: O modelo foi identificado como Pareto-ótimo no espaço acurácia-complexidade, oferecendo o melhor equilíbrio entre alta acurácia e baixo custo computacional entre os modelos avaliados.
• Achados de Explicabilidade: Visualizações de Grad-CAM e LIME confirmaram que o modelo DualCBAM concentra a atenção em folhas e pontas de crescimento das plantas, enquanto o modelo baseline frequentemente ativava em elementos de fundo, como bordas de recipientes ou solo.

Significância e Alegações

O artigo afirma que a arquitetura MobileNetV3-DualCBAM representa um passo significativo para a agricultura de precisão em tempo real em dispositivos de borda. Ao alcançar um equilíbrio Pareto-ótimo entre acurácia e eficiência, o modelo é adequado para implantação em sistemas embarcados (ex: Jetson Nano) sem a necessidade de compressão estrutural adicional.

Os autores enfatizam que o mecanismo de atenção de dois estágios é crítico para lidar com a ambiguidade morfológica de culturas e ervas daninhas em estágio inicial, filtrando efetivamente o ruído de fundo antes da classificação semântica. Além disso, a integração de IA Explicável é apresentada não apenas como uma ferramenta de análise, mas como um componente necessário para construir confiança com os agrônomos, garantando que as decisões automatizadas sejam baseadas em traços observáveis das plantas e não em artefatos do conjunto de dados.

O estudo conclui que, embora métodos de ensemble possam gerar ganhos marginais de acurácia, a abordagem de modelo único proposta oferece uma solução robusta, eficiente e interpretável para a desafiadora tarefa de classificação de 30 classes de culturas e ervas daninhas. Sugere-se que trabalhos futuros explorem Vision Transformers, fusão de dados multiespectrais e generalização entre conjuntos de dados.