초경량 연합 학습 기반 토마토 병 진단 모델

초록

U-FedTomAtt은 245K 파라미터와 71 MFLOPS 수준의 초경량 신경망에 Dilated Bottleneck 모듈과 선형 트랜스포머를 결합하고, Local‑Global Residual Attention으로 정확도를 보강한다. 연합 학습 환경에서는 FedDAWA 알고리즘으로 가중치를 이중 적응적으로 집계해 전역 모델의 성능을 향상시킨다. 세 개의 토마토 병 데이터셋에서 Top‑1 정확도 99.10 %·99.15 %와 F1‑score 99.23 %·98.97 %를 달성하였다.

상세 분석

본 논문은 농업 현장의 분산된 Edge 디바이스에서 프라이버시를 보존하면서도 실시간 병 진단이 가능한 초경량 연합 학습 프레임워크를 제시한다. 핵심 설계는 크게 세 부분으로 나뉜다. 첫째, 모델 아키텍처는 Dilated Bottleneck (DBNeck) 모듈을 도입해 채널 수는 유지하면서 receptive field를 확장한다. 이는 전통적인 3×3 컨볼루션보다 연산량을 크게 줄이면서도 멀티스케일 특징을 포착한다. 둘째, DBNeck 뒤에 배치된 Linear Transformer는 self‑attention 연산을 선형화해 O(N) 복잡도로 변환한다. 기존의 다중 헤드 어텐션에 비해 파라미터와 FLOPS가 현저히 감소하지만, 토마토 잎의 미세한 병변 패턴을 효과적으로 모델링한다. 셋째, Local‑Global Residual Attention (LoGRA) 모듈은 로컬 피처와 글로벌 컨텍스트를 병렬적으로 처리한 뒤 residual 연결을 통해 원본 피처에 다시 합산한다. 이 구조는 경량화 과정에서 발생할 수 있는 표현력 손실을 최소화하고, 특히 색상 변동과 배경 잡음이 심한 현장 이미지에서 강인성을 부여한다.

연합 학습 측면에서는 기존 FedAvg와 달리 Federated Dual Adaptive Weight Aggregation (FedDAWA)를 설계하였다. FedDAWA는 (1) 클라이언트별 학습률과 손실 변동성을 기반으로 가중치를 동적으로 조정하는 Adaptive Scaling, (2) 각 클라이언트 모델의 파라미터 분산을 측정해 고분산 파라미터에 더 큰 업데이트 비중을 부여하는 Dual Adaptive Mechanism을 결합한다. 이중 적응 방식은 데이터 분포가 비동질적인 농가 간의 불균형을 완화하고, 전역 모델이 과소/과대 적합되는 위험을 감소시킨다.

실험은 세 개의 공개 토마토 병 데이터셋(SLIF‑Tomato, PlantVillage‑Tomato, 그리고 자체 수집 데이터)에서 시뮬레이션된 연합 환경(클라이언트 10~20개, 비동질적 데이터 비율 30 %70 %)을 구성해 수행되었다. 비교 대상은 MobileNetV2, ShuffleNetV2, 그리고 최신 경량 ViT 기반 연합 모델이다. U‑FedTomAtt은 파라미터 245 K, FLOPS 71 MFLOPS로 가장 가벼우면서도 Top‑1 정확도 99.10 %/99.15 %와 F1‑score 99.23 %/98.97 %를 기록, 기존 경량 모델 대비 24 %p 상승을 보였다. 또한 통신 비용은 평균 0.8 MB/라운드로 기존 FedAvg 기반 MobileNetV2 대비 45 % 절감되었다.

한계점으로는 현재 실험이 시뮬레이션 환경에 국한돼 실제 농가 네트워크 지연·패킷 손실 상황에서의 견고성 검증이 부족하다는 점이다. 또한 LoGRA 모듈이 추가하는 12 K 파라미터는 초경량 목표에 비해 상대적으로 큰 비중을 차지하므로, 더 극단적인 경량화를 위해 하드웨어 친화적 양자화나 프루닝 기법과의 결합 연구가 필요하다.

요약하면, DBNeck + Linear Transformer + LoGRA 설계는 모델 경량화와 정확도 유지 사이의 트레이드오프를 효과적으로 해결하고, FedDAWA는 데이터 이질성에 강인한 연합 학습을 가능하게 한다. 이는 프라이버시 보호와 실시간 병 진단이 요구되는 스마트 농업 현장에 실용적인 솔루션을 제공한다.