Developing a Lightweight Plant Leaf Disease Classification Model Based on ResNet-9 for On-Device AI

최근 농업에서 딥러닝을 활용한 자동화된 식물 질병 진단 기술의 중요성이 커지고 있다. 하지만, 고성능의 딥러닝 모델을 컴퓨팅 자원이 제한적인 임베디드 시스템 기기에서 직접 구동하는 것은 상당한 기술적 과제를 동반한다. 본 연구에서는 기존의 고성능 모델이 가진 지식을 경량 모델에 효율적으로 이전하고, 이를 모바일 환경에 최적화하는 새로운 프레임워크를 제안한다. 이를 위해, CIE-LAB 색상 공간의 밝기(L)와 색상(AB) 정보를 분리하여 처리하는 Two-Path 접근법을 ResNet-9에 적용하였다. 이후, 교사 모델인 Two-Path InceptionV3으로부터 학생 모델인 Two-Path ResNet-9으로 지식을 전달하는 지식 증류(Knowledge Distillation) 기법을 통해 학습을 진행하였다. 최종적으로, 학습된 모델을 INT8 정수형으로 양자화하여 안드로이드 모바일 애플리케이션에 탑재하였다. 실험 결과, 제안 모델은 기존 대형 모델 대비 파라미터 수를 약 41% 감소시키면서도 99.01%의 높은 정확도를 유지하였다. 추론 속도 측면에서는 데스크톱 CPU (Ryzen 5950X)에서 43.98 FPS (Frames Per Second)를 달성했으며, 모바일 기기인 Galaxy S21 Ultra와 Galaxy A90 5G에서도 각각 9.5 FPS, 4.7 FPS의 속도를 기록했다. 본 연구는 모델의 성능 저하를 최소화하면서 크기와 속도를 획기적으로 개선하여, 실제 농업 현장에서 사용 가능한 실시간 온 디바이스 AI 식물 질병 진단 시스템의 구현 가능성을 입증하였다.