Data-Efficient Plant Disease Diagnosis via Domain Adaptation and Feature Disentanglement = 도메인 적응 및 특징 분리 학습을 통한 데이터 효율적 식물병 진단 모델

다국어 초록 (Multilingual Abstract)

In modern precision agriculture, computer vision-based early detection and precise control of plant diseases have emerged as critical technologies for safeguarding crop productivity. However, the collection of high-quality field data, essential for training deep learning models, is constrained by significant costs and the need for expert labor. While utilizing laboratory data with accurate labels has been explored as an alternative, the severe visual domain gap between controlled laboratory environments and complex outdoor field conditions remains a primary factor hindering the practical deployment of models. Furthermore, pathogen migration and host range expansion driven by climate change are frequently leading to the emergence of novel crop-disease combinations. Conventional diagnostic models, trained on fixed categories, fail to adapt flexibly to these ecological shifts, resulting in structural inefficiency as they require data recollection and retraining for every new outbreak.
To address these limitations in data acquisition and unpredictable ecological changes, this study proposes a strategy to maximize data efficiency through methodological innovation rather than extensive physical data augmentation. First, to enhance field adaptability, we propose a framework integrating Background Re-composition and Unsupervised Domain Adaptation (UDA) that synthesizes laboratory-extracted leaf regions with unlabeled real-field backgrounds and aligns feature distributions via domain adaptation mechanisms, thereby establishing a diagnostic model robust to environmental variations without additional field annotations. Furthermore, to actively address rapidly changing disease spread patterns, a Semantic Feature Disentanglement framework is introduced. Moving beyond conventional classification methods where crop and disease features are entangled, this method explicitly partitions feature vectors and applies contrastive learning and a Local Feature Attention mechanism to independently isolate disease-specific visual features from host attributes. Moreover, by aligning these features with semantic embeddings generated by Large Language Models (LLMs), the model demonstrated improved adaptability to unseen crop-disease combinations compared to baseline models, thereby validating the feasibility of compositional generalization. Ultimately, this study establishes a methodological foundation for a data-efficient plant disease diagnosis system capable of effectively addressing the environmental constraints and ecological variations of real-world agriculture with limited data resources, leveraging the dual approaches of domain adaptation and feature disentanglement.

국문 초록 (Abstract)

현대 정밀 농업에서 컴퓨터 비전 기반의 식물병 조기 탐지와 정밀 방제는 작물 생산성 확보를 위한 핵심 기술로 대두되고 있다. 그러나 딥러닝 모델 학습에 필수적인 고품질의 현장 데이터 수집은 막대한 비용과 전문 인력을 요하는 현실적인 제약이 따른다. 이에 대한 대안으로 정확한 레이블이 보장된 실험실 데이터를 활용하려는 시도가 이어지고 있으나, 정제된 실험실 환경과 복잡한 실제 재배 환경 간의 극심한 시각적 차이는 모델의 현장 적용성을 저해하는 주요 요인으로 작용한다. 또한, 기후 변화에 따른 병원균의 서식지 이동과 숙주 범위의 확장은 기존에 없던 새로운 작물-병해 감염 사례를 빈번하게 발생시키고 있다. 고정된 범주만을 학습하는 기존의 진단 모델은 이러한 생태학적 변이에 유연하게 대처하지 못하며, 새로운 감염 조합이 나타날 때마다 데이터를 재구축해야 하는 구조적 비효율성을 초래한다. 본 연구는 이러한 데이터 수집의 한계와 예측 불가능한 생태 변화에 대응하기 위해, 물리적인 데이터 증축 대신 방법론적 혁신을 통한 데이터 효율성 극대화 전략을 제안한다. 먼저, 실험실 데이터 기반 모델의 현장 적응력을 강화하기 위해 배경 재구성(Field-adaptive Background Recomposition, FBR) 기법과 비지도 도메인 적응(Unsupervised Domain Adaptation, UDA)이 결합된 프레임워크를 고안하였다. 이는 사전학습된 객체 분할 모델을 통해 실험실 이미지의 잎 영역을 추출하고 이를 레이블이 없는 실제 재배 환경의 배경과 합성한 뒤, 도메인 적응 방식을 통해 특징 분포를 정렬하는 방식이다. 이를 통해 추가적인 현장 데이터 레이블링 없이도 환경적 변화에 강건한 진단 모델을 구축하였다. 나아가, 급변하는 병해 확산 양상에 능동적으로 대처하고자 의미론적 특징 분리(Semantic Feature Disentanglement) 방법론을 도입하였다. 작물과 병해의 특징이 혼재된 상태로 분류하는 기존의 방식에서 벗어나, 특징 벡터를 명시적으로 분할한 후 대조 학습과 국소 특징 주의(Local Feature Attention) 메커니즘을 적용함으로써 질병 고유의 시각적 특징을 작물 정보로부터 독립적으로 분리해내었다. 나아가 이를 대규모 언어 모델(LLM) 기반의 의미론적 임베딩과 정렬시킴으로써, 학습 과정에서 보지 못한 새로운 작물-병해 조합에 대해서도 기존 모델 대비 향상된 적응력을 보이며 구성적 일반화의 실현 가능성을 확인하였다. 궁극적으로 본 연구는 도메인 적응과 특징 분리라는 두 가지 접근을 통해, 제한된 데이터 자원만으로도 실제 농업 현장의 환경적 제약과 생태학적 변이에 효과적으로 대응할 수 있는 데이터 효율적인 식물 병 진단 시스템의 방법론적 토대를 마련하였다.

목차 (Table of Contents)

• Abstract i
• Chapter 1 Introduction 1
• 1.1 Background 1
• 1.2 Problem Statement 2
• 1.2.1 The Practical Dilemma: Laboratory Reliability vs. Field Reality 2
• 1.2.2 Climate Change and the Need for Adaptability 3
• 1.3 Research Objectives 4
• Chapter 2 Bridging the Lab-to-Field Gap in Plant Disease Diagnosis through Unsupervised Domain Adaptation Enhanced by Background Recomposition 5
• 2.1 Introduction 5
• 2.2 Related Work 8
• 2.3 Methodology 10
• 2.3.1 Field-adaptive Background Recomposition 10
• 2.3.2 Unsupervised Domain Adaptation 15
• 2.4 Experiments 20
• 2.4.1 Datasets 20
• 2.4.2 Implementation Details 23
• 2.4.3 Experimental Setting 25
• 2.5 Results and Discussion 27
• 2.5.1 Evaluation of Domain Adaptation Methods 27
• 2.5.2 Feature Distribution Visualization 30
• 2.5.3 Class Activation Map Analysis 33
• 2.5.4 Ablation Study 36
• 2.5.5 Practical Application Case 38
• 2.6 Summary 41
• Chapter 3 Overcoming Class Rigidity through Semantic Feature Disentanglement for Adaptable Diagnosis 43
• 3.1 Introduction 43
• 3.2 Related Work 45
• 3.3 Methodology 47
• 3.3.1 Baseline Architecture 47
• 3.3.2 Semantic Feature Disentangled Pre-training 49
• 3.3.3 Few-shot Adaptation Strategy 53
• 3.4 Experiments 54
• 3.4.1 Dataset and Protocol 54
• 3.4.2 Experimental Design 56
• 3.4.3 Implementation Details 57
• 3.4.4 Models for Comparison 58
• 3.5 Results and Discussion 59
• 3.5.1 Feature Space Visualization 59
• 3.5.2 Analysis of Few-Shot Adaptability 62
• 3.5.3 Ablation Study 65
• 3.6 Summary 68
• Chapter 4 Conclusion 70
• Appendix A Prompt Templates for Semantic Description Generation 72
• References 73
• 국문초록 84