在物联网传感器网络中分布式深度学习用于诊断植物疾病
Athanasios Papanikolaou1, Athanasios Tziouvaras2, George Floros3
1Department of Electrical Engineering and Computing, University of Zagreb, Unska ul. 3, 10000 Zagreb, Croatia.
Sensors (Basel, Switzerland)
|December 31, 2025
概括
在物联网网络上使用联合学习 (FL) 提升了植物疾病的早期检测. 一个分层的FL模型提高了农业应用的准确性和稳定性,性能优于标准管道.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 早期发现植物疾病对于农业生产力和粮食安全至关重要.
- 集中式深度学习模型在基于物联网的农业环境中面临挑战,原因是数据传输和计算需求.
- 现有的方法往往不适合大规模,分散的农业部署.
研究的目的:
- 提出一种使用联合学习 (FL) 的分布式深度学习框架,用于物联网传感器网络中的植物疾病诊断.
- 为了评估等级FL方法的有效性,与多种作物疾病分类的标准管道相比.
- 解决资源有限的农业环境中集中式模式的局限性.
主要方法:
- 开发了一个分布式深度学习框架,集成物联网节点和边缘计算节点.
- 实现了联邦平均化 (FedAvg) 算法,用于在没有本地数据传输的情况下进行协作模型训练.
- 评估了两个培训管道:一种标准的单一模型方法和一种将作物分类与作物特异性疾病模型相结合的等级模型.
- 利用EfficientNet B0模型进行基于图像的植物疾病诊断.
主要成果:
- 层次的FL方法证明了提高了每作物分类的准确性和对环境变化的稳定性.
- 标准的FL管道提供了更低的延迟和更低的能源消耗.
- 实验结果在多种作物叶子图像数据集上得到验证,具有现实的增强.
结论:
- 联合学习为物联网农业环境中的分散植物疾病诊断提供了可行的解决方案.
- 层次的FL架构在各种农业条件下提高了分类性能和弹性.
- 标准和层次FL管道之间的选择取决于平衡精度,延迟和能源效率要求.
