《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 智慧農(nóng)業(yè)下基于聯(lián)邦學(xué)習(xí)的水稻病蟲害分類研究
智慧農(nóng)業(yè)下基于聯(lián)邦學(xué)習(xí)的水稻病蟲害分類研究
電子技術(shù)應(yīng)用
黃炯炯
浙江農(nóng)林大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院
摘要： 在農(nóng)業(yè)發(fā)展過程中，農(nóng)作物的健康問題一直是一個(gè)重要的研究課題,。面向這一課題探討智能化農(nóng)業(yè)種植過程中的水稻病蟲害分類問題,。在智能化農(nóng)業(yè)種植場景下，為了提高設(shè)備對病蟲害的分類準(zhǔn)確性,，同時(shí)保護(hù)各設(shè)備的數(shù)據(jù)隱私,，提出使用聯(lián)邦學(xué)習(xí)來解決各設(shè)備間的數(shù)據(jù)孤島問題。實(shí)驗(yàn)選取了七個(gè)預(yù)訓(xùn)練模型來提取特征,，使用四個(gè)指標(biāo)（準(zhǔn)確率,、召回率、損失函數(shù)和F1分?jǐn)?shù)）來評估不同模型上的性能,。實(shí)驗(yàn)結(jié)果表明,，在獨(dú)立同分布（IID）和非獨(dú)立同分布（Non-IID）數(shù)據(jù)下模型VGG19的準(zhǔn)確率分別為99.05%和98.48%，表現(xiàn)出較高的魯棒性和準(zhǔn)確率,。通過幾種實(shí)驗(yàn)和指標(biāo)對比發(fā)現(xiàn),，聯(lián)邦學(xué)習(xí)的應(yīng)用提升了設(shè)備4.36％的準(zhǔn)確率，圖像分類模型的收斂時(shí)間受到聯(lián)邦學(xué)習(xí)輪數(shù)round和每輪聯(lián)邦學(xué)習(xí)中訓(xùn)練集的訓(xùn)練epoch數(shù)的共同影響,，并且模型的穩(wěn)定性隨著參與聯(lián)邦學(xué)習(xí)的設(shè)備數(shù)量增加而提高,。
中圖分類號：S435 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.245131
中文引用格式： 黃炯炯. 智慧農(nóng)業(yè)下基于聯(lián)邦學(xué)習(xí)的水稻病蟲害分類研究[J]. 電子技術(shù)應(yīng)用，2024,，50(11)：89-98.
英文引用格式： Huang Jiongjiong. Research on rice pest and disease classification based on federated learning under smart agriculture[J]. Application of Electronic Technique,，2024，50(11)：89-98.
Research on rice pest and disease classification based on federated learning under smart agriculture
Huang Jiongjiong
School of Mathematics and Computer Science,， Zhejiang A&F University
Abstract： In the ongoing process of agricultural development, the health of crops continues to be a pivotal research area. Addressing this issue, this paper endeavors to delve into the classification of rice diseases within the framework of intelligent agricultural planting. Within the context of intelligent agricultural planting, this paper advocates the adoption of federated learning as a means to enhance the accuracy of disease classification equipment while safeguarding the data privacy of individual devices, thereby addressing the data silo problem among these devices. For the experimental phase, seven pre-trained models are meticulously selected to extract pertinent features, and four evaluation metrics—accuracy, recall, loss function, and F1-score—are employed to assess the performance of these models. The experimental outcomes reveal that the VGG19 model achieved remarkable accuracy levels of 99.05% and 98.48% on Independent and Identically Distributed (IID) and Non-Independent and Identically Distributed (Non-IID) data sets, respectively, showcasing its robustness and precision. Through a series of experiments and comparative analyses of various indicators, it is conclusively established that the integration of federated learning has enhanced the accuracy of the equipment by a noteworthy margin of 4.36%. Furthermore, the convergence time of the image classification model is influenced by a combination of factors, including the number of federated learning rounds and the training epochs per round within the training set. Notably, the stability of the model improves as the number of devices participating in federated learning increases.
Key words : smart agriculture,；federated learning；image classification,；pre-trained models

引言

水稻是全世界重要的食物來源,，在亞洲更是占據(jù)了不可代替的地位。中國60以上的人口以米飯為主食,，水稻種植面積在3 000萬公頃左右,，占我國總播種面積的五分之一以上[1]。在傳統(tǒng)的農(nóng)業(yè)生產(chǎn)模式中，人力資源的消耗通常十分顯著,。在水稻的種植過程中,，細(xì)菌、真菌和其他微生物的侵害對水稻的健康狀況和產(chǎn)量構(gòu)成了嚴(yán)重威脅,，導(dǎo)致了巨大的損失,。農(nóng)業(yè)生產(chǎn)中為了應(yīng)對病蟲害問題，需要投入大量勞動(dòng)力,，這不僅增加了農(nóng)業(yè)成本,，也加大了勞動(dòng)力的工作負(fù)擔(dān)。

物聯(lián)網(wǎng)技術(shù)[2]和計(jì)算機(jī)視覺[3]等科技的引入,、科技與農(nóng)業(yè)的深度融合推動(dòng)了農(nóng)業(yè)智慧化方向的快速發(fā)展,，實(shí)現(xiàn)智慧農(nóng)業(yè)[4]的全新格局。在智慧農(nóng)業(yè)下,，農(nóng)業(yè)通過智能農(nóng)業(yè)設(shè)備進(jìn)行水稻病蟲害的自動(dòng)化治理,，不僅顯著提升了農(nóng)業(yè)種植的效率，更在減少農(nóng)業(yè)損失方面發(fā)揮了至關(guān)重要的作用,。這種智能化的治理模式不僅代表了農(nóng)業(yè)現(xiàn)代化的重要方向,，也為提高農(nóng)業(yè)生產(chǎn)效益、促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展注入了新的動(dòng)力與意義,。

近年來,，深度學(xué)習(xí)技術(shù)在各個(gè)領(lǐng)域都取得了巨大進(jìn)展，特別是植物病蟲害分類方面,。隨著農(nóng)業(yè)智能化發(fā)展,，人們對于智能治理植物病蟲害提出了更高要求。在智慧農(nóng)場中,，由于分散于不同地區(qū)且歸屬于不同組織機(jī)構(gòu)的農(nóng)業(yè)設(shè)備在運(yùn)行中產(chǎn)生了數(shù)據(jù)孤島問題,，給數(shù)據(jù)整合與分析帶來較大困擾。為了解決該問題,，本文在研究中加入了聯(lián)邦學(xué)習(xí)框架（FL）,，聯(lián)邦學(xué)習(xí)在設(shè)備進(jìn)行深度學(xué)習(xí)任務(wù)時(shí)對數(shù)據(jù)隱私保護(hù)和提高模型性有很大幫助。聯(lián)邦學(xué)習(xí)在2016年由谷歌研究院提出[5],，它是一種分布式機(jī)器學(xué)習(xí)方法，允許在多個(gè)設(shè)備或計(jì)算節(jié)點(diǎn)上進(jìn)行模型訓(xùn)練,，而無需將原始數(shù)據(jù)傳輸?shù)街醒敕?wù)器,。這種學(xué)習(xí)方法的核心思想是在保護(hù)數(shù)據(jù)隱私的同時(shí)，允許多個(gè)參與方共同學(xué)習(xí)一個(gè)全局模型,，聯(lián)邦學(xué)習(xí)有效地解決了數(shù)據(jù)孤島[6]這個(gè)難題,。

在以往的研究中，不少學(xué)者通過改進(jìn)深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）來提高水稻病蟲害的識別分類性能。比如Latif等學(xué)者[7]對預(yù)訓(xùn)練模型VGG19進(jìn)行改進(jìn),，在非歸一化增強(qiáng)數(shù)據(jù)上擁有96.08的準(zhǔn)確率,，高于相同或類似數(shù)據(jù)集在其他研究中的表現(xiàn)。Bhimavarapu[8]在卷積神經(jīng)網(wǎng)絡(luò)中改進(jìn)了激活和優(yōu)化函數(shù),，減少了損失并明顯地提高了預(yù)測性能和分類準(zhǔn)確性,。預(yù)訓(xùn)練能夠加速訓(xùn)練過程并提高訓(xùn)練效果，在研究中使用預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)也是不錯(cuò)的方法[9],。Ahad等學(xué)者[10]對六種CNN預(yù)訓(xùn)練模型進(jìn)行了水稻病蟲害分類比較,，對五種預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)，通過比較得到不同模型的效果及優(yōu)缺點(diǎn),。

傳統(tǒng)的集中式機(jī)器學(xué)習(xí)要面對數(shù)據(jù)安全隱私和數(shù)據(jù)中心化的挑戰(zhàn)[11],，醫(yī)療和金融領(lǐng)域飽受這些問題的困擾[12]。谷歌團(tuán)隊(duì)設(shè)計(jì)了聯(lián)邦學(xué)習(xí)應(yīng)用在這些領(lǐng)域來解決以上矛盾,。在醫(yī)療領(lǐng)域,，Sheller等研究者[13]發(fā)現(xiàn)，對十個(gè)醫(yī)療機(jī)構(gòu)的數(shù)據(jù)進(jìn)行聯(lián)邦學(xué)習(xí)的結(jié)果已經(jīng)達(dá)到了集中數(shù)據(jù)模型質(zhì)量的99%,。他們又進(jìn)一步研究了合作機(jī)構(gòu)間的數(shù)據(jù)分布對模型質(zhì)量和學(xué)習(xí)模式的影響,，通過與其他多種協(xié)作方法相比證明了聯(lián)邦學(xué)習(xí)的優(yōu)越性，聯(lián)邦學(xué)習(xí)在醫(yī)院數(shù)據(jù)上的應(yīng)用將進(jìn)一步推動(dòng)個(gè)性化精準(zhǔn)醫(yī)療的發(fā)展,。Adnan等人[14]則是利用聯(lián)邦學(xué)習(xí)分析醫(yī)學(xué)上的組織病理學(xué)圖像,，與傳統(tǒng)訓(xùn)練相比他們所使用的差分私有聯(lián)邦學(xué)習(xí)是醫(yī)學(xué)圖像分析中機(jī)器學(xué)習(xí)模型協(xié)作開發(fā)的可行且可靠的框架。Li等人[15]提出一種聯(lián)邦學(xué)習(xí)用于金融信用風(fēng)險(xiǎn)管理領(lǐng)域的應(yīng)用方案,，聯(lián)邦學(xué)習(xí)在具有異構(gòu)特征的Non-IID銀行小樣本數(shù)據(jù)下的金融信貸風(fēng)險(xiǎn)管理中的性能提高了14%,。聯(lián)邦學(xué)習(xí)在近期開始應(yīng)用到了農(nóng)業(yè)領(lǐng)域中。Sharma等學(xué)者[16]利用聯(lián)邦學(xué)習(xí)下的CNN模型對馬鈴薯作物病蟲害進(jìn)行準(zhǔn)確分類,；Kaur等人[17]則是利用該技術(shù)對辣椒葉的疾病進(jìn)行了分類,；Tripathy等人[18]在聯(lián)邦學(xué)習(xí)框架下，利用LeNet模型提取特征,，對水稻病蟲害進(jìn)行了分類優(yōu)化,。聯(lián)邦學(xué)習(xí)在這些農(nóng)業(yè)場景下都有不錯(cuò)的表現(xiàn)。

盡管病蟲害識別技術(shù)已相當(dāng)成熟,，但隨著智慧農(nóng)業(yè)的崛起,，對該場景的需求也呈現(xiàn)出新的趨勢和變化。本文在智慧農(nóng)業(yè)場景下,，使用聯(lián)邦學(xué)習(xí)解決了不同機(jī)構(gòu)和地區(qū)設(shè)備的數(shù)據(jù)孤島問題,。不同的數(shù)據(jù)分布對聯(lián)邦學(xué)習(xí)產(chǎn)生影響，本文將水稻病蟲害圖像分為IID和Non-IID數(shù)據(jù)[19],，并把預(yù)訓(xùn)練模型作為初模型進(jìn)行特征提取以獲得更高的效率和準(zhǔn)確率,。

針對以上幾點(diǎn)，本文做了相應(yīng)的研究和實(shí)驗(yàn)加以驗(yàn)證，證實(shí)了該場景下應(yīng)用聯(lián)邦學(xué)習(xí)和使用預(yù)訓(xùn)練模型的方案可行性并探索了適合該方案和實(shí)驗(yàn)環(huán)境下的預(yù)訓(xùn)練模型和條件,。


本文詳細(xì)內(nèi)容請下載：

http://forexkbc.com/resource/share/2000006216


作者信息：

黃炯炯

（浙江農(nóng)林大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院,，浙江 杭州 311300）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。