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(shí)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(shí)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）