إحداث ثورة في إدارة أمراض الذرة باستخدام شبكات التعليم الفيدرالية CNNs: نهج لامركزي وحساس للخصوصية

بالنسبة للإنتاج المستدام للذرة، فإن التعرف على الأمراض بشكل موثوق وسريع أمر بالغ الأهمية. تمثل أمراض الذرة خطرًا على الأمن الغذائي العالمي. في هذا العمل، تم استخدام بيانات لامركزية وحساسة للخصوصية لبناء وتقييم نموذج CNN للتعليم الفيدرالي لتحديد وتشخيص أمراض الذرة. تتضمن مجموعة البيانات 9878 صورة للذرة مقسمة إلى مجموعات تدريب وتحقق واختبار، وتعكس مجموعة من الأمراض والحالات. لإعداد مجموعة البيانات لتدريب النموذج، تم إجراء معالجة مسبقة للبيانات، مثل تعديل حجم الصور، والتطبيع، وزيادة البيانات، وترميز العلامات. تفوق نموذج CNN للتعليم الفيدرالي على CNN التقليدية وغيرها من خوارزميات التعلم الآلي المستخدمة في الزراعة، محققًا دقة إجمالية تبلغ 89.4% في مجموعة الاختبار. يمكن لنموذج CNN للتعليم الفيدرالي أن يحدد ويصنف أمراض الذرة بدقة، كما يتضح من القيم الأفضل للدقة والاسترجاع ودرجة F1 للنموذج مقارنةً بخوارزميات أخرى لكل فئة من الأمراض. أظهر نموذج CNN من التعليم الفيدرالي أيضًا مرونة وثباتًا عبر الفئات المختلفة من الأمراض، مما يثبت قدرة النموذج على التكيف مع الظروف المحلية والاختلافات في أمراض الذرة عبر مواقع ومزارع متعددة. بالإضافة إلى ذلك، تم تصور خرائط الميزات وأنماط النشاط لفهم النموذج، مما كشف كيف يولد التوقعات وأي الجوانب من صور الذرة هي الأكثر أهمية لتشخيص الأمراض. يؤكد هذا العمل على أهمية إنشاء نماذج تعلم آلي لامركزية تحافظ على الخصوصية في الزراعة ويظهر وعد التعليم الفيدرالي CNNs لتشخيص وإدارة أمراض المحاصيل.