Intelligente Landwirtschaft: Innovation bei der Erkennung von Sojabohnenblattkrankheiten mit föderierten Lern-CNNs

Dieses Papier präsentiert eine neuartige Studie zur Klassifikation von Sojabohnenblattkrankheiten unter Verwendung von föderiertem Lernen mit konvolutionalen neuronalen Netzen (CNNs). Basierend auf fünf verschiedenen Klassen von Sojabohnenblattkrankheiten stützt sich diese Studie auf die Daten von fünf Clients, um verschiedene Umweltbedingungen, Formen und Variationen der Krankheiten gleichmäßig darzustellen. Ein zentraler Aspekt dieser Forschung ist der Ansatz des föderierten Lernens, durch den verteilte Daten kombiniert werden können, während die Privatsphäre und die Daten der Menschen geschützt werden. Die grundlegende Prämisse unserer Analyse ist der föderierte Durchschnittsprozess für makro-, mikro- und gewichtete Durchschnitte, der das Verständnis lokaler Daten in ein einziges globales Modell transformiert. Die Leistung dieses Modells wurde quantitativ durch Präzision, Recall, F1-Score-Unterstützung und Genauigkeit bewertet. Die Ergebnisse zeigen auch die Wirksamkeit des föderierten Lernens für kompliziertere, multi-klassige Klassifikationsaufgaben. Beispielsweise sind die makro Durchschnitte über die Clients ip1, ip2, ip3 usw. 93,76 % und 93,49 %, aus denen klar hervorgeht, dass, kombiniert mit anderen Faktoren, menschliche Arbeit einen hohen Anteil an den Kosten in diesem speziellen Werk in Bezug auf diese drei Artikel ausmacht: Pillen in Pulverform oder Öl-Injektionsrichtlinien für Endprodukte. Auch appeared weighted averages as 93,75 %, 93,48 %, 94,48 % und 92,36 %, und der Mikrostandard bleibt weiterhin auf seinen alten Niveaus. Zum Beispiel wurden Qualifikationen von Lehrerschein-Universitätsabsolventen nach Institutsart (A, B oder C) gemäß Klassen bewertet. Diese Studie bietet eine systematische und quantitativ rigorose Analyse der Klassifikation von Sojabohnenblattkrankheiten unter Verwendung von föderiertem Lernen und CNNs.