在印度农业环境中使用EfficientNet B0和FedSCAFFOLD进行棉叶病检测的联邦深度学习

棉叶病的日益普遍对作物生产力构成了重大风险，突显了现代农业中对可扩展和隐私意识的诊断框架的需求。传统的集中式机器学习方法需要从多个机构聚合田间数据，这引发了有关数据所有权、隐私、安全性和合规性的担忧。联邦学习（FL）通过允许协作模型训练同时保留本地数据来解决这些挑战。在本研究中，每个FL客户端被建模为一个独立的农业实体，例如合作社、推广办公室或研究站，拥有反映农业气候变化的区域特定图像数据。在EfficientNetB0作为基础模型的基础上，我们提出了一个联邦棉叶病分类框架，该框架结合了FedSCAFFOLD算法与渐进层解冻和数据增强策略，以缓解异构数据分布下的客户端漂移。实验结果显示，四个客户端的测试准确率为97.01%，八个客户端为95.92%。这些发现表明，在评估的配置下具有竞争性能，并建议在异构客户端环境中的鲁棒性。总体而言，该框架指示了在分布式环境中进行隐私意识的协作农业疾病监测的潜在适用性。