A Privacy-Preserving Federated Learning Framework for Paddy Leaf Disease Detection Using an Enhanced Pretrained Novel EfficientNet-Lite4 Model

正确且及时地检测水稻作物叶片病害，对于保护农业产出和产量稳定、减少病害严重暴发期间发生的重大损失仍然至关重要。传统集中式机器学习技术的广泛使用在现实农业应用中变得不切实际，因为在三种主要条件下其有效性会下降：数据隐私限制、信息传输延迟，以及不同农业气候区域间非独立同分布（non-IID）数据特性导致的性能准确率降低。本研究开发了一种去中心化诊断系统，将联邦学习与一种增强的预训练新型高效网络模型EfficientNet-Lite4相结合，用于水稻叶片病害分类。Paddy Doctor数据集作为该系统的训练材料，包含16,225张RGB图像，涵盖12种病害类型以及健康类别。所提出的模型在100轮通信后达到了98.7%的分类准确率、98.5%的精确率和98.6%的F1分数，同时最终损失保持在0.21。该系统经过实地测试，证明其能够在各种工作条件下实时生成准确的诊断结果。该研究展示了基于隐私保护人工智能的水稻病害管理如何在实践中运作，并建议地方农业机构构建去中心化学习系统。所建议的系统将为农民提供直接的田间决策支持，并促进建立确保粮食供应所需的可持续数字病虫害管理系统。