通过联邦学习增强智慧农业：一种面向 AI 驱动农业的安全、可扩展且高效的方法

随着先进技术的整合，特别是在数据驱动决策方面，农业部门正在经历一场转型。这项工作提出了一个用于智慧农业的联邦学习框架，旨在开发一种可扩展、高效且安全的作物病害检测解决方案，专为明尼苏达州农场的环境和运营条件量身定制。通过将敏感的农场数据保留在本地并实现协作式模型更新，我们提出的框架旨在在不损害数据隐私的情况下，实现高精度的作物病害分类。我们概述了一种方法论，涉及从明尼苏达州农场收集数据、应用本地深度学习算法、迁移学习以及用于模型优化的中央聚合服务器，旨在实现更高的病害检测准确率、在农业场景中的良好泛化能力、更低的通信和训练时间成本，以及在未来的实施中更早地识别和干预病害。我们概述了该方法论及预期成果，为后续研究中的实证验证奠定了基础。这项工作的背景是，农业领域对数据驱动解释的需求日益增长，必须与不愿分享其运营数据的农场对隐私的担忧进行权衡。提供一种安全高效的病害检测方法非常重要，它最终可以彻底改变智慧农业系统，并在保证数据机密性的前提下解决当地农业问题。在此过程中，本文利用联邦学习的优势，弥合了先进机器学习技术与明尼苏达州及其他地区农民对隐私敏感的实际需求之间的差距。