FloraSyntropy-Net：基于新型 FloraSyntropy 档案实现大规模植物病害诊断的可扩展深度学习
计算机视觉与模式识别
2025-08-26 v1
摘要
植物病害早期诊断对于全球食物安全至关重要，但大多数人工智能解决方案缺乏适用于现实农业多样性的泛化能力。这些模型通常仅限于特定物种，无法在广泛的培育植物中准确运行。为此，我们首先引入了 FloraSyntropy 档案，这是一个覆盖35种植物、包含178,922张病害图像的大规模数据集，标注了97种不同的病害类别。我们在该档案上评估了众多现有模型，发现存在显著的性能差距。随后，我们提出了 FloraSyntropy-Net，这是一个新的联邦学习框架，集成了用于最优基模型（DenseNet201）选择的遗传算法（MAO），以及用于增强特征表示的新型深度模块，以及用于可扩展隐私保护训练的客户端克隆策略。FloraSyntropy-Net 在 FloraSyntropy 基准上实现了最高的96.38%准确率。关键的是，我们在与 FloraSyntropy 档案无关的多类别害虫数据集上测试了该模型，证明了其强大的泛化能力，达到了99.84%的准确率。这项工作不仅提供了一个宝贵的新资源，也构建了一个稳健且高度可泛化的框架，推动了该领域向实用、大规模农业人工智能应用的发展。
引用
@article{arxiv.2508.17653,
title = {FloraSyntropy-Net: Scalable Deep Learning with Novel FloraSyntropy Archive for Large-Scale Plant Disease Diagnosis},
author = {Saif Ur Rehman Khan and Muhammad Nabeel Asim and Sebastian Vollmer and Andreas Dengel},
journal= {arXiv preprint arXiv:2508.17653},
year = {2025}
}