Adaptiv xüsusiyyət uyğunlaşdırması ilə heterogen müəllimlərdən bilik distillasiyası (Knowledge Distillation using Heterogeneous Teachers with Adaptive Feature Alignment, KDHT-AFA), iki fərqli müəllim şəbəkəsindən alınan qərar və aralıq xüsusiyyət məlumatlarını daha kiçik şagird şəbəkəsinə ötürən, hər xüsusiyyət təsvirinin məkan ayırdetmə səviyyəsində hansı müəllimin daha informativ təmsil təqdim etdiyini adaptiv şəkildə seçən dərin öyrənmə çərçivəsidir. Tədqiqat zəif işıqlı və səs-küylü bitki yarpağı təsvirlərində xəstəliklərin daha aşağı hesablama xərci ilə təsnif edilməsini hədəfləyir. Ağır DPA-Net və daha yüngül EfficientNet-B1 müəllim kimi birləşdirilmiş, 5,16 milyon parametrli RSHA-Net large əsas şagird modeli kimi istifadə olunmuşdur. Model PlantVillage-də %92,64, Potato Leaf Disease-də %88,97 və real zəif işıqlı ReLL-PDD v1 sahə məlumat toplusunda %86,88 orta dəqiqlik əldə etmişdir. Bununla belə, nəticələr təsvir təsnifatı sınaqlarına aiddir; real tarla şəraitində xəstəlik diaqnozunun aqronomik etibarlılığını və ya tövsiyə edilən pestisidlərin təhlükəsiz və düzgün olduğunu özlüyündə sübut etmir.

Tədqiqatı fərqləndirən xüsusiyyət təkcə iki müəllimin proqnozlarını birləşdirmək deyil. Adaptive Feature Distillation Switch (AFDS) dörd ayrı məkan ayırdetmə səviyyəsində DPA-Net və EfficientNet-B1-in aralıq xüsusiyyətlərini müqayisə edir; Informative Diversity Statistical Attention (IDSA) isə xüsusiyyətləri orta aktivasiya, standart kənarlaşma və Shannon entropiyasına əsasən qiymətləndirərək həmin mərhələdə şagirdə ötürüləcək müəllim xüsusiyyətini seçir. RSHA-Net həmçinin lokal piksel dəyişkənliyindən istifadə etməklə spatial attention, qlobal kanal məlumatından istifadə etməklə channel attention tətbiq edir və zəif işıqda xəstəliyin kiçik əlamətlərini daha aydın təmsil etməyə çalışır.

Tədqiqat problemi

Bitki xəstəliklərini dərin öyrənmə ilə təsnif edən yüksək tutumlu şəbəkələr yüksək dəqiqlik göstərə bilər; lakin modelin ölçüsü, FLOPs, yaddaş istifadəsi və inference müddəti bu şəbəkələrin kənd təsərrüfatı robotlarında, mobil cihazlarda və ya digər edge sistemlərdə işlədilməsini çətinləşdirə bilər. Zəif işıq problemi daha da ağırlaşdırır: xəstəlik ləkələrinin rəngi, kənarları, teksturası və kontrastı zəifləyir, sensor səs-küyü isə faydalı vizual detalları əlavə olaraq örtə bilər.

Bilik distillasiyası bu problemə böyük müəllim şəbəkəsinin öyrəndiyi qərar əlaqələrini və aralıq təsvirləri daha kiçik şagird modelinə ötürməklə yanaşır. Mənbə tədqiqatının çıxış nöqtəsi ondan ibarətdir ki, bir müəllim hər giriş və hər qatda ən yaxşı məlumatı verməyə bilər. Fərqli arxitekturalı iki müəllim müxtəlif növ faydalı xüsusiyyətləri aşkar edə bilər; lakin onları seçimsiz birləşdirmək ziddiyyətli supervision da yarada bilər.

KDHT-AFA niyə iki fərqli müəllim modelindən istifadə edir?

KDHT-AFA DPA-Net-in güclü yüksək səviyyəli zəif işıq təsvirini EfficientNet-B1-in daha yüngül, tamamlayıcı xüsusiyyətləri ilə birləşdirir; məqsəd iki müəllimin bütün aralıq xüsusiyyətlərini eyni vaxtda yığmaq deyil, logit səviyyəsində birgə qərar məlumatı təmin etməklə yanaşı, feature səviyyəsində AFDS vasitəsilə hər ayırdetmə səviyyəsi üçün daha informativ müəllimi seçməkdir.

Müəllim 1: DPA-Net

DPA-Net ConvNext-small əsas arxitekturasından istifadə edən daha ağır müəllimdir. Mənbə tədqiqatına görə, şəbəkə Triple Dilated Convolution Block, Fused Convolution Block, Multiscale Feature Extraction Block və Pixel Attention Block kimi xüsusi komponentlərlə zəif işıqlı, aşağı kontrastlı xəstəlik nümunələrini aşkar etməyə çalışır.

Müəllim 2: EfficientNet-B1

EfficientNet-B1 compound scaling və MBConv bloklarından istifadə edən daha yüngül ikinci müəllimdir. Depth-wise separable convolution və squeeze-and-excitation channel attention xüsusilə forma, rəng və xəstəlik sahəsinin kənarları kimi xüsusiyyətlərin daha az xərc hesabına təmsil olunmasına imkan verir.

Müəllim logitlərinin birləşdirilməsi

Mənbə tədqiqatı weighted sum, weighted product, perceptron rule və Bayesian rule olmaqla dörd score-fusion yanaşmasını müqayisə etmişdir. Ən yüksək nəticə weighted sum ilə əldə olunduğundan yekun müəllim logitləri strukturu bu metod əsasında qurulmuşdur.

\[ S_{\mathrm{sum}}=\omega S_{\mathrm{DPA}}+(1-\omega)S_{\mathrm{Eff}} \]

Burada \(S_{\mathrm{DPA}}\) DPA-Net-in, \(S_{\mathrm{Eff}}\) EfficientNet-B1-in sinif logitlərini, \(\omega\) isə iki mənbənin töhfəsini tarazlaşdıran əmsalı ifadə edir. Əsas məqalədə fold üzrə dəqiq \(\omega\) qiymətləri verilməyib və bu əmsalların hər fold üçün ayrıca seçildiyi bildirilir.

RSHA-Net şagird modeli

RSHA-Net dörd əsas mərhələdən ibarətdir. Böyük versiyada RSHA-IBR təkrar dərinlikləri müvafiq olaraq 2, 2, 6 və 5-dir. Hər mərhələdə channel expansion, RSHA-SepCon və RSHA-IBR strukturlarından istifadə olunur. İlk convolution 224×224×3 girişi 112×112×24 təsvirinə çevirir; sonra məkan ölçüləri 56×56, 28×28, 14×14 və 7×7 səviyyələrinə endirilir.

Modelin yekun böyük versiyasında 5,16 milyon parametr var. Mənbədə mərhələlərinin dərinliyi 1, 1, 3 və 1 olan, 1,90 milyon parametrli kiçik RSHA-Net versiyası da müqayisə edilmişdir.

RSHA: lokal struktur və kanal məlumatının birləşməsi

Regional Statistical Hybrid Attention (RSHA) spatial və channel attention mexanizmlərindən birlikdə istifadə edir. Spatial attention komponenti qonşu piksellərin lokal standart kənarlaşmasından yararlanaraq eynicinsli sahələrlə müqayisədə ləkələrə, kənarlara və tekstura dəyişikliklərinə daha həssas olur.

\[ \mu(h,w)=\frac{1}{K\times K}\sum_{i=-r}^{r}\sum_{j=-r}^{r}F(h+i,w+j) \]

\[ \sigma(h,w)=\sqrt{\frac{1}{K\times K}\sum_{i=-r}^{r}\sum_{j=-r}^{r} \left[F(h+i,w+j)-\mu(h+i,w+j)\right]^2} \]

Lokal standart kənarlaşma daha sonra normallaşdırılır və sigmoid funksiyasından keçirilərək spatial attention xəritəsinə çevrilir. Bu struktur zəif işıqda belə ətrafı ilə müqayisədə nəzərəçarpan struktur dəyişiklikləri göstərən sahələrin çəkisini artırmağa yönəlmişdir.

Channel attention komponenti global average pooling və iki pointwise convolution vasitəsilə kanalların əhəmiyyətini hesablayır. Beləliklə, xəstəliyin rəngi və teksturası ilə əlaqəli kanallar gücləndirilir, daha az faydalı kanallar isə zəiflədilir. RSHA-nın iki komponenti birlikdə tətbiq edildikdə, mənbənin ablasiya sınağında təkcə spatial və ya channel attention istifadəsinə nisbətən daha yüksək dəqiqlik əldə edilmişdir.

AFDS hansı müəllimin xüsusiyyətini şagirdə ötürür?

Adaptive Feature Distillation Switch (AFDS) DPA-Net və EfficientNet-B1-in eyni məkan ayırdetmə səviyyəsində uyğunlaşdırılmış aralıq xüsusiyyətlərini IDSA ilə qiymətləndirir və həmin mərhələdə daha yüksək informasiya balı toplayan yalnız bir müəllimin xüsusiyyətini RSHA-Net-ə ötürür; beləliklə, iki müəllimin ziddiyyətli aralıq xüsusiyyətlərini seçimsiz birləşdirmək əvəzinə mərhələ əsaslı seçici supervision tətbiq edilir.

Kanalların uyğunlaşdırılması

DPA-Net və EfficientNet-B1 fərqli arxitekturalara malik olduğundan eyni ayırdetmə səviyyəsində yaratdıqları feature map-lərin kanal sayı bərabər deyil. Buna görə AFDS əvvəlcə 1×1 convolution və batch normalization vasitəsilə iki müəllimin xüsusiyyətlərini ümumi kanal məkanına gətirir. DPA-Net tərəfində GELU, EfficientNet-B1 tərəfində isə SiLU aktivasiya funksiyası saxlanılır.

IDSA-nın üç informasiya ölçüsü

Informative Diversity Statistical Attention (IDSA) hər müəllimin xüsusiyyətini bir-birini tamamlayan üç statistik göstərici ilə qiymətləndirir:

• Orta aktivasiya (M): xüsusiyyətin ümumi aktivasiya gücünü ifadə edir.
• Standart kənarlaşma (St): strukturun və lokal dəyişkənliyin səviyyəsini ifadə edir.
• Shannon entropiyası (H): feature map daxilindəki informasiya müxtəlifliyini ifadə edir.

Yekun IDSA balı:

\[ S=(\lambda_1M)+(\lambda_2St)+(\lambda_3H) \]

şəklindədir. Ablasiya nəticəsində istifadə olunan çəkilər \(\lambda_1=0,50\), \(\lambda_2=0,25\) və \(\lambda_3=0,25\)-dir. Mənbə bu statistikaları birbaşa “feature quality” ölçüsü deyil, feature informativeness ölçüləri kimi müəyyən edir.

Dörd səviyyəli feature distillation

Feature-level bilik ötürülməsi 56×56, 28×28, 14×14 və 7×7 olmaqla dörd məkan ayırdetmə səviyyəsində aparılır. İlkin qatlar rəng, kənar və tekstura kimi aşağı səviyyəli xüsusiyyətləri; orta qatlar struktur və kontekst məlumatını; dərin qatlar isə xəstəlik sahəsinin semantik təsvirini daşıyır.

Seçilmiş müəllim xüsusiyyəti ilə şagird xüsusiyyəti arasındakı feature distillation itkisi cosine distance əsasında hesablanır:

\[ \mathcal{L}_{FD}^{(i)} = 1- \frac{F_c^{i}\cdot F_s^{i}} {\lVert F_c^{i}\rVert\lVert F_s^{i}\rVert} \]

Dörd məkan səviyyəsindəki itkilər ortalanaraq ümumi feature distillation itkisi formalaşdırılır.

Logit distillation

Müəllim və şagird logitləri temperature scaling tətbiq edilmiş soft probability paylanmalarına çevrilir. İki paylanma arasındakı fərq Kullback–Leibler divergence ilə hesablanır:

\[ \mathcal{L}_{LD} = KL(p^T_{\mathrm{fuse}}\parallel p^T_{\mathrm{st}}) = \sum_{i=1}^{n} p^T_{\mathrm{fuse}}(i) \log \frac{p^T_{\mathrm{fuse}}(i)} {p^T_{\mathrm{st}}(i)} \]

Supplementary Material-da temperature üzrə aparılan ablasiya sınağında \(T=5\) ən yaxşı ümumi nəticəni vermişdir.

Ümumi təlim itkisi

Şagird şəbəkəsi eyni vaxtda üç mənbədən öyrənir: həqiqi sinif etiketi, müəllimin soft logits çıxışı və seçilmiş aralıq müəllim xüsusiyyəti.

\[ \mathcal{L}_{total} = \alpha\mathcal{L}_{CE} + \beta\mathcal{L}_{LD} + \gamma\mathcal{L}_{FD} \]

Ablasiya ilə seçilən çəkilər:

• \(\alpha=0,15\) — cross-entropy,
• \(\beta=0,15\) — logit distillation,
• \(\gamma=0,70\) — feature distillation.

Feature distillation-a daha böyük çəki verilməsinin nəticələri yaxşılaşdırması mənbə müəllifləri tərəfindən aralıq struktur supervision-ın şagirdin öyrənməsindəki əhəmiyyətinin göstəricisi kimi şərh edilmişdir.

Tədqiqatın metodu və nəticələri

İstifadə olunan məlumat topluları

ReLL-PDD v1-in tərkibi

ReLL-PDD v1 2025-ci ilin dekabrından 2026-cı ilin fevralınadək Pakistanın Sargodha şəhərində toplanmışdır. Təsvirlərin çəkilişində Infinix Hot 30 və Samsung A23 istifadə olunmuş; hər yarpaq yalnız bir dəfə çəkilərək eyni nümunənin fərqli məlumat bölmələrinə sızması azaldılmışdır. Etiketlər görünən əlamətlər əsasında kənd təsərrüfatı mütəxəssisi tərəfindən təyin edilmiş və təsdiqlənmişdir.

Təlim və qiymətləndirmə quruluşu

Bilik distillasiyasının şagird modelinə təsiri

PlantVillage və Potato Leaf Disease-də bilik distillasiyası performansda nəzərəçarpan artım təmin etmişdir. ReLL-PDD v1-də accuracy artımı daha kiçikdir və F1-score orta göstəricisi KD olmadan 85,93 olduğu halda KD ilə 86,25-ə yüksəlmişdir. Buna görə “KD bütün məlumat toplularında eyni böyüklükdə qazanc təmin etdi” nəticəsi mənbə tərəfindən dəstəklənmir.

Ablasiya: feature distillation ayırdetmə səviyyələri

Ablasiya: müəllimin seçilməsi

Ablasiya: attention mexanizmi

KDHT-AFA real zəif işıqlı sahə məlumatlarında nə dərəcədə uğurlu olub?

ReLL-PDD v1 üzərində RSHA-Net large əsaslı KDHT-AFA %86,88±7,77 accuracy, %86,82±8,00 precision, %85,95±8,14 recall və %86,25±8,19 F1-score əldə etmişdir; bu nəticə eyni təcrübə quruluşunda müqayisə edilən üsullar arasında ən yüksək orta accuracy göstəricisidir. Lakin məlumat toplusunun cəmi 796 təsvir əhatə etməsi və fold-lar arasındakı böyük standart kənarlaşmalar sahə şəraitinə ümumiləşdirmədə ehtiyatlı yanaşmanı tələb edir.

SOTA müqayisəsinin şərhi

PlantVillage-də DPA-Net %92,11 accuracy və %89,11 F1-score əldə etdiyi halda KDHT-AFA large %92,64 və %91,48-ə çatmışdır. Potato Leaf Disease-də DPA-Net %88,92 accuracy və %88,60 F1-score, KDHT-AFA isə %88,97 və %88,92 əldə etmişdir. ReLL-PDD v1-də KD əsaslı ikinci ən yüksək accuracy GoLD Loss ilə %85,71 ikən KDHT-AFA %86,88-ə çatmışdır.

Bütün SOTA üsullarının eyni təcrübə şəraitində yenidən tətbiq edilib öyrədilməsi müqayisənin daxili ardıcıllığını gücləndirir. Bununla belə, bu nəticələr yalnız tədqiqatda istifadə edilən məlumat bölgüsü, zəif işığın yaradılma üsulu, təlim protokolu və üç məlumat toplusu üçün keçərlidir.

Statistik qiymətləndirmə

Bu statistik göstəricilər beş fold üzrə cəmi beş cütləşdirilmiş accuracy müşahidəsinə əsaslanır. Buna görə p qiyməti və Cohen's d müstəqil sahə populyasiyalarında yüzlərlə ayrı təcrübənin təsiri kimi şərh edilməməlidir.

Hesablama xərci

Edge cihazında inference

Edge ölçmələrində batch size 1 və FP16 precision istifadə edilmiş; lövhələr maksimum performans rejimində sabit saat tezliklərində işlədilmiş və ən azı 200 ms warm-up tətbiq edilmişdir. Enerji istehlakı INA3221 sensorlarından 0,1 saniyə intervalla qeydə alınmışdır.

Bəzi cihazlarda böyük modelin kiçik modelə nisbətən daha aşağı board-level güc göstərməsi parametr sayının enerji istehlakını təkbaşına müəyyən etmədiyini göstərir. Mənbə bunu GPU istifadəsi, CPU–GPU overhead, kernel execution efficiency və memory access pattern kimi aparat səviyyəli amillərlə əlaqələndirir.

Xəta təhlili

PlantVillage confusion matrix-də ən nəzərəçarpan təsnifat çətinlikləri tomato early blight (%32 səhv), corn gray leaf spot (%27), pepper bacterial spot (%23) və tomato target spot (%22) siniflərində müşahidə edilmişdir. Tomato early blight səhvləri bir çox sinfə yayıldığı halda, corn gray leaf spot səhvlərinin əhəmiyyətli hissəsi corn leaf blight sinfinə yönəlmişdir.

Grad-CAM nümunələri üç əsas xəta mexanizmini göstərir: oxşar xəstəlik siniflərinin ortaq nekrotik/tekstura xüsusiyyətləri, zəif işıq səbəbindən kiçik zədə detallarının itməsi və modelin xəstəlikli sahə əvəzinə daha geniş və ya əlaqəsiz struktura fokuslanması. ReLL-PDD v1-də spinach anthracnose-un spinach leaf spot, spinach leaf spot-un isə healthy kimi təsnif edildiyi nümunələr bu problemi nümayiş etdirir.

Məlumat topluları arasında ümumiləşdirmə

Model bir məlumat toplusunda öyrədilib digərində sınaqdan keçirildikdə performans azalmışdır. Mənbə bu domain-shift təsirini fon, işıqlandırma və xəstəliyin görünüşündəki fərqlərlə əlaqələndirir. Rəqəmsal cross-dataset nəticələri Supplementary Table S3-də verildiyindən əsas məqalədən dəqiq göstəricilər çıxarılmamışdır.

SPPM-nin pestisid tövsiyələri mütəxəssislər tərəfindən təsdiqlənibmi?

Xeyr. Smart Pesticide Prescription Module (SPPM) KDHT-AFA-nın aşkar etdiyi xəstəliyin adını LLaMA 3.2-yə göndərərək mobil tətbiqə pestisid haqqında məlumat qaytaran proof-of-concept edge-server inteqrasiyasıdır; mənbədə yaradılmış tövsiyələrin aqronom mütəxəssislər tərəfindən sistematik olaraq təsdiqlənmədiyi açıq göstərilir. Buna görə SPPM klinik mənada “resept” kimi etibarlı aqronomik qərar sistemi qismində istifadə olunmamalıdır.

SPPM-nin iş axını

1. Mobil kamera bitki yarpağının təsvirini əldə edir.
2. Mobil tətbiqdə ONNX formatlı KDHT-AFA/RSHA-Net modeli xəstəlik sinfini proqnozlaşdırır.
3. Aşkar edilmiş xəstəlik barədə məlumat HTTP vasitəsilə serverə göndərilir.
4. Serverdəki LLaMA 3.2 pestisidlə bağlı mətn tövsiyəsi hazırlayır.
5. HTTP cavabı mobil cihaza geri göndərilir.

Bu axın texniki inteqrasiyanın həyata keçirilə bildiyini göstərir. Pestisidin effektivliyi, dozası, məhsulun qeydiyyat icazəsi, yerli qanunvericilik, hədəf zərərverici, bitkinin inkişaf mərhələsi, ekoloji risk və insan təhlükəsizliyi bu tədqiqatda eksperimental olaraq təsdiqlənməmişdir.

Tədqiqatın dəstəklədiyi nəticələr

• İki heterogen müəllimin logit və seçilmiş aralıq xüsusiyyət məlumatlarının birlikdə distillasiya edilməsi tədqiqatın təcrübə quruluşunda tək və ya sabit müəllim strategiyalarından daha yüksək performans təmin edə bilər.
• Dörd ayırdetmə səviyyəsində feature distillation yalnız logit supervision istifadə edən quruluşla müqayisədə performansı artırmışdır.
• RSHA-nın spatial və channel attention komponentlərini birlikdə işlətməsi araşdırılan alternativ attention mexanizmlərindən daha yüksək accuracy təmin etmişdir.
• RSHA-Net large hər üç məlumat toplusunda müqayisə edilən üsullar arasında çox güclü təsnifat performansı göstərmişdir.
• Təklif edilən şagird şəbəkəsi Jetson TX2, Jetson Orin Nano, mobil cihaz və masaüstü kompüterdə real inference-time ölçmələri ilə qiymətləndirilmişdir.
• Grad-CAM təhlili göstərmişdir ki, model bir çox düzgün nümunədə xəstəlikli sahələri vurğulaya bilir, səhv hallarda isə yanlış və ya həddindən artıq geniş sahələrə fokuslana bilir.

Tədqiqatın dəstəkləmədiyi nəticələr

• KDHT-AFA bütün bitki məhsullarında, bütün xəstəliklərdə və bütün coğrafi ərazilərdə eyni dəqiqliyə zəmanət vermir.
• ReLL-PDD v1-dəki %86,88 accuracy bütün real kənd təsərrüfatı sahələrində eyni performansın əldə olunacağı demək deyil.
• Cross-dataset performansı domain shift şəraitində azalmışdır.
• Təsvir təsnifatı laboratoriya və ya bitki patoloqu tərəfindən yoxlamanı əvəz etdiyini sübut etmir.
• SPPM-nin pestisid tövsiyələri aqronom mütəxəssislər tərəfindən sistematik olaraq təsdiqlənməmişdir.
• Mənbə real kənd təsərrüfatı robotunun uzunmüddətli sahə fəaliyyətində xəstəliklə mübarizə uğurunu və ya məhsuldarlıq artımını ölçməmişdir.

Əsas məhdudiyyətlər

ReLL-PDD v1 cəmi 796 təsvir əhatə edir və üç bitki qrupu ilə məhdudlaşır. Nümunələr yalnız Sargodha-da təxminən üç aylıq müddətdə toplanmışdır; bitki müxtəlifliyi, mövsümi dəyişkənlik və coğrafi müxtəliflik məhduddur.

Bəzi bitkilər üçün uyğun sağlam sinfin mövcud olmaması təsnifat qərəzliliyi yarada bilər. Bundan əlavə, zəif işıqda kiçik zədələrin görünmə qabiliyyətinin azalması, oxşar xəstəliklərin ortaq vizual nümunələri və yanlış localization modelin mühüm xəta mənbələridir.

PlantVillage və Potato Leaf Disease-in zəif işıqlı versiyaları real gecə tarla çəkilişləri deyil, əvvəlki nəşrdən götürülən sintetik zəif işıq/səs-küy çevrilmələridir. Bu məqalədə sintetik pisləşməni yaratmaq üçün işlədilən bütün təsvir çevrilməsi parametrləri yenidən ətraflı təqdim edilməmişdir.

SPPM yalnız proof-of-concept səviyyəsindədir. LLM çıxışları mütəxəssislər tərəfindən yoxlanmadığından tövsiyənin düzgünlüyü, bitki məhsulu əsasında təhlükəsizliyi və ya yerli pestisid qanunvericiliyinə uyğunluğu sübut edilməmişdir.

Mənbədaxili məlumat əlçatanlığı ziddiyyəti

Məqalənin Introduction bölməsində KDHT-AFA kodunun və tədqiqatda istifadə olunan üç məlumat toplusunun GitHub-da açıq olduğu bildirilir. Eyni tədqiqat ReLL-PDD v1-i yeni toplanmış məlumat toplusu kimi təqdim edir. Halbuki yekun Data Availability bəyanatında “No datasets were generated or analysed during the current study” yazılıb. Bu iki qeyd bir-birinə uyğun gəlmədiyindən Verianla məlumat əlçatanlığı barədə birtərəfli düzəliş etmir.

Mənbə və metod qeydi

Orijinal tədqiqat: Seeing through the dark: adaptive switch-guided knowledge distillation via heterogeneous teachers for robust plant disease diagnosis

Müəlliflər: Hafiz Ali Hamza Gondal; Su Jin Im; Muhammad Hamza Tariq; Muhammad Irfan; Muhammad Usman; Muhammad Ahmad Zeshan; Kang Ryoung Park.

Əlaqələndirici müəllif: Kang Ryoung Park.

Qurumlar: Division of Electronics and Electrical Engineering, Dongguk University, Seoul, Republic of Korea; Department of Plant Pathology, College of Agriculture, University of Sargodha, Sargodha, Pakistan.

Jurnal: Journal of King Saud University Computer and Information Sciences.

Platforma / nəşriyyat: Springer Nature.

Cild / məqalə nömrəsi: 38, 826.

Nəşr tarixi: 31 avqust 2026.

Qəbul üçün təqdim edilmə / qəbul: 16 iyun 2026 / 10 avqust 2026.

DOI: 10.1007/s44443-026-01238-9.

Mənbə növü: Rəy verilmiş eksperimental maşın öyrənməsi / dərin öyrənmə tədqiqatı.

Əsas metod: Heterogen iki müəllimli bilik distillasiyası; logit fusion, AFDS əsaslı adaptiv aralıq xüsusiyyət seçimi, IDSA, RSHA-Net.

Müəllim modelləri: DPA-Net və EfficientNet-B1.

Şagird: RSHA-Net small və RSHA-Net large; yüksək performanslı əsas versiya 5,16 milyon parametrli large modelidir.

Məlumat topluları: PlantVillage zəif işıq/səs-küy versiyası; Potato Leaf Disease zəif işıq/səs-küy versiyası; ReLL-PDD v1.

ReLL-PDD v1: 796 real zəif işıqlı sahə təsviri; citrus, spinach və ornamental bitkilər; Sargodha, Pakistan; dekabr 2025–fevral 2026.

Qiymətləndirmə: Beş qatlı cross-validation; hər fold üzrə %72 təlim, %8 doğrulama, %20 test.

Optimizer: Adam.

Learning rate: 0,0005.

Batch size: 8.

Maksimum epoch: 100.

Early stopping: Validation accuracy.

Performans göstəriciləri: Accuracy, macro-precision, macro-recall və F1-score.

Statistika: PlantVillage və ReLL-PDD v1-də beş fold üzrə accuracy göstəriciləri ilə paired t-test və Cohen's d.

Edge qiymətləndirməsi: Jetson TX2, Jetson Orin Nano, Samsung S21 və masaüstü sistem.

İzah edilə bilmə: Grad-CAM.

LLM modulu: LLaMA 3.2 ilə SPPM; yalnız proof-of-concept, mütəxəssis təsdiqi yoxdur.

Etika: Mənbədə “Not applicable” bildirilmişdir.

Maliyyələşdirmə: National Research Foundation of Korea; Ministry of Science and ICT; Grant RS-2026-25470264.

Müəlliflərin töhfələri: Hafiz Ali Hamza Gondal və Kang Ryoung Park məqalənin əsas mətnini yazmışdır. Su Jin Im, Muhammad Hamza Tariq, Muhammad Irfan, Muhammad Usman və Muhammad Ahmad Zeshan təcrübələrə və doğrulamaya töhfə vermişdir. Bütün müəlliflər məqaləni nəzərdən keçirmişdir.

Maraqların toqquşması: Yüklənmiş PDF-nin görünən declarations bölməsində ayrıca competing-interests bəyanatı aşkar edilməmişdir; onun olmadığı fərz edilməmişdir.

Məlumat əlçatanlığı: Əsas mətndəki GitHub/açıq məlumat ifadəsi ilə son bölmədəki “No datasets were generated or analysed” bəyanatı bir-birinə uyğun gəlmir.

Lisenziya: Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0). Mənbə fiqurların və ya təqdimat tərtibatlarının uyğunlaşdırılmış versiyaları Verianla məqaləsinə köçürülməmişdir.

Əsas şərh həddi: Tədqiqat təsvirlərin təsnifatını və edge inference performansını ölçür; bütün real kənd təsərrüfatı mühitlərində dəqiq diaqnozu, məhsuldarlığı və ya LLM əsaslı pestisid tövsiyələrinin etibarlılığını təsdiqləmir.