Өзгөчөлүктөрдү ыңгайлаштырып шайкештөө менен гетерогендүү мугалим моделдерден билимди дистилляциялоо (Knowledge Distillation using Heterogeneous Teachers with Adaptive Feature Alignment, KDHT-AFA), эки башка мугалим тармактан алынган чечимдерди жана ортоңку өзгөчөлүктөр жөнүндөгү маалыматты кичирээк окуучу тармакка өткөрүп, өзгөчөлүктөрдүн ар бир мейкиндиктик чечилиш деңгээлинде кайсы мугалим маалыматтуураак өкүлчүлүк берерин ыңгайлашуу жолу менен тандаган терең үйрөнүү алкагы. Изилдөө жарыгы аз жана ызы-чуусу бар өсүмдүк жалбырактарынын сүрөттөрүндөгү ооруларды азыраак эсептөө чыгымы менен классификациялоону көздөйт. Оор DPA-Net жана жеңилирээк EfficientNet-B1 мугалим катары бириктирилип, 5,16 миллион параметрлүү RSHA-Net large негизги окуучу модель катары пайдаланылган. Модель PlantVillage топтомунда %92,64, Potato Leaf Disease топтомунда %88,97 жана чыныгы жарыгы аз ReLL-PDD v1 талаа маалымат топтомунда %86,88 орточо тактык көрсөткөн. Бирок бул жыйынтыктар сүрөттөрдү классификациялоо тажрыйбаларына тиешелүү; алар реалдуу талаа шарттарында ооруну аныктоонун агрономиялык ишенимдүүлүгүн же сунушталган пестициддердин коопсуздугун жана тууралыгын өзүнчө далилдебейт.

Изилдөөнүн айырмалоочу жагы эки мугалимдин божомолдорун жөн гана бириктирүү эмес. Adaptive Feature Distillation Switch (AFDS) төрт башка мейкиндиктик чечилиште DPA-Net жана EfficientNet-B1дин ортоңку өзгөчөлүктөрүн салыштырат; Informative Diversity Statistical Attention (IDSA) өзгөчөлүктөрдү орточо активдешүү, стандарттык четтөө жана Shannon энтропиясы боюнча баалап, ошол баскычта окуучуга өткөрүлүүчү мугалим өзгөчөлүгүн тандайт. RSHA-Net ошондой эле пикселдердин жергиликтүү өзгөрмөлүүлүгү аркылуу spatial attention, ал эми каналдар тууралуу глобалдык маалымат аркылуу channel attention колдонуп, начар жарыкта оорунун майда белгилерин даана чагылдырууга умтулат.

Изилдөө маселеси

Өсүмдүк ооруларын терең үйрөнүү аркылуу классификациялаган кубаттуу тармактар жогорку тактыкка жетиши мүмкүн; бирок моделдин көлөмү, FLOPs, эс тутумду пайдалануу жана inference убактысы аларды айыл чарба роботторунда, мобилдик түзмөктөрдө же башка edge системаларында колдонууга тоскоол болушу мүмкүн. Жарыктын аздыгы бул көйгөйдү күчөтөт: оорунун тактарынын түсү, четтери, текстурасы жана контрасты начарлайт, сенсор ызы-чуусу болсо пайдалуу көрүү деталдарын ого бетер басаңдатат.

Билимди дистилляциялоо чоң мугалим тармак өздөштүргөн чечим байланыштарын жана ортоңку өкүлчүлүктөрүн кичирээк окуучу моделге өткөрүү аркылуу бул көйгөйдү чечүүгө аракеттенет. Булак изилдөөнүн баштапкы божомолу — бир эле мугалим ар бир кириш маалыматы жана ар бир катмар үчүн эң мыкты маалыматты бере бербейт. Ар башка архитектурадагы эки мугалим ар түрдүү пайдалуу өзгөчөлүктөрдү бөлүп чыгара алат; бирок аларды ылгабай бириктирүү карама-каршы supervision жаратышы мүмкүн.

Эмне үчүн KDHT-AFA эки башка мугалим моделди колдонот?

KDHT-AFA DPA-Netтин начар жарыкты жогорку деңгээлде күчтүү чагылдыруусун EfficientNet-B1дин жеңилирээк жана толуктоочу өзгөчөлүктөрү менен бириктирет; максат — эки мугалимдин бардык ортоңку өзгөчөлүктөрүн бир учурда жыйноо эмес, logit деңгээлинде бириккен чечим маалыматын берип, feature деңгээлинде AFDS аркылуу ар бир чечилиште маалыматтуураак мугалимди тандоо.

Мугалим 1: DPA-Net

DPA-Net — ConvNext-small негизги архитектурасын колдонгон оорураак мугалим. Булак изилдөөгө ылайык, тармак Triple Dilated Convolution Block, Fused Convolution Block, Multiscale Feature Extraction Block жана Pixel Attention Block сыяктуу атайын компоненттер аркылуу начар жарыктагы, контрасты төмөн оору үлгүлөрүн аныктоого аракеттенет.

Мугалим 2: EfficientNet-B1

EfficientNet-B1 — compound scaling жана MBConv блокторун колдонгон жеңилирээк экинчи мугалим. Depth-wise separable convolution жана squeeze-and-excitation channel attention айрыкча форма, түс жана оорулуу аймактын четтери сыяктуу өзгөчөлүктөрдү азыраак чыгым менен көрсөтүүгө мүмкүнчүлүк берет.

Мугалим logitтерин бириктирүү

Булак изилдөө weighted sum, weighted product, perceptron rule жана Bayesian rule деп аталган төрт score-fusion ыкмасын салыштырган. Эң жогорку натыйжа weighted sum менен алынгандыктан, мугалимдин акыркы logits түзүмү ушул ыкмага негизделген.

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

Бул жерде \(S_{\mathrm{DPA}}\) DPA-Netтин, \(S_{\mathrm{Eff}}\) EfficientNet-B1дин класстык logitтерин, ал эми \(\omega\) эки булактын салымын тең салмактаган коэффициентти билдирет. Негизги макалада ар бир fold үчүн \(\omega\) маанилери так берилген эмес жана коэффициенттер ар бир fold үчүн өзүнчө тандалганы айтылган.

RSHA-Net окуучу модели

RSHA-Net төрт негизги баскычтан турат. Чоң версиясында RSHA-IBR кайталоо тереңдиктери тиешелүүлүгүнө жараша 2, 2, 6 жана 5. Ар бир баскычта channel expansion, RSHA-SepCon жана RSHA-IBR түзүмдөрү колдонулат. Биринчи convolution 224×224×3 киришин 112×112×24 өкүлчүлүгүнө айландырат; андан соң мейкиндик өлчөмдөрү 56×56, 28×28, 14×14 жана 7×7 деңгээлдерине төмөндөтүлөт.

Моделдин акыркы чоң версиясы 5,16 миллион параметрден турат. Булакта ошондой эле баскыч тереңдиктери 1, 1, 3 жана 1 болгон, 1,90 миллион параметрлүү кичинекей RSHA-Net версиясы салыштырылган.

RSHA: жергиликтүү түзүм менен канал маалыматын бириктирүү

Regional Statistical Hybrid Attention (RSHA) spatial жана channel attention механизмдерин бирге колдонот. Spatial attention бөлүгү коңшу пикселдердин жергиликтүү стандарттык четтөөсүн колдонуп, тегиз аймактарга караганда тактарга, четтерге жана текстуранын өзгөрүшүнө сезимтал болот.

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

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

Жергиликтүү стандарттык четтөө кийин нормалдаштырылып, sigmoid функциясынан өткөрүлүп spatial attention картасына айландырылат. Бул түзүм начар жарыкта деле айланасына салыштырмалуу көрүнүктүү түзүмдүк өзгөрүүлөрү бар аймактардын салмагын көбөйтүүгө багытталган.

Channel attention бөлүгү global average pooling жана эки pointwise convolution аркылуу каналдын маанилүүлүгүн эсептейт. Ошентип, оорунун түсүнө жана текстурасына тиешелүү каналдар күчөтүлүп, анча пайдалуу эмес каналдар басаңдатылат. RSHAнын эки бөлүгү бирге колдонулганда булактагы абляция сыноосунда spatial же channel attention өз алдынча колдонулганга салыштырмалуу тактык жогору болгон.

AFDS окуучуга кайсы мугалимдин өзгөчөлүгүн өткөрөт?

Adaptive Feature Distillation Switch (AFDS) DPA-Net менен EfficientNet-B1дин бирдей мейкиндиктик чечилишке шайкеш келтирилген ортоңку өзгөчөлүктөрүн IDSA аркылуу баалап, ошол баскычта маалымат баллы жогорураак бир гана мугалимдин өзгөчөлүгүн RSHA-Netке өткөрөт; ушинтип эки мугалимдин карама-каршы өзгөчөлүктөрүн ылгабай бириктирбей, баскыч боюнча тандалма supervision колдонулат.

Каналдарды шайкеш келтирүү

DPA-Net жана EfficientNet-B1 архитектуралары айырмалангандыктан, бирдей чечилиште чыгарган feature map каналдарынын саны тең эмес. Ошондуктан AFDS адегенде 1×1 convolution жана batch normalization колдонуп, эки мугалимдин өзгөчөлүгүн жалпы канал мейкиндигине келтирет. DPA-Net тарабынан GELU, EfficientNet-B1 тарабынан SiLU активдешүүсү сакталат.

IDSAнын үч маалымат көрсөткүчү

Informative Diversity Statistical Attention (IDSA) ар бир мугалимдин өзгөчөлүгүн бири-бирин толуктаган үч статистика аркылуу баалайт:

• Орточо активдешүү (M): өзгөчөлүктүн жалпы активдешүү күчүн билдирет.
• Стандарттык четтөө (St): түзүмдүн жана жергиликтүү өзгөрмөлүүлүктүн деңгээлин билдирет.
• Shannon энтропиясы (H): feature map ичиндеги маалымат ар түрдүүлүгүн билдирет.

IDSAнын жыйынтык баллы:

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

түрүндө берилет. Абляциянын натыйжасында колдонулган салмактар \(\lambda_1=0,50\), \(\lambda_2=0,25\) жана \(\lambda_3=0,25\). Булак бул статистикаларды түздөн-түз “feature quality” эмес, feature informativeness көрсөткүчтөрү катары аныктайт.

Төрт деңгээлдүү feature distillation

Feature-level билим берүү 56×56, 28×28, 14×14 жана 7×7 болгон төрт мейкиндиктик чечилиште ишке ашат. Алгачкы катмарлар түс, чек жана текстура сыяктуу төмөнкү деңгээлдеги өзгөчөлүктөрдү; орто катмарлар түзүмдүк жана контексттик маалыматты; терең катмарлар болсо оорулуу аймактын семантикалык өкүлчүлүгүн камтыйт.

Тандалган мугалим өзгөчөлүгү менен окуучунун өзгөчөлүгүнүн ортосундагы feature distillation жоготуусу cosine distance аркылуу эсептелет:

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

Төрт мейкиндиктик деңгээлдеги жоготуулар орточолонуп жалпы feature distillation жоготуусу түзүлөт.

Logit distillation

Мугалим жана окуучу logitтери temperature scaling колдонулган soft probability бөлүштүрүүлөрүнө айландырылат. Эки бөлүштүрүүнүн айырмасы Kullback–Leibler divergence аркылуу эсептелет:

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

Supplementary Material бөлүмүндөгү temperature абляциясында \(T=5\) эң мыкты жалпы натыйжаны берген.

Окутуунун жалпы жоготуусу

Окуучу тармак үч булактан бир учурда үйрөнөт: чыныгы класс белгиси, мугалимдин soft logits жыйынтыгы жана тандалган ортоңку мугалим өзгөчөлүгү.

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

Абляция аркылуу тандалган салмактар:

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

Feature distillation үчүн чоңураак салмак берүү натыйжаны жакшыртканы булак авторлору тарабынан окуучуну үйрөтүүдө ортоңку түзүмдүк supervision маанилүү экенинин көрсөткүчү катары чечмеленген.

Изилдөөнүн ыкмасы жана жыйынтыктары

Колдонулган маалымат топтомдору

ReLL-PDD v1 курамы

ReLL-PDD v1 2025-жылдын декабрынан 2026-жылдын февралына чейин Пакистандын Саргодха шаарында чогултулган. Сүрөт тартууда Infinix Hot 30 жана Samsung A23 колдонулган; бир жалбырак бир гана жолу тартылып, ошол эле үлгүнүн маалыматтардын ар башка бөлүктөрүнө өтүп кетүү коркунучу азайтылган. Белгилер көзгө көрүнгөн симптомдордун негизинде айыл чарба адиси тарабынан коюлуп, ырасталган.

Окутуу жана баалоо тартиби

Билимди дистилляциялоонун окуучу моделге таасири

PlantVillage жана Potato Leaf Disease топтомдорунда билимди дистилляциялоо натыйжалуулукту байкаларлык жогорулаткан. ReLL-PDD v1де accuracy өсүшү азыраак болуп, F1-score орточо мааниси KD жок 85,93 көрсөткүчүнөн KD менен 86,25 деңгээлине көтөрүлгөн. Демек, “KD бардык маалымат топтомдорунда бирдей көлөмдө пайда берди” деген тыянакты булак колдобойт.

Абляция: feature distillation чечилиштери

Абляция: мугалим тандоо

Абляция: attention механизми

Чыныгы аз жарыктуу талаа маалыматтарында KDHT-AFA канчалык ийгиликтүү болгон?

ReLL-PDD v1де RSHA-Net large негизиндеги KDHT-AFA %86,88±7,77 accuracy, %86,82±8,00 precision, %85,95±8,14 recall жана %86,25±8,19 F1-score көрсөткөн; бул бирдей эксперименттик шартта салыштырылган ыкмалардын ичинен эң жогорку орточо accuracy. Бирок топтомдун болгону 796 сүрөттөн турушу жана foldдор ортосундагы чоң стандарттык четтөөлөр талаа шарттарына жалпылоодо этияттыкты талап кылат.

SOTA салыштыруусун чечмелөө

PlantVillage топтомунда DPA-Net %92,11 accuracy жана %89,11 F1-score көрсөткөндө, KDHT-AFA large %92,64 жана %91,48 көрсөткөн. Potato Leaf Disease топтомунда DPA-Net %88,92 accuracy жана %88,60 F1-score, ал эми KDHT-AFA %88,97 жана %88,92 көрсөткөн. ReLL-PDD v1де KD негизиндеги экинчи жогорку accuracy GoLD Loss менен %85,71 болсо, KDHT-AFA %86,88 көрсөткүчүнө жеткен.

Бардык SOTA ыкмаларынын бирдей эксперимент шарттарында кайра ишке ашырылып үйрөтүлүшү салыштыруунун ички ырааттуулугун бекемдейт. Ошого карабастан, бул жыйынтыктар изилдөөдө колдонулган маалыматтарды бөлүү, аз жарыкты түзүү ыкмасы, окутуу протоколу жана үч маалымат топтому үчүн гана жарактуу.

Статистикалык баалоо

Бул статистика беш fold ичиндеги болгону беш жупташкан accuracy байкоосуна негизделет. Ошондуктан p мааниси менен Cohen's d жүздөгөн өз алдынча эксперименттердин көз карандысыз талаа популяцияларына тийгизген таасири катары чечмеленбеши керек.

Эсептөө чыгымы

Edge түзмөктөгү inference

Edge өлчөөлөрүндө batch size 1 жана FP16 precision колдонулган; платалар максималдуу иштөө режиминде туруктуу саат жыштыгында иштетилип, кеминде 200 ms warm-up аткарылган. Электр кубатын керектөө INA3221 сенсорлорунан 0,1 секунд аралыкта катталган.

Айрым түзмөктөрдө чоң модель кичинекей моделге караганда төмөнүрөөк board-level кубат керектегени параметрлердин саны кубат сарптоону жалгыз өзү аныктабай турганын көрсөтөт. Булак муну GPU колдонулушу, CPU–GPU overhead, kernel execution efficiency жана memory access pattern сыяктуу аппараттык факторлор менен байланыштырат.

Ката талдоосу

PlantVillage confusion matrix ичинде классификациянын эң олуттуу кыйынчылыктары tomato early blight (%32 ката), corn gray leaf spot (%27), pepper bacterial spot (%23) жана tomato target spot (%22) класстарында байкалган. Tomato early blight каталары көп класстарга тараса, corn gray leaf spot каталарынын олуттуу бөлүгү corn leaf blight классына өткөн.

Grad-CAM үлгүлөрү үч негизги ката механизмин көрсөтөт: окшош оорулардын жалпы некроздук/текстуралык белгилери, аз жарыктан улам майда жаракат деталдарынын жоголушу жана моделдин оорулуу аймактын ордуна кеңирээк же тиешесиз түзүмгө көңүл бурушу. ReLL-PDD v1деги spinach anthracnose spinach leaf spot катары, ал эми spinach leaf spot healthy катары классификацияланган мисалдар бул көйгөйдү көрсөтөт.

Маалымат топтомдору аралык жалпылоо

Модель бир маалымат топтомунда үйрөтүлүп, башкасында текшерилгенде натыйжалуулугу төмөндөгөн. Булак мындай domain-shift таасирин фон, жарыктандыруу жана оорунун көрүнүшүндөгү айырмаларга байланыштырат. Cross-dataset сандык жыйынтыктары Supplementary Table S3кө калтырылгандыктан, негизги макаладан так көрсөткүчтөр чыгарылган эмес.

SPPMдин пестицид боюнча сунуштарын адистер ырастаганбы?

Жок. Smart Pesticide Prescription Module (SPPM) — KDHT-AFA аныктаган оорунун аталышын LLaMA 3.2 моделине жөнөтүп, мобилдик колдонмого пестицид тууралуу маалымат кайтарган proof-of-concept edge-server интеграциясы; булак даярдалган сунуштар айыл чарба адистери тарабынан системалуу текшерилбегенин ачык айтат. Ошондуктан SPPM клиникалык маанидеги “рецептке” окшогон ишенимдүү агрономиялык чечим кабыл алуу системасы катары колдонулбашы керек.

SPPMдин иштөө ырааты

1. Мобилдик камера өсүмдүктүн жалбырагын сүрөткө тартат.
2. Мобилдик колдонмодогу ONNX форматындагы KDHT-AFA/RSHA-Net модели оорунун классын божомолдойт.
3. Аныкталган оору жөнүндө маалымат HTTP аркылуу серверге жөнөтүлөт.
4. Сервердеги LLaMA 3.2 пестицид тууралуу текст түрүндөгү сунуш түзөт.
5. HTTP жообу мобилдик түзмөккө кайра жөнөтүлөт.

Бул агым техникалык интеграцияны ишке ашырууга болорун көрсөтөт. Пестициддин натыйжалуулугу, дозасы, продукциянын каттоосу, жергиликтүү мыйзамдар, бутадагы зыянкеч, өсүмдүктүн өсүү баскычы, экологиялык тобокелдик жана адамдардын коопсуздугу бул изилдөөдө эксперимент аркылуу текшерилген эмес.

Изилдөө колдогон тыянактар

• Эки гетерогендүү мугалимдин logit маалыматтары менен тандалган ортоңку өзгөчөлүктөрүн бирге дистилляциялоо эксперимент шарттарында бир же туруктуу мугалим стратегияларына караганда жогорку натыйжа бере алат.
• Төрт чечилиш деңгээлиндеги feature distillation жалаң logit supervision колдонгон түзүмгө салыштырмалуу натыйжаны жакшырткан.
• RSHAнын spatial жана channel attention бөлүктөрүн бирге колдонуу каралган башка attention механизмдерине караганда жогорку accuracy берген.
• RSHA-Net large үч маалымат топтомунун баарында салыштырылган ыкмалардын арасында абдан күчтүү классификация натыйжасын көрсөткөн.
• Сунушталган окуучу тармак Jetson TX2, Jetson Orin Nano, мобилдик түзмөк жана үстөл компьютериндеги чыныгы inference-time өлчөөлөрү менен бааланган.
• Grad-CAM талдоосу модель көптөгөн туура мисалдарда оорулуу аймактарды белгилеп көрсөтөрүн, бирок ката учурларда туура эмес же өтө чоң аймактарга көңүл бурушу мүмкүн экенин көрсөткөн.

Изилдөө колдобогон тыянактар

• KDHT-AFA бардык өсүмдүк түрүндө, бардык ооруда жана бардык географиялык аймакта бирдей тактыкка кепилдик бербейт.
• ReLL-PDD v1деги %86,88 accuracy бардык чыныгы айыл чарба талааларында дал ушундай натыйжа болорун билдирбейт.
• Cross-dataset натыйжалуулугу domain shift шартында төмөндөгөн.
• Сүрөттөрдү классификациялоо лабораториялык же өсүмдүк патологунун текшерүүсүн алмаштыра алары далилденген эмес.
• SPPMдин пестицид сунуштарын агрономия адистери системалуу текшерген эмес.
• Булак чыныгы айыл чарба роботу талаада узак убакыт иштегенде ооруну көзөмөлдөө ийгилигин же түшүмдүн өсүшүн өлчөгөн эмес.

Негизги чектөөлөр

ReLL-PDD v1 болгону 796 сүрөттү камтыйт жана үч өсүмдүк тобу менен чектелет. Үлгүлөр Саргодха шаарында гана болжол менен үч ай ичинде чогултулган; өсүмдүк, сезондук жана географиялык ар түрдүүлүк чектелүү.

Айрым өсүмдүктөр үчүн тиешелүү дени сак класс жок болушу классификациядагы кыйшайууну жаратышы мүмкүн. Ошондой эле аз жарыкта майда жаралардын көрүнүшүнүн начарлашы, окшош оорулардын жалпы визуалдык үлгүлөрү жана жаңылыш localization моделдин маанилүү ката булактары.

PlantVillage жана Potato Leaf Disease топтомдорунун аз жарыктуу версиялары түнкү талаада тартылган чыныгы сүрөттөр эмес; алар мурда жарыяланган изилдөөдөн алынган синтетикалык аз жарык/ызы-чуу өзгөртүүлөрү. Бул макала синтетикалык бузулууну жаратууда колдонулган сүрөт өзгөртүү параметрлеринин баарын кайрадан майда-чүйдөсүнө чейин баяндабайт.

SPPM — болгону proof-of-concept. LLM чыгарган жооптор адистер тарабынан текшерилбегендиктен, сунуштардын тууралыгы, өсүмдүк продукциясына карата коопсуздугу же жергиликтүү пестицид мыйзамдарына шайкештиги далилденген эмес.

Булак ичиндеги маалымат жеткиликтүүлүгү боюнча карама-каршылык

Макаланын Introduction бөлүмүндө KDHT-AFA коду жана колдонулган үч маалымат топтому GitHubда ачык жеткиликтүү экени айтылат. Ошол эле изилдөө ReLL-PDD v1ди жаңы чогултулган топтом катары мүнөздөйт. Бирок акыркы Data Availability билдирүүсүндө “No datasets were generated or analysed during the current study” деп жазылган. Бул эки маалымат дал келбегендиктен, Verianla маалымат жеткиликтүүлүгү жөнүндө бир тараптуу оңдоо киргизбейт.

Булак жана метод тууралуу эскертүү

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

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

Жооптуу автор: Kang Ryoung Park.

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

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

Платформа / басмакана: Springer Nature.

Том / макала номери: 38, 826.

Жарыяланган күнү: 31-август 2026.

Кабыл алынганга берилген / кабыл алынган: 16-июнь 2026 / 10-август 2026.

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

Булактын түрү: Рецензияланган эксперименталдык машина үйрөнүүсү / терең үйрөнүү изилдөөсү.

Негизги метод: Гетерогендүү эки мугалим менен билимди дистилляциялоо; logit fusion, AFDS негизиндеги ортоңку өзгөчөлүктөрдү ыңгайлашма тандоо, IDSA, RSHA-Net.

Мугалим моделдер: DPA-Net жана EfficientNet-B1.

Окуучу: RSHA-Net small жана RSHA-Net large; жогорку натыйжалуу негизги версиясы 5,16 миллион параметрлүү large модели.

Маалымат топтомдору: PlantVillage аз жарык/ызы-чуу версиясы; Potato Leaf Disease аз жарык/ызы-чуу версиясы; ReLL-PDD v1.

ReLL-PDD v1: 796 чыныгы аз жарыктуу талаа сүрөтү; citrus, spinach жана ornamental өсүмдүктөрү; Саргодха, Пакистан; декабрь 2025–февраль 2026.

Баалоо: Беш катмарлуу cross-validation; ар бир fold боюнча %72 окутуу, %8 валидация, %20 тест.

Optimizer: Adam.

Learning rate: 0,0005.

Batch size: 8.

Эң көп epoch: 100.

Early stopping: Validation accuracy.

Натыйжалуулук көрсөткүчтөрү: Accuracy, macro-precision, macro-recall жана F1-score.

Статистика: PlantVillage жана ReLL-PDD v1 боюнча беш fold accuracy маанилери менен paired t-test жана Cohen's d.

Edge баалоосу: Jetson TX2, Jetson Orin Nano, Samsung S21 жана үстөл компьютери.

Түшүндүрүлүүчүлүк: Grad-CAM.

LLM модулу: LLaMA 3.2 менен SPPM; proof-of-concept гана, адистердин ырастоосу жок.

Этика: Булакта “Not applicable” деп көрсөтүлгөн.

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

Авторлордун салымы: Hafiz Ali Hamza Gondal жана Kang Ryoung Park макаланын негизги текстин жазышкан. Su Jin Im, Muhammad Hamza Tariq, Muhammad Irfan, Muhammad Usman жана Muhammad Ahmad Zeshan эксперименттерге жана текшерүүгө салым кошкон. Бардык авторлор макаланы карап чыгышкан.

Кызыкчылыктардын кагылышы: Жүктөлгөн PDFдеги көрүнүп турган declarations бөлүмүндө өзүнчө competing-interests билдирүүсү табылган эмес; андай кагылышуу жок деп божомолдонгон эмес.

Маалыматтын жеткиликтүүлүгү: Негизги тексттеги GitHub/ачык маалымат билдирүүсү менен акыркы бөлүмдөгү “No datasets were generated or analysed” деген билдирүү бири-бирине дал келбейт.

Лицензия: Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0). Булактагы сүрөттөрдүн же көрсөтүү түзүмдөрүнүн ыңгайлаштырылган версиялары Verianla макаласына көчүрүлгөн эмес.

Негизги чечмелөө чеги: Изилдөө сүрөттөрдү классификациялоо жана edge inference натыйжалуулугун өлчөйт; бардык чыныгы айыл чарба шарттарындагы так диагнозду, түшүмдүүлүктү же LLM негизиндеги пестицид сунуштарынын ишенимдүүлүгүн ырастабайт.