Дистилятсияи дониш бо истифода аз моделҳои омӯзгори гуногун ва ҳамоҳангсозии мутобиқшавандаи хусусиятҳо (Knowledge Distillation using Heterogeneous Teachers with Adaptive Feature Alignment, KDHT-AFA), чаҳорчӯбаи омӯзиши амиқ мебошад, ки маълумоти қарорҳо ва хусусиятҳои миёнаравиро аз ду шабакаи омӯзгори гуногун ба шабакаи хурдтари шогирд мегузаронад ва дар ҳар сатҳи тафкики фазоии хусусиятҳо мутобиқшаванда интихоб мекунад, ки кадом омӯзгор тасвири иттилоотии бештар пешниҳод мекунад. Ҳадафи таҳқиқот тасниф кардани бемориҳои барги растанӣ дар тасвирҳои камрӯшноӣ ва пурғавғо бо хароҷоти камтари ҳисоббарорӣ аст. DPA-Net-и вазнин ва EfficientNet-B1-и сабуктар ҳамчун омӯзгор якҷо шудаанд ва RSHA-Net large бо 5,16 миллион параметр ҳамчун модели асосии шогирд истифода шудааст. Модел дар PlantVillage дақиқии миёнаи %92,64, дар Potato Leaf Disease %88,97 ва дар маҷмӯи маълумоти саҳроии воқеии камрӯшноии ReLL-PDD v1 %86,88 ба даст овардааст. Аммо ин натиҷаҳо ба таҷрибаҳои таснифи тасвирҳо дахл доранд; онҳо мустақилона саҳеҳии агрономии ташхиси беморӣ дар шароити воқеии саҳро ё бехатарӣ ва дурустии пеститсидҳои пешниҳодшударо исбот намекунанд.

Хусусияти фарқкунандаи таҳқиқот танҳо муттаҳид кардани пешгӯиҳои ду омӯзгор нест. Adaptive Feature Distillation Switch (AFDS) хусусиятҳои миёнаравии DPA-Net ва EfficientNet-B1-ро дар чор сатҳи алоҳидаи тафкики фазоӣ муқоиса мекунад; Informative Diversity Statistical Attention (IDSA) хусусиятҳоро аз рӯи фаъолшавии миёна, инҳирофи стандартӣ ва энтропияи Shannon баҳогузорӣ намуда, хусусияти омӯзгореро интихоб мекунад, ки дар ҳамон марҳила ба шогирд интиқол меёбад. RSHA-Net ҳамчунин бо тағйирёбии маҳаллии пикселҳо spatial attention ва бо маълумоти умумии каналҳо channel attention татбиқ намуда, мекӯшад нишонаҳои хурди бемориро дар рӯшноии заиф равшантар ифода кунад.

Масъалаи таҳқиқот

Шабакаҳои иқтидори баланд, ки бемориҳои растаниро бо омӯзиши амиқ тасниф мекунанд, метавонанд дақиқии баланд диҳанд; аммо андозаи модел, FLOPs, истифодаи хотира ва вақти inference метавонанд истифодаи онҳоро дар роботҳои кишоварзӣ, дастгоҳҳои мобилӣ ё дигар низомҳои edge душвор гардонанд. Рӯшноии кам ин мушкилро шадидтар мекунад, зеро ранг, канор, бофт ва контрасти доғҳои беморӣ суст мешаванд ва ғавғои сенсор метавонад ҷузъиёти муфиди тасвириро боз ҳам бештар пӯшонад.

Дистилятсияи дониш ба ин масъала тавассути интиқоли робитаҳои қарор ва ифодаҳои миёнаравие, ки шабакаи бузурги омӯзгор омӯхтааст, ба модели хурдтари шогирд муносибат мекунад. Нуқтаи ибтидоии таҳқиқоти манбаъ ин аст, ки як омӯзгор шояд барои ҳар вуруд ва дар ҳар қабат беҳтарин маълумотро пешниҳод накунад. Ду омӯзгори дорои меъмориҳои гуногун метавонанд навъҳои гуногуни хусусиятҳои муфидро дарёфт кунанд; аммо муттаҳид кардани кӯр-кӯронаи онҳо низ метавонад supervision-и зиддиятнок ба вуҷуд оварад.

Чаро KDHT-AFA ду модели омӯзгори гуногунро истифода мебарад?

KDHT-AFA ифодаи пурқуввати сатҳи баланди камрӯшноии DPA-Net-ро бо хусусиятҳои сабуктару иловагии EfficientNet-B1 муттаҳид мекунад; ҳадаф ҷамъ кардани ҳамаи хусусиятҳои миёнаравии ҳар ду омӯзгор нест, балки ҳамзамон бо пешниҳоди маълумоти қарорҳои якҷоя дар сатҳи logit, дар сатҳи feature тавассути AFDS омӯзгори иттилоотии бештарро дар ҳар тафкик интихоб кардан аст.

Омӯзгор 1: DPA-Net

DPA-Net омӯзгори вазнинтарест, ки меъмории асосии ConvNext-small-ро истифода мебарад. Тибқи таҳқиқоти манбаъ, шабака бо унсурҳои махсусе чун Triple Dilated Convolution Block, Fused Convolution Block, Multiscale Feature Extraction Block ва Pixel Attention Block кӯшиш мекунад намунаҳои бемориро дар рӯшноии кам ва контрасти паст муайян кунад.

Омӯзгор 2: EfficientNet-B1

EfficientNet-B1 омӯзгори дуюми сабуктарест, ки compound scaling ва блокҳои MBConv-ро истифода мекунад. Depth-wise separable convolution ва squeeze-and-excitation channel attention имкон медиҳанд, ки махсусан шакл, ранг ва канорҳои минтақаи бемор бо хароҷоти камтар ифода шаванд.

Муттаҳидсозии logit-ҳои омӯзгорон

Таҳқиқоти манбаъ чор равиши score-fusion, яъне weighted sum, weighted product, perceptron rule ва Bayesian rule-ро муқоиса кардааст. Азбаски натиҷаи баландтарин бо weighted sum ҳосил шуд, сохтори ниҳоии logits-и омӯзгор ба ҳамин усул асос ёфт.

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

Дар ин ҷо \(S_{\mathrm{DPA}}\) logit-ҳои синфҳои DPA-Net, \(S_{\mathrm{Eff}}\) logit-ҳои EfficientNet-B1 ва \(\omega\) коэффитсиентеро ифода мекунад, ки саҳми ду манбаъро мувозинат медиҳад. Мақолаи асосӣ қиматҳои дақиқи \(\omega\)-ро барои ҳар fold пешниҳод намекунад ва мегӯяд, ки коэффитсиентҳо барои ҳар fold мустақилона интихоб шудаанд.

Модели шогирди RSHA-Net

RSHA-Net аз чор марҳилаи асосӣ иборат аст. Дар версияи калон амиқии такрори RSHA-IBR мутаносибан 2, 2, 6 ва 5 мебошад. Дар ҳар марҳила сохторҳои channel expansion, RSHA-SepCon ва RSHA-IBR истифода мешаванд. convolution-и аввал вуруди 224×224×3-ро ба ифодаи 112×112×24 табдил медиҳад; сипас андозаҳои фазоӣ ба 56×56, 28×28, 14×14 ва 7×7 коҳиш меёбанд.

Версияи ниҳоии калони модел 5,16 миллион параметр дорад. Манбаъ инчунин версияи хурди RSHA-Net бо 1,90 миллион параметрро, ки амиқии марҳилаҳояш 1, 1, 3 ва 1 аст, муқоиса кардааст.

RSHA: ҳамгироии сохтори маҳаллӣ бо маълумоти канал

Regional Statistical Hybrid Attention (RSHA) spatial ва channel attention-ро якҷоя истифода мебарад. Қисми spatial attention аз инҳирофи стандартии маҳаллии пикселҳои ҳамсоя истифода карда, нисбат ба минтақаҳои якнавохт ба доғ, канор ва тағйироти бофт ҳассостар мешавад.

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

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

Сипас инҳирофи стандартии маҳаллӣ меъёрбандӣ шуда, аз функсияи sigmoid гузаронида мешавад ва ба харитаи spatial attention табдил меёбад. Ин сохтор ҳадаф дорад, ки ҳатто дар рӯшноии кам вазни минтақаҳои дорои тағйироти намоёни сохторӣ нисбат ба атрофро зиёд кунад.

Қисми channel attention аҳамияти каналҳоро тавассути global average pooling ва ду pointwise convolution ҳисоб мекунад. Ҳамин тавр, каналҳои марбут ба ранг ва бофти беморӣ тақвият ёфта, каналҳои камтар муфид суст карда мешаванд. Ҳангоми татбиқи якҷояи ҳар ду қисми RSHA дар озмоиши аблятсионии манбаъ нисбат ба истифодаи алоҳидаи spatial ё channel attention дақиқии баландтар ба даст омадааст.

AFDS хусусияти кадом омӯзгорро ба шогирд интиқол медиҳад?

Adaptive Feature Distillation Switch (AFDS) хусусиятҳои миёнаравии ҳамоҳангшудаи DPA-Net ва EfficientNet-B1-ро дар як тафкики фазоӣ тавассути IDSA баҳогузорӣ мекунад ва дар ҳамон марҳила танҳо хусусияти омӯзгореро ба RSHA-Net мегузаронад, ки холҳои иттилоотии баландтар дорад; ба ҷои муттаҳид кардани кӯр-кӯронаи хусусиятҳои зиддиятноки ду омӯзгор, supervision-и интихобии марҳилавӣ татбиқ мешавад.

Ҳамоҳангсозии каналҳо

Азбаски DPA-Net ва EfficientNet-B1 меъмориҳои гуногун доранд, шумораи каналҳои feature map-и онҳо дар як тафкик баробар нест. Аз ин рӯ AFDS аввал бо 1×1 convolution ва batch normalization хусусиятҳои ду омӯзгорро ба фазои умумии канал меорад. Функсияи фаъолсозии GELU дар DPA-Net ва SiLU дар EfficientNet-B1 нигоҳ дошта мешавад.

Се меъёри иттилоотии IDSA

Informative Diversity Statistical Attention (IDSA) ҳар хусусияти омӯзгорро бо се нишондиҳандаи омории мукаммалкунанда арзёбӣ мекунад:

• Фаъолшавии миёна (M): қувваи умумии фаъолшавии хусусиятро ифода мекунад.
• Инҳирофи стандартӣ (St): дараҷаи сохтор ва тағйирёбии маҳаллиро ифода мекунад.
• Энтропияи Shannon (H): гуногунии иттилоотро дар feature map ифода мекунад.

Холи ниҳоии IDSA:

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

мебошад. Вазнҳои интихобшуда аз аблятсия \(\lambda_1=0,50\), \(\lambda_2=0,25\) ва \(\lambda_3=0,25\) мебошанд. Манбаъ ин оморҳоро на меъёри бевоситаи “feature quality”, балки ҳамчун меъёрҳои feature informativeness муайян мекунад.

Feature distillation дар чор сатҳ

Интиқоли маълумоти feature-level дар чор тафкики фазоӣ — 56×56, 28×28, 14×14 ва 7×7 — сурат мегирад. Қабатҳои аввал хусусиятҳои сатҳи паст, монанди ранг, канор ва бофтро; қабатҳои миёна маълумоти сохторӣ ва контекстиро; қабатҳои амиқ ифодаи маъноии минтақаи бемориро мегузаронанд.

Талафоти feature distillation байни хусусияти омӯзгори интихобшуда ва хусусияти шогирд бо cosine distance ҳисоб карда мешавад:

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

Талафоти чор сатҳи фазоӣ миёна гирифта шуда, талафоти умумии feature distillation ҳосил мешавад.

Logit distillation

Logit-ҳои омӯзгор ва шогирд ба тақсимоти soft probability бо temperature scaling табдил меёбанд. Фарқи байни ду тақсимот бо Kullback–Leibler divergence ҳисоб карда мешавад:

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

Дар аблятсияи temperature дар Supplementary Material қимати \(T=5\) беҳтарин натиҷаи умумиро додааст.

Талафоти умумии омӯзиш

Шабакаи шогирд ҳамзамон аз се манбаъ меомӯзад: нишони воқеии синф, баромади soft logits-и омӯзгор ва хусусияти миёнаравии омӯзгори интихобшуда.

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

Вазнҳои бо аблятсия интихобшуда:

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

Афзоиши натиҷа бо додани вазни бештар ба feature distillation аз ҷониби муаллифони манбаъ ҳамчун нишонаи аҳамияти supervision-и сохтории миёнаравӣ дар омӯзиши шогирд шарҳ дода шудааст.

Усул ва натиҷаҳои таҳқиқот

Маҷмӯаҳои маълумоти истифодашуда

Таркиби ReLL-PDD v1

ReLL-PDD v1 аз декабри 2025 то феврали 2026 дар Саргодҳа, Покистон, ҷамъоварӣ шудааст. Барои гирифтани тасвирҳо Infinix Hot 30 ва Samsung A23 истифода шуданд; ҳар барг танҳо як бор аксбардорӣ гардид, то гузариши як намуна ба қисмҳои гуногуни маълумот кам карда шавад. Нишонаҳои синфӣ аз рӯи аломатҳои намоён аз ҷониби мутахассиси кишоварзӣ таъйин ва тасдиқ шуданд.

Тартиби омӯзиш ва арзёбӣ

Таъсири дистилятсияи дониш ба модели шогирд

Дар PlantVillage ва Potato Leaf Disease дистилятсияи дониш афзоиши назарраси самаранокиро таъмин кардааст. Дар ReLL-PDD v1 афзоиши accuracy хурдтар буда, миёнаи F1-score аз 85,93 бе KD ба 86,25 бо KD расидааст. Бинобар ин, натиҷаи «KD дар ҳар маҷмӯаи маълумот ба як андоза фоида овард» аз ҷониби манбаъ дастгирӣ намешавад.

Аблятсия: тафкикҳои feature distillation

Аблятсия: интихоби омӯзгор

Аблятсия: механизми attention

KDHT-AFA дар маълумоти воқеии саҳро бо рӯшноии кам то чӣ андоза муваффақ шуд?

Дар ReLL-PDD v1 модели KDHT-AFA дар асоси RSHA-Net large accuracy-и %86,88±7,77, precision-и %86,82±8,00, recall-и %85,95±8,14 ва F1-score-и %86,25±8,19 ба даст овард; ин баландтарин миёнаи accuracy миёни усулҳои муқоисашуда дар ҳамон тартиби озмоишӣ аст. Аммо танҳо 796 тасвир доштани маҷмӯа ва инҳирофҳои стандартии калон байни fold-ҳо ҳангоми умумисозӣ ба шароити саҳро эҳтиётро талаб мекунанд.

Тафсири муқоисаи SOTA

Дар PlantVillage модели DPA-Net accuracy-и %92,11 ва F1-score-и %89,11 гирифт, дар ҳоле ки KDHT-AFA large ба %92,64 ва %91,48 расид. Дар Potato Leaf Disease модели DPA-Net accuracy-и %88,92 ва F1-score-и %88,60, вале KDHT-AFA %88,97 ва %88,92 ба даст овард. Дар ReLL-PDD v1 дуюмин accuracy-и баланд дар байни равишҳои KD ба GoLD Loss бо %85,71 тааллуқ дошт, дар ҳоле ки KDHT-AFA ба %86,88 расид.

Аз нав татбиқ ва омӯзонидани ҳамаи усулҳои SOTA дар шароити якхелаи озмоишӣ мутобиқати дохилии муқоисаро тақвият медиҳад. Бо вуҷуди ин, натиҷаҳо танҳо барои тақсимоти маълумот, тарзи тавлиди рӯшноии кам, протоколи омӯзиш ва се маҷмӯаи истифодашуда дар таҳқиқот эътибор доранд.

Арзёбии оморӣ

Ин омор танҳо ба панҷ мушоҳидаи ҷуфтшудаи accuracy аз панҷ fold такя мекунад. Аз ин рӯ, қимати p ва Cohen's d набояд ҳамчун таъсири садҳо таҷрибаи мустақил дар аҳолии мустақили саҳроӣ шарҳ дода шаванд.

Хароҷоти ҳисоббарорӣ

Inference дар дастгоҳи edge

Дар ченкуниҳои edge, batch size 1 ва FP16 precision истифода шуданд; тахтаҳо дар ҳолати ҳадди аксари самаранокӣ бо басомади собити соат кор карда, ҳадди ақал 200 ms warm-up гузаштанд. Истеъмоли қувва аз сенсорҳои INA3221 бо фосилаи 0,1 сония сабт карда шуд.

Дар баъзе дастгоҳҳо нишон додани қувваи board-level-и камтари модели калон нисбат ба модели хурд нишон медиҳад, ки шумораи параметрҳо танҳо омили муайянкунандаи истеъмоли қувва нест. Манбаъ инро бо омилҳои сахтафзорӣ, ба мисли истифодаи GPU, CPU–GPU overhead, kernel execution efficiency ва memory access pattern мепайвандад.

Таҳлили хатоҳо

Дар confusion matrix-и PlantVillage душвортарин синфҳо tomato early blight (%32 хато), corn gray leaf spot (%27), pepper bacterial spot (%23) ва tomato target spot (%22) буданд. Хатоҳои tomato early blight ба синфҳои зиёд паҳн шуданд, дар ҳоле ки қисми назарраси хатоҳои corn gray leaf spot ба corn leaf blight рост омаданд.

Намунаҳои Grad-CAM се механизми асосии хатоҳоро нишон медиҳанд: хусусиятҳои муштараки некрозӣ/бофтии синфҳои бемории монанд, аз даст рафтани ҷузъиёти осеби хурд аз сабаби рӯшноии кам ва тамаркузи модел ба сохтори васеътар ё номарбут ба ҷойи минтақаи бемор. Дар ReLL-PDD v1 намунаҳои тасниф шудани spinach anthracnose ҳамчун spinach leaf spot ва spinach leaf spot ҳамчун healthy ин мушкилро нишон медиҳанд.

Умумисозӣ байни маҷмӯаҳои маълумот

Вақте модел дар як маҷмӯаи маълумот омӯзонида шуда, дар маҷмӯаи дигар санҷида шуд, самаранокӣ коҳиш ёфт. Манбаъ ин таъсири domain-shift-ро ба фарқиятҳои замина, рӯшноӣ ва намуди беморӣ нисбат медиҳад. Азбаски натиҷаҳои рақамии cross-dataset ба Supplementary Table S3 вогузор шудаанд, аз мақолаи асосӣ нисбатҳои дақиқ ҳосил карда нашудаанд.

Оё тавсияҳои пеститсидии SPPM аз ҷониби мутахассисон тасдиқ шудаанд?

Не. Smart Pesticide Prescription Module (SPPM) ҳамгироии proof-of-concept-и edge-server аст, ки номи бемории муайянкардаи KDHT-AFA-ро ба LLaMA 3.2 мефиристад ва ба барномаи мобилӣ маълумоти пеститсид бармегардонад; манбаъ равшан мегӯяд, ки тавсияҳои тавлидшуда аз ҷониби мутахассисони кишоварзӣ ба таври низомманд тасдиқ нашудаанд. Бинобар ин, SPPM набояд ҳамчун низоми боэътимоди қабули қарорҳои агрономӣ ба маънои «дорухат»-и клиникӣ истифода шавад.

Раванди кори SPPM

1. Камераи мобилӣ тасвири барги растаниро мегирад.
2. Модели KDHT-AFA/RSHA-Net дар шакли ONNX дар барномаи мобилӣ синфи бемориро пешгӯӣ мекунад.
3. Маълумоти бемории муайяншуда тавассути HTTP ба сервер фиристода мешавад.
4. LLaMA 3.2 дар сервер тавсияи матниро дар бораи пеститсид таҳия мекунад.
5. Посухи HTTP ба дастгоҳи мобилӣ баргардонда мешавад.

Ин ҷараён иҷрошаванда будани ҳамгироии техникиро нишон медиҳад. Таъсирнокии пеститсид, миқдори истифода, иҷозатномаи маҳсулот, қонунгузории маҳаллӣ, ҳашароти зараррасони ҳадаф, марҳилаи рушди растанӣ, хатари экологӣ ва бехатарии инсон дар ин таҳқиқот бо таҷриба тасдиқ нашудаанд.

Хулосаҳое, ки таҳқиқот дастгирӣ мекунад

• Дистилятсияи якҷояи logit-ҳо ва хусусиятҳои миёнаравии интихобшуда аз ду омӯзгори гуногун метавонад дар шароити таҷрибаи таҳқиқот нисбат ба стратегияҳои як омӯзгор ё омӯзгори собит натиҷаи баландтар диҳад.
• Feature distillation дар чор сатҳи тафкик нисбат ба сохтори истифодакунандаи танҳо logit supervision самаранокиро баланд кард.
• Истифодаи якҷояи spatial ва channel attention дар RSHA нисбат ба механизмҳои алтернативии attention-и санҷидашуда accuracy-и баландтар дод.
• RSHA-Net large дар ҳар се маҷмӯаи маълумот миёни усулҳои муқоисашуда самаранокии хеле баланди таснифро нишон дод.
• Шабакаи шогирди пешниҳодшуда бо ченкуниҳои воқеии inference-time дар Jetson TX2, Jetson Orin Nano, дастгоҳи мобилӣ ва компютери рӯйимизӣ арзёбӣ шуд.
• Таҳлили Grad-CAM нишон дод, ки модел дар бисёр намунаҳои дуруст минтақаҳои беморро таъкид мекунад, аммо ҳангоми хато метавонад ба минтақаҳои нодуруст ё аз ҳад васеъ диққат диҳад.

Хулосаҳое, ки таҳқиқот дастгирӣ намекунад

• KDHT-AFA дар ҳама зироатҳо, ҳамаи бемориҳо ва ҳамаи минтақаҳои ҷуғрофӣ дақиқии якхеларо кафолат намедиҳад.
• Accuracy-и %86,88 дар ReLL-PDD v1 маънои онро надорад, ки дар ҳамаи майдонҳои воқеии кишоварзӣ ҳамин натиҷа ҳосил мешавад.
• Самаранокии cross-dataset дар шароити domain shift коҳиш ёфт.
• Таснифи тасвирҳо исбот намекунад, ки санҷиши лабораторӣ ё тасдиқи фитопатологро иваз мекунад.
• Тавсияҳои пеститсидии SPPM аз ҷониби мутахассисони агрономия ба таври низомманд тасдиқ нашудаанд.
• Манбаъ муваффақияти мубориза бо беморӣ ё афзоиши ҳосилнокиро ҳангоми фаъолияти дарозмуддати роботи воқеии кишоварзӣ дар саҳро чен накардааст.

Маҳдудиятҳои асосӣ

ReLL-PDD v1 танҳо 796 тасвир дорад ва ба се гурӯҳи растанӣ маҳдуд аст. Намунаҳо танҳо дар Саргодҳа, дар фосилаи тақрибан се моҳ ҷамъоварӣ шудаанд; гуногунии зироат, тағйироти мавсимӣ ва гуногунии ҷуғрофӣ маҳдуданд.

Набудани синфи мувофиқи растании солим барои баъзе растаниҳо метавонад ғарази таснифиро ба вуҷуд орад. Илова бар ин, камшавии намоёнии осебҳои хурд дар рӯшноии кам, нақшҳои визуалии муштараки бемориҳои монанд ва localization-и нодуруст манбаъҳои муҳими хатои моделанд.

Версияҳои камрӯшноии PlantVillage ва Potato Leaf Disease аксҳои воқеии шабонаи саҳро нестанд, балки табдилҳои синтетикии камрӯшноӣ/ғавғо аз таҳқиқоти қаблан нашршуда мебошанд. Ин мақола ҳамаи параметрҳои табдили тасвирро, ки барои ба вуҷуд овардани халали синтетикӣ истифода шудаанд, аз нав муфассал намеорад.

SPPM танҳо proof-of-concept аст. Азбаски натиҷаҳои LLM аз ҷониби мутахассисон санҷида нашудаанд, дурустии тавсия, бехатарии он барои зироати мушаххас ё мувофиқаташ ба қонунгузории маҳаллии пеститсидҳо исбот нашудааст.

Номувофиқатии дохилии манбаъ дар дастрасии маълумот

Дар бахши Introduction-и мақола гуфта мешавад, ки коди KDHT-AFA ва се маҷмӯаи маълумоти истифодашуда дар GitHub дастраси умуманд. Ҳамон таҳқиқот ReLL-PDD v1-ро маҷмӯаи нави ҷамъоваришуда меномад. Аммо дар изҳороти ниҳоии Data Availability навишта шудааст: “No datasets were generated or analysed during the current study”. Азбаски ин ду қайд бо ҳам мувофиқат намекунанд, Verianla дар бораи дастрасии маълумот якҷониба ислоҳ намекунад.

Ёддошт оид ба манбаъ ва усул

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

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

Муаллифи масъул: Kang Ryoung Park.

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

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

Платформа / ношир: Springer Nature.

Ҷилд / рақами мақола: 38, 826.

Санаи нашр: 31 августи 2026.

Дарёфт / қабул: 16 июни 2026 / 10 августи 2026.

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

Навъи манбаъ: Таҳқиқоти таҷрибавии омӯзиши мошинӣ / омӯзиши амиқи аз баррасии ҳамтоён гузашта.

Усули асосӣ: Дистилятсияи дониш бо ду омӯзгори гуногун; logit fusion, интихоби мутобиқшавандаи хусусиятҳои миёнаравӣ бо AFDS, IDSA, RSHA-Net.

Моделҳои омӯзгор: DPA-Net ва EfficientNet-B1.

Шогирд: RSHA-Net small ва RSHA-Net large; версияи асосии серсамар large бо 5,16 миллион параметр.

Маҷмӯаҳои маълумот: Версияи камрӯшноӣ/ғавғои PlantVillage; версияи камрӯшноӣ/ғавғои Potato Leaf Disease; ReLL-PDD v1.

ReLL-PDD v1: 796 тасвири воқеии саҳро бо рӯшноии кам; растаниҳои citrus, spinach ва ornamental; Саргодҳа, Покистон; декабр 2025–феврал 2026.

Арзёбӣ: Cross-validation-и панҷқисма; дар ҳар fold %72 омӯзиш, %8 санҷиши эътибор, %20 озмоиш.

Optimizer: Adam.

Learning rate: 0,0005.

Batch size: 8.

Ҳадди аксари epoch: 100.

Early stopping: Validation accuracy.

Нишондиҳандаҳои самаранокӣ: Accuracy, macro-precision, macro-recall ва F1-score.

Омор: Paired t-test ва Cohen's d бо accuracy-и панҷ fold дар PlantVillage ва ReLL-PDD v1.

Арзёбии edge: Jetson TX2, Jetson Orin Nano, Samsung S21 ва компютери рӯйимизӣ.

Қобилияти тавзеҳ: Grad-CAM.

Модули LLM: SPPM бо LLaMA 3.2; танҳо proof-of-concept, бе тасдиқи мутахассисон.

Ахлоқ: Манбаъ “Not applicable” гуфтааст.

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

Саҳми муаллифон: Hafiz Ali Hamza Gondal ва Kang Ryoung Park матни асосии мақоларо навиштаанд. Su Jin Im, Muhammad Hamza Tariq, Muhammad Irfan, Muhammad Usman ва Muhammad Ahmad Zeshan дар таҷрибаҳо ва санҷишҳо саҳм гузоштаанд. Ҳамаи муаллифон мақоларо бозбинӣ кардаанд.

Бархӯрди манфиатҳо: Дар бахши намоёни declarations-и PDF-и боршуда изҳороти ҷудогонаи competing-interests пайдо нашуд; набудани он тахмин карда нашудааст.

Дастрасии маълумот: Изҳороти GitHub/маълумоти кушода дар матни асосӣ бо баёнияи “No datasets were generated or analysed” дар бахши ниҳоӣ мувофиқат намекунад.

Иҷозатнома: Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0). Версияҳои мутобиқшудаи расмҳо ё тарҳҳои намоиши манбаъ ба мақолаи Verianla гузаронда нашудаанд.

Ҳадди асосии тафсир: Таҳқиқот самаранокии таснифи тасвирҳо ва edge inference-ро чен мекунад; ташхиси қатъиро дар ҳама муҳитҳои воқеии кишоварзӣ, ҳосилнокӣ ё эътимоднокии тавсияҳои пеститсидии асосёфта ба LLM тасдиқ намекунад.