Xususiyatlarni moslashuvchan muvofiqlashtiruvchi turli oʻqituvchi modellar yordamida bilim distillatsiyasi (Knowledge Distillation using Heterogeneous Teachers with Adaptive Feature Alignment, KDHT-AFA), ikki xil oʻqituvchi tarmoqdan olingan qarorlar va oraliq xususiyatlar haqidagi maʼlumotni kichikroq oʻquvchi tarmoqqa uzatadigan hamda xususiyatlarning har bir fazoviy ajrata olish darajasida qaysi oʻqituvchi koʻproq axborot beruvchi tasvirni taqdim etishini moslashuvchan ravishda tanlaydigan chuqur oʻrganish tizimidir. Tadqiqot yorugʻlik kam va shovqin mavjud boʻlgan oʻsimlik bargi tasvirlarida kasalliklarni kamroq hisoblash xarajati bilan tasniflashni maqsad qilgan. Ogʻir DPA-Net va yengilroq EfficientNet-B1 oʻqituvchi sifatida birlashtirilgan, 5,16 million parametrli RSHA-Net large esa asosiy oʻquvchi model sifatida ishlatilgan. Model PlantVillage toʻplamida %92,64, Potato Leaf Disease toʻplamida %88,97 va haqiqiy kam yorugʻlik sharoitida olingan ReLL-PDD v1 dala maʼlumotlarida %86,88 oʻrtacha aniqlikka erishgan. Shunga qaramay, bu natijalar tasvirlarni tasniflash tajribalariga taalluqli; ular haqiqiy dala sharoitida kasallik tashxisining agronomik ishonchliligini yoki tavsiya etilgan pestitsidlarning xavfsizligi va toʻgʻriligini mustaqil ravishda isbotlamaydi.

Tadqiqotning oʻziga xos jihati faqat ikki oʻqituvchining bashoratlarini birlashtirish emas. Adaptive Feature Distillation Switch (AFDS) toʻrtta alohida fazoviy ajrata olish darajasida DPA-Net va EfficientNet-B1ning oraliq xususiyatlarini solishtiradi; Informative Diversity Statistical Attention (IDSA) esa xususiyatlarni oʻrtacha faollashuv, standart ogʻish va Shannon entropiyasi boʻyicha baholab, ayni bosqichda oʻquvchiga uzatiladigan oʻqituvchi xususiyatini tanlaydi. RSHA-Net, shuningdek, mahalliy piksel oʻzgaruvchanligi asosida spatial attention va global kanal axboroti asosida channel attentionni qoʻllab, zaif yorugʻlikda kasallikning kichik belgilarini aniqroq ifodalashga intiladi.

Tadqiqot muammosi

Oʻsimlik kasalliklarini chuqur oʻrganish yordamida tasniflaydigan katta imkoniyatli tarmoqlar yuqori aniqlik berishi mumkin, biroq model hajmi, FLOPs, xotira isteʼmoli va inference vaqti ularni qishloq xoʻjaligi robotlari, mobil qurilmalar yoki boshqa edge tizimlarida qoʻllashni qiyinlashtirishi mumkin. Yorugʻlik kamligi muammoni yanada kuchaytiradi: kasallik dogʻlarining rangi, chegaralari, teksturasi va kontrasti susayadi, sensor shovqini esa foydali vizual tafsilotlarni yanada berkitishi mumkin.

Bilim distillatsiyasi bu muammoni katta oʻqituvchi tarmoq oʻrgangan qarorlar oʻrtasidagi bogʻlanishlar va oraliq ifodalarni kichikroq oʻquvchi modelga uzatish orqali hal qilishga yondashadi. Manba tadqiqotining boshlangʻich fikriga koʻra, bitta oʻqituvchi har bir kirish maʼlumoti va har bir qatlamda eng yaxshi axborotni bermasligi mumkin. Turli arxitekturali ikki oʻqituvchi har xil foydali xususiyatlarni ajratib olishi mumkin, ammo ularni tanlovsiz birlashtirish zid supervisionni yuzaga keltirishi mumkin.

Nega KDHT-AFA ikkita turli oʻqituvchi modeldan foydalanadi?

KDHT-AFA DPA-Netning kuchli yuqori darajali kam yorugʻlik ifodasini EfficientNet-B1ning yengilroq va toʻldiruvchi xususiyatlari bilan birlashtiradi; maqsad ikkala oʻqituvchining barcha oraliq xususiyatlarini bir vaqtning oʻzida jamlash emas, balki logit darajasida birlashgan qaror axborotini taqdim etish bilan birga feature darajasida AFDS orqali har bir ajrata olish darajasida koʻproq axborot beruvchi oʻqituvchini tanlashdir.

Oʻqituvchi 1: DPA-Net

DPA-Net ConvNext-small tayanch arxitekturasidan foydalanadigan ogʻirroq oʻqituvchidir. Manba tadqiqotiga koʻra, tarmoq Triple Dilated Convolution Block, Fused Convolution Block, Multiscale Feature Extraction Block va Pixel Attention Block kabi maxsus komponentlar orqali kam yorugʻlik va past kontrastli kasallik naqshlarini aniqlashga intiladi.

Oʻqituvchi 2: EfficientNet-B1

EfficientNet-B1 compound scaling va MBConv bloklaridan foydalanadigan yengilroq ikkinchi oʻqituvchidir. Depth-wise separable convolution hamda squeeze-and-excitation channel attention ayniqsa shakl, rang va kasallangan hudud chegaralari kabi xususiyatlarni kamroq xarajat bilan ifodalash imkonini beradi.

Oʻqituvchilar logitlarini birlashtirish

Manba tadqiqotida weighted sum, weighted product, perceptron rule va Bayesian rule deb ataluvchi toʻrtta score-fusion yondashuvi solishtirilgan. Eng yuqori natija weighted sum yordamida olingani uchun yakuniy oʻqituvchi logits tuzilmasi shu usul asosida qurilgan.

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

Bu yerda \(S_{\mathrm{DPA}}\) DPA-Netning, \(S_{\mathrm{Eff}}\) EfficientNet-B1ning sinf logitlarini, \(\omega\) esa ikki manbaning hissasini muvozanatlashtiruvchi koeffitsiyentni bildiradi. Asosiy maqolada har bir fold uchun \(\omega\) ning aniq qiymatlari keltirilmagan va bu koeffitsiyentlar har bir fold uchun mustaqil tanlangani aytilgan.

RSHA-Net oʻquvchi modeli

RSHA-Net toʻrtta asosiy bosqichdan iborat. Katta versiyada RSHA-IBR takrorlash chuqurliklari mos ravishda 2, 2, 6 va 5 ga teng. Har bosqichda channel expansion, RSHA-SepCon va RSHA-IBR tuzilmalari ishlatiladi. Birinchi convolution 224×224×3 kirishni 112×112×24 ifodaga aylantiradi; keyin fazoviy oʻlchamlar 56×56, 28×28, 14×14 va 7×7 darajalarigacha kamaytiriladi.

Modelning yakuniy katta versiyasi 5,16 million parametrga ega. Manbada bosqich chuqurliklari 1, 1, 3 va 1 boʻlgan 1,90 million parametrli kichik RSHA-Net versiyasi ham solishtirilgan.

RSHA: mahalliy tuzilma va kanal axborotining birlashishi

Regional Statistical Hybrid Attention (RSHA) spatial va channel attentionni birgalikda qoʻllaydi. Spatial attention qismi qoʻshni piksellardagi mahalliy standart ogʻishdan foydalanib, tekis sohalarga qaraganda dogʻlar, chekkalar va tekstura oʻzgarishlariga sezgirroq boʻladi.

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

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

Mahalliy standart ogʻish keyin normallashtirilib, sigmoid funksiyasidan oʻtkazilib spatial attention xaritasiga aylantiriladi. Bu tuzilma hatto zaif yorugʻlikda ham atrofidan sezilarli strukturaviy farq qiladigan hududlarning vaznini oshirishni maqsad qiladi.

Channel attention qismi global average pooling va ikkita pointwise convolution orqali kanallarning ahamiyatini hisoblaydi. Shunday qilib, kasallik rangi va teksturasiga tegishli kanallar kuchaytiriladi, kamroq foydali kanallar esa susaytiriladi. RSHAning ikkala qismi birgalikda qoʻllanganda, manbadagi ablyatsiya tajribasida spatial yoki channel attentionni alohida qoʻllashga nisbatan yuqoriroq aniqlikka erishilgan.

AFDS qaysi oʻqituvchining xususiyatini oʻquvchiga uzatadi?

Adaptive Feature Distillation Switch (AFDS) DPA-Net va EfficientNet-B1ning bir xil fazoviy ajrata olish darajasida muvofiqlashtirilgan oraliq xususiyatlarini IDSA orqali baholaydi va oʻsha bosqichda yuqoriroq axborot balliga ega yagona oʻqituvchi xususiyatini RSHA-Netga uzatadi; shu tariqa ikkala oʻqituvchining ziddiyatli oraliq xususiyatlarini koʻr-koʻrona birlashtirish oʻrniga bosqichma-bosqich tanlanadigan supervision qoʻllanadi.

Kanallarni muvofiqlashtirish

DPA-Net va EfficientNet-B1 turli arxitekturaga ega boʻlgani uchun bir xil ajrata olish darajasida hosil qilgan feature map kanallari soni teng emas. Shu sababli AFDS avval 1×1 convolution va batch normalization yordamida ikkala oʻqituvchining xususiyatlarini umumiy kanal makoniga keltiradi. DPA-Net tomonida GELU, EfficientNet-B1 tomonida SiLU faollashtirish funksiyasi saqlanadi.

IDSAning uch axborot oʻlchovi

Informative Diversity Statistical Attention (IDSA) har bir oʻqituvchi xususiyatini bir-birini toʻldiradigan uchta statistik koʻrsatkich bilan baholaydi:

• Oʻrtacha faollashuv (M): xususiyatning umumiy faollashuv kuchini bildiradi.
• Standart ogʻish (St): tuzilma va mahalliy oʻzgaruvchanlik darajasini bildiradi.
• Shannon entropiyasi (H): feature map ichidagi axborot xilma-xilligini bildiradi.

Yakuniy IDSA balli:

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

koʻrinishida ifodalanadi. Ablyatsiya asosida tanlangan vaznlar \(\lambda_1=0,50\), \(\lambda_2=0,25\) va \(\lambda_3=0,25\) ga teng. Manba bu statistikalarni bevosita “feature quality” oʻlchovi emas, feature informativeness oʻlchovlari deb taʼriflaydi.

Toʻrt darajali feature distillation

Feature-level axborot uzatish 56×56, 28×28, 14×14 va 7×7 boʻlgan toʻrtta fazoviy ajrata olish darajasida bajariladi. Dastlabki qatlamlar rang, chekka va tekstura kabi quyi darajali xususiyatlarni; oraliq qatlamlar tuzilmaviy va kontekst axborotini; chuqur qatlamlar esa kasallangan hududning semantik ifodasini tashiydi.

Tanlangan oʻqituvchi xususiyati va oʻquvchi xususiyati oʻrtasidagi feature distillation yoʻqotishi cosine distance orqali hisoblanadi:

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

Toʻrtta fazoviy darajadagi yoʻqotishlar oʻrtachalashtirilib umumiy feature distillation yoʻqotishi hosil qilinadi.

Logit distillation

Oʻqituvchi va oʻquvchi logitlari temperature scaling qoʻllangan soft probability taqsimotlariga aylantiriladi. Ikki taqsimot orasidagi farq Kullback–Leibler divergence yordamida hisoblanadi:

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

Supplementary Materialdagi temperature ablyatsiya tajribasida \(T=5\) eng yaxshi umumiy natijani bergan.

Umumiy oʻqitish yoʻqotishi

Oʻquvchi tarmoq bir vaqtning oʻzida uch manbadan oʻrganadi: haqiqiy sinf yorligʻi, oʻqituvchining soft logits chiqishi va tanlangan oraliq oʻqituvchi xususiyati.

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

Ablyatsiya orqali tanlangan vaznlar:

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

Feature distillationga yuqoriroq vazn berish natijani oshirgani manba mualliflari tomonidan oʻquvchini oʻqitishda oraliq tuzilmaviy supervisionning muhimligini koʻrsatuvchi holat sifatida talqin qilingan.

Tadqiqot usuli va natijalari

Foydalanilgan maʼlumotlar toʻplamlari

ReLL-PDD v1 tarkibi

ReLL-PDD v1 2025-yil dekabrdan 2026-yil fevralgacha Pokistonning Sargodha shahrida toʻplangan. Tasvirga olishda Infinix Hot 30 va Samsung A23 ishlatilgan; har bir barg faqat bir marta suratga olinib, ayni namunadan olingan tasvirlarning turli maʼlumot boʻlinmalariga sizib oʻtishi kamaytirilgan. Yorliqlar koʻrinadigan simptomlar asosida qishloq xoʻjaligi mutaxassisi tomonidan belgilanib, tasdiqlangan.

Oʻqitish va baholash tartibi

Bilim distillatsiyasining oʻquvchi modelga taʼsiri

PlantVillage va Potato Leaf Disease toʻplamlarida bilim distillatsiyasi unumdorlikni sezilarli oshirgan. ReLL-PDD v1da accuracy oʻsishi kichikroq boʻlgan va F1-score oʻrtacha qiymati KD boʻlmaganda 85,93 boʻlsa, KD bilan 86,25 ga yetgan. Shuning uchun “KD barcha maʼlumotlar toʻplamida bir xil miqdorda foyda berdi” degan xulosa manba tomonidan qoʻllab-quvvatlanmaydi.

Ablyatsiya: feature distillation ajrata olish darajalari

Ablyatsiya: oʻqituvchini tanlash

Ablyatsiya: attention mexanizmi

Haqiqiy kam yorugʻlikdagi dala maʼlumotlarida KDHT-AFA qanchalik muvaffaqiyatli boʻldi?

ReLL-PDD v1da RSHA-Net large asosidagi KDHT-AFA %86,88±7,77 accuracy, %86,82±8,00 precision, %85,95±8,14 recall va %86,25±8,19 F1-score koʻrsatgan; bu bir xil eksperimental tartibda solishtirilgan usullar orasidagi eng yuqori oʻrtacha accuracy qiymatidir. Biroq maʼlumotlar toʻplamida atigi 796 tasvir borligi va foldlar orasidagi katta standart ogʻishlar dala sharoitiga umumlashtirishda ehtiyotkorlikni talab etadi.

SOTA taqqoslashining talqini

PlantVillageda DPA-Net %92,11 accuracy va %89,11 F1-score koʻrsatgan boʻlsa, KDHT-AFA large %92,64 va %91,48 ga erishgan. Potato Leaf Diseaseda DPA-Net %88,92 accuracy va %88,60 F1-score, KDHT-AFA esa %88,97 va %88,92 olgan. ReLL-PDD v1da KDga asoslangan ikkinchi eng yuqori accuracy GoLD Loss bilan %85,71 boʻlgan, KDHT-AFA esa %86,88 ga yetgan.

Barcha SOTA usullarining bir xil eksperimental sharoitda qayta joriy etilib oʻqitilgani taqqoslashning ichki izchilligini mustahkamlaydi. Shunga qaramay, bu natijalar faqat tadqiqotda ishlatilgan maʼlumotlarni taqsimlash, kam yorugʻlik hosil qilish usuli, oʻqitish protokoli va uchta maʼlumotlar toʻplamiga tegishli.

Statistik baholash

Bu statistika beshta folddan olingan faqat beshta juftlangan accuracy kuzatuviga tayanadi. Shu sababli p qiymati va Cohen's d mustaqil dala populyatsiyalarida oʻtkazilgan yuzlab alohida tajribalar taʼsiri sifatida talqin qilinmasligi kerak.

Hisoblash xarajati

Edge qurilmada inference

Edge oʻlchovlarida batch size 1 va FP16 precision qoʻllangan; platalar maksimal unumdorlik rejimida oʻzgarmas takt chastotalarida ishlatilgan va kamida 200 ms warm-up amalga oshirilgan. Quvvat isteʼmoli INA3221 sensorlaridan 0,1 soniya oraligʻida qayd etilgan.

Ayrim qurilmalarda katta model kichik modeldan pastroq board-level quvvat sarflagani parametrlar soni energiya isteʼmolini yakka oʻzi belgilamasligini koʻrsatadi. Manba buni GPUdan foydalanish, CPU–GPU overhead, kernel execution efficiency va memory access pattern kabi apparat darajasidagi omillar bilan bogʻlaydi.

Xatolar tahlili

PlantVillage confusion matrixida eng yaqqol tasniflash qiyinchiliklari tomato early blight (%32 xato), corn gray leaf spot (%27), pepper bacterial spot (%23) va tomato target spot (%22) sinflarida qayd etilgan. Tomato early blight xatolari koʻplab sinflarga tarqalgan, corn gray leaf spot xatolarining katta qismi esa corn leaf blight sifatida tasniflangan.

Grad-CAM misollari uchta asosiy xato mexanizmini koʻrsatadi: oʻxshash kasallik sinflarining umumiy nekrotik/tekstura belgilari, kam yorugʻlik tufayli kichik jarohat tafsilotlarining yoʻqolishi va modelning kasallangan hudud oʻrniga kengroq yoki aloqasiz tuzilmaga eʼtibor qaratishi. ReLL-PDD v1da spinach anthracnose spinach leaf spot, spinach leaf spot esa healthy sifatida tasniflangan misollar ushbu muammoni namoyon qiladi.

Maʼlumotlar toʻplamlari oʻrtasida umumlashtirish

Model bir maʼlumotlar toʻplamida oʻqitilib boshqasida sinovdan oʻtkazilganda unumdorlik pasaygan. Manba bu domain-shift taʼsirini fon, yoritish va kasallik koʻrinishidagi farqlar bilan bogʻlaydi. Cross-datasetning sonli natijalari Supplementary Table S3 ga qoldirilgani uchun asosiy maqoladan aniq nisbatlar hisoblab chiqarilmagan.

SPPM pestitsid tavsiyalari mutaxassislar tomonidan tasdiqlanganmi?

Yoʻq. Smart Pesticide Prescription Module (SPPM) KDHT-AFA aniqlagan kasallik nomini LLaMA 3.2 ga yuborib, mobil ilovaga pestitsid haqidagi maʼlumotni qaytaruvchi proof-of-concept edge-server integratsiyasidir; manbada yaratilgan tavsiyalar agronom mutaxassislar tomonidan tizimli tasdiqlanmagani aniq qayd etilgan. Shuning uchun SPPM klinik maʼnodagi “retsept”ga oʻxshash ishonchli agronomik qaror tizimi sifatida ishlatilmasligi kerak.

SPPM ish jarayoni

1. Mobil kamera oʻsimlik bargi tasvirini oladi.
2. Mobil ilovadagi ONNX formatidagi KDHT-AFA/RSHA-Net modeli kasallik sinfini bashorat qiladi.
3. Aniqlangan kasallik haqidagi maʼlumot HTTP orqali serverga yuboriladi.
4. Serverdagi LLaMA 3.2 pestitsidga oid matnli tavsiya hosil qiladi.
5. HTTP javobi mobil qurilmaga qaytariladi.

Bu jarayon texnik integratsiyani amalga oshirish mumkinligini koʻrsatadi. Pestitsid samaradorligi, dozasi, mahsulot roʻyxatdan oʻtganligi, mahalliy qonunchilik, nishondagi zararkunanda, oʻsimlik rivojlanish bosqichi, ekologik xavf va inson xavfsizligi ushbu tadqiqotda eksperimental tarzda tasdiqlanmagan.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

• Ikki turli oʻqituvchining logitlari va tanlangan oraliq xususiyatlari haqidagi maʼlumotni birgalikda distillatsiya qilish tadqiqot tajribalarida bitta yoki qatʼiy belgilangan oʻqituvchi strategiyalaridan yuqori unumdorlik berishi mumkin.
• Toʻrt ajrata olish darajasida feature distillation faqat logit supervision qoʻllangan tuzilmaga qaraganda unumdorlikni oshirgan.
• RSHAning spatial va channel attention qismlarini birga qoʻllash koʻrib chiqilgan muqobil attention mexanizmlaridan yuqoriroq accuracy bergan.
• RSHA-Net large barcha uchta maʼlumotlar toʻplamida solishtirilgan usullar orasida juda kuchli tasniflash natijasini koʻrsatgan.
• Taklif etilgan oʻquvchi tarmoq Jetson TX2, Jetson Orin Nano, mobil qurilma va stol kompyuterida haqiqiy inference-time oʻlchovlari bilan baholangan.
• Grad-CAM tahlili model koʻplab toʻgʻri misollarda kasallangan hududlarni ajratib koʻrsata olishini, xato holatlarda esa notoʻgʻri yoki haddan tashqari katta hududlarga eʼtibor qaratishi mumkinligini koʻrsatgan.

Tadqiqot qoʻllab-quvvatlamaydigan xulosalar

• KDHT-AFA barcha ekinlarda, barcha kasalliklarda va barcha geografik hududlarda bir xil aniqlikni kafolatlamaydi.
• ReLL-PDD v1dagi %86,88 accuracy barcha haqiqiy qishloq xoʻjaligi maydonlarida ham xuddi shunday natija boʻlishini anglatmaydi.
• Cross-dataset unumdorligi domain shift sharoitida pasaygan.
• Tasvirlarni tasniflash laboratoriya yoki oʻsimlik patologi tasdigʻining oʻrnini bosa olishi isbotlanmagan.
• SPPMning pestitsid tavsiyalari agronomik mutaxassislar tomonidan tizimli tarzda tasdiqlanmagan.
• Manba haqiqiy qishloq xoʻjaligi robotining uzoq muddatli dala ishida kasallikka qarshi kurashish muvaffaqiyati yoki hosildorlik oshishini oʻlchamagan.

Asosiy cheklovlar

ReLL-PDD v1 atigi 796 tasvirdan iborat va uchta oʻsimlik guruhi bilan chegaralangan. Namunalar faqat Sargodha shahrida taxminan uch oy davomida olingan; ekinlar xilma-xilligi, mavsumiy oʻzgaruvchanlik va geografik xilma-xillik cheklangan.

Baʼzi oʻsimliklar uchun mos sogʻlom sinf yoʻqligi tasniflashdagi ogʻishga olib kelishi mumkin. Shuningdek, kam yorugʻlikda kichik shikastlarning koʻrinuvchanligi pasayishi, oʻxshash kasalliklarning umumiy vizual naqshlari va notoʻgʻri localization modelning muhim xato manbalaridir.

PlantVillage va Potato Leaf Diseasening kam yorugʻlik versiyalari haqiqiy tungi dala tasvirlari emas, balki ilgari chop etilgan tadqiqotdan olingan sintetik kam yorugʻlik/shovqin oʻzgartirishlaridir. Bu maqola sintetik buzilish hosil qilishda qoʻllangan barcha tasvir oʻzgartirish parametrlarini yana batafsil bermaydi.

SPPM faqat proof-of-concept darajasidadir. LLM chiqishlari mutaxassislar tomonidan tekshirilmagani sababli tavsiyalarning toʻgʻriligi, maʼlum ekin uchun xavfsizligi yoki mahalliy pestitsid qonunchiligiga mosligi isbotlanmagan.

Manba ichidagi maʼlumotlardan foydalanish imkoniga oid ziddiyat

Maqolaning Introduction qismida KDHT-AFA kodi va tadqiqotda ishlatilgan uchta maʼlumotlar toʻplami GitHubda ochiq ekani aytilgan. Shu tadqiqotning oʻzida ReLL-PDD v1 yangi yigʻilgan maʼlumotlar toʻplami sifatida taʼriflangan. Biroq yakuniy Data Availability bayonotida “No datasets were generated or analysed during the current study” deyilgan. Bu ikki maʼlumot oʻzaro mos kelmagani uchun Verianla maʼlumotlar mavjudligi masalasida bir tomonlama tuzatish kiritmaydi.

Manba va usul haqida izoh

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

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

Masʼul muallif: Kang Ryoung Park.

Muassasalar: 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 / nashriyot: Springer Nature.

Jild / maqola raqami: 38, 826.

Nashr sanasi: 31-avgust 2026.

Olingan / qabul qilingan: 16-iyun 2026 / 10-avgust 2026.

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

Manba turi: Taqrizdan oʻtgan eksperimental mashinaviy oʻrganish / chuqur oʻrganish tadqiqoti.

Asosiy usul: Ikki turli oʻqituvchi bilan bilim distillatsiyasi; logit fusion, AFDS asosida oraliq xususiyatlarni moslashuvchan tanlash, IDSA, RSHA-Net.

Oʻqituvchi modellar: DPA-Net va EfficientNet-B1.

Oʻquvchi: RSHA-Net small va RSHA-Net large; asosiy yuqori unumdorlikli versiya 5,16 million parametrli large model.

Maʼlumotlar toʻplamlari: PlantVillage kam yorugʻlik/shovqin versiyasi; Potato Leaf Disease kam yorugʻlik/shovqin versiyasi; ReLL-PDD v1.

ReLL-PDD v1: 796 ta haqiqiy kam yorugʻlikdagi dala tasviri; citrus, spinach va ornamental oʻsimliklari; Sargodha, Pokiston; dekabr 2025–fevral 2026.

Baholash: Besh foldli cross-validation; har bir fold uchun %72 oʻqitish, %8 validatsiya, %20 test.

Optimizer: Adam.

Learning rate: 0,0005.

Batch size: 8.

Maksimal epoch: 100.

Early stopping: Validation accuracy.

Unumdorlik koʻrsatkichlari: Accuracy, macro-precision, macro-recall va F1-score.

Statistika: PlantVillage va ReLL-PDD v1ning besh fold accuracy qiymatlari yordamida paired t-test va Cohen's d.

Edge baholash: Jetson TX2, Jetson Orin Nano, Samsung S21 va stol kompyuteri.

Izohlanuvchanlik: Grad-CAM.

LLM moduli: LLaMA 3.2 bilan SPPM; faqat proof-of-concept, mutaxassis tasdigʻi yoʻq.

Etika: Manbada “Not applicable” deb koʻrsatilgan.

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

Mualliflar hissasi: Hafiz Ali Hamza Gondal va Kang Ryoung Park maqolaning asosiy matnini yozgan. Su Jin Im, Muhammad Hamza Tariq, Muhammad Irfan, Muhammad Usman va Muhammad Ahmad Zeshan tajriba hamda validatsiyaga hissa qoʻshgan. Barcha mualliflar maqolani koʻrib chiqqan.

Manfaatlar toʻqnashuvi: Yuklangan PDFning koʻrinadigan declarations qismida alohida competing-interests bayonoti aniqlanmagan; bunday toʻqnashuv yoʻq deb taxmin qilinmagan.

Maʼlumotlardan foydalanish imkoni: Asosiy matndagi GitHub/ochiq maʼlumot haqidagi ibora bilan yakuniy qismdagi “No datasets were generated or analysed” bayonoti oʻzaro mos kelmaydi.

Litsenziya: Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0). Manbadagi rasmlar yoki taqdimot tuzilmalarining moslashtirilgan versiyalari Verianla maqolasiga koʻchirilmagan.

Asosiy talqin chegarasi: Tadqiqot tasvirlarni tasniflash va edge inference unumdorligini oʻlchaydi; barcha haqiqiy qishloq xoʻjaligi sharoitlarida aniq tashxis, hosildorlik yoki LLM asosidagi pestitsid tavsiyalari ishonchliligini tasdiqlamaydi.