从水稻病害识别出发探索农业数据共享新模式

准确高效地识别作物病害类型,有助于农户及时采取有效的针对性预防措施,从而降低因病虫害导致的减产风险和经济损失.然而,在其他领域能达到SOTA效果的识别模型,在农业领域特别是水稻病害识别的应用中,却面临目前已有的水稻病害数据量不足、种类不丰富以及数据质量不高等问题.本研究采用多种经典卷积神经网络,并利用迁移学习的方法在两个不同的数据集上进行训练.验证了除模型结构带来的优化外,训练数据集本身对于训练结果也具有重要影响.但目前农业领域开源数据较少,几乎没有综合性的数据开源平台可供利用.这一现象与高质量农业数据获取难度大且成本高、大多数从业人员教育水平相对较低、分布式训练系统不成熟、数据安全问题得不到保障等因素密切相关.针对农业领域训练中高质量数据缺乏的问题,在本文中提出了基于联邦学习框架构建农业数据共享平台的新思路.