मशीन लर्निंग का उपयोग करके पौधों की बीमारियों का पता कैसे लगाएं: 6 कदम

2024 लेखक: John Day | [email protected]. अंतिम बार संशोधित: 2024-01-30 09:20

रोगग्रस्त पौधों का पता लगाने और पहचानने की प्रक्रिया हमेशा एक मैनुअल और थकाऊ प्रक्रिया रही है जिसके लिए मनुष्यों को पौधे के शरीर का नेत्रहीन निरीक्षण करना पड़ता है जिससे अक्सर गलत निदान हो सकता है। यह भी भविष्यवाणी की गई है कि जैसे-जैसे जलवायु परिवर्तन के कारण वैश्विक मौसम का मिजाज बदलना शुरू होता है, फसल की बीमारियाँ और अधिक गंभीर और व्यापक होने की संभावना है। इसलिए, ऐसी प्रणाली विकसित करना महत्वपूर्ण है जो फसलों का त्वरित और आसानी से विश्लेषण कर सके और किसी विशेष बीमारी की पहचान कर सके ताकि आगे फसल क्षति को सीमित किया जा सके।

इस निर्देश में, हम रोगग्रस्त चावल के पौधों की छवियों को वर्गीकृत करने के लिए "ट्रांसफर लर्निंग" के रूप में जानी जाने वाली मशीन लर्निंग अवधारणा का पता लगाएंगे। किसी अन्य छवि वर्गीकरण समस्या के लिए उसी विधि का पुन: उपयोग किया जा सकता है।

चरण 1: चावल के रोगों के प्रकार

चावल मुख्य रूप से एशिया, अफ्रीका और दक्षिण अमेरिका में उगाई जाने वाली सबसे लोकप्रिय प्रधान खाद्य फसलों में से एक है, लेकिन विभिन्न प्रकार के कीटों और बीमारियों के लिए अतिसंवेदनशील है। धान की फसल को प्रभावित करने वाले कई रोगों की पहचान करने के लिए पत्तियों का रंग बदलने जैसी भौतिक विशेषताओं का उपयोग किया जा सकता है। उदाहरण के लिए, ब्राउन-स्पॉट के मामले में, एक कवक रोग जो पत्तियों के सुरक्षात्मक म्यान को प्रभावित करता है, पत्तियां ग्रे केंद्रों के साथ कई छोटे अंडाकार भूरे धब्बों से ढकी होती हैं, जबकि लीफ-ब्लास्ट के मामले में, पत्तियां ढकी होती हैं। बड़े भूरे घावों के साथ। इसी तरह, राइस हिस्पा कीट से प्रभावित पत्तियों को पत्ती की सतह पर विकसित होने वाले लंबे निशान से पहचाना जा सकता है।

चरण 2: पहले के तरीकों ने बीमारियों का पता कैसे लगाया?

रोगग्रस्त पौधों की छवियों को स्वचालित रूप से वर्गीकृत करने के लिए पहले के तरीके जैसे नियम-आधारित क्लासिफायर, जैसा कि [1] में उपयोग किया जाता है, पत्ती को प्रभावित और अप्रभावित क्षेत्रों में विभाजित करने के लिए नियमों के एक निश्चित सेट पर निर्भर करता है। विशेषताओं को निकालने के कुछ नियमों में प्रभावित और अप्रभावित क्षेत्रों के रंग के बीच माध्य और मानक विचलन में परिवर्तन को देखना शामिल है। आकृति विशेषताओं को निकालने के नियमों में प्रभावित क्षेत्र के ऊपर कई आदिम आकृतियों को अलग-अलग रखना और उस आकृति की पहचान करना शामिल है जो प्रभावित क्षेत्र के अधिकतम क्षेत्र को कवर करती है। एक बार छवियों से सुविधाओं को निकालने के बाद, पौधों को प्रभावित करने वाली बीमारी के आधार पर छवियों को वर्गीकृत करने के लिए निश्चित नियमों के एक सेट का उपयोग किया जाता है। इस तरह के क्लासिफायरियर का मुख्य दोष यह है कि इसके लिए प्रत्येक बीमारी के लिए कई निश्चित नियमों की आवश्यकता होगी जो बदले में इसे शोर डेटा के लिए अतिसंवेदनशील बना सकते हैं। उपरोक्त छवियां दिखाती हैं कि छवि को दो क्षेत्रों में विभाजित करने के लिए नियम-आधारित निर्णय वृक्ष का उपयोग कैसे किया जा सकता है।

1. संतनु फदिकर एट अल।, "फीचर सेलेक्शन और रूल जनरेशन तकनीकों का उपयोग करके चावल की बीमारियों का वर्गीकरण," कृषि में कंप्यूटर और इलेक्ट्रॉनिक्स, वॉल्यूम। 90, जनवरी 2013।

चरण 3: स्थानांतरण सीखना

इस निर्देश में वर्णित छवि वर्गीकरण तकनीक एक सीएनएन की मूल संरचना का उपयोग करती है जिसमें कई दृढ़ परतें, एक पूलिंग परत और एक अंतिम पूरी तरह से जुड़ी हुई परत होती है। दृढ़ परतें फिल्टर के एक सेट के रूप में कार्य करती हैं जो छवि की उच्च-स्तरीय विशेषताओं को निकालती हैं। मैक्स-पूलिंग, पूलिंग लेयर्स में उपयोग की जाने वाली सामान्य विधियों में से एक है, जिससे निकाले गए फीचर्स के स्थानिक आकार को कम किया जा सकता है, जिससे प्रत्येक लेयर के लिए वज़न की गणना के लिए आवश्यक गणना शक्ति को कम किया जा सकता है। अंत में, निकाले गए डेटा को सॉफ्टमैक्स सक्रियण फ़ंक्शन के साथ पूरी तरह से कनेक्टेड परत के माध्यम से पारित किया जाता है जो छवि के वर्ग को निर्धारित करता है।

लेकिन कस्टम CNN को शुरू से ही प्रशिक्षित करने से वांछित परिणाम नहीं मिल सकते हैं और इसमें बहुत लंबा प्रशिक्षण समय हो सकता है।

प्रशिक्षण छवियों की विशेषताओं को जानने के लिए, हम ट्रांसफर लर्निंग नामक एक विधि का उपयोग करते हैं जिसमें पूर्व-प्रशिक्षित मॉडल की 'शीर्ष' परतों को हटा दिया जाता है और उन परतों के साथ बदल दिया जाता है जो प्रशिक्षण डेटासेट के लिए विशिष्ट सुविधाओं को सीख सकते हैं। ट्रांसफर लर्निंग उन मॉडलों की तुलना में प्रशिक्षण समय को कम करता है जो बेतरतीब ढंग से आरंभिक वजन का उपयोग करते हैं। हमारी विधि छह अलग-अलग पूर्व-प्रशिक्षित मॉडलों का उपयोग करती है, अर्थात् एलेक्सनेट, गूगलनेट, रेसनेट -50, इंसेप्शन-वी 3, शफलनेट और मोबाइलनेट-वी 2।

छवि GoogLeNet आर्किटेक्चर को दिखाती है जहाँ नीले रंग का उपयोग कनवल्शनल लेयर्स के लिए किया जाता है, लाल का उपयोग पूलिंग लेयर्स के लिए, पीला सॉफ्टमैक्स लेयर्स के लिए और ग्रीन कॉनकैट लेयर्स के लिए किया जाता है। आप यहां सीएनएन के आंतरिक कामकाज के बारे में अधिक जान सकते हैं।

चावल रोग डेटासेट में स्वस्थ और रोगग्रस्त चावल के पौधों दोनों की पत्तियों की छवियां होती हैं। छवियों को चार अलग-अलग वर्गों में वर्गीकृत किया जा सकता है, जैसे ब्राउन-स्पॉट, राइस हिस्पा, लीफ-ब्लास्ट और हेल्दी। डेटासेट में २०९२ अलग-अलग चित्र होते हैं जिनमें प्रत्येक वर्ग ५२३ छवियों वाला होता है। प्रत्येक छवि में एक स्वस्थ या रोगग्रस्त पत्ती होती है जिसे सफेद पृष्ठभूमि पर रखा जाता है।

हम छवि डेटासेट को प्रशिक्षण, सत्यापन और परीक्षण छवि सेट में विभाजित करते हैं। ओवरफिटिंग को रोकने के लिए, हम प्रशिक्षण नमूनों की कुल संख्या बढ़ाने के लिए प्रशिक्षण छवियों को स्केल और फ़्लिप करके प्रशिक्षण छवियों को बढ़ाते हैं।

कोड और निर्भरताएं ओपन-सोर्स हैं और यहां पाई जा सकती हैं: गिटहब कोड

विभिन्न छवि वर्गीकरण अनुप्रयोगों के लिए, हम बस प्रशिक्षण छवि डेटासेट को बदल सकते हैं।

चरण 4: मॉडल का प्रशिक्षण

प्रत्येक मॉडल के लिए आवश्यक मेमोरी आकार के आधार पर, पूर्व-प्रशिक्षित मॉडल को बड़े और छोटे मॉडल में वर्गीकृत किया जाता है। छोटे मॉडल 15MB से कम की खपत करते हैं और इसलिए मोबाइल एप्लिकेशन के लिए बेहतर अनुकूल हैं।

बड़े मॉडलों में, इंसेप्शन-वी3 में लगभग 140 मिनट का सबसे लंबा प्रशिक्षण समय था जबकि एलेक्सनेट के पास लगभग 18 मिनट का सबसे छोटा प्रशिक्षण समय था। छोटे मोबाइल-उन्मुख मॉडलों में, MobileNet-v2 में लगभग 73 मिनट का सबसे लंबा प्रशिक्षण समय था, जबकि ShuffleNet का सबसे छोटा प्रशिक्षण समय लगभग 38 मिनट का था।

चरण 5: मॉडल का परीक्षण

बड़े मॉडलों में, इंसेप्शन-वी3 में लगभग 72.1% की उच्चतम परीक्षण सटीकता थी जबकि एलेक्सनेट की सबसे कम परीक्षण सटीकता लगभग 48.5% थी। छोटे मोबाइल-उन्मुख मॉडलों में MobileNet-v2 की उच्चतम परीक्षण सटीकता 62.5% थी जबकि ShuffleNet की सबसे कम परीक्षण सटीकता 58.1% थी।

मोबाइलनेट-वी2 ने ब्राउन-स्पॉट, लीफ-ब्लास्ट और स्वस्थ पत्तियों की छवियों को वर्गीकृत करते समय काफी अच्छा प्रदर्शन किया, जबकि चावल हिस्पा के लिए केवल 46.15% की सटीकता के साथ कई गलत वर्गीकरण किए।

इंसेप्शन-v3 ने MobileNet-v2 के समान वर्गीकरण परिणाम दिखाए।

चरण 6: अतिरिक्त परीक्षण

ऊपर की छवि दिखाती है कि कैसे MobileNet-v2 मॉडल एक सफेद पृष्ठभूमि के खिलाफ एक घास के पत्ते की छवि को राइस हिस्पा के रूप में गलत वर्गीकृत करता है।

हमने राइस हिस्पा की क्रॉप की गई छवियों पर मोबाइलनेट-वी2 की सटीकता का भी परीक्षण किया, जिसमें सफेद पृष्ठभूमि को इस तरह से छोटा किया गया था कि पत्ती छवि के भीतर अधिकतम क्षेत्र पर कब्जा कर लेती है। राइस हिस्पा की क्रॉप्ड इमेज के लिए, हमने लगभग 80.81% की सटीकता देखी, यानी राइस हिस्पा की क्रॉप्ड इमेज के लिए, हमने अनक्रॉप्ड टेस्ट नमूनों की तुलना में वर्गीकरण सटीकता में उल्लेखनीय वृद्धि देखी। इसलिए, हम प्रस्ताव करते हैं कि कनवल्शनल न्यूरल नेटवर्क का उपयोग करके चावल की बीमारी का पता लगाने के वास्तविक दुनिया के कार्यान्वयन को सटीकता में सुधार के लिए पृष्ठभूमि के शोर को दूर करने के लिए परीक्षण छवियों को क्रॉप करना चाहिए।