როგორ გამოვავლინოთ მცენარეული დაავადებები მანქანათმცოდნეობის გამოყენებით: 6 ნაბიჯი

2025 ავტორი: John Day | [email protected]. ბოლოს შეცვლილი: 2025-01-23 14:50

დაავადებული მცენარეების გამოვლენისა და ამოცნობის პროცესი ყოველთვის იყო სახელმძღვანელო და დამღლელი პროცესი, რომელიც მოითხოვს ადამიანებს ვიზუალურად შეამოწმონ მცენარის სხეული, რამაც ხშირად შეიძლება გამოიწვიოს არასწორი დიაგნოზი. ასევე იწინასწარმეტყველა, რომ როგორც გლობალური ამინდის მოდელები იცვლება კლიმატის ცვლილების გამო, კულტურების დაავადებები, სავარაუდოდ, უფრო მწვავე და გავრცელებული გახდება. აქედან გამომდინარე, მნიშვნელოვანია სისტემების შემუშავება, რომლებიც სწრაფად და მარტივად აანალიზებენ კულტურებს და გამოავლენენ კონკრეტულ დაავადებას, რათა შემდგომში შეიზღუდოს მოსავლის დაზიანება.

ამ ინსტრუქციაში, ჩვენ შევისწავლით მანქანათმცოდნეობის კონცეფციას, რომელიც ცნობილია როგორც "სწავლების გადაცემა" დაავადებული ბრინჯის მცენარეების სურათების კლასიფიკაციისათვის. იგივე მეთოდი შეიძლება გამოყენებულ იქნას გამოსახულების კლასიფიკაციის სხვა პრობლემისთვის.

ნაბიჯი 1: ბრინჯის დაავადებების ტიპები

ბრინჯი არის ერთ -ერთი ყველაზე პოპულარული ძირითადი კულტურა, რომელიც იზრდება ძირითადად აზიაში, აფრიკასა და სამხრეთ ამერიკაში, მაგრამ მგრძნობიარეა სხვადასხვა მავნებლებისა და დაავადებების მიმართ. ფიზიკური მახასიათებლები, როგორიცაა ფოთლების გაუფერულება, შეიძლება გამოყენებულ იქნას რამდენიმე დაავადების იდენტიფიცირებისათვის, რომლებმაც შეიძლება გავლენა მოახდინონ ბრინჯის კულტურაზე. მაგალითად, ყავისფერი ლაქის შემთხვევაში, სოკოვანი დაავადება, რომელიც გავლენას ახდენს ფოთლების დამცავ გარსზე, ფოთლები დაფარულია რამოდენიმე პატარა ოვალური ყავისფერი ლაქით ნაცრისფერი ცენტრებით, ხოლო ფოთლის აფეთქების შემთხვევაში ფოთლები დაფარულია უფრო დიდი ყავისფერი დაზიანებით. ანალოგიურად, რაის ჰისპას მავნებლით დაზარალებული ფოთლების ამოცნობა შესაძლებელია ფოთლის ზედაპირზე განვითარებული გრძელი ბილიკების ნიშნებით.

ნაბიჯი 2: როგორ გამოავლინეს წინა მეთოდებმა დაავადებები?

ავადმყოფი მცენარეების სურათების ავტომატური კლასიფიკაციის წინა მეთოდები, როგორიცაა წესებზე დაფუძნებული კლასიფიკატორები, როგორც გამოიყენება [1], ეყრდნობა წესების განსაზღვრულ კომპლექსს ფოთლის სეგმენტირება დაზარალებულ და დაზარალებულ რეგიონებად. მახასიათებლების ამოღების ზოგიერთი წესი გულისხმობს დაზარალებულთა და დაზარალებულთა ფერებს შორის საშუალო და სტანდარტული გადახრის ცვლილების დაკვირვებას. ფორმის მახასიათებლების ამოღების წესები გულისხმობს დაზარალებული რეგიონის თავზე რამდენიმე პრიმიტიული ფორმის ინდივიდუალურად განთავსებას და იმ ფორმის გამოვლენას, რომელიც მოიცავს დაზარალებული რეგიონის მაქსიმალურ არეს. მას შემდეგ, რაც გამოსახულებები ამოღებულია სურათებიდან, ფიქსირებული წესების ერთობლიობა გამოიყენება სურათების კლასიფიკაციისათვის იმისდა მიხედვით, თუ რა დაავადებამ შეიძლება იმოქმედოს მცენარეზე. ასეთი კლასიფიკატორის მთავარი მინუსი ის არის, რომ ის მოითხოვს რამდენიმე ფიქსირებულ წესს თითოეული დაავადებისათვის, რაც თავის მხრივ შეიძლება გახდეს მგრძნობიარე ხმაურიანი მონაცემების მიმართ. ზემოთ მოყვანილი სურათები აჩვენებს, თუ როგორ შეიძლება გამოყენებულ იქნას წესებზე დაფუძნებული გადაწყვეტილების ხე სურათის ორ რეგიონად დაყოფის მიზნით.

1. სანტანუ ფადიკარ და სხვები, „ბრინჯის დაავადებების კლასიფიკაცია მახასიათებლების შერჩევისა და წესების გენერირების ტექნიკის გამოყენებით“, კომპიუტერები და ელექტრონიკა სოფლის მეურნეობაში, ტ. 90, 2013 წლის იანვარი.

ნაბიჯი 3: სწავლის გადაცემა

ამ ინსტრუქციებში აღწერილი გამოსახულების კლასიფიკაციის ტექნიკა იყენებს CNN– ის ძირითად სტრუქტურას, რომელიც შედგება რამდენიმე კონვოლუციური ფენისგან, შემაერთებელი ფენისგან და ბოლომდე სრულად დაკავშირებული ფენისგან. კონვოლუციური ფენები მოქმედებს როგორც ფილტრების ნაკრები, რომლებიც ამოიღებენ გამოსახულების მაღალი დონის მახასიათებლებს. მაქსიმალური შეჯვარება არის ერთ-ერთი გავრცელებული მეთოდი, რომელიც გამოიყენება ფენების გაერთიანებაში, რათა შემცირდეს მოპოვებული მახასიათებლების სივრცითი ზომა და ამით შემცირდეს გამოთვლითი სიმძლავრე, რომელიც საჭიროა თითოეული ფენის წონის გამოსათვლელად. დაბოლოს, მოპოვებული მონაცემები გადადის სრულად დაკავშირებულ ფენაში softmax გააქტიურების ფუნქციასთან ერთად, რომელიც განსაზღვრავს სურათის კლასს.

მაგრამ ნულიდან პერსონალური CNN– ების სწავლებამ შეიძლება არ გამოიღოს სასურველი შედეგი და ჰქონდეს ძალიან დიდი დრო ტრენინგისთვის.

სასწავლო სურათების მახასიათებლების შესასწავლად, ჩვენ ვიყენებთ მეთოდს სახელწოდებით Transfer Learning, სადაც წინასწარ მომზადებული მოდელის "ზედა" ფენები ამოღებულია და ჩანაცვლებულია ფენებით, რომლებსაც შეუძლიათ ისწავლონ ტრენინგის მონაცემთა ნაკრების სპეციფიკური მახასიათებლები. გადაცემის სწავლა ამცირებს სწავლების დროს იმ მოდელებთან შედარებით, რომლებიც იყენებენ შემთხვევით დაწყებულ წონას. ჩვენი მეთოდი იყენებს ექვს სხვადასხვა წინასწარ მომზადებულ მოდელს, კერძოდ, AlexNet, GoogLeNet, ResNet-50, Inception-v3, ShuffleNet და MobileNet-v2.

სურათი გვიჩვენებს GoogLeNet არქიტექტურას, სადაც ლურჯი გამოიყენება კონვოლუციური ფენებისთვის, წითელი - ფენების გასაერთიანებლად, ყვითელი - რბილი ფენისთვის და მწვანე - ჩამკეტი ფენებისთვის. თქვენ შეგიძლიათ გაიგოთ მეტი CNN– ის შიდა მუშაობის შესახებ აქ.

ბრინჯის დაავადების მონაცემთა ნაკრები შედგება როგორც ჯანსაღი, ასევე დაავადებული ბრინჯის ფოთლების ფოთლების სურათებისგან. სურათები შეიძლება დაიყოს ოთხ სხვადასხვა კლასში, კერძოდ ყავისფერი ლაქა, რაის ჰისპა, ფოთოლი-აფეთქება და ჯანმრთელი. მონაცემთა ნაკრები შედგება 2092 განსხვავებული სურათისგან, თითოეული კლასი შეიცავს 523 სურათს. თითოეული სურათი შედგება ერთი ჯანსაღი ან დაავადებული ფოთლისგან, რომელიც მოთავსებულია თეთრ ფონზე.

ჩვენ დავყავით გამოსახულების მონაცემთა ნაკრები ტრენინგის, ვალიდაციისა და სურათების კომპლექტების ტესტირების მიზნით. ზედმეტი მორგების თავიდან ასაცილებლად, ჩვენ ვაძლიერებთ სასწავლო სურათებს სასწავლო სურათების მასშტაბირებითა და გადახვევით, რათა გავზარდოთ სასწავლო ნიმუშების საერთო რაოდენობა.

კოდი და დამოკიდებულებები ღიაა და შეგიძლიათ იხილოთ აქ: GitHub კოდი

გამოსახულების კლასიფიკაციის სხვადასხვა პროგრამებისთვის, ჩვენ შეგვიძლია უბრალოდ შევცვალოთ სასწავლო სურათის მონაცემთა ნაკრები.

ნაბიჯი 4: მოდელის მომზადება

თითოეული მოდელის მიერ მოთხოვნილი მეხსიერების ზომიდან გამომდინარე, წინასწარ მომზადებული მოდელები იყოფა უფრო დიდ და პატარა მოდელებად. უფრო პატარა მოდელები მოიხმარენ 15 მბ -ზე ნაკლებს და შესაბამისად უკეთესად შეეფერება მობილურ პროგრამებს.

უფრო დიდ მოდელებს შორის, Inception-v3– ს ჰქონდა ყველაზე გრძელი სასწავლო დრო დაახლოებით 140 წუთი, ხოლო AlexNet– ს ჰქონდა უმოკლესი ვარჯიში დაახლოებით 18 წუთი. პატარა მობილურზე ორიენტირებულ მოდელებს შორის, MobileNet-v2– ს ჰქონდა ყველაზე გრძელი ვარჯიში დაახლოებით 73 წუთი, ხოლო ShuffleNet– ს ჰქონდა უმოკლესი ტრენინგის დრო დაახლოებით 38 წუთი.

ნაბიჯი 5: მოდელის ტესტირება

უფრო დიდ მოდელებს შორის, Inception-v3– ს ჰქონდა ტესტირების უმაღლესი სიზუსტე დაახლოებით 72.1%, ხოლო AlexNet– ს ჰქონდა ყველაზე დაბალი ტესტირების სიზუსტე დაახლოებით 48.5%. პატარა მობილურზე ორიენტირებულ მოდელებს შორის MobileNet-v2– ს ჰქონდა ტესტირების უმაღლესი სიზუსტე 62.5%, ხოლო ShuffleNet– ს ჰქონდა ყველაზე დაბალი ტესტირების სიზუსტე 58.1%.

MobileNet-v2 შესანიშნავად გამოირჩეოდა Brown-Spot, Leaf-Blast და ჯანმრთელი ფოთლების სურათების კლასიფიკაციისას, ხოლო რაის ჰისპასთვის რამდენიმე არასწორი კლასიფიკაციის გაკეთებით, სიზუსტით მხოლოდ 46.15%.

Inception-v3 აჩვენა კლასიფიკაციის მსგავსი შედეგები, როგორც MobileNet-v2.

ნაბიჯი 6: დამატებითი ტესტები

ზემოთ მოყვანილი სურათი გვიჩვენებს, თუ როგორ არასწორად ახდენს MobileNet-v2 მოდელის კლასიფიკაციას ბალახის ფოთლის გამოსახულება თეთრ ფონზე, როგორც რაის ჰისპა.

ჩვენ ასევე შევამოწმეთ MobileNet-v2– ის სიზუსტე რაის ჰისპას მოჭრილ სურათებზე, სადაც თეთრი ფონი მინიმუმამდეა დაყვანილი ისე, რომ ფოთოლი იკავებს სურათის მაქსიმალურ ადგილს. რაის ჰისპას მოჭრილი სურათებისთვის ჩვენ შევამჩნიეთ დაახლოებით 80.81% სიზუსტე, ანუ რაის ჰისპას მოჭრილი სურათებისთვის ჩვენ დავაკვირდით კლასიფიკაციის სიზუსტის მნიშვნელოვან ზრდას მოწყვეტილი ტესტის ნიმუშებთან შედარებით. აქედან გამომდინარე, ჩვენ ვთავაზობ, რომ ბრინჯის დაავადების გამოვლენის რეალურმა განხორციელებამ კონვოლუციური ნერვული ქსელების გამოყენებით უნდა მოჭრას საცდელი სურათები ფონის ხმაურის მოსაშორებლად, სიზუსტის გასაუმჯობესებლად.