Si të zbuloni sëmundjet e bimëve duke përdorur mësimin e makinerisë: 6 hapa

2024 Autor: John Day | [email protected]. E modifikuara e fundit: 2024-01-30 12:17

Procesi i zbulimit dhe njohjes së bimëve të sëmura ka qenë gjithmonë një proces manual dhe i lodhshëm që kërkon që njerëzit të inspektojnë vizualisht trupin e bimës, gjë që shpesh mund të çojë në një diagnozë të pasaktë. Gjithashtu është parashikuar që ndërsa modelet globale të motit fillojnë të ndryshojnë për shkak të ndryshimit të klimës, sëmundjet e të korrave ka të ngjarë të bëhen më të rënda dhe më të përhapura. Prandaj, është e rëndësishme të zhvillohen sisteme që analizojnë shpejt dhe lehtë të lashtat dhe identifikojnë një sëmundje të veçantë në mënyrë që të kufizojnë dëmtimet e mëtejshme të të korrave.

Në këtë Udhëzues, ne do të eksplorojmë një koncept të mësimit të makinerisë të njohur si "Transferimi i të mësuarit" për të klasifikuar imazhet e bimëve të orizit të sëmurë. E njëjta metodë mund të ripërdoret për çdo problem tjetër të klasifikimit të imazhit.

Hapi 1: Llojet e Sëmundjeve të Orizit

Orizi është një nga prodhimet më të njohura ushqimore të prodhuara kryesisht në Azi, Afrikë dhe Amerikën e Jugut, por është i ndjeshëm ndaj dëmtuesve dhe sëmundjeve të ndryshme. Karakteristikat fizike të tilla si zbardhja e gjetheve mund të përdoren për të identifikuar disa sëmundje që mund të ndikojnë në të korrat e orizit. Për shembull, në rastin e Brown-Spot, një sëmundje kërpudhore që prek mbështjellësin mbrojtës të gjetheve, gjethet janë të mbuluara me disa njolla të vogla ngjyrë kafe ovale me qendra gri ndërsa, në rastin e Leaf-Blast, gjethet janë të mbuluara me lezione kafe më të mëdha. Në mënyrë të ngjashme, gjethet e prekura nga dëmtuesi i Rajs Hispa mund të identifikohen nga shenjat e gjurmëve të gjata që zhvillohen në sipërfaqen e gjethes.

Hapi 2: Si i zbuluan metodat e mëparshme sëmundjet?

Metodat e mëparshme për klasifikimin automatik të imazheve të bimëve të sëmura siç janë klasifikuesit e bazuar në rregulla siç përdoren në [1], mbështeten në një grup rregullash të fiksuara për të segmentuar gjethen në rajone të prekura dhe të pa prekura. Disa nga rregullat për nxjerrjen e veçorive përfshijnë vëzhgimin e ndryshimit në devijimin mesatar dhe standard midis ngjyrës së rajoneve të prekura dhe atyre të pa prekura. Rregullat për nxjerrjen e tipareve të formës përfshijnë vendosjen individuale të disa formave primitive në majë të rajonit të prekur dhe identifikimin e formës që mbulon zonën maksimale të rajonit të prekur. Pasi veçoritë të nxirren nga imazhet, një sërë rregullash fikse përdoren për të klasifikuar imazhet në varësi të sëmundjes që mund të ketë prekur bimën. Pengesa kryesore e një klasifikuesi të tillë është se do të kërkojë disa rregulla fikse për secilën sëmundje, të cilat nga ana tjetër mund ta bëjnë atë të ndjeshëm ndaj të dhënave të zhurmshme. Imazhet e mësipërme tregojnë se si një pemë vendimi e bazuar në rregulla mund të përdoret për të segmentuar imazhin në dy rajone.

1. Santanu Phadikar et al., "Klasifikimi i sëmundjeve të orizit duke përdorur përzgjedhjen e veçorive dhe teknikat e krijimit të rregullave", Kompjuterët dhe Elektronika në Bujqësi, vëll. 90, Janar 2013.

Hapi 3: Transferimi i të mësuarit

Teknika e klasifikimit të imazhit e përshkruar në këtë Instructables përdor strukturën bazë të një CNN që përbëhet nga disa shtresa konvolucionare, një shtresë bashkimi dhe një shtresë përfundimtare e lidhur plotësisht. Shtresat konvolucionale veprojnë si një grup filtrash që nxjerrin tiparet e nivelit të lartë të imazhit. Grumbullimi maksimal është një nga metodat e zakonshme që përdoret në bashkimin e shtresave për të zvogëluar madhësinë hapësinore të veçorive të nxjerra duke zvogëluar kështu fuqinë llogaritëse të kërkuar për të llogaritur peshat për secilën shtresë. Së fundi, të dhënat e nxjerra kalohen përmes një shtrese të lidhur plotësisht së bashku me një funksion aktivizimi softmax i cili përcakton klasën e figurës.

Por trajnimi i CNN -ve me porosi nga e para mund të mos japë rezultatet e dëshiruara dhe mund të ketë një kohë trajnimi shumë të gjatë.

Për të mësuar tiparet e imazheve të trajnimit, ne përdorim një metodë të quajtur Transfer Learning, ku shtresat ‘kryesore’ të një modeli të stërvitur paraprakisht hiqen dhe zëvendësohen me shtresa që mund të mësojnë tiparet që janë specifike për grupin e të dhënave të trajnimit. Mësimi transferues zvogëlon kohën e trajnimit në krahasim me modelet që përdorin pesha të inicuara rastësisht. Metoda jonë përdor gjashtë modele të ndryshme të para-trajnuara, përkatësisht, AlexNet, GoogLeNet, ResNet-50, Inception-v3, ShuffleNet dhe MobileNet-v2.

Imazhi tregon arkitekturën GoogLeNet ku bluja përdoret për shtresa konvolucionale, e kuqe për shtresat e bashkimit, e verdha për shtresat softmax dhe jeshile për shtresat konkate. Mund të mësoni më shumë rreth punës së brendshme të një CNN këtu.

Grupi i të dhënave të sëmundjes së orizit përbëhet nga imazhe të gjetheve të bimëve të orizit të shëndetshëm dhe të sëmurë. Imazhet mund të kategorizohen në katër klasa të ndryshme, përkatësisht Brown-Spot, Rice Hispa, Leaf-Blast dhe Healthy. Grupi i të dhënave përbëhet nga 2092 imazhe të ndryshme me secilën klasë që përmban 523 imazhe. Çdo imazh përbëhet nga një gjethe e vetme e shëndetshme ose e sëmurë e vendosur në një sfond të bardhë.

Ne e ndajmë grupin e të dhënave të imazhit në stërvitje, vërtetim dhe testim të grupeve të imazheve. Për të parandaluar montimin e tepërt, ne shtojmë imazhet e trajnimit duke shkallëzuar dhe rrokullisur imazhet e trajnimit për të rritur numrin e përgjithshëm të mostrave të trajnimit.

Kodi dhe varësitë janë me burim të hapur dhe mund t'i gjeni këtu: Kodi GitHub

Për aplikime të ndryshme të klasifikimit të imazheve, ne thjesht mund të ndryshojmë grupin e të dhënave të imazhit të trajnimit.

Hapi 4: Trajnimi i Modelit

Në varësi të madhësisë së kujtesës të kërkuar nga secili model, modelet e para-trajnuara kategorizohen në modele më të mëdha dhe më të vogla. Modelet më të vogla konsumojnë më pak se 15 MB dhe për këtë arsye janë më të përshtatshme për aplikacione celulare.

Ndër modelet më të mëdha, Inception-v3 kishte kohën më të gjatë të trajnimit prej afërsisht 140 minuta ndërsa AlexNet kishte kohën më të shkurtër të trajnimit prej afërsisht 18 minuta. Ndër modelet më të vogla të orientuara drejt celularit, MobileNet-v2 kishte kohën më të gjatë të stërvitjes prej afërsisht 73 minuta ndërsa ShuffleNet kishte kohën më të shkurtër të trajnimit prej afërsisht 38 minuta.

Hapi 5: Testimi i modelit

Ndër modelet më të mëdha, Inception-v3 kishte saktësinë më të lartë të testimit prej afërsisht 72.1% ndërsa AlexNet kishte saktësinë më të ulët të testimit prej rreth 48.5%. Ndër modelet më të vogla të orientuara drejt celularit MobileNet-v2 kishte saktësinë më të lartë të testimit prej 62.5% ndërsa ShuffleNet kishte saktësinë më të ulët të testimit prej 58.1%.

MobileNet-v2 performoi dukshëm mirë kur klasifikoi imazhet e Brown-Spot, Leaf-Blast dhe gjethe të shëndetshme ndërsa bëri disa klasifikime të gabuara për Rajs Hispa me një saktësi prej vetëm 46.15%.

Inception-v3 tregoi rezultate të ngjashme klasifikimi si MobileNet-v2.

Hapi 6: Teste shtesë

Imazhi i mësipërm tregon se si modeli MobileNet-v2 keq klasifikon një imazh të një gjethe bari në një sfond të bardhë si Rajs Hispa.

Ne gjithashtu testuam saktësinë e MobileNet-v2 në imazhet e prera të Rajs Hispa ku sfondi i bardhë u minimizua në mënyrë që gjethet të zënë një sipërfaqe maksimale brenda imazhit. Për imazhet e prera të Rajs Hispa, ne vumë re një saktësi prej afërsisht 80.81% dmth. Për imazhet e prera të Rajs Hispa, ne vumë re një rritje të konsiderueshme në saktësinë e klasifikimit mbi mostrat e provës së pakapur. Prandaj, ne propozojmë që zbatimet në botën reale të zbulimit të sëmundjes së orizit duke përdorur rrjete nervore konvolucionale duhet të presin imazhet e provës për të hequr zhurmën e sfondit në mënyrë që të përmirësojnë saktësinë.