Ինչպես հայտնաբերել բույսերի հիվանդությունները մեքենայական ուսուցման միջոցով. 6 քայլ

2024 Հեղինակ: John Day | [email protected]. Վերջին փոփոխված: 2024-01-30 09:47

Հիվանդ բույսերի հայտնաբերման և ճանաչման գործընթացը միշտ եղել է ձեռքով և հոգնեցուցիչ գործընթաց, որը պահանջում է մարդկանց տեսողական զննում բույսերի մարմինը, ինչը հաճախ կարող է հանգեցնել սխալ ախտորոշման: Նաև կանխատեսվել էր, որ կլիմայի փոփոխության պատճառով եղանակի գլոբալ ձևերը սկսում են տարբեր լինել, մշակաբույսերի հիվանդությունները, ամենայն հավանականությամբ, կդառնան ավելի սաստիկ և տարածված: Հետևաբար, կարևոր է մշակել համակարգեր, որոնք արագ և հեշտությամբ վերլուծում են բերքը և հայտնաբերում որոշակի հիվանդություն `բերքի հետագա վնասը սահմանափակելու համար:

Այս Ուղեցույցում մենք կուսումնասիրենք մեքենայական ուսուցման հայեցակարգը, որը հայտնի է որպես «Փոխանցման ուսուցում», որպեսզի դասակարգի հիվանդ բրնձի բույսերի պատկերները: Նույն մեթոդը կարող է կիրառվել պատկերի դասակարգման ցանկացած այլ խնդրի դեպքում:

Քայլ 1. Բրնձի հիվանդությունների տեսակները

Բրինձը ամենահայտնի հիմնական սննդամթերքն է, որն աճեցվում է հիմնականում Ասիայում, Աֆրիկայում և Հարավային Ամերիկայում, բայց ենթակա է տարբեր վնասատուների և հիվանդությունների: Ֆիզիկական բնութագրերը, ինչպիսիք են տերևների գունաթափումը, կարող են օգտագործվել մի քանի հիվանդությունների հայտնաբերման համար, որոնք կարող են ազդել բրնձի բերքի վրա: Օրինակ ՝ Brown-Spot- ի դեպքում, սնկային հիվանդություն, որը ազդում է տերևների պաշտպանիչ պատյանների վրա, տերևները ծածկված են մի քանի փոքր ձվաձև դարչնագույն բծերով ՝ մոխրագույն կենտրոններով, մինչդեռ Leaf-Blast- ի դեպքում տերևները ծածկված են ավելի մեծ շագանակագույն վնասվածքներով: Նմանապես, Rice Hispa վնասատուից տուժած տերևները կարող են ճանաչվել տերևի մակերևույթին զարգացող երկար հետքերի հետքերով:

Քայլ 2. Ինչպե՞ս էին մեթոդները հայտնաբերում հիվանդությունները:

Հիվանդ բույսերի պատկերների ավտոմատ դասակարգման համար, ինչպիսիք են կանոնների վրա հիմնված դասակարգիչները, ինչպես օգտագործվում են [1] -ում, հիմնվում են հաստատված կանոնների վրա ՝ տերևը բաժանելու տուժած և չազդված շրջանների: Առանձնահատկություններ քաղելու որոշ կանոններ ներառում են տուժած և չազդված շրջանների գույնի միջին և ստանդարտ շեղման փոփոխության դիտարկումը: Ձևի հատկանիշներ քաղելու կանոնները ներառում են տուժած տարածաշրջանի վերևում մի քանի պարզունակ ձևերի առանձին տեղադրումը և նույնականացնել այն ձևը, որն ընդգրկում է տուժած տարածքի առավելագույն տարածքը: Երբ պատկերները հանվում են պատկերներից, մի շարք հաստատված կանոններ են օգտագործվում `պատկերները դասակարգելու համար` կախված հիվանդությունից, որը կարող է ազդել բույսի վրա: Նման դասակարգիչի հիմնական թերությունն այն է, որ այն կպահանջի մի քանի հաստատուն կանոններ յուրաքանչյուր հիվանդության համար, որն իր հերթին կարող է ենթակա դարձնել աղմկոտ տվյալների: Վերոնշյալ պատկերները ցույց են տալիս, թե ինչպես կանոնների վրա հիմնված որոշումների ծառը կարող է օգտագործվել պատկերը երկու տարածաշրջանի բաժանելու համար:

1. Սանտանու Ֆադիկար և այլք, «Բրնձի հիվանդությունների դասակարգում ՝ օգտագործելով հատկությունների ընտրություն և կանոնների ստեղծման տեխնիկա», «Համակարգիչներ և էլեկտրոնիկա գյուղատնտեսությունում, հ. 90, 2013 թ. Հունվար:

Քայլ 3: Տեղափոխեք ուսումը

Սույն Հրահանգներում նկարագրված պատկերի դասակարգման տեխնիկան օգտագործում է CNN- ի հիմնական կառուցվածքը, որը բաղկացած է մի քանի կոնվոլյուցիոն շերտերից, համախմբման շերտից և վերջնական լիովին կապված շերտից: Համակողմանի շերտերը գործում են որպես ֆիլտրերի հավաքածու, որոնք արդյունահանում են պատկերի բարձր մակարդակի հատկանիշները: Առավելագույն համախմբումը շերտերի համակցման մեջ օգտագործվող սովորական մեթոդներից է `արդյունահանվող հատկանիշների տարածական չափը նվազեցնելու համար, դրանով իսկ նվազեցնելով յուրաքանչյուր շերտի կշիռները հաշվարկելու համար անհրաժեշտ հաշվարկային հզորությունը: Վերջապես, արդյունահանված տվյալները փոխանցվում են լիովին կապված շերտով, ինչպես նաև softmax ակտիվացման գործառույթով, որը որոշում է պատկերի դասը:

Բայց զրոյից սովորական CNN- եր պատրաստելը կարող է չտալ ցանկալի արդյունքներ և ունենալ երկար ուսուցման ժամանակ:

Ուսումնական պատկերների առանձնահատկությունները սովորելու համար մենք օգտագործում ենք մի մեթոդ, որը կոչվում է Transfer Learning, երբ նախապես պատրաստված մոդելի «վերին» շերտերը հանվում և փոխարինվում են շերտերով, որոնք կարող են սովորել վերապատրաստման տվյալների բազային հատուկ հատկանիշներ: Տրանսֆերային ուսուցումը նվազեցնում է ուսուցման ժամանակը `համեմատած այն մոդելների հետ, որոնք օգտագործում են պատահական սկզբնավորված կշիռներ: Մեր մեթոդը օգտագործում է վեց տարբեր նախապես պատրաստված մոդելներ `AlexNet, GoogLeNet, ResNet-50, Inception-v3, ShuffleNet և MobileNet-v2:

Պատկերը ցույց է տալիս GoogLeNet ճարտարապետությունը, որտեղ կապույտը օգտագործվում է կոնվոլյուցիոն շերտերի համար, կարմիրը `շերտերի միավորման համար, դեղինը` softmax շերտերի համար և կանաչը `գոգավոր շերտերի համար: CNN- ի ներքին աշխատանքի մասին ավելին կարող եք իմանալ այստեղ:

Բրնձի հիվանդության հավաքածուն բաղկացած է ինչպես առողջ, այնպես էլ հիվանդ բրնձի տերևների պատկերներից: Պատկերները կարելի է դասակարգել չորս տարբեր դասերի ՝ մասնավորապես ՝ Brown-Spot, Rice Hispa, Leaf-Blast և Healthy: Տվյալների հավաքածուն բաղկացած է 2092 տարբեր պատկերներից, որոնցից յուրաքանչյուրը պարունակում է 523 պատկեր: Յուրաքանչյուր պատկեր բաղկացած է մեկ առողջ կամ հիվանդ տերևից, որը տեղադրված է սպիտակ ֆոնի վրա:

Մենք պատկերի տվյալների բազան բաժանում ենք վերապատրաստման, վավերացման և պատկերների հավաքածուների: Չափազանց տեղավորումը կանխելու համար մենք ավելացնում ենք ուսուցման պատկերները `մասշտաբավորելով և շրջելով վերապատրաստման պատկերները` ավելացնելու ուսումնական նմուշների ընդհանուր թիվը:

Կոդը և կախվածությունը բաց են և կարող եք գտնել այստեղ ՝ GitHub Code

Պատկերների դասակարգման տարբեր ծրագրերի համար մենք կարող ենք պարզապես փոխել ուսուցման պատկերի տվյալների հավաքածուն:

Քայլ 4: Մոդելի ուսուցում

Կախված յուրաքանչյուր մոդելի պահանջվող հիշողության չափից ՝ նախապես պատրաստված մոդելները դասակարգվում են ավելի մեծ և փոքր մոդելների: Փոքր մոդելները սպառում են 15 ՄԲ -ից պակաս, ուստի ավելի հարմար են բջջային ծրագրերի համար:

Ավելի մեծ մոդելների շարքում Inception-v3- ն ուներ ամենաերկար ուսուցման ժամանակը `մոտ 140 րոպե, մինչդեռ AlexNet- ն ուներ ամենակարճ մարզումը` մոտ 18 րոպե: Փոքր բջջային կողմնորոշված մոդելների շարքում MobileNet-v2- ն ուներ ամենաերկար ուսուցման ժամանակը ՝ մոտ 73 րոպե, մինչդեռ ShuffleNet- ն ուներ ամենակարճ ուսուցման ժամանակը ՝ մոտ 38 րոպե:

Քայլ 5: Մոդելի փորձարկում

Ավելի մեծ մոդելների շարքում Inception-v3- ն ուներ փորձարկման ամենաբարձր ճշգրտությունը `մոտավորապես 72.1%, մինչդեռ AlexNet- ը` փորձարկման ամենացածր ճշգրտությունը `մոտ 48.5%: Փոքր բջջային ուղղված մոդելների շարքում MobileNet-v2- ն ուներ փորձարկման ամենաբարձր ճշտությունը ՝ 62.5%, մինչդեռ ShuffleNet- ը ՝ փորձարկման ամենացածր ճշտությունը ՝ 58.1%:

MobileNet-v2- ը զգալիորեն լավ կատարեց ՝ Brown-Spot, Leaf-Blast և Healthy տերևների պատկերները դասակարգելիս, մինչդեռ Rice Hispa- ի համար մի քանի սխալ դասակարգումներ կատարելով ՝ ընդամենը 46,15%ճշգրտությամբ:

Inception-v3- ը ցույց տվեց դասակարգման նման արդյունքներ, ինչպես MobileNet-v2- ը:

Քայլ 6: Լրացուցիչ թեստեր

Վերոնշյալ պատկերը ցույց է տալիս, թե ինչպես է MobileNet-v2 մոդելը սխալ դասակարգում խոտի տերևի պատկերը սպիտակ ֆոնի վրա, որպես Rice Hispa:

Մենք նաև փորձարկեցինք MobileNet-v2- ի ճշգրտությունը Rice Hispa- ի կտրված պատկերների վրա, որոնցում սպիտակ ֆոնը նվազագույնի հասցվեց այնպես, որ տերևը զբաղեցնի պատկերի առավելագույն տարածքը: Rice Hispa- ի կտրված պատկերների համար մենք դիտեցինք մոտավորապես 80.81% ճշգրտություն, այսինքն. Rice Hispa- ի կտրված պատկերների համար մենք նկատեցինք դասակարգման ճշգրտության զգալի աճ `չտրված փորձարկման նմուշների նկատմամբ: Հետևաբար, մենք առաջարկում ենք, որ բրնձի հիվանդության հայտնաբերման իրական միջոցները, օգտագործելով կոնվոլյուցիոն նյարդային ցանցերը, պետք է կտրեն փորձարկվող պատկերները `հեռացնելու ֆոնային աղմուկը` ճշգրտությունը բարձրացնելու համար: