কিভাবে মেশিন লার্নিং ব্যবহার করে উদ্ভিদ রোগ সনাক্ত করা যায়: 6 টি ধাপ

2024 লেখক: John Day | [email protected]. সর্বশেষ পরিবর্তিত: 2024-01-30 08:00

রোগাক্রান্ত উদ্ভিদ সনাক্তকরণ এবং সনাক্তকরণের প্রক্রিয়াটি সর্বদা একটি ম্যানুয়াল এবং ক্লান্তিকর প্রক্রিয়া ছিল যার জন্য মানুষের উদ্ভিদের দেহটি চাক্ষুষভাবে পরিদর্শন করা প্রয়োজন যা প্রায়শই একটি ভুল রোগ নির্ণয়ের কারণ হতে পারে। এটিও পূর্বাভাস দেওয়া হয়েছে যে জলবায়ু পরিবর্তনের কারণে বৈশ্বিক আবহাওয়ার ধরনগুলি পরিবর্তিত হতে শুরু করলে ফসলের রোগগুলি আরও গুরুতর এবং ব্যাপক আকার ধারণ করতে পারে। অতএব, এমন সিস্টেমগুলি বিকাশ করা গুরুত্বপূর্ণ যা দ্রুত এবং সহজে ফসল বিশ্লেষণ করে এবং ফসলের আরও ক্ষতি সীমাবদ্ধ করার জন্য একটি নির্দিষ্ট রোগ চিহ্নিত করে।

এই নির্দেশনায়, আমরা রোগাক্রান্ত ধান গাছের চিত্রগুলিকে শ্রেণীবদ্ধ করার জন্য "ট্রান্সফার লার্নিং" নামে পরিচিত একটি মেশিন লার্নিং ধারণাটি অন্বেষণ করব। অন্য কোন ইমেজ শ্রেণিবিন্যাস সমস্যার জন্য একই পদ্ধতি পুনরায় ব্যবহার করা যেতে পারে।

ধাপ 1: ধানের রোগের ধরন

ধান প্রধানত এশিয়া, আফ্রিকা এবং দক্ষিণ আমেরিকা জুড়ে জন্মানো সবচেয়ে জনপ্রিয় খাদ্য ফসলের একটি কিন্তু বিভিন্ন ধরনের কীটপতঙ্গ এবং রোগের জন্য সংবেদনশীল। শারীরিক বৈশিষ্ট্য যেমন পাতার ডিকোলারাইজেশন ধান শস্যকে প্রভাবিত করতে পারে এমন বেশ কয়েকটি রোগ সনাক্ত করতে ব্যবহার করা যেতে পারে। উদাহরণস্বরূপ, ব্রাউন-স্পটের ক্ষেত্রে, একটি ছত্রাকজনিত রোগ যা পাতার প্রতিরক্ষামূলক আবরণকে প্রভাবিত করে, পাতাগুলি ধূসর কেন্দ্রগুলির সাথে বেশ কয়েকটি ছোট ডিম্বাকৃতি বাদামী দাগ দিয়ে আচ্ছাদিত থাকে, যখন লিফ-ব্লাস্টের ক্ষেত্রে পাতাগুলি আবৃত থাকে বড় বাদামী ক্ষত সহ। একইভাবে, ধান হিসপা কীট দ্বারা প্রভাবিত পাতাগুলি পাতার উপরিভাগে বিকশিত দীর্ঘ পথ চিহ্ন দ্বারা চিহ্নিত করা যায়।

পদক্ষেপ 2: পূর্ববর্তী পদ্ধতিগুলি কীভাবে রোগ সনাক্ত করে?

রোগনির্ভর উদ্ভিদ চিত্রগুলিকে স্বয়ংক্রিয়ভাবে শ্রেণীবদ্ধ করার জন্য পূর্বের পদ্ধতি যেমন [1] এ ব্যবহৃত নিয়ম-ভিত্তিক শ্রেণীবিভাগগুলি, প্রভাবিত এবং প্রভাবহীন অঞ্চলে পাতা ভাগ করার জন্য একটি নির্দিষ্ট নিয়মের উপর নির্ভর করে। বৈশিষ্ট্যগুলি বের করার কিছু নিয়মে প্রভাবিত এবং প্রভাবিত অঞ্চলের রঙের মধ্যে গড় এবং মান বিচ্যুতির পরিবর্তন পর্যবেক্ষণ করা জড়িত। আকৃতির বৈশিষ্ট্যগুলি বের করার নিয়মগুলি পৃথকভাবে প্রভাবিত অঞ্চলের উপরে বেশ কয়েকটি আদিম আকৃতি স্থাপন করা এবং প্রভাবিত অঞ্চলের সর্বাধিক এলাকা জুড়ে এমন আকৃতি চিহ্নিত করা জড়িত। একবার ছবিগুলি থেকে বৈশিষ্ট্যগুলি বের করা হলে, উদ্ভিদের প্রভাবিত রোগের উপর নির্ভর করে ছবিগুলিকে শ্রেণীবদ্ধ করার জন্য নির্দিষ্ট নিয়মের একটি সেট ব্যবহার করা হয়। এই ধরনের একটি শ্রেণীবদ্ধক এর প্রধান ত্রুটি হল যে এটি প্রতিটি রোগের জন্য বেশ কয়েকটি নির্দিষ্ট নিয়মের প্রয়োজন হবে যা পরিবর্তে এটি শোরগোল ডেটার জন্য সংবেদনশীল হতে পারে। উপরের ছবিগুলি দেখায় কিভাবে একটি নিয়ম ভিত্তিক সিদ্ধান্ত বৃক্ষ ইমেজকে দুটি অঞ্চলে ভাগ করতে ব্যবহার করা যেতে পারে।

1. সান্তানু ফাদিকর এট আল।, "বৈশিষ্ট্য নির্বাচন এবং নিয়ম প্রজন্মের কৌশল ব্যবহার করে ধানের রোগের শ্রেণীবিভাগ," কৃষিতে কম্পিউটার এবং ইলেকট্রনিক্স, ভলিউম। 90, জানুয়ারী 2013

ধাপ 3: ট্রান্সফার লার্নিং

এই ইন্সট্রাকটেবলে বর্ণিত ইমেজ ক্লাসিফিকেশন টেকনিক একটি সিএনএন এর মৌলিক কাঠামো ব্যবহার করে যা বেশ কয়েকটি কনভোলিউশনাল লেয়ার, একটি পুলিং লেয়ার এবং একটি চূড়ান্তভাবে সংযুক্ত লেয়ার নিয়ে গঠিত। কনভোলিউশনাল লেয়ারগুলি ফিল্টারের একটি সেট হিসাবে কাজ করে যা ছবির উচ্চ স্তরের বৈশিষ্ট্যগুলি বের করে। নিষ্কাশিত বৈশিষ্ট্যগুলির স্থানিক আকার কমাতে স্তরগুলিকে পুল করার জন্য ব্যবহৃত সাধারণ পদ্ধতিগুলির মধ্যে ম্যাক্স-পুলিং হল প্রতিটি স্তরের ওজন গণনার জন্য প্রয়োজনীয় গণনা শক্তি হ্রাস করা। অবশেষে, নিষ্কাশিত ডেটা একটি সম্পূর্ণ সংযুক্ত স্তর দিয়ে একটি সফটম্যাক্স অ্যাক্টিভেশন ফাংশন দিয়ে প্রেরণ করা হয় যা চিত্রের শ্রেণী নির্ধারণ করে।

কিন্তু শুরু থেকে কাস্টম সিএনএন প্রশিক্ষণ পছন্দসই ফলাফল তৈরি করতে পারে না এবং প্রশিক্ষণের সময় খুব দীর্ঘ হতে পারে।

প্রশিক্ষণ চিত্রের বৈশিষ্ট্যগুলি জানার জন্য, আমরা ট্রান্সফার লার্নিং নামে একটি পদ্ধতি ব্যবহার করি যেখানে একটি পূর্ব-প্রশিক্ষিত মডেলের 'শীর্ষ' স্তরগুলি সরানো হয় এবং স্তরগুলি প্রতিস্থাপন করা হয় যা প্রশিক্ষণ ডেটাসেটের জন্য নির্দিষ্ট বৈশিষ্ট্যগুলি শিখতে পারে। ট্রান্সফার লার্নিং প্রশিক্ষণের সময় কমিয়ে দেয় যখন এলোমেলোভাবে শুরু করা ওজন ব্যবহার করে এমন মডেলগুলির তুলনায়। আমাদের পদ্ধতি ছয়টি ভিন্ন প্রাক-প্রশিক্ষিত মডেল ব্যবহার করে, যেমন অ্যালেক্সনেট, গুগলনেট, রিসনেট -50, ইনসেপশন-ভি 3, শফলনেট এবং মোবাইলনেট-ভি 2।

ছবিটি GoogLeNet আর্কিটেকচার দেখায় যেখানে নীল কনভোলিউশনাল লেয়ারের জন্য ব্যবহৃত হয়, পুলিং লেয়ারের জন্য লাল, সফটম্যাক্স লেয়ারের জন্য হলুদ এবং কনক্যাট লেয়ারের জন্য সবুজ। আপনি এখানে একটি সিএনএন এর অভ্যন্তরীণ কাজ সম্পর্কে আরও জানতে পারেন।

ধান রোগের ডেটাসেটে সুস্থ ও রোগাক্রান্ত উভয় ধানের গাছের পাতার ছবি থাকে। ছবিগুলিকে চারটি ভিন্ন শ্রেণীতে ভাগ করা যায় যথা ব্রাউন-স্পট, রাইস হিস্পা, লিফ-ব্লাস্ট এবং স্বাস্থ্যকর। ডেটাসেটে 2092 টি ভিন্ন চিত্র রয়েছে যার প্রতিটি শ্রেণীর 523 টি চিত্র রয়েছে। প্রতিটি ছবিতে একটি সাদা পটভূমির বিপরীতে একটি একক সুস্থ বা রোগাক্রান্ত পাতা থাকে।

আমরা ইমেজ ডেটাসেটকে প্রশিক্ষণ, যাচাইকরণ এবং পরীক্ষার ইমেজ সেটে বিভক্ত করি। ওভারফিটিং প্রতিরোধ করার জন্য, আমরা প্রশিক্ষণ চিত্রগুলিকে স্কেলিং এবং ফ্লিপ করে প্রশিক্ষণ চিত্রগুলিকে বাড়িয়ে তুলি যাতে প্রশিক্ষণের নমুনার মোট সংখ্যা বৃদ্ধি পায়।

কোড এবং নির্ভরতা ওপেন সোর্স এবং এখানে পাওয়া যাবে: গিটহাব কোড

বিভিন্ন ইমেজ শ্রেণিবিন্যাস অ্যাপ্লিকেশনের জন্য, আমরা কেবল প্রশিক্ষণ ইমেজ ডেটাসেট পরিবর্তন করতে পারি।

ধাপ 4: মডেল প্রশিক্ষণ

প্রতিটি মডেলের জন্য প্রয়োজনীয় মেমরির আকারের উপর নির্ভর করে, প্রাক-প্রশিক্ষিত মডেলগুলিকে বড় এবং ছোট মডেলগুলিতে শ্রেণিবদ্ধ করা হয়। ছোট মডেলগুলি 15MB এর কম ব্যবহার করে এবং তাই মোবাইল অ্যাপ্লিকেশনগুলির জন্য আরও উপযুক্ত।

বড় মডেলগুলির মধ্যে, ইনসেপশন-ভি 3 এর প্রায় 140 মিনিট দীর্ঘতম প্রশিক্ষণ সময় ছিল যখন অ্যালেক্সনেটের প্রায় 18 মিনিটের সবচেয়ে ছোট প্রশিক্ষণের সময় ছিল। ছোট মোবাইল-ভিত্তিক মডেলগুলির মধ্যে, MobileNet-v2 এর দীর্ঘতম প্রশিক্ষণ সময় ছিল প্রায় 73 মিনিট যেখানে শফলনেটের প্রশিক্ষণের সময় ছিল প্রায় 38 মিনিট।

ধাপ 5: মডেল পরীক্ষা করা

বৃহত্তর মডেলগুলির মধ্যে, ইনসেপশন-ভি 3 এর সর্বোচ্চ 72.1% পরীক্ষার সর্বোচ্চ নির্ভুলতা ছিল, যেখানে অ্যালেক্সনেটের সর্বনিম্ন পরীক্ষার নির্ভুলতা ছিল প্রায় 48.5%। ছোট মোবাইল-ভিত্তিক মডেলগুলির মধ্যে MobileNet-v2- এর সর্বোচ্চ accuracy২.৫% পরীক্ষার নির্ভুলতা ছিল, যেখানে শফলনেটের সর্বনিম্ন পরীক্ষার নির্ভুলতা ছিল.1.১%।

ব্রাউন-স্পট, লিফ-ব্লাস্ট এবং স্বাস্থ্যকর পাতার চিত্রগুলিকে শ্রেণীবিন্যাস করার সময় MobileNet-v2 উল্লেখযোগ্যভাবে ভাল পারফর্ম করেছে যখন ধান হিস্পার জন্য মাত্র 46.15%নির্ভুলতার সাথে বেশ কয়েকটি ভুল শ্রেণীবিভাগ তৈরি করেছে।

ইনসেপশন-ভি 3 মোবাইলনেট-ভি 2 এর মতো একই শ্রেণীবিভাগের ফলাফল দেখিয়েছে।

ধাপ 6: অতিরিক্ত পরীক্ষা

উপরের ছবিটি দেখায় যে কিভাবে মোবাইলনেট-ভি 2 মডেলটি সাদা পটভূমির বিপরীতে ঘাসের পাতার একটি চিত্রকে ভাত হিস্পা হিসাবে ভুল শ্রেণীবদ্ধ করে।

আমরা রাইস হিস্পার ক্রপ করা ছবিগুলিতে মোবাইলনেট-ভি 2 এর নির্ভুলতা পরীক্ষা করেছি যেখানে সাদা পটভূমি এমনভাবে ছোট করা হয়েছিল যে পাতাটি ছবির মধ্যে সর্বাধিক এলাকা দখল করে। ধান হিস্পার ক্রপ করা ছবিগুলির জন্য, আমরা প্রায় 80.81% এর নির্ভুলতা পর্যবেক্ষণ করেছি অর্থাৎ ধান হিস্পার ক্রপ করা চিত্রগুলির জন্য, আমরা অব্যাহত পরীক্ষার নমুনার উপর শ্রেণিবিন্যাসের নির্ভুলতার উল্লেখযোগ্য বৃদ্ধি লক্ষ্য করেছি। অতএব, আমরা প্রস্তাব দিচ্ছি যে কনভোলিউশনাল নিউরাল নেটওয়ার্ক ব্যবহার করে ধানের রোগ শনাক্তকরণ বাস্তব বাস্তবায়নের জন্য সঠিক চিত্র উন্নত করতে ব্যাকগ্রাউন্ড গোলমাল দূর করার জন্য পরীক্ষার চিত্রগুলি ক্রপ করতে হবে।