Mashinani o'rganish yordamida o'simlik kasalliklarini qanday aniqlash mumkin: 6 qadam

2024 Muallif: John Day | [email protected]. Oxirgi o'zgartirilgan: 2024-01-30 13:24

Kasal o'simliklarni aniqlash va tanib olish jarayoni har doim qo'lda va zerikarli jarayon bo'lib kelgan, bu odamlardan o'simlik tanasini vizual tekshirishni talab qiladi, bu ko'pincha noto'g'ri tashxis qo'yishga olib kelishi mumkin. Iqlim o'zgarishi tufayli global ob -havo sharoiti o'zgara boshlagach, ekinlar kasalliklari yanada og'irlashib, keng tarqalishi taxmin qilinmoqda. Shunday qilib, hosilni keyingi zararlanishini cheklash uchun ekinlarni tez va oson tahlil qiladigan va ma'lum bir kasallikni aniqlaydigan tizimlarni ishlab chiqish muhim ahamiyatga ega.

Bu yo'riqnomada biz kasallangan guruch o'simliklari tasvirlarini tasniflash uchun "Transfer Learning" deb nomlanuvchi mashinani o'rganish kontseptsiyasini o'rganamiz. Xuddi shu usul tasvirni tasniflashning boshqa muammolari uchun ham qayta ishlatilishi mumkin.

1 -qadam: Guruch kasalliklarining turlari

Guruch asosan Osiyo, Afrika va Janubiy Amerikada etishtiriladigan asosiy oziq -ovqat ekinlaridan biri hisoblanadi, lekin turli zararkunandalar va kasalliklarga moyil. Barglarning rangsizlanishi kabi jismoniy xususiyatlar sholi hosiliga ta'sir etishi mumkin bo'lgan bir qancha kasalliklarni aniqlash uchun ishlatilishi mumkin. Masalan, barglarning himoya qobig'iga ta'sir qiladigan qo'ziqorin kasalligi bo'lgan "Brown-Spot" holatida, barglari kulrang markazlari bo'lgan bir nechta mayda-oval jigarrang dog'lar bilan qoplangan, barg-portlashda esa barglar qoplangan. katta jigarrang yaralar bilan. Xuddi shunday, Rays Hispa zararkunandalaridan zararlangan barglarni barg yuzasida paydo bo'ladigan uzun iz izlari bilan aniqlash mumkin.

2 -qadam: Oldingi usullar kasalliklarni qanday aniqladi?

[1] da ishlatilgan qoidalarga asoslangan tasniflagichlar kabi kasal o'simlik tasvirlarini avtomatik tasniflashning oldingi usullari, bargni ta'sirlangan va ta'sirlanmagan hududlarga ajratish uchun belgilangan qoidalarga asoslanadi. Xususiyatlarni ajratish qoidalaridan ba'zilari ta'sirlangan va ta'sirlanmagan hududlarning rangi o'rtasidagi o'rtacha va standart og'ishning o'zgarishini kuzatishni o'z ichiga oladi. Shakl xususiyatlarini ajratish qoidalari zararlangan hududning tepasiga individual ravishda bir nechta ibtidoiy shakllarni qo'yishni va zararlangan hududning maksimal maydonini qamrab oladigan shaklni aniqlashni o'z ichiga oladi. Rasmlardan xususiyatlar chiqarilgandan so'ng, o'simlikka ta'sir qilishi mumkin bo'lgan kasalliklarga qarab tasvirlarni tasniflash uchun bir qator qat'iy qoidalar qo'llaniladi. Bunday tasniflagichning asosiy kamchiligi shundaki, u har bir kasallik uchun bir nechta qat'iy qoidalarni talab qiladi, bu esa uni shovqinli ma'lumotlarga sezgir qiladi. Yuqoridagi rasmlar rasmni ikkita mintaqaga ajratish uchun qanday qoidalarga asoslangan qaror daraxtidan foydalanish mumkinligini ko'rsatadi.

1. Santanu Phadikar va boshqalar, "Xususiyatlarni tanlash va qoidalar yaratish texnikasidan foydalangan holda guruch kasalliklari tasnifi", Qishloq xo'jaligidagi kompyuterlar va elektronika, vol. 90, 2013 yil yanvar.

3 -qadam: Ta'limni uzatish

Ushbu yo'riqnomada tasvirlangan tasvirni tasniflash texnikasi bir nechta konvolyutsion qatlamlar, birlashtiruvchi qatlam va oxirgi to'liq bog'langan qatlamdan iborat CNNning asosiy tuzilishini qo'llaydi. Konvolyutsion qatlamlar tasvirning yuqori darajadagi xususiyatlarini chiqaradigan filtrlar to'plami vazifasini bajaradi. Max-hovuz-bu qatlamlarni birlashtirishda ishlatilgan keng tarqalgan usullardan biri, bu ajratilgan xususiyatlarning fazoviy hajmini kamaytirish va shu bilan har bir qatlam uchun og'irliklarni hisoblash uchun zarur bo'lgan hisoblash quvvatini kamaytirishdir. Nihoyat, olingan ma'lumotlar rasmning sinfini belgilaydigan softmax faollashtirish funktsiyasi bilan birga to'liq bog'langan qatlam orqali uzatiladi.

Ammo noan'anaviy CNN -larni o'rgatish istalgan natijani bermasligi va mashg'ulot uchun juda uzoq vaqt bo'lishi mumkin.

Mashg'ulot tasvirlarining xususiyatlarini o'rganish uchun biz "Transfer Learning" usulidan foydalanamiz, bunda oldindan o'qitilgan modelning "yuqori" qatlamlari olib tashlanadi va uning o'rniga o'quv majmuasiga xos bo'lgan xususiyatlarni o'rganadigan qatlamlar qo'yiladi. Tasodifiy boshlang'ich og'irliklarni ishlatadigan modellar bilan taqqoslaganda, transferli o'qitish mashg'ulot vaqtini qisqartiradi. Bizning usulda oltita oldindan o'qitilgan modellar ishlatiladi, ya'ni AlexNet, GoogLeNet, ResNet-50, Inception-v3, ShuffleNet va MobileNet-v2.

Rasm GoogLeNet arxitekturasini aks ettiradi, bu erda ko'k rang konvolyutsion qatlamlar uchun, qizil qatlamlar qatlamlari uchun, softmax qatlamlari uchun sariq rang va kontsent qatlamlar uchun yashil rang ishlatiladi. Bu erda CNNning ichki ishi haqida ko'proq bilib olishingiz mumkin.

Guruch kasalligi to'g'risidagi ma'lumotlar to'plami sog'lom va kasal guruch o'simliklarining barglari tasvirlaridan iborat. Rasmlarni to'rt xil sinfga bo'lish mumkin: Brown-Spot, Rice Hispa, Leaf-Blast va Healthy. Ma'lumotlar to'plami 2092 xil tasvirdan iborat bo'lib, har bir sinfda 523 ta rasm mavjud. Har bir tasvir oq fonga qo'yilgan bitta sog'lom yoki kasal bargdan iborat.

Biz tasvirlar majmuasini o'qitish, tekshirish va tasvirlar to'plamiga ajratamiz. Haddan tashqari yuklanishning oldini olish uchun biz o'quv rasmlarini masshtab va teskari aylantirish orqali mashg'ulot namunalarining umumiy sonini ko'paytirish orqali kuchaytiramiz.

Kod va bog'liqliklar ochiq manba bo'lib, ularni bu erda topish mumkin: GitHub kodi

Tasvirlarni tasniflashning turli xil ilovalari uchun biz faqat o'quv rasmlari to'plamini o'zgartirishimiz mumkin.

4 -qadam: modelni o'rgatish

Har bir model uchun zarur bo'lgan xotira hajmiga qarab, oldindan tayyorlangan modellar katta va kichik modellarga bo'linadi. Kichik modellar 15 MB dan kam iste'mol qiladi va shuning uchun mobil ilovalar uchun yaxshiroq mos keladi.

Kattaroq modellar orasida Inception-v3 eng uzoq mashg'ulot vaqtini taxminan 140 minutni tashkil qilgan bo'lsa, AleksNetda eng qisqa mashg'ulot vaqti taxminan 18 minut bo'lgan. Kichikroq mobilga yo'naltirilgan modellar orasida MobileNet-v2 eng uzoq mashg'ulot vaqtini taxminan 73 minutni tashkil qilgan bo'lsa, ShuffleNet eng qisqa mashg'ulot vaqtini taxminan 38 minutni tashkil qilgan.

5 -qadam: modelni sinovdan o'tkazish

Kattaroq modellar orasida Inception-v3 eng yuqori sinov aniqligiga ega-taxminan 72,1%, AlexNet-eng past test aniqligi-taxminan 48,5%. Kichikroq mobilga yo'naltirilgan modellar orasida MobileNet-v2 eng yuqori sinov aniqligiga 62,5%, shu bilan birga ShuffleNet 58,1% eng past aniqlikka ega edi.

MobileNet-v2 Brown-Spot, Leaf-Blast va Healthy barglari tasvirlarini tasniflashda ancha yaxshi ishladi, shu bilan birga Rays Hispa uchun atigi 46,15%aniqlikdagi noto'g'ri tasniflar berdi.

Inception-v3 MobileNet-v2 kabi o'xshash tasnif natijalarini ko'rsatdi.

6 -qadam: Qo'shimcha testlar

Yuqoridagi rasmda MobileNet-v2 modeli oq fonda o't bargining tasvirini Rays Hispa deb noto'g'ri tasniflagani ko'rsatilgan.

Biz, shuningdek, MobileNet-v2 ning aniqligini Rays Hispaning kesilgan rasmlarida sinab ko'rdik, u erda oq fon minimallashtirildi, shunda barg tasvirning maksimal maydonini egallaydi. Rays Hispaning kesilgan tasvirlari uchun biz taxminan 80,81% aniqlikni aniqladik, ya'ni Rays Hispaning kesilgan tasvirlari uchun biz kesilmagan test namunalari bo'yicha tasniflash aniqligini sezilarli darajada oshganini kuzatdik. Shunday qilib, biz konvulsion neyron tarmoqlar yordamida guruch kasalligini aniqlashning real amaliyotida aniqlikni yaxshilash uchun fon shovqinini olib tashlash uchun test rasmlarini kesib tashlashni taklif qilamiz.