Maşın öyrənmədən istifadə edərək bitki xəstəliklərini necə aşkar etmək olar: 6 addım

2025 Müəllif: John Day | [email protected]. Son dəyişdirildi: 2025-01-23 12:54

Xəstələnmiş bitkilərin aşkarlanması və tanınması prosesi həmişə insanları bitki bədənini vizual olaraq yoxlamağı tələb edən əllə və yorucu bir proses olmuşdur ki, bu da tez -tez səhv diaqnoz qoyulmasına səbəb ola bilər. Qlobal hava şəraitinin iqlim dəyişikliyi səbəbindən dəyişməyə başladığı üçün məhsul xəstəliklərinin daha şiddətli və daha geniş yayılacağı da proqnozlaşdırılır. Məhsulun daha çox zərər görməsini məhdudlaşdırmaq üçün bitkiləri tez və asanlıqla təhlil edən və müəyyən bir xəstəliyi müəyyən edən sistemlərin hazırlanması vacibdir.

Bu Təlimat kitabında, xəstə düyü bitkilərinin şəkillərini təsnif etmək üçün "Transfer Öyrənmə" olaraq bilinən bir maşın öyrənmə konsepsiyasını araşdıracağıq. Eyni üsul, hər hansı digər görüntü təsnifatı problemi üçün yenidən təyin edilə bilər.

Addım 1: Düyü Xəstəliklərinin Növləri

Düyü, əsasən Asiya, Afrika və Cənubi Amerikada yetişdirilən ən populyar qida məhsullarından biridir, lakin müxtəlif zərərvericilərə və xəstəliklərə həssasdır. Yarpaqların rəngsizləşməsi kimi fiziki xüsusiyyətlər düyü məhsulunu təsir edə biləcək bir neçə xəstəliyi müəyyən etmək üçün istifadə edilə bilər. Məsələn, yarpaqların qoruyucu qabığını təsir edən göbələk xəstəliyi olan Brown-Spot vəziyyətində, yarpaqlar boz mərkəzləri olan bir neçə kiçik oval qəhvəyi ləkə ilə örtülür, Leaf-Blast vəziyyətində isə yarpaqlar örtülür. daha böyük qəhvəyi lezyonlarla. Eyni şəkildə, Rice Hispa zərərvericisindən təsirlənən yarpaqlar, yarpağın səthində əmələ gələn uzun cığır izləri ilə müəyyən edilə bilər.

Addım 2: Əvvəlki üsullar xəstəlikləri necə aşkar etdi?

[1] -də istifadə edildiyi kimi qayda əsaslı təsnifatçılar kimi xəstə bitki şəkillərini avtomatik olaraq təsnif etmək üçün əvvəlki üsullar, yarpağı təsirlənmiş və təsirlənməmiş bölgələrə bölmək üçün müəyyən qaydalara əsaslanır. Xüsusiyyətləri çıxarmaq üçün bəzi qaydalar, təsirlənmiş və təsirlənməmiş bölgələrin rəngi arasındakı ortalama və standart sapmanın dəyişməsini müşahidə etməyi əhatə edir. Forma xüsusiyyətlərini çıxarmaq qaydaları, fərdi olaraq təsirlənmiş bölgənin üstünə bir neçə ibtidai forma qoymağı və təsirlənmiş bölgənin maksimum sahəsini əhatə edən formanın müəyyənləşdirilməsini əhatə edir. Şəkillərdən xüsusiyyətlər çıxarıldıqdan sonra, bitkiyə təsir edə biləcək xəstəliyə görə şəkilləri təsnif etmək üçün bir sıra sabit qaydalar istifadə olunur. Belə bir təsnifatın əsas çatışmazlığı, hər bir xəstəlik üçün bir neçə sabit qaydalar tələb etməsidir ki, bu da onu səs -küylü məlumatlara həssas edir. Yuxarıdakı şəkillər, görüntünü iki bölgəyə bölmək üçün qayda əsaslı bir qərar ağacının necə istifadə olunacağını göstərir.

1. Santanu Phadikar və digərləri, "Xüsusiyyət seçimi və qayda istehsal üsullarından istifadə edərək düyü xəstəliklərinin təsnifatı", Kənd təsərrüfatında kompüterlər və elektronika, cild. 90, Yanvar 2013.

Addım 3: Transfer Öyrənmə

Bu Təlimatlarda təsvir olunan təsvir təsnifatı texnikası, bir neçə konvolusional təbəqədən, bir birləşmə qatından və son tamamilə bağlı bir qatdan ibarət olan CNN -in əsas quruluşundan istifadə edir. Qıvrımlı təbəqələr, görüntünün yüksək səviyyəli xüsusiyyətlərini çıxaran bir sıra filtrlər rolunu oynayır. Max-pooling, çıxarılan xüsusiyyətlərin məkan ölçüsünü azaltmaq və beləliklə hər bir təbəqə üçün çəkilərin hesablanması üçün lazım olan hesablama gücünü azaltmaq üçün qatların birləşdirilməsində istifadə olunan ümumi üsullardan biridir. Nəhayət, çıxarılan məlumatlar görüntünün sinifini təyin edən softmax aktivləşdirmə funksiyası ilə birlikdə tam bağlı bir təbəqədən keçir.

Ancaq xüsusi CNN -ləri sıfırdan hazırlamaq istənilən nəticəni verməyə bilər və çox uzun bir məşq müddətinə sahib ola bilər.

Təlim şəkillərinin xüsusiyyətlərini öyrənmək üçün əvvəlcədən öyrədilmiş modelin 'üst' təbəqələrinin çıxarılıb təlim dəstinə xas olan xüsusiyyətləri öyrənə biləcək qatlarla əvəz edildiyi Transfer Learning adlı bir üsuldan istifadə edirik. Transfer təhsili, təsadüfi başlanğıc çəkilərdən istifadə edən modellərlə müqayisədə təlim müddətini azaldır. Metodumuz AlexNet, GoogLeNet, ResNet-50, Inception-v3, ShuffleNet və MobileNet-v2 kimi altı fərqli əvvəlcədən öyrədilmiş modeldən istifadə edir.

Şəkil, qıvrımlı təbəqələr üçün mavi, qatları birləşdirmək üçün qırmızı, yumşaq təbəqələr üçün sarı, sıxılmış təbəqələr üçün yaşıl rənglərin istifadə edildiyi GoogLeNet arxitekturasını göstərir. Burada CNN -in daxili işi haqqında daha çox məlumat əldə edə bilərsiniz.

Düyü xəstəliyi məlumat bazası həm sağlam, həm də xəstə düyü bitkilərinin yarpaqlarının şəkillərindən ibarətdir. Görüntülər Brown-Spot, Rice Hispa, Leaf-Blast və Healthy olmaqla dörd fərqli sinfə bölünə bilər. Veri dəsti, hər sinifdə 523 şəkil olan 2092 fərqli şəkildən ibarətdir. Hər bir şəkil ağ bir fonda yerləşdirilmiş sağlam və ya xəstə bir yarpaqdan ibarətdir.

Şəkil dəstini təlim, doğrulama və sınaq dəstlərinə ayırırıq. Təlim nümunələrinin ümumi sayını artırmaq üçün həddindən artıq uyğunlaşmanın qarşısını almaq üçün təlim görüntülərini ölçüsünü dəyişərək çevirərək təlim şəkillərini artırırıq.

Kod və asılılıqlar açıq mənbəyidir və burada tapa bilərsiniz: GitHub Kodu

Fərqli görüntü təsnifatı tətbiqləri üçün, sadəcə, təlim şəkil məlumatlarını dəyişə bilərik.

Addım 4: Modeli öyrətmək

Hər bir modelin tələb etdiyi yaddaş ölçüsündən asılı olaraq əvvəlcədən öyrədilmiş modellər daha böyük və kiçik modellərə bölünür. Kiçik modellər 15 MB -dan az istehlak edir və buna görə də mobil tətbiqlər üçün daha uyğundur.

Daha böyük modellər arasında, Inception-v3 təxminən 140 dəqiqə ən uzun məşq müddətinə sahib idi, AlexNet isə ən qısa məşq müddəti təxminən 18 dəqiqə idi. Kiçik mobil yönümlü modellər arasında, MobileNet-v2 ən uzun məşq müddətinə təxminən 73 dəqiqə, ShuffleNet isə ən qısa təlim müddətinə təxminən 38 dəqiqə malik idi.

Addım 5: Modelin sınanması

Daha böyük modellər arasında, Inception-v3 ən yüksək test dəqiqliyinə təxminən 72.1%, AlexNet isə ən aşağı test dəqiqliyinə təxminən 48.5% sahib idi. Kiçik mobil yönümlü modellər arasında MobileNet-v2 ən yüksək test dəqiqliyinə 62.5%, ShuffleNet isə ən aşağı test dəqiqliyinə 58.1% malik idi.

MobileNet-v2, yalnız 46,15%dəqiqliklə Rice Hispa üçün bir neçə səhv təsnifat edərkən, Brown-Spot, Leaf-Blast və Healthy yapraklarının şəkillərini təsnif edərkən əhəmiyyətli dərəcədə yaxşı performans göstərdi.

Inception-v3, MobileNet-v2 kimi oxşar təsnifat nəticələrini göstərdi.

Addım 6: Əlavə testlər

Yuxarıdakı şəkil, MobileNet-v2 modelinin ağ bir fonda bir ot yarpağı görüntüsünü Rice Hispa olaraq necə səhv təsnif etdiyini göstərir.

Ağ fonun minimuma endirildiyi Rice Hispa'nın kəsilmiş şəkillərində MobileNet-v2-nin doğruluğunu da sınadıq, beləliklə yarpaq şəkil içərisində maksimum bir sahəni tutur. Rice Hispa'nın kəsilmiş şəkilləri üçün təxminən 80.81% bir dəqiqlik müşahidə etdik, yəni Rice Hispa'nın kəsilmiş şəkilləri üçün, kəsilməmiş test nümunələri üzərində təsnifat dəqiqliyində əhəmiyyətli bir artım müşahidə etdik. Bu səbəbdən, konvulsion sinir şəbəkələri istifadə edərək, düyü xəstəliyinin aşkarlanmasının real dünya tətbiqlərinin, dəqiqliyi artırmaq üçün arxa fon səs-küyünü aradan qaldırmaq üçün test şəkillərini kəsməsini təklif edirik.