نحوه تشخیص بیماریهای گیاهی با استفاده از یادگیری ماشین: 6 مرحله

2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:54

فرایند تشخیص و تشخیص گیاهان بیمار همواره یک فرایند دستی و خسته کننده بوده است که انسان را ملزم به بررسی بصری بدن گیاه می کند که اغلب منجر به تشخیص نادرست می شود. همچنین پیش بینی شده است که با تغییر الگوهای آب و هوایی جهانی به دلیل تغییرات آب و هوایی ، بیماری های محصول شدیدتر و گسترده تر می شود. بنابراین ، توسعه سیستم هایی که به سرعت و به آسانی محصولات را تجزیه و تحلیل می کنند و بیماری خاصی را شناسایی می کنند ، به منظور محدود کردن خسارت بیشتر محصول بسیار مهم است.

در این دستورالعمل ، ما یک مفهوم یادگیری ماشین به نام "آموزش انتقال" را برای طبقه بندی تصاویر گیاهان برنج بیمار بررسی می کنیم. همان روش را می توان برای هر مشکل طبقه بندی تصویر دیگر استفاده کرد.

مرحله 1: انواع بیماری های برنج

برنج یکی از محبوب ترین محصولات غذایی اصلی است که عمدتا در آسیا ، آفریقا و آمریکای جنوبی رشد می کند ، اما مستعد ابتلا به انواع آفات و بیماری ها است. از ویژگیهای فیزیکی مانند رنگ آمیزی برگها می توان برای شناسایی چندین بیماری که ممکن است محصول برنج را تحت تاثیر قرار دهد ، استفاده کرد. به عنوان مثال ، در مورد Brown-Spot ، یک بیماری قارچی که غلاف محافظ برگها را تحت تاثیر قرار می دهد ، برگها با چند لکه قهوه ای بیضی شکل کوچک با مرکز خاکستری پوشانده شده اند ، در حالی که در مورد Leaf-Blast ، برگها پوشیده شده اند. با ضایعات قهوه ای بزرگتر به طور مشابه ، برگهای آسیب دیده از آفت برنج Hispa را می توان با علائم دنباله طولانی که بر روی سطح برگ ایجاد می شود ، شناسایی کرد.

مرحله 2: روشهای قبلی چگونه بیماریها را تشخیص می دادند؟

روشهای قبلی برای طبقه بندی خودکار تصاویر گیاهان بیمار مانند طبقه بندی کننده های مبتنی بر قوانین که در [1] استفاده می شود ، بر مجموعه ای از قوانین تکیه می کند تا برگ را به مناطق آسیب دیده و بدون تأثیر تقسیم کند. برخی از قوانین برای استخراج ویژگی ها شامل مشاهده تغییر در میانگین و انحراف استاندارد بین رنگ مناطق آسیب دیده و بی تاثیر است. قوانین استخراج ویژگی های شکل شامل قرار دادن چند شکل اولیه در بالای منطقه آسیب دیده و شناسایی شکلی است که حداکثر مساحت منطقه آسیب دیده را پوشش می دهد. پس از استخراج ویژگی ها از تصاویر ، مجموعه ای از قوانین ثابت برای طبقه بندی تصاویر بسته به بیماری که ممکن است بر گیاه تأثیر گذاشته باشد ، استفاده می شود. اشکال اصلی چنین طبقه بندی کننده این است که برای هر بیماری به چندین قانون ثابت نیاز دارد که به نوبه خود می تواند آن را مستعد داده های پر سر و صدا کند. تصاویر بالا نشان می دهد که چگونه می توان از درخت تصمیم گیری مبتنی بر قانون برای تقسیم تصویر به دو منطقه استفاده کرد.

1. سانتانو فادیکار و همکاران ، "طبقه بندی بیماریهای برنج با استفاده از ویژگی های انتخاب ویژگی و ایجاد قوانین ،" کامپیوترها و الکترونیک در کشاورزی ، جلد. 90 ، ژانویه 2013.

مرحله 3: انتقال یادگیری

تکنیک طبقه بندی تصویر توصیف شده در این دستورالعمل از ساختار اساسی یک CNN استفاده می کند که از چندین لایه متحرک ، یک لایه جمع کننده و یک لایه نهایی کاملاً متصل تشکیل شده است. لایه های کانولوشن مانند مجموعه ای از فیلترها هستند که ویژگی های سطح بالای تصویر را استخراج می کنند. تجمع حداکثر یکی از روشهای متداول است که در ترکیب لایه ها برای کاهش اندازه فضایی ویژگی های استخراج شده استفاده می شود و در نتیجه قدرت محاسبه مورد نیاز برای محاسبه وزن هر لایه را کاهش می دهد. در نهایت ، داده های استخراج شده از طریق یک لایه کاملاً متصل به همراه یک تابع فعال سازی softmax که کلاس تصویر را تعیین می کند ، منتقل می شود.

اما آموزش CNN های سفارشی از ابتدا ممکن است نتایج مطلوبی را ایجاد نکند و ممکن است زمان تمرین بسیار طولانی داشته باشد.

به منظور یادگیری ویژگی های تصاویر آموزشی ، ما از روشی به نام یادگیری انتقال استفاده می کنیم که در آن لایه های "بالای" مدل از پیش آموزش دیده حذف می شوند و با لایه هایی جایگزین می شوند که می توانند ویژگی های خاص مجموعه داده آموزشی را بیاموزند. یادگیری انتقالی زمان تمرین را در مقایسه با مدل هایی که از وزنه های تصادفی اولیه استفاده می کنند ، کاهش می دهد. روش ما از شش مدل مختلف از پیش آموزش دیده یعنی AlexNet ، GoogLeNet ، ResNet-50 ، Inception-v3 ، ShuffleNet و MobileNet-v2 استفاده می کند.

تصویر معماری GoogLeNet را نشان می دهد که در آن از رنگ آبی برای لایه های کانولوشن ، قرمز برای ترکیب لایه ها ، زرد برای لایه های softmax و سبز برای لایه های concat استفاده می شود. در اینجا می توانید درباره عملکرد داخلی CNN بیشتر بیاموزید.

مجموعه داده بیماری برنج شامل تصاویری از برگ های گیاهان برنج سالم و بیمار است. تصاویر را می توان در چهار کلاس مختلف قهوه ای-خال ، رایس هیسپا ، لیف-بلاست و سالم طبقه بندی کرد. مجموعه داده شامل 2092 تصویر مختلف است که هر کلاس شامل 523 تصویر است. هر تصویر شامل یک برگ سالم یا بیمار است که در پس زمینه سفید قرار گرفته است.

ما مجموعه داده تصویر را به آموزش ، اعتبارسنجی و آزمایش مجموعه های تصویر تقسیم می کنیم. برای جلوگیری از برازش بیش از حد ، تصاویر آموزش را با مقیاس بندی و چرخاندن تصاویر آموزشی افزایش می دهیم تا تعداد کل نمونه های آموزشی افزایش یابد.

کد و وابستگی ها منبع باز هستند و می توانید آنها را در اینجا پیدا کنید: GitHub Code

برای برنامه های مختلف طبقه بندی تصویر ، می توان مجموعه داده تصویر آموزشی را به سادگی تغییر داد.

مرحله 4: آموزش مدل

بسته به اندازه حافظه مورد نیاز هر مدل ، مدلهای از پیش آموزش داده شده به مدلهای بزرگتر و کوچکتر طبقه بندی می شوند. مدل های کوچکتر کمتر از 15 مگابایت مصرف می کنند و بنابراین برای برنامه های تلفن همراه مناسب تر است.

در بین مدلهای بزرگتر ، Inception-v3 بیشترین زمان تمرین را تقریبا 140 دقیقه و AlexNet کوتاهترین زمان تمرین را تقریباً 18 دقیقه داشت. در بین مدلهای کوچکتر تلفن همراه ، MobileNet-v2 بیشترین زمان آموزش را تقریبا 73 دقیقه و ShuffleNet کوتاهترین زمان تمرین را تقریباً 38 دقیقه داشت.

مرحله 5: آزمایش مدل

در بین مدلهای بزرگتر ، Inception-v3 دارای بالاترین دقت تست حدود 72.1 where بود در حالی که AlexNet کمترین دقت تست را تقریباً 48.5 داشت. در بین مدلهای کوچکتر موبایل گرا ، MobileNet-v2 دارای بالاترین دقت آزمایش 62.5 where و ShuffleNet کمترین دقت تست را 58.1 داشت.

MobileNet-v2 هنگام طبقه بندی تصاویر Brown-Spot ، Leaf-Blast و برگهای سالم به طور قابل توجهی عملکرد خوبی داشت در حالی که چندین طبقه بندی اشتباه برای Rice Hispa با دقت تنها 46.15 انجام داد.

Inception-v3 نتایج طبقه بندی مشابه MobileNet-v2 را نشان داد.

مرحله 6: آزمایشات اضافی

تصویر بالا نشان می دهد که چگونه مدل MobileNet-v2 تصویری از یک برگ چمن را در پس زمینه سفید به عنوان Rice Hispa طبقه بندی اشتباه می کند.

ما همچنین صحت MobileNet-v2 را بر روی تصاویر بریده شده از Rice Hispa آزمایش کردیم که در آن زمینه سفید به حداقل می رسید به طوری که برگ حداکثر مساحت تصویر را اشغال می کرد. برای تصاویر بریده شده از Rice Hispa ، ما دقت 80.81 observed را مشاهده کردیم ، یعنی برای تصاویر بریده از Rice Hispa ، ما افزایش قابل توجهی در دقت طبقه بندی نسبت به نمونه های آزمایشی بدون برش مشاهده کردیم. بنابراین ، ما پیشنهاد می کنیم که پیاده سازی های واقعی تشخیص بیماری برنج با استفاده از شبکه های عصبی کانولوشن باید تصاویر را برای حذف نویز پس زمینه به منظور افزایش دقت برش دهند.