Jinsi ya Kugundua Magonjwa ya Mimea Kutumia Ujifunzaji wa Mashine: Hatua 6

2024 Mwandishi: John Day | [email protected]. Mwisho uliobadilishwa: 2024-01-30 12:50

Mchakato wa kugundua na kutambua mimea yenye ugonjwa daima imekuwa mchakato wa mwongozo na wa kuchosha ambao unahitaji wanadamu kukagua mwili wa mmea ambao mara nyingi unaweza kusababisha utambuzi sahihi. Imetabiriwa pia kuwa kadri hali ya hali ya hewa ulimwenguni inavyoanza kutofautiana kwa sababu ya mabadiliko ya hali ya hewa, magonjwa ya mazao yanaweza kuwa makubwa na kuenea. Kwa hivyo, ni muhimu kukuza mifumo ambayo inachambua mazao haraka na kwa urahisi na kutambua ugonjwa fulani ili kupunguza uharibifu zaidi wa mazao.

Katika Agizo hili, tutachunguza dhana ya ujifunzaji wa mashine inayojulikana kama "Kuhamisha Jifunze" kuainisha picha za mimea ya mchele iliyo na magonjwa. Njia hiyo hiyo inaweza kurudiwa kwa shida nyingine yoyote ya uainishaji wa picha.

Hatua ya 1: Aina za Magonjwa ya Mchele

Mchele ni moja ya mazao maarufu ya chakula yanayolimwa zaidi kote Asia, Afrika na Amerika Kusini lakini hushambuliwa na wadudu na magonjwa anuwai. Tabia za mwili kama vile kupunguzwa kwa majani inaweza kutumika kutambua magonjwa kadhaa ambayo yanaweza kuathiri zao la mpunga. Kwa mfano, katika kesi ya Brown-Spot, ugonjwa wa kuvu ambao huathiri ala ya kinga ya majani, majani hufunikwa na madoa madogo madogo ya hudhurungi na vituo vya kijivu ambapo, kwa upande wa Leaf-Blast, majani hufunikwa na vidonda vikubwa vya hudhurungi. Vivyo hivyo, majani yaliyoathiriwa na wadudu wa Rice Hispa yanaweza kutambuliwa na alama ndefu za njia zinazoendelea juu ya uso wa jani.

Hatua ya 2: Je! Mbinu za awali ziligunduaje magonjwa?

Mbinu za awali za kuainisha kiotomatiki picha za mmea kama vile viainishaji vinavyotokana na sheria kama inavyotumiwa katika [1], tegemea kanuni zilizowekwa za kugawanya jani katika mikoa iliyoathiriwa na isiyoathiriwa. Baadhi ya sheria za kutoa huduma zinajumuisha kutazama mabadiliko katika kupunguka kwa wastani na wastani kati ya rangi ya mikoa iliyoathiriwa na isiyoathiriwa. Kanuni za kutoa vipengee vya umbo zinajumuisha moja kwa moja kuweka maumbo kadhaa ya zamani juu ya mkoa ulioathiriwa na kutambua sura inayofunika eneo la juu la mkoa ulioathirika. Mara baada ya huduma kutolewa kwenye picha, seti ya sheria zilizowekwa hutumiwa kuainisha picha kulingana na ugonjwa ambao unaweza kuwa umeathiri mmea. Kikwazo kikuu cha kitambulisho kama hicho ni kwamba itahitaji sheria kadhaa za kudumu kwa kila ugonjwa ambao kwa upande mwingine unaweza kuifanya iweze kupatikana kwa data zenye kelele. Picha zilizo hapo juu zinaonyesha jinsi mti wa uamuzi unaotegemea kanuni unaweza kutumiwa kugawanya picha hiyo katika mikoa miwili.

1. Santanu Phadikar et al., "Uainishaji wa magonjwa ya mpunga kwa kutumia uteuzi wa huduma na mbinu za kizazi cha utawala," Kompyuta na Elektroniki katika Kilimo, vol. 90, Januari 2013.

Hatua ya 3: Hamisha Kujifunza

Mbinu ya uainishaji wa picha iliyoelezewa katika Maagizo haya hutumia muundo wa kimsingi wa CNN ambao una tabaka kadhaa za kusuluhisha, safu ya kuunganika, na safu ya mwisho iliyounganishwa kikamilifu. Tabaka za kusuluhisha hufanya kama seti ya vichungi ambavyo huondoa sifa za kiwango cha juu cha picha hiyo. Kuunganisha Max ni moja wapo ya njia za kawaida zinazotumiwa katika tabaka za kuchanganua kupunguza saizi ya anga ya vipengee vilivyoondolewa na hivyo kupunguza nguvu ya hesabu inayohitajika kuhesabu uzani kwa kila safu. Mwishowe, data iliyoondolewa hupitishwa kupitia safu iliyounganishwa kikamilifu pamoja na kazi ya uanzishaji wa softmax ambayo huamua darasa la picha.

Lakini mafunzo ya CNN ya kawaida kutoka mwanzoni hayawezi kutoa matokeo yanayotarajiwa na inaweza kuwa na muda mrefu wa mafunzo.

Ili kujifunza sifa za picha za mafunzo, tunatumia njia iitwayo Kuhamisha Kujifunza ambapo tabaka za 'juu' za mtindo uliofunzwa awali huondolewa na kubadilishwa na matabaka ambayo yanaweza kujifunza huduma ambazo ni maalum kwa hifadhidata ya mafunzo. Kuhamisha ujifunzaji hupunguza wakati wa mafunzo ikilinganishwa na mifano ambayo hutumia uzani uliowekwa kwa nasibu. Njia yetu hutumia mifano sita tofauti ya mafunzo ya awali ambayo ni, AlexNet, GoogLeNet, ResNet-50, Kuanzishwa-v3, ShuffleNet na MobileNet-v2.

Picha hiyo inaonyesha usanifu wa GoogLeNet ambapo hudhurungi hutumiwa kwa tabaka za kushawishi, nyekundu kwa tabaka za kuchanganya, manjano kwa tabaka za laini na kijani kwa tabaka za concat. Unaweza kujifunza zaidi juu ya kazi ya ndani ya CNN hapa.

Dataset ya ugonjwa wa mchele ina picha za majani ya mimea ya mchele yenye afya na magonjwa. Picha zinaweza kugawanywa katika madarasa manne tofauti ambayo ni Brown-Spot, Rice Hispa, Blast-Least na Healthy. Hifadhidata ina picha 2092 tofauti na kila darasa lenye picha 523. Kila picha ina jani moja lenye afya au ugonjwa lililowekwa dhidi ya msingi mweupe.

Tunagawanya mkusanyiko wa picha kuwa seti ya mafunzo, uthibitishaji na upimaji wa picha. Ili kuzuia kupita kiasi, tunaongeza picha za mafunzo kwa kuongeza na kurusha picha za mafunzo ili kuongeza idadi ya sampuli za mafunzo.

Nambari na utegemezi ni chanzo wazi na inaweza kupatikana hapa: Msimbo wa GitHub

Kwa matumizi tofauti ya uainishaji wa picha, tunaweza kubadilisha tu mkusanyiko wa picha ya mafunzo.

Hatua ya 4: Kufundisha Mfano

Kulingana na saizi ya kumbukumbu inayohitajika na kila modeli, mifano iliyofunzwa mapema imegawanywa katika modeli kubwa na ndogo. Aina ndogo hutumia chini ya 15MB na kwa hivyo zinafaa zaidi kwa matumizi ya rununu.

Kati ya modeli kubwa, Inception-v3 ilikuwa na muda mrefu zaidi wa mafunzo wa takriban dakika 140 wakati AlexNet alikuwa na wakati mfupi zaidi wa mafunzo wa takriban dakika 18. Kati ya modeli ndogo zinazoelekezwa kwa rununu, MobileNet-v2 ilikuwa na muda mrefu zaidi wa mafunzo wa takriban dakika 73 wakati ShuffleNet ilikuwa na wakati mfupi zaidi wa mafunzo wa takriban dakika 38.

Hatua ya 5: Kupima Mfano

Kati ya modeli kubwa, Inception-v3 ilikuwa na usahihi wa juu zaidi wa upimaji wa takriban 72.1% wakati AlexNet alikuwa na usahihi wa chini kabisa wa upimaji wa takriban 48.5%. Miongoni mwa mifano ndogo inayoelekezwa kwa rununu MobileNet-v2 ilikuwa na usahihi wa juu zaidi wa upimaji wa 62.5% wakati ShuffleNet ilikuwa na usahihi wa chini kabisa wa upimaji wa 58.1%.

MobileNet-v2 ilifanya vizuri sana wakati wa kuainisha picha za Brown-Spot, Leaf-Blast na Healthy majani wakati ikifanya makosa kadhaa kwa Rice Hispa kwa usahihi wa 46.15% tu.

Kuanzishwa-v3 ilionyesha matokeo sawa ya uainishaji kama MobileNet-v2.

Hatua ya 6: Vipimo vya ziada

Picha hapo juu inaonyesha jinsi mfano wa MobileNet-v2 unavyosababisha picha ya jani la nyasi dhidi ya asili nyeupe kama Rice Hispa.

Tulijaribu pia usahihi wa MobileNet-v2 kwenye picha zilizopunguzwa za Mchele Hispa ambamo msingi mweupe ulipunguzwa hivi kwamba jani linachukua eneo la juu ndani ya picha. Kwa picha zilizopunguzwa za Mchele Hispa, tuliona usahihi wa takriban 80.81% k.v Kwa picha zilizopunguzwa za Mchele Hispa, tuliona ongezeko kubwa la usahihi wa uainishaji juu ya sampuli ambazo hazijakatwa. Kwa hivyo, tunapendekeza kwamba utekelezaji wa ulimwengu halisi wa kugundua ugonjwa wa mpunga ukitumia mitandao ya neva ya kushawishi lazima ipe picha za jaribio ili kuondoa kelele ya nyuma ili kuboresha usahihi.