Machine Learning көмегімен өсімдік ауруларын қалай анықтауға болады: 6 қадам

2024 Автор: John Day | [email protected]. Соңғы өзгертілген: 2024-01-30 10:24

Ауру өсімдіктерді анықтау және тану процесі әрқашан қолмен және жалықтыратын процесс болды, ол адамдардан өсімдіктердің денесін визуалды түрде тексеруді талап етеді, бұл көбінесе дұрыс емес диагнозға әкелуі мүмкін. Сондай -ақ, климаттың өзгеруіне байланысты ғаламдық ауа райы өзгере бастағанда, өсімдік аурулары күшейіп, кең таралуы мүмкін деп болжанған. Демек, дақылдардың одан әрі зақымдануын шектеу үшін дақылдарды тез және оңай талдайтын және белгілі бір ауруды анықтайтын жүйелерді құру маңызды.

Бұл нұсқаулықта біз аурудың күріш өсімдіктерінің суреттерін жіктеу үшін «Трансферлік оқыту» деп аталатын машиналық оқыту тұжырымдамасын зерттейміз. Дәл сол әдісті кез келген басқа кескінді жіктеу мәселесі үшін қолдануға болады.

1 -қадам: Күріш ауруларының түрлері

Күріш - Азияда, Африкада және Оңтүстік Америкада өсірілетін негізгі тағамдық дақылдардың бірі, бірақ зиянкестер мен ауруларға бейім. Жапырақтың түссізденуі сияқты физикалық сипаттамалар күріш дақылына әсер етуі мүмкін бірнеше ауруларды анықтау үшін пайдаланылуы мүмкін. Мысалы, жапырақтардың қорғаныш қабығына әсер ететін саңырауқұлақ ауруы-Brown-Spot жағдайында, жапырақтары сұр орталықтары бар бірнеше сопақ қоңыр дақтармен жабылған, ал Leaf-Blast жағдайында жапырақтары жабылған. үлкен қоңыр түсті зақымданулармен. Сол сияқты, Rice Hispa зиянкестерінен зардап шеккен жапырақтарды жапырақ бетінде пайда болатын ұзын іздермен анықтауға болады.

2 -қадам: Алдыңғы әдістер ауруды қалай анықтады?

[1] -де қолданылатын ережелерге негізделген жіктеуіштер сияқты ауру өсімдіктердің суреттерін автоматты түрде жіктеудің алдыңғы әдістері жапырақты зақымдалған және әсер етпеген аймақтарға бөлу үшін бекітілген ережелер жиынтығына сүйенеді. Ерекшеліктерді алудың кейбір ережелері зардап шеккен және әсер етпеген аймақтардың түсі арасындағы орташа және стандартты ауытқудың өзгеруін бақылауды қамтиды. Пішін ерекшеліктерін алу ережелері зардап шеккен аймақтың үстіне бірнеше қарабайыр фигураларды жеке орналастыруды және зақымдалған аймақтың максималды аумағын қамтитын пішінді анықтауды қамтиды. Суреттерден ерекшеліктер алынғаннан кейін, өсімдікке әсер етуі мүмкін ауруға байланысты суреттерді жіктеу үшін бекітілген ережелер жиынтығы қолданылады. Мұндай жіктеуіштің басты кемшілігі - бұл әр аурудың бірнеше қатаң ережелерін талап етеді, бұл өз кезегінде оны шулы деректерге сезімтал етеді. Жоғарыдағы суреттер ережеге негізделген шешім ағашын кескінді екі аймаққа бөлу үшін қалай қолдануға болатынын көрсетеді.

1. Сантану Фадикар және басқалар, «Ерекшеліктерді таңдау мен ережелерді құру әдістерін қолданатын күріш ауруларының жіктелуі», Ауыл шаруашылығындағы компьютерлер мен электроника, т. 90, қаңтар 2013 ж.

3 -қадам: ауыспалы оқыту

Осы нұсқаулықта сипатталған кескіндерді жіктеу әдісі бірнеше конвульсиялық қабаттардан, біріктіру қабатынан және соңғы толық қосылған қабаттан тұратын CNN негізгі құрылымын қолданады. Конвульсиялық қабаттар кескіннің жоғары деңгейлі ерекшеліктерін шығаратын сүзгілер жиынтығы ретінде әрекет етеді. Макс-жинақтау-қабаттарды біріктіруде шығарылған мүмкіндіктердің кеңістіктік өлшемін азайту үшін қолданылатын әдістердің бірі, осылайша әр қабаттың салмағын есептеуге қажетті есептеу қуатын азайтады. Ақырында, алынған мәліметтер кескіннің класын анықтайтын softmax белсендіру функциясымен бірге толық қосылған қабат арқылы өтеді.

Бірақ CNN -ді нөлден үйрету қажетті нәтиже бермеуі мүмкін және жаттығудың өте ұзақ уақыты болуы мүмкін.

Жаттығу суреттерінің ерекшеліктерін білу үшін біз Transfer Learning деп аталатын әдісті қолданамыз, онда алдын ала дайындалған модельдің «жоғарғы» қабаттары жойылады және жаттығулар жиынтығына тән ерекшеліктерді біле алатын қабаттармен ауыстырылады. Трансферлік оқыту кездейсоқ инициалды салмақты қолданатын модельдермен салыстырғанда жаттығу уақытын қысқартады. Біздің әдіс алдын ала дайындалған алты түрлі модельді қолданады: AlexNet, GoogLeNet, ResNet-50, Inception-v3, ShuffleNet және MobileNet-v2.

Кескін GoogLeNet архитектурасын көрсетеді, онда көк түс конвульсиялық қабаттар үшін, қабаттарды біріктіру үшін қызыл, жұмсақ максималды қабаттар үшін сары, ал жабысқақ қабаттар үшін жасыл қолданылады. Сіз CNN -дің ішкі жұмысы туралы толығырақ біле аласыз.

Күріш ауруының жиынтығы сау және ауру күріш өсімдіктерінің жапырақтарының суреттерінен тұрады. Кескіндерді Brown-Spot, Rice Hispa, Leaf-Blast және Healthy төрт түрлі классификациялауға болады. Деректер жиынтығы 2092 түрлі суреттерден тұрады, олардың әрқайсысында 523 кескін бар. Әрбір сурет ақ фонда орналастырылған сау немесе ауру жапырақтан тұрады.

Біз кескіндер жиынтығын суреттер жиынтығына, тексеруге және тексеруге бөлеміз. Шамадан тыс жүктеменің алдын алу үшін біз жаттығу үлгілерінің жалпы санын көбейту үшін жаттығу суреттерін масштабтау және аудару арқылы жаттығулардың суреттерін үлкейтеміз.

Код пен тәуелділіктер ашық көзі болып табылады және оларды мына жерден табуға болады: GitHub коды

Кескіндерді жіктеудің әр түрлі қосымшалары үшін біз тек суреттер жиынтығын өзгерте аламыз.

4 -қадам: Үлгіні жаттықтыру

Әр модельге қажет жад көлеміне байланысты алдын ала дайындалған модельдер үлкен және кіші модельдерге бөлінеді. Кішігірім модельдер 15 МБ -тан аз тұтынады, сондықтан мобильді қосымшаларға жақсы сәйкес келеді.

Үлкен модельдердің ішінде Inception-v3 жаттығудың ұзақтығы шамамен 140 минутты құрады, ал AlexNet-те ең қысқа жаттығу уақыты шамамен 18 минутты құрады. Кішігірім мобильді модельдердің ішінде MobileNet-v2 жаттығудың ұзақтығы шамамен 73 минут болды, ал ShuffleNet-тің ең қысқа жаттығу уақыты шамамен 38 минут болды.

5 -қадам: Үлгіні тексеру

Үлкен модельдердің ішінде Inception-v3 тестілеудің ең жоғары дәлдігіне шамамен 72,1%, ал AlexNet тестілеудің дәлдігіне шамамен 48,5% ие болды. Кішігірім мобильді бағдарланған модельдердің ішінде MobileNet-v2 тестілеу дәлдігі 62,5%, ал ShuffleNet тестілеу дәлдігі 58,1% төмен болды.

MobileNet-v2 қоңыр-дақ, жапырақ-жарылыс және сау жапырақтардың суреттерін жіктеу кезінде айтарлықтай жақсы жұмыс жасады, ал Райс Хиспаға қате жіктеуді тек 46,15%дәлдікпен жасады.

Inception-v3 MobileNet-v2 сияқты ұқсас жіктеу нәтижелерін көрсетті.

6 -қадам: Қосымша тесттер

Жоғарыдағы суретте MobileNet-v2 үлгісі ақ фондағы шөп жапырағының бейнесін Райс Хиспа ретінде қалай қате жіктегені көрсетілген.

Біз сондай-ақ MobileNet-v2 дәлдігін Rice Hispa кесілген кескіндерінде сынап көрдік, онда ақ фон азайтылды, осылайша жапырақ кескіннің максималды аумағын алады. Райс Хиспаның кесілген суреттері үшін біз шамамен 80,81% дәлдік байқадық, яғни Райс Хиспаның кесілген суреттері үшін біз сынама сынамаларынан жіктеу дәлдігінің айтарлықтай өсуін байқадық. Демек, біз күріш ауруларын конвульсиялық нейрондық желілер көмегімен анықтаудың нақты әдістері дәлдікті жақсарту үшін фондық шуды кетіру үшін сынақ суреттерін қиып алуды ұсынамыз.