كيفية اكتشاف أمراض النبات باستخدام التعلم الآلي: 6 خطوات

2024 مؤلف: John Day | [email protected]. آخر تعديل: 2024-01-30 07:38

لطالما كانت عملية اكتشاف النباتات المريضة والتعرف عليها عملية يدوية ومملة تتطلب من البشر فحص جسم النبات بصريًا مما قد يؤدي غالبًا إلى تشخيص غير صحيح. كما تم التنبؤ بأنه مع بدء تغير أنماط الطقس العالمية بسبب تغير المناخ ، من المرجح أن تصبح أمراض المحاصيل أكثر حدة وانتشارًا. ومن ثم ، فمن المهم تطوير أنظمة تحلل المحاصيل بسرعة وسهولة وتتعرف على مرض معين من أجل الحد من المزيد من الأضرار التي تلحق بالمحاصيل.

في Instructable ، سوف نستكشف مفهوم التعلم الآلي المعروف باسم "نقل التعلم" لتصنيف صور نباتات الأرز المريضة. يمكن إعادة توجيه نفس الطريقة لأي مشكلة أخرى في تصنيف الصور.

الخطوة الأولى: أنواع أمراض الأرز

يعتبر الأرز من أكثر المحاصيل الغذائية الأساسية شهرة ويزرع بشكل رئيسي في جميع أنحاء آسيا وأفريقيا وأمريكا الجنوبية ولكنه عرضة لمجموعة متنوعة من الآفات والأمراض. يمكن استخدام الخصائص الفيزيائية مثل إزالة لون الأوراق لتحديد العديد من الأمراض التي قد تؤثر على محصول الأرز. على سبيل المثال ، في حالة البقع البنية ، وهو مرض فطري يؤثر على الغلاف الواقي للأوراق ، يتم تغطية الأوراق بعدة بقع بنية بيضاوية صغيرة مع مراكز رمادية بينما ، في حالة Leaf-Blast ، يتم تغطية الأوراق مع آفات بنية أكبر. وبالمثل ، يمكن التعرف على الأوراق المصابة بآفة الأرز Hispa من خلال علامات الأثر الطويلة التي تظهر على سطح الورقة.

الخطوة الثانية: كيف كشفت الطرق السابقة عن الأمراض؟

تعتمد الطرق السابقة لتصنيف صور النباتات المريضة تلقائيًا مثل المصنفات المستندة إلى القواعد كما هو مستخدم في [1] ، على مجموعة ثابتة من القواعد لتقسيم الورقة إلى مناطق متأثرة وغير متأثرة. تتضمن بعض قواعد استخراج الميزات ملاحظة التغيير في المتوسط والانحراف المعياري بين لون المناطق المتأثرة وغير المتأثرة. تتضمن قواعد استخراج ميزات الشكل وضع عدة أشكال بدائية بشكل فردي فوق المنطقة المتأثرة وتحديد الشكل الذي يغطي أقصى مساحة للمنطقة المتأثرة. بمجرد استخراج الميزات من الصور ، يتم استخدام مجموعة من القواعد الثابتة لتصنيف الصور اعتمادًا على المرض الذي قد يكون قد أصاب النبات. العيب الرئيسي لهذا المصنف هو أنه سيتطلب عدة قواعد ثابتة لكل مرض والتي بدورها قد تجعله عرضة للبيانات الصاخبة. توضح الصور أعلاه كيف يمكن استخدام شجرة القرار المستندة إلى القواعد لتقسيم الصورة إلى منطقتين.

1. Santanu Phadikar et al. ، "تصنيف أمراض الأرز باستخدام تقنيات اختيار الميزات وتوليد القواعد ،" أجهزة الكمبيوتر والإلكترونيات في الزراعة ، المجلد. 90 ، يناير 2013.

الخطوة 3: نقل التعلم

تستخدم تقنية تصنيف الصور الموضحة في هذه التعليمات البنية الأساسية لشبكة CNN التي تتكون من عدة طبقات تلافيفية وطبقة تجميع وطبقة نهائية متصلة بالكامل. تعمل الطبقات التلافيفية كمجموعة من المرشحات التي تستخرج الخصائص عالية المستوى للصورة. يعد Max-pooling أحد الأساليب الشائعة المستخدمة في طبقات التجميع لتقليل الحجم المكاني للسمات المستخرجة وبالتالي تقليل قوة الحساب المطلوبة لحساب الأوزان لكل طبقة. أخيرًا ، يتم تمرير البيانات المستخرجة عبر طبقة متصلة بالكامل مع وظيفة تنشيط softmax التي تحدد فئة الصورة.

لكن تدريب شبكات CNN المخصصة من البداية قد لا يؤدي إلى النتائج المرجوة وقد يستغرق وقتًا طويلاً للغاية في التدريب.

من أجل معرفة ميزات صور التدريب ، نستخدم طريقة تسمى نقل التعلم حيث تتم إزالة الطبقات "العلوية" من نموذج مدرب مسبقًا واستبدالها بطبقات يمكنها التعرف على الميزات الخاصة بمجموعة بيانات التدريب. يقلل التعلم عن طريق النقل من وقت التدريب عند مقارنته بالنماذج التي تستخدم أوزانًا مُهيأة عشوائيًا. تستخدم طريقتنا ستة نماذج مختلفة مدربة مسبقًا وهي AlexNet و GoogLeNet و ResNet-50 و Inception-v3 و ShuffleNet و MobileNet-v2.

تُظهر الصورة بنية GoogLeNet حيث يتم استخدام اللون الأزرق للطبقات التلافيفية ، والأحمر لطبقات التجميع ، والأصفر لطبقات softmax والأخضر لطبقات concat. يمكنك معرفة المزيد عن العمل الداخلي لشبكة CNN هنا.

تتكون مجموعة بيانات مرض الأرز من صور لأوراق نباتات الأرز الصحية والمريضة. يمكن تصنيف الصور إلى أربع فئات مختلفة وهي: Brown-Spot و Rice Hispa و Leaf-Blast و Healthy. تتكون مجموعة البيانات من 2092 صورة مختلفة مع كل فئة تحتوي على 523 صورة. تتكون كل صورة من ورقة واحدة سليمة أو مريضة موضوعة على خلفية بيضاء.

قمنا بتقسيم مجموعة بيانات الصورة إلى مجموعات صور للتدريب والتحقق والاختبار. لمنع الإفراط في التجهيز ، نقوم بزيادة صور التدريب عن طريق تحجيم صور التدريب وتقليبها لزيادة العدد الإجمالي لعينات التدريب.

الكود والتبعيات مفتوحة المصدر ويمكن العثور عليها هنا: GitHub Code

بالنسبة لتطبيقات تصنيف الصور المختلفة ، يمكننا ببساطة تغيير مجموعة بيانات صور التدريب.

الخطوة 4: تدريب النموذج

اعتمادًا على حجم الذاكرة المطلوب لكل طراز ، يتم تصنيف النماذج المدربة مسبقًا إلى نماذج أكبر وأصغر. تستهلك الموديلات الأصغر حجمًا أقل من 15 ميغا بايت وبالتالي فهي مناسبة بشكل أفضل لتطبيقات الهاتف المحمول.

من بين الطرز الأكبر ، كان Inception-v3 أطول وقت تدريب يصل إلى 140 دقيقة تقريبًا بينما كان لدى AlexNet أقصر وقت تدريب يبلغ حوالي 18 دقيقة. من بين الموديلات الأصغر حجمًا الموجهة نحو الأجهزة المحمولة ، كان MobileNet-v2 يتمتع بأطول وقت تدريب يبلغ حوالي 73 دقيقة ، في حين أن ShuffleNet كان لديه أقصر وقت تدريب يبلغ حوالي 38 دقيقة.

الخطوة 5: اختبار النموذج

من بين الطرز الأكبر ، كان لدى Inception-v3 أعلى دقة اختبار بحوالي 72.1٪ بينما كانت AlexNet لديها أقل دقة اختبار بحوالي 48.5٪. من بين الموديلات الأصغر حجمًا الموجهة للهواتف المحمولة ، كان MobileNet-v2 أعلى دقة اختبار بلغت 62.5٪ بينما كانت ShuffleNet لديها أقل دقة اختبار بلغت 58.1٪.

كان أداء MobileNet-v2 جيدًا بشكل ملحوظ عند تصنيف صور البقع البنية ، وتفجير الأوراق ، والأوراق الصحية أثناء إجراء العديد من التصنيفات الخاطئة لـ Rice Hispa بدقة 46.15٪ فقط.

أظهر Inception-v3 نتائج تصنيف مماثلة مثل MobileNet-v2.

الخطوة 6: اختبارات إضافية

توضح الصورة أعلاه كيف أخطأ نموذج MobileNet-v2 في تصنيف صورة ورقة العشب على خلفية بيضاء باسم Rice Hispa.

اختبرنا أيضًا دقة MobileNet-v2 على الصور التي تم اقتصاصها لـ Rice Hispa حيث تم تصغير الخلفية البيضاء بحيث تحتل الورقة أقصى مساحة داخل الصورة. بالنسبة للصور التي تم اقتصاصها لـ Rice Hispa ، لاحظنا دقة تقارب 80.81٪ ، أي بالنسبة للصور التي تم اقتصاصها لـ Rice Hispa ، لاحظنا زيادة كبيرة في دقة التصنيف على عينات الاختبار غير المقصوصة. ومن ثم ، فإننا نقترح أن تطبيقات العالم الحقيقي لاكتشاف أمراض الأرز باستخدام الشبكات العصبية التلافيفية يجب أن تحصد صور الاختبار لإزالة ضوضاء الخلفية من أجل تحسين الدقة.