تقدم هذه الدراسة طريقة قائمة على التعلم العميق للتنبؤ بمراحل نمو أوراق الأرز وتصنيف الأمراض، وتقدم توصيات علاجية خاصة بالمراحل من خلال نظام دعم اتخاذ قرار آلي وسهل الاستخدام لإدارة فعالة لأمراض المحاصيل.
يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة بحثية
تقدم هذه الدراسة طريقة قائمة على التعلم العميق للتنبؤ بمراحل نمو أوراق الأرز وتصنيف الأمراض، وتقدم توصيات علاجية خاصة بالمراحل من خلال نظام دعم اتخاذ قرار آلي وسهل الاستخدام لإدارة فعالة لأمراض المحاصيل.
تؤثر أمراض أوراق الأرز بشكل كبير على إنتاجية الأرز وجودتها، مما يجعل الكشف المبكر والعلاج المناسب أمرا ضروريين للزراعة الدقيقة. تقترح هذه الدراسة نظام دعم اتخاذ قرار قائم على التعلم العميق لاكتشاف أمراض أوراق الأرز، والتنبؤ بمراحل النمو، وتوصيات علاجية خاصة بالمراحل. تتضمن مجموعة البيانات المستخدمة في هذه الدراسة صور أوراق الأرز التي جمعت من مصادر متعددة ومصنفة حسب مرحلة النمو وفئة المرض. تم تقسيم مجموعة البيانات إلى مجموعات تدريب (80٪)، والتحقق (10٪)، ومجموعات اختبار (10٪) لضمان تقييم النماذج بشكل صحيح. لتنبؤ مرحلة النمو، تم تطوير نموذج خفيفة الوزن لشبكة عصبية الالتفافية (CNN)، بينما تم تصنيف الأمراض باستخدام نماذج التعلم الانتقالي، بما في ذلك VGG16 وResNet50 وInceptionV3 وMobileNetV2. تم استخدام طريقة جماعية تعتمد على متوسط التصويت الاحتمالي لتحسين أداء التصنيف. تم تقييم النماذج باستخدام الدقة والدقة والاسترجاع ودرجة F1 على مجموعة اختبارات مستقلة. تظهر النتائج التجريبية أن نموذج المجموعات حقق دقة أعلى مقارنة بالنماذج الفردية، مما أظهر تحسنا في المتانة والتعميم. تم تنفيذ النظام المقترح كتطبيق ويب من Streamlit يوفر اكتشاف الأمراض، والتنبؤ بمراحل النمو، وتوصيات علاجية. يمكن للإطار المتكامل المقترح دعم المزارعين والخبراء الزراعيين في اتخاذ قرارات إدارة الأمراض في الوقت المناسب وبدقة.
الهند، كونها اقتصادا زراعيا، تعتمد بشكل كبير على الزراعة، حيث يعد الأرز (الأرز) محصولا أساسيا لجزء كبير من السكان. ومع ذلك، تتأثر زراعة الأرز بشكل كبير بأمراض الأوراق مثل الانفجار، وتعفن الأوراق البكتيري، والبقع البنية، ومرض الغمد، مما يقلل المحصول ويسبب خسائر اقتصادية. الكشف المبكر عن هذه الأمراض أمر ضروري، حيث أن طرق الفحص اليدوي التقليدية تستغرق وقتا طويلا وغالبا ما تكون غير دقيقة. لمعالجة هذه المشكلة، تقترح هذه الدراسة نظام دعم قرار قائم على التعلم العميق لتوقع مراحل نمو أوراق الأرز، وتصنيف الأمراض، والتوصية بالعلاج. يستخدم النظام نموذج شبكة عصبية للتنبؤ بمرحلة نمو ورقة الأرز وعدة نماذج تعلم عميق، بما في ذلك CNN وVGG16 وResNet50 و....
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
يوضح البروتوكول التالي عملية بناء ونشر نظام الكشف عن أمراض أوراق الأرز وتوصية العلاج خطوة بخطوة. يجب استخدام الخطوات المتخذة بشكل متتابع لتكرار النتائج المقدمة في هذه الورقة.
إعداد مجموعة البيانات
مجموعة بيانات Paddy Leave Stage: استندت هذه البيانات إلى PaddyNet4. يتكون المشهد من 560 صورة مصنفة ضمن أربع مراحل تطوير مختلفة، وهي: المرحلة 2، المرحلة 3، المرحلة 4 والمرحلة 5. يعتمد التصنيف على لون ونضج أوراق الأرز، والتي تعتمد على تركيز النيتروجين وغيرها من العوامل وتطور النبات. تعد مجموعة البيانات المعروضة مهمة لمعرفة المرحلة الصحيحة لنبتة الأرز (ا....
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
نموذج تصنيف المراحل
حقق نموذج التنبؤ بالمراحل دقة تدريب بلغت 95.88٪ (خسارة: 0.1172) ودقة تحقق بلغت 95.24٪ (خسارة: 0.1751)، مما يشير إلى أن النموذج يتعلم باستمرار ويقدم توقعات عادلة عند تطبيقه على عينات تحقق غير مرئية. تم تحقيق دقة تحقق بلغت 95.24٪، مع فقدان تحقق بلغ 0.1751. حقق النموذج دقة اختبار بلغت 94.05 بالمئة وخسارة اختبار بلغت 0.1759 في بيانات الاختبار، مما يدعم متانة النموذج وقدرته على التعامل مع العينات المجهولة. منحنيات الدقة والخسارة.......
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
تقترح الورقة الحالية نظاما جديدا لدعم اتخاذ القرار يتضمن التنبؤ بمرحلة نمو أوراق الأرز، وتصنيف الأمراض بمساعدة مجموعة من نماذج التعلم العميق (VGG16، MobileNetV2، وResNet50)، والتوصية بالعلاج على مراحل بناء على تطبيق عبر الإنترنت. حصل نموذج المجموعة على دقة 98.99٪ في تصنيف النموذج، وهي أعلى من النماذج الفردية، كما ذكر سابقا أن النماذج في الاستراتيجية الفردية لديها حساسية تجاه التحيز وتميل إلى التصنيف بشكل خاطئ أثناء تعميم 1,10. أه.......
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
يعلن المؤلفون عدم وجود تضارب مصالح.
يشكر المؤلفون قسم علوم وهندسة الحاسوب في كلية GITA المستقلة في بوبانسوار، أوديشا، الهند، على توفير المرافق الحاسوبية والدعم البحثي اللازم لتنفيذ هذا العمل. كما يشكر المؤلفون مطوري مجموعات البيانات المتاحة للجمهور وأطر التعلم العميق مفتوحة المصدر المستخدمة في هذه الدراسة.
....الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| مجموعة البيانات | مجموعة بيانات مرحلة ورق الأرز (PaddyNet4) | 560 صورة عبر 4 مراحل نمو (المرحلة 2&ndash؛ 5) | |
| مجموعة البيانات | مجموعة بيانات مرض أوراق الأرز | 6920 صورة عبر 6 فئات مرضية من كاجل | |
| مجموعة البيانات | مجموعة بيانات العلاج | مجموعة بيانات مجمعة مع ممارسات إدارة الأمراض حسب مرحلة النمو | |
| المعالجة المسبقة | تغيير حجم الصورة | تم تغيير حجم الصور إلى 128x128x3 | |
| المعالجة المسبقة | التطبيع | قيم البكسل المدرجة إلى [0,1] | |
| المعالجة المسبقة | ترميز التسمية | تحويل التسميات الفئوية إلى رقمية | |
| التعزيز | التدوير | حتى 30 درجة | |
| التعزيز | تغير العرض/الارتفاع | حتى 20٪ | |
| التعزيز | زووم | حتى 20٪ | |
| التعزيز | شير & فليب | القص والانقلاب الأفقي | |
| النموذج | سي إن إن (تصنيف المراحل) | CNN خفيف الوزن مع 3 طبقات تداخل | |
| النموذج | تصنيف الأمراض (CNN) | CNN مخصص مع طبقات conv + تجميع | |
| النموذج | VGG16 | نموذج التعلم التحويلي | |
| النموذج | ريس نيت 50 | نموذج التعلم التحويلي | |
| النموذج | InceptionV3 | نموذج التعلم التحويلي | |
| النموذج | موبايل نت V2 | نموذج التعلم الانتقالي الخفيف | |
| التقنية | التعلم الجماعي | متوسط التصويت الاحتمالي لخمسة نماذج | |
| التقنية | التعلم التحويلي | استخدام أوزان ImageNet المدربة مسبقا | |
| التقنية | تنظيم الانسحاب | لمنع الإفراط في التركيب | |
| التدريب | المحسن | آدم (معدل التعلم 0.001) | |
| التدريب | دالة الخسارة | الإنتروبيا التصنيفية المتقاطعة | |
| التدريب | حجم الدفعة | 10 (نموذج المرحلة)، 32 (نماذج الأمراض) | |
| التدريب | العصور | 10 (في المرحلة)، 20 (مرض) | |
| التقييم | المقاييس | الدقة، الدقة، الاستدعاء، ونتيجة الفورمولا 1 | |
| النشر | Streamlit | تطبيق ويب للتنبؤ في الوقت الحقيقي |
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.