Forschungsartikel

Transfer Learning und UNet-Segmentierung für die Klassifizierung der Reisblattkrankheit als Lösung mit einer benutzerfreundlichen Oberfläche für nicht-technische Benutzer

DOI:

10.3791/68861

⸱

24. Oktober 2025

 , 
1Department of Computer Science and Engineering, Faculty of Engineering and Technology, Annamalai University, 2Department of Computer Science and Engineering, Annamalai University

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieses Protokoll skizziert eine bildbasierte Deep-Learning-Pipeline zur Klassifizierung von Reisblattkrankheiten. Es kombiniert UNet-basierte Segmentierungs- und Transfer-Learning-Modelle, um die Genauigkeit zu verbessern. Der Ansatz unterstützt die automatisierte Erkennung von Krankheiten und umfasst eine Benutzeroberfläche für den praktischen Einsatz, die Laien bei der Identifizierung von Problemen bei der Reisernte unterstützt.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Reis ist eine lebenswichtige Nahrungspflanze, die Milliarden von Menschen weltweit ernährt, und der Reisanbau ist für die wirtschaftliche Stabilität zahlreicher Nationen von entscheidender Bedeutung, da er einen wichtigen Beitrag zu Einkommen und Beschäftigung in landwirtschaftlichen Gemeinschaften, insbesondere in ganz Asien, leistet. Trotz seiner Bedeutung wird der Reisanbau durch verschiedene Blattkrankheiten wie Tungro, Scheidenfäule (SB), Paddy Hispa (PH), Neck Blast (NB), Narrow Brown Spot (NBS), Leaf Scald (LS), Leaf Blast (LB), Brown Spot (BS) und Bacterial Leaf Blight (BLB) behindert, die sich alle negativ auf den Ertrag und die Kornqualität auswirken. Um diese Probleme anzugehen, wird in dieser Studie ein maßgeschneiderter Deep-Learning-Ansatz vorgeschlagen, der auf Transfer Learning basiert. Sechs verschiedene Modelle wurden evaluiert, wobei das maßgeschneiderte DenseNet-121-Modell mit einer Genauigkeit von 0,98, einer Genauigkeit von 0,97 und einem Recall von 0,96 die beste Leistung lieferte. Um die Modellleistung zu verbessern, wurde die Bildsegmentierung mithilfe des UNet-Modells durchgeführt, wodurch die Genauigkeit durch die Erstellung eines segmentierten Bilddatensatzes erheblich verbessert wurde. Die sechs Modelle wurden an zwei Datensätzen getestet: eines mit segmentierten Bildern und das andere mit nicht segmentierten Bildern, die beide aus dem Paddy Leaf Diseases Detection Dataset abgeleitet wurden. Darüber hinaus wurde eine einfache und intuitive grafische Oberfläche entwickelt, die es Benutzern ohne technischen Hintergrund ermöglicht, bequem mit dem Modell zu interagieren und Reisblattkrankheiten zu identifizieren. Diese integrierte Lösung unterstreicht die Wirksamkeit von Deep Learning bei der Bereitstellung zuverlässiger und skalierbarer Methoden zur Klassifizierung von Reisblattkrankheiten.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Reisreis ist ein Eckpfeiler der globalen Landwirtschaft, ernährt Milliarden von Menschen und bildet das wirtschaftliche Rückgrat zahlreicher Nationen, insbesondere in Asien, wo er einen erheblichen Teil des Nahrungsmittelverbrauchs und der Lebensgrundlagen ausmacht1. Die nachhaltige Produktion von Reis ist jedoch aufgrund verschiedener biologischer und umweltbedingter Faktoren zunehmend bedroht, wobei Blattkrankheiten zu den größten Herausforderungen gehören. Krankheiten wie bakterielle Blattfäule, Braunfleckige Fleckenkrankheit und Reisexplosion 2,3 können die Ernteerträge erheblich verringern, die Getreidequalität verschlechtern und zu erheblichen finanziellen Verlusten für die Landwirte führen4.

Um diese Probleme anzugehen, ist die Klassifikation von Reisblattkrankheiten zu einem unverzichtbaren Instrument in der Pflanzenpathologie geworden5. Die frühzeitige und genaue Identifizierung solcher Krankheiten ermöglicht ein rechtzeitiges Eingreifen und mildert die Ausbreitung und die Auswirkungen von Infektionen. Traditionell beruht diese Aufgabe auf einer fachkundigen visuellen Inspektion, die zwar in kleinen Räumen effektiv ist, aber unter Einschränkungen wie Subjektivität, Arbeitsintensität und begrenzter Skalierbarkeit auf großen landwirtschaftlichen Flächen leidet.

Die jüngsten Fortschritte im Bereich des maschinellen Lernens (ML) und des Deep Learning (DL) haben die Art und Weise, wie Pflanzenkrankheiten erkannt und klassifiziert werden, erheblich verändert. Diese Technologien verwenden hochauflösende Bilder von infizierten Blättern, um eine automatisierte, skalierbare und präzise Identifizierung von Krankheiten zu ermöglichen. Eine solche Automatisierung verbessert die Konsistenz, reduziert menschliche Fehler und unterstützt die Entscheidungsfindung in Echtzeit für Landwirte6.

Mehrere aktuelle Studien haben auch innovative Ansätze zur Verbesserung der landwirtschaftlichen Diagnostik untersucht. So haben beispielsweise Studien auf RNA-Ebene wie die circANK-vermittelte Abwehrsuppression neue biologische Wege zum Verständnis der Reiskrankheit eröffnet7, während visionsbasierte Frameworks wie die Segmentierung von Zwei-Wege-Instanzen für die Erkennung von Reisreihen den Nutzen von Deep Learning in der Präzisionslandwirtschaft gezeigthaben 8. Darüber hinaus unterstreichen neuere Arbeiten wie TMFF: Trustworthy Multi-Focus Fusion for multi-label classification in complex visual environments die wachsende Bedeutung von hybriden und robusten DL-Modellen für den Einsatz in der realen Welt9.

Motiviert durch diese Entwicklungen verbessert diese Forschung die Klassifizierung der Reisblattkrankheit durch die Integration von UNet-basierter Segmentierung mit Deep-Transfer-Learning-Modellen. Dieser Ansatz zielt darauf ab, erkrankte Regionen genauer zu isolieren und mit Hilfe effizienter vortrainierter Netzwerke zu klassifizieren. Durch die Beseitigung der Einschränkungen traditioneller manueller Methoden und die Verbesserung der Modellfokussierung durch Segmentierung trägt diese Arbeit dazu bei, die Klassifikationsleistung zu verbessern, nachhaltige landwirtschaftliche Praktiken zu unterstützen und Ernährungssicherheitssystemezu stärken 10.

Überblick über die Klassifizierung der Reisblattkrankheit

Reis hat eine beispiellose Bedeutung als Grundnahrungsmittel, das mehr als 50 % der Weltbevölkerung ernährt und für viele Entwicklungsländer, insbesondere in Asien, ein wichtiger Wirtschaftsmotor ist11. Neben seiner Rolle für die Ernährungssicherheit ist der Reisanbau in zahlreichen Regionen tief in kulturellen und gesellschaftlichen Praktiken verankert, so dass seine nachhaltige Produktion für Regierungen und landwirtschaftliche Akteure Priorität hat. Der Reisanbau ist jedoch mit Herausforderungen verbunden, und unter diesen gefährden Blattkrankheiten weiterhin sowohl die Produktivität als auch die Qualität der Reiskulturen. Weit verbreitete Probleme wie bakterielle Blattfäule, Braunfleckenkrankheit und Reisexplosion tragen zu erheblichen Ertragsverlustenbei 12, die sich auf die weltweite Reisproduktion auswirken und die Volkswirtschaften belasten, die stark von diesem Grundnahrungsmittel abhängen.

Die Klassifizierung der Blattkrankheit ist ein wesentlicher Bestandteil des modernen landwirtschaftlichen Managements, da sie die Grundlage für rechtzeitige und wirksame Maßnahmen zur Seuchenbekämpfung bildet. Die rechtzeitige Identifizierung ermöglicht es den Landwirten, die Ausbreitung von Krankheiten zu kontrollieren, Agrochemikalien effizient einzusetzen und erhebliche Ernteschäden zu vermeiden. Üblicherweise beruhte dieser Prozess auf einer visuellen Inspektion, die von qualifizierten landwirtschaftlichen Fachleuten durchgeführt wurde. Diese Methode kann zwar effektiv sein, ist aber arbeitsintensiv, zeitaufwändig und hängt stark vom Kenntnisstand des Beobachters ab. Darüber hinaus ist die manuelle Inspektion in großflächigen landwirtschaftlichen Betrieben oft nicht praktikabel, insbesondere wenn es in den Anfangsphasen der Infektion schwierig ist, subtile Symptome zu erkennen13.

Das Aufkommen automatisierter Systeme zur Klassifizierung von Blattkrankheiten hat die landwirtschaftliche Diagnostik revolutioniert14. Diese Systeme nutzen Fortschritte in den Bildgebungstechnologien und DL, um skalierbare15, effiziente16 und hochpräzise Lösungen17 bereitzustellen. Die Bildverarbeitung (IP) in Kombination mit ML- und DL-Modellen kann hochauflösende Bilder von Reisblättern verarbeiten, um Krankheitssymptome zu identifizieren, und übertrifft dabei oft herkömmliche Methoden in Bezug auf Genauigkeit und Geschwindigkeit. Durch die Automatisierung des Klassifizierungsprozesses ermöglichen diese Systeme Landwirten und landwirtschaftlichen Fachkräften, datengestützte Entscheidungen zu treffen, wodurch die Abhängigkeit von menschlichem Fachwissen verringert und das Fehlerrisiko minimiert wird.

Die Einstufung der Reisblattkrankheit sorgt nicht nur für eine höhere Produktivität und geringere Verluste, sondern trägt auch zu den übergeordneten Zielen einer nachhaltigen Landwirtschaft bei. Durch die präzise Identifizierung von Krankheiten18 tragen diese Technologien dazu bei, den Einsatz von19 Pestiziden zu optimieren, die Umweltbelastung zu minimieren und umweltfreundliche20 landwirtschaftliche Praktiken zu fördern. Darüber hinaus erweitert die Integration dieser Systeme mit mobilen Anwendungen und Fernerkundungsinstrumenten ihre Reichweite auf Kleinbauern in ressourcenbegrenzten Umgebungen und fördert so die Inklusivität und Gerechtigkeit bei der landwirtschaftlichen Weiterentwicklung21.

Die Bedeutung von Reis als globale Kulturpflanze unterstreicht den Bedarf an robusten, zuverlässigen und zugänglichen Methoden zur Klassifizierung von Blattkrankheiten22. Durch den Einsatz dieser Technologien kann der Agrarsektor eine seiner drängendsten Herausforderungen bewältigen und die Widerstandsfähigkeit und Nachhaltigkeit der Reisproduktion angesichts wachsender Anforderungen und Umwelteinflüsse gewährleisten.

Modellierungstechniken

Die vorgeschlagene Methode zur Klassifizierung von Reisblattkrankheiten integriert verschiedene ausgeklügelte Techniken, um sowohl die Genauigkeit als auch die Wirksamkeit zu verbessern:

Bildsegmentierung: Der erste Schritt besteht darin, die Blattbilder zu segmentieren, um den Blattbereich vom Hintergrund zu isolieren. Dieser Schritt reduziert die Rechenkomplexität, indem unerwünschte Teile23, 24 des Bildes entfernt werden, und verbessert die Fokussierung auf relevante Muster, was zu einer besseren Genauigkeit führt.

Extraktion von Merkmalen: Aus den segmentierten Bildern werden Merkmale extrahiert, die wichtige Details über die Krankheitssymptome erfassen25. Diese Merkmale bilden die Grundlage des Klassifikationsmodells, das es ermöglicht, effizient zwischen gesunden und kranken Blättern zu unterscheiden.

Transfer-Lernen: Transfer Learning wird genutzt, um das Wissen aus vortrainierten Modellen zu nutzen, wodurch die Notwendigkeit eines umfangreichen Trainings mit neuen Datensätzen erheblich minimiert wird. Dieser Ansatz beschleunigt den Entwicklungsprozess bei gleichzeitiger Beibehaltung einer hohen Genauigkeit und Effizienz26.

End-to-End-Klassifizierungsmodell: Im Gegensatz zu herkömmlichen Methoden, die Transferlernen ausschließlich für die Merkmalsextraktion verwenden, beinhaltet die vorgeschlagene Methodik einen End-to-End-Klassifizierungsrahmen. Dieser ganzheitliche Ansatz integriert die Merkmalsextraktion und -klassifizierung27,28 in eine nahtlose Pipeline, um eine optimale Leistung zu gewährleisten.

Bewertungsmetriken: Mehrere Auswertungsmetriken werden angewendet, um die Leistung des Modells29 zu analysieren, und liefern detaillierte Informationen über seine Genauigkeit, Präzision, seinen Abruf und seine Gesamteffizienz. Diese umfassende Analyse hilft dabei, die Zuverlässigkeit und Eignung des Modells effektiv zu bestimmen.

Forschungslücken

Trotz erheblicher Fortschritte gibt es nach wie vor verschiedene Herausforderungen und Einschränkungen im Bereich der Klassifizierung von Blattkrankheiten:

Die manuelle Identifizierung von Blattkrankheiten stützt sich stark auf Domänenexperten, was sie subjektiv und inkonsistent macht. Selbst mit fundiertem Fachwissen können menschliche Fehler bei manuellen Ansätzen zu erheblichen Ernteverlusten führen.

Manuelle Methoden sind arbeitsintensiv und können nicht rund um die Uhr funktionieren, was sie für eine groß angelegte oder kontinuierliche Überwachung unpraktisch macht.

Die Forschung zur Klassifizierung von Blattkrankheiten ist umfangreich, aber sehr begrenzte Studien konzentrieren sich speziell auf die Klassifizierung von Reisblattkrankheiten.

Frühere Studien30haben den Einsatz von Transferlernen zur Klassifizierung von Reisblattkrankheiten generell vernachlässigt.

Bestehenden Modellen mangelt es oft an Generalisierbarkeit über unterschiedliche Umweltbedingungen und Krankheitsvarianten hinweg, was ihren praktischen Nutzen einschränkt31.

Die in aktuellen Studien verwendeten Datensätze sind häufig klein und nicht vielfältig, was eine breitere Anwendbarkeit behindert32.

Durch die Schließung dieser Lücken zielt diese Studie darauf ab, das Feld der Klassifizierung von Rohreiskrankheiten durch innovative Techniken und robuste Methoden voranzubringen.

Wichtigste Beiträge dieser Studie

Diese Forschung versucht, diese Lücken zu schließen, indem sie eine maßgeschneiderte Deep-Learning-basierte Methode zur Klassifizierung von Reisblattkrankheiten entwickelt und bewertet. Zu den wichtigsten Beiträgen gehören:

Die Nutzung von Transfer Learning zur Nutzung vortrainierter Modellgewichte ermöglicht das Erreichen einer hohen Genauigkeit in weniger Trainingsepochen.

Es wird gezeigt, dass weniger Trainingsepochen den Bedarf an hoher Rechenleistung verringern und die Methode für Benutzer mit begrenzten Rechenressourcen zugänglich macht.

Entwicklung eines End-to-End-Klassifizierungsmodells, das Segmentierung, Merkmalsextraktion und Klassifizierung integriert und eine umfassende Lösung bietet.

Einsatz von Datensegmentierung und anderen Techniken, um die Generalisierbarkeit des Modells über verschiedene Datensätze hinweg zu verbessern.

Offene Herausforderungen

Trotz der vielversprechenden Ergebnisse, die in dieser Studie erzielt wurden, bleiben offene Herausforderungen. Zu diesen Herausforderungen gehören der Bedarf an größeren und vielfältigeren Datensätzen, um die Robustheit33 und Anpassungsfähigkeit34 des Modells über verschiedene Umweltbedingungen35 und Krankheitsarten hinweg zu verbessern, die Einbeziehung multimodaler Daten zur Steigerung der Vorhersagegenauigkeit und der Einsatz von Modellen für den Echtzeiteinsatz unter Feldbedingungen. Darüber hinaus ist das Erreichen eines Gleichgewichts zwischen Recheneffizienz und Modellleistung von entscheidender Bedeutung, um die Zugänglichkeit für Endnutzer zu gewährleisten, insbesondere in ländlichen und unterversorgten Gebieten.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Beschreibung des Datensatzes

Der in dieser Studie verwendete Datensatz stammt aus dem öffentlich zugänglichen Kaggle-Repositorium mit dem Titel Paddy Leaf Diseases Detection Dataset. Es besteht aus 18.545 Bildern von Reisblättern, die in 10 Krankheitsklassen und 1 gesunde Klasse eingeteilt sind. Die Bilder variieren in der Auflösung und wurden unter unterschiedlichen Licht- und Umgebungsbedingungen aufgenommen.

Bildvorverarbeitung

Alle Bilder wurden mit der Funktion tf.image.resize() von TensorFlow auf 224 x 224 Pixel verkleinert. Diese Einheitlichkeit gewährleistet die Kompatibilität mit den Eingabeanforderungen von vortrainierten CNN-Modellen.: Die Pixelwerte wurden mit dem Parameter rescale=1./255 in Keras ImageDataGenerator auf den Bereich [0,1] normalisiert. Augmentation (nur für das Training): Techniken wie horizontales und vertikales Spiegeln, Drehen (± 20°) und Zoomen (bis zu 20 %) wurden mit ImageDataGenerator angewendet, um die Generalisierung zu verbessern.

Bildsegmentierung

Für die Bildsegmentierung wurde ein UNet-Modell eingesetzt, um kranke Blattbereiche von Hintergrundstörungen zu isolieren. Die UNet-Architektur wurde unter Verwendung der funktionalen Keras-API mit Encoder-Decoder-Schichten, Skip-Verbindungen und ReLU-Aktivierung erstellt. Segmentierungsmasken wurden mithilfe der pixelweisen Multiplikation (cv2.bitwise_and) auf Originalbilder angewendet, um nur relevante Merkmale beizubehalten.

Modellarchitektur und Schulung

Die folgenden Modelle wurden als Backbone-Klassifikatoren verwendet: VGG16, ResNet50, InceptionV3, MobileNet, AlexNet und DenseNet121. Vortrainierte Modelle (in ImageNet) wurden mit include_top=False importiert. Es wurde ein benutzerdefinierter Klassifikationskopf hinzugefügt, der aus einer globalen durchschnittlichen Pooling-Schicht, zwei dichten Schichten mit 128 und 64 Neuronen (ReLU-Aktivierung), einer Dropout-Schicht (Rate = 0,4) und einer abschließenden dichten Schicht mit 11 Ausgängen und Softmax-Aktivierung besteht.

Versuchsaufbau

Alle Experimente wurden mit den folgenden Einstellungen durchgeführt: Programmierumgebung: Python 3.11.5 mit TensorFlow und Keras, Ausführungsplattform: Jupyter Notebook, Hardware: Intel Core i5-6300U, 8 GB RAM, Windows 11, Batch-Größe: 32, Epochen: 50, Optimierer: Adam, Lernrate: 0.0001, Verlustfunktion: Kategoriale Kreuzentropie, Aktivierungsfunktionen: ReLU für versteckte Schichten, Softmax für die endgültige Ausgabeschicht.

Bewertungsmetriken

Genauigkeit, Präzision, Abruf und F1-Score wurden mit classification_report von sklearn.metrics berechnet. Die Konfusionsmatrizen wurden mit confusion_matrix und seaborn.heatmap dargestellt. Die Leistung wurde sowohl anhand von nicht segmentierten als auch von UNet-segmentierten Bildern zur vergleichenden Bewertung bewertet.

GUI-Entwicklung

Eine einfache grafische Benutzeroberfläche wurde mit der Tkinter-Bibliothek von Python erstellt. Benutzer können über die GUI ein Blattbild hochladen, das dann durch das trainierte Modell geleitet wird. Die vorhergesagte Krankheitsklasse wird zusammen mit einem Konfidenzwert auf dem Bildschirm angezeigt.

Erstellung von Datensätzen

Der in dieser Studie verwendete Datensatz ist der öffentlich zugängliche Paddy Leaf Diseases Detection-Datensatz von Kaggle36, der insgesamt 18.545 hochauflösende Bilder von Reisblättern umfasst, die in 10 Krankheitsklassen und 1 gesunde Klasse eingeteilt sind. Die Bilder wurden unter unterschiedlichen Lichtverhältnissen und unterschiedlichen Umgebungsbedingungen aufgenommen, was den Datensatz sehr repräsentativ und geeignet für die Erstellung robuster Deep-Learning-Modelle macht. Das Dataset ist ca. 8,33 GB groß und enthält die folgenden Klassen: Tungro, Sheath Blight (SB), Paddy Hispa (PH), Neck Blast (NB), Narrow Brown Spot (NBS), Leaf Scald (LS), Leaf Blast (LB), Healthy, Brown Spot (BS) und Bacterial Leaf Blight (BLB).

Um die Reproduzierbarkeit und effektive Modellbewertung zu gewährleisten, wurde der Datensatz nach dem Zufallsprinzip in Trainings- (80 %) und Test- (20 %) Teilmengen unterteilt, wobei die Klassenverteilung beibehalten wurde. Der Trainingssatz wurde zum Trainieren der Modelle verwendet, während der Testsatz für die Leistungsvalidierung für nicht sichtbare Daten reserviert war. Die Bewertung basierte auf Standard-Klassifizierungsmetriken: Genauigkeit, Präzision, Abruf und F1-Score, die eine umfassende Bewertung der Klassifizierungsfähigkeit jedes Modells ermöglichten. Die Studie verglich sechs Deep-Learning-Modelle: VGG16, ResNet, InceptionV3, MobileNet, AlexNet und DenseNet121, wobei DenseNet121 die beste Leistung für diese Aufgabe lieferte.

Datenverteilung

Die Klassifizierung der Krankheit erfolgte mit Hilfe von Deep-Learning-Modellen, die auf dem Datensatz trainiert wurden. Der Datensatz wurde in zwei Teilmengen unterteilt: einen Trainingssatz und einen Testsatz. Der Trainingssatz wurde verwendet, um das Modell zu lehren, während der Testsatz verwendet wurde, um seine Leistung anhand zuvor nicht gesehener Daten zu bewerten. Eine Zusammenfassung der Bildverteilung über die zehn Krankheitskategorien und die Klasse der gesunden Blätter ist in Tabelle 1 enthalten. Diese Tabelle bietet ein umfassendes Verständnis der visuellen Symptome, die mit jeder Krankheit verbunden sind, und erleichtert das Training und die Bewertung von Klassifikationsmodellen.

Diese Verteilung gewährleistet eine ausgewogene Repräsentation jeder Krankheitskategorie sowohl während der Schulungs- als auch während der Testphase. Der Trainingssatz enthält die meisten Bilder, sodass das Modell die einzigartigen Merkmale jeder Klasse effektiv erlernen kann. Der Testsatz, der aus einer kleineren Teilmenge von Bildern besteht, gewährleistet eine zuverlässige Bewertung der Genauigkeit des Modells und seiner Fähigkeit, auf neue, ungesehene Daten zu verallgemeinern.

Die ausgewogene und vielfältige Verteilung der Bilder über die Kategorien hinweg stellt sicher, dass das Modell über genügend Daten verfügt, um die einzigartigen Muster zu lernen, die mit jedem Krankheitstyp verbunden sind, und gleichzeitig das Risiko einer Überanpassung oder Verzerrung gegenüber einer bestimmten Klasse zu verringern. Diese Datenaufteilung ist unerlässlich, um robuste und zuverlässige Klassifizierungsergebnisse zu erzielen.

Datenbereinigung

In der Vorverarbeitungsphase ist die Bereinigung der Daten unerlässlich, um die Genauigkeit und Effizienz des Klassifizierungsmodells zu verbessern. Die rohen Paddy-Blatt-Bilder enthalten oft unerwünschte Hintergrundelemente wie Erde, nahe gelegene Vegetation oder landwirtschaftliche Werkzeuge, die Rauschen verursachen und die Gesamtleistung des Modells beeinträchtigen können.

Um dies zu erreichen, wurde die Bildsegmentierung unter Verwendung des UNet 37,38-Modells durchgeführt, einer bekannten Convolutional Neural Network-Architektur, die speziell für semantische Segmentierungsaufgaben entwickelt wurde. Das UNET-Modell ist in der Lage, Blattbereiche vom Hintergrund mit hoher Präzision zu segmentieren, wodurch sichergestellt wird, dass nur die relevanten Teile der Bilder für die weitere Verarbeitung beibehaltenwerden 39. Der Segmentierungsprozess ist in Abbildung 1 dargestellt.

Prozess der Segmentierung mit dem UNet-Modell (Abbildung 2): Rohbilder aus dem Datensatz werden in das UNET-Modell eingespeist. Das UNET-Modell besteht aus einem Encoder, der hierarchische Merkmale extrahiert, und einem Decoder, der das Bild rekonstruiert, während der Blattbereich segmentiert wird. Das Modell gibt eine binäre Maske aus, bei der der Blattbereich markiert und der Hintergrund entfernt wird. Die segmentierten Bilder werden weiter verfeinert, indem morphologische Operationen angewendet werden, um glatte Kanten zu gewährleisten und jegliches Restrauschen zu entfernen (Abbildung 3).

Mathematische Formulierung der UNet-Segmentierung: UNet führt eine semantische Segmentierung durch, indem es eine Zuordnung aus dem Eingabebildraum zu einer binären Maske lernt, die den Region of Interest (ROI), d. h. den erkrankten Blattbereich, hervorhebt, während der irrelevante Hintergrund unterdrückt wird. Lassen:

figure-protocol-1bezeichnen das Eingangs-RGB-Bild der Größe H*W mit C=3 Farbkanälen.

figure-protocol-2die Ausgabe des trainierten UNet-Modells sein, wobei jeder Pixelwert in M die Wahrscheinlichkeit darstellt, dass dieses Pixel zur erkrankten Blattregion gehört.

Die endgültige binäre Segmentierungsmaske figure-protocol-3

wobei τ [0,1] der Segmentierungsschwellenwert ist (üblicherweise auf 0,5 festgelegt).

Das segmentierte Bild figure-protocol-4 wird dann wie folgt berechnet:

figure-protocol-5

wobei figure-protocol-6 die elementweise Multiplikation bezeichnet wird, die räumlich über alle Kanäle angewendet wird. Dieser Vorgang behält die Pixelwerte in der ROI bei (wobei figure-protocol-7) und maskiert Hintergrundpixel (wobei figure-protocol-8). Diese segmentierte Ausgabe wird als Eingabe an das Klassifikationsmodell (z. B. DenseNet121) übergeben, sodass es sich ausschließlich auf krankheitsrelevante Merkmale konzentrieren kann, während verrauschte, nicht informative Hintergrundbereiche ignoriert werden, was die Klassifikationsleistung und die Modellgeneralisierung verbessert.

Dieser Vorverarbeitungsschritt garantiert, dass die folgenden Phasen der Merkmalsextraktion und -klassifizierung auf der Grundlage sauberer, relevanter Daten durchgeführt werden, wodurch die Gesamtleistung und Zuverlässigkeit des Klassifizierungsmodells für die Reisblattkrankheit verbessert wird.

Lernen übertragen

Beim Transferlernen werden vortrainierte neuronale Netze verwendet, um neue, aber verwandte Probleme anzugehen, sodass keine Modelle von Grund auf neu erstellt werden müssen. Dieser Ansatz nutzt das Wissen aus früheren Aufgaben und ermöglicht so effizientes Lernen40. Vortrainierte Modelle werden oft auf umfangreichen Datensätzen entwickelt und verfügen über robuste Funktionen zur Merkmalsextraktion, wodurch sie sich für die Feinabstimmung spezifischer Datensätze eignen. Dies reduziert die Trainingszeit, vermeidet Überanpassungen und erreicht eine hohe Genauigkeit auch bei begrenzten Rechenressourcen.

In dieser Studie wurde Transfer Learning eingesetzt, um Reisblattkrankheiten zu identifizieren, indem verschiedene vortrainierte Deep-Learning-Modelle evaluiert wurden. Die in den Experimenten untersuchte Architektur umfasst VGG16, ResNet, InceptionV3, MobileNet, AlexNet und DenseNet121. Jedes dieser Modelle wurde ursprünglich mit großen Datensätzen wie ImageNet trainiert, und ihre vortrainierten Gewichte wurden in dieser Arbeit verwendet. Um die Modelle an die Klassifikationsaufgabe anzupassen, wurden folgende Modifikationen vorgenommen:

Modifikation des Modells: Die ursprünglichen, vollständig verbundenen (Klassifizierungs-)Layer jedes Modells wurden beim Modellimport in Keras mit dem Parameter include_top=False entfernt. Dadurch wurde sichergestellt, dass nur die Convolutional Base (Feature Extractor) jedes vortrainierten Modells beibehalten wurde. Die Ausgabe des letzten Faltungsblocks wurde mit der Schicht Flatten() in einen eindimensionalen Vektor abgeflacht.

Dichte Schichten: Drei vollständig verbundene (dichte) Layer wurden nacheinander nach dem Abflachungsschritt angehängt. Diese Schichten wurden mit der Funktion Keras Dense() definiert: die erste mit 256 Neuronen und ReLU-Aktivierung, die zweite mit 128 Neuronen und ReLU-Aktivierung und die dritte mit 64 Neuronen und ReLU-Aktivierung. Zwischen den Schichten wurde auch eine Dropout-Schicht hinzugefügt, um eine Überanpassung zu reduzieren.

Ausgabe-Layer: Drei vollständig verbundene (dichte) Layer wurden nacheinander nach dem Abflachungsschritt angehängt. Diese Schichten wurden mit der Funktion Keras Dense() definiert: die erste mit 256 Neuronen und ReLU-Aktivierung, die zweite mit 128 Neuronen und ReLU-Aktivierung und die dritte mit 64 Neuronen und ReLU-Aktivierung. Zwischen den Schichten wurde auch eine Dropout-Schicht (Rate 0,4) hinzugefügt, um eine Überanpassung zu reduzieren.

Die gesamte Pipeline und der Ablauf der Methodik, einschließlich Vorverarbeitung, Segmentierung, Implementierung des Transfer-Learning-Modells und Evaluation, sind in Abbildung 4 dargestellt. Diese Abbildung gibt einen umfassenden Überblick über die Schritte, die in dieser Studie befolgt wurden. Durch den Einsatz von Transferlernen konnte die Trainingszeit erfolgreich minimiert, die Abhängigkeit von High-End-Rechenressourcen reduziert und signifikante Leistungsverbesserungen bei der Klassifizierung der Reisblattkrankheit erzielt werden.

Vorgeschlagenes DenseNet121-Modell zur Klassifizierung von Blattkrankheiten

Unter allen getesteten Modellen zeigte DenseNet121 die beste Leistung bei der Klassifizierung von Reisblattkrankheiten und erreichte eine bemerkenswerte Genauigkeit. Dieses hochmoderne Deep-Learning-Modell zeichnet sich durch seine innovative Architektur40 aus, die einen effizienten Informationsfluss fördert und die Wiederverwendung von Funktionen verbessert.

Architektur von DenseNet121: DenseNet121 zeichnet sich durch dicht verbundene Schichten aus, bei denen jede Schicht auf die Feature-Maps aller vorhergehenden Schichten zugreifen kann. Dieses Design optimiert den Informationsfluss, reduziert Redundanzen und verbessert die Gesamteffizienz des Modells erheblich.

Die Architektur besteht aus den folgenden Schlüsselkomponenten:

Eingabeschicht: Empfängt Bilder mit einer Größe von 224 x 224 Pixeln für eine standardisierte Verarbeitung.

Anfänglicher Faltungs-Layer: Wendet eine 7 x 7-Faltungsoperation an, gefolgt von maximalem Pooling, um die räumlichen Dimensionen zu reduzieren und Low-Level-Features zu extrahieren.

Dichte Blöcke: Das Modell enthält vier dichte Blöcke. Jeder Block besteht aus mehreren Faltungsschichten, die dicht miteinander verbunden sind, was bedeutet, dass jede Schicht direkten Zugriff auf die Ausgänge aller vorherigen Schichten innerhalb des Blocks hat.

Übergangsschichten: Diese Schichten befinden sich zwischen dichten Blöcken und führen eine 1 x 1-Faltung durch, gefolgt von durchschnittlichem Pooling, um die Feature-Dimensionen zu reduzieren und die Recheneffizienz zu verbessern.

Global Average Pooling (GAP): Reduziert die räumlichen Dimensionen von Feature-Karten vor den vollständig verbundenen Layern.

Vollständig verbundene Schicht: Erzeugt den Ausgabevektor für die Klassifizierung.

Benutzerdefinierte Layer für die Klassifizierung: Für diese Forschung wurden die standardmäßigen, vollständig verbundenen Schichten durch eine benutzerdefinierte Architektur ersetzt: Flatten-Schicht, drei dichte Schichten (256, 128 und 64 Neuronen mit ReLU-Aktivierung) und eine abschließende sigmoidaktivierte Schicht für die binäre Klassifizierung.

Die Fähigkeit von DenseNet121, Funktionen wiederzuverwenden, und seine kompakte Architektur trugen wesentlich zu seiner überlegenen Leistung beim Datensatz der Reisblattkrankheit bei. Diese Effizienz, gepaart mit der Fähigkeit, Überanpassungen zu minimieren, macht es ideal für Aufgaben mit begrenzten Trainingsdaten. DenseNet121 erreichte eine bessere Genauigkeit und Generalisierung als andere Modelle aufgrund seiner Wiederverwendung von Funktionen und seiner Gradientenströmungseigenschaften. Während Modelle wie ResNet und VGG16 gut abschnitten, übertraf DenseNet121 diese in Bezug auf Genauigkeit und Recheneffizienz.

In allen Modellen wurden drei vollständig verbundene (dichte) Schichten unter Verwendung von ReLU-Aktivierungsfunktionen (wie in Gleichung 1 gezeigt) eingeschlossen, die in einer abschließenden dichten Schicht mit einer SoftMax-Aktivierung (Gleichung 2) gipfelten, um die Klassifizierung mehrerer Klassen zu erleichtern. Diese Anpassung ermöglichte es jedem Modell, seine vortrainierten Gewichte effektiv zu nutzen und gleichzeitig die Bilder im Datensatz zu klassifizieren.

ReLu f(x) = max(0, X) (1)

figure-protocol-9

Dabei steht x i für die Eingabe der SoftMax-Funktion, angepasst an die Klassifizierung in die zehn Kategorien der Paddy-Blattkrankheiten. Die einzigartige Architektur jedes Modells, kombiniert mit dieser benutzerdefinierten Ausgabeschicht, ermöglichte eine effektive Merkmalsextraktion und eine genaue Bildklassifizierung.

Abbildung 5 zeigt das architektonische Layout von DenseNet121 und zeigt den nahtlosen Informationsfluss durch seine dichten Blöcke, Übergangsschichten und die maßgeschneiderten Klassifizierungsschichten, die für diese Forschung integriert wurden. Diese visuelle Darstellung verdeutlicht, wie DenseNet121 mit Bildeingaben umgeht und Vorhersageausgaben generiert

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Für die in dieser Studie durchgeführten Experimente wurde das Modell unter Verwendung von Python Version 3.11.5 und Jupyter Notebook auf einem Windows 11-Betriebssystem entwickelt. Die primär verwendeten Deep-Learning-Frameworks waren TensorFlow- und Keras-Bibliotheken. Die für diese Untersuchung verwendete Hardware war ein HP-PC mit einer Intel i5-6300U-CPU, die mit 2,50 GHz getaktet und mit 8 Kernen ausgestattet war.

Der Daten...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie schlägt ein Deep-Learning-basiertes Framework für die automatisierte Klassifizierung von Reisblattkrankheiten vor, wobei sowohl segmentierte als auch nicht segmentierte Datensätze verwendet werden. Der Ansatz integriert UNet-basierte Bildsegmentierung mit Transfer-Learning-Modellen und zeigt, dass die Segmentierung die Genauigkeit der Merkmalsextraktion und -klassifizierung erheblich verbessert. Unter den sechs evaluierten Modellen erreichte das kundenspezifische DenseNet-12...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben nichts offenzulegen.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren würdigen die Bemühungen von Penugonda Seetha Rama Krishna für seinen Beitrag zur Konzeptualisierung, Methodik und Vorbereitung des Manuskripts und danken S. Nagarajan aufrichtig für die Betreuung und Anleitung während der gesamten Studie.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
HP PCPSIntel Core i5-6300U CPU @ 2,5 GHz, 8 GB RAM
Jupyter NotebookQuelloffenWird für die Codeausführung verwendet
Kaggle-Datensatz: Erkennung von ReisblattkrankheitenKagglehttps://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
KerasQuelloffenIntegriert mit TensorFlow
PythonPython-Software-Stiftung3.11.5
TensorFlowGoogeln2.x
Windows-BetriebssystemMicrosoftWindows 11

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Baheti, H., Thakare, A., Bhople, Y., Darekar, S., Dodmani, O. Tomato plant leaf disease detection using inception v3. Intell Syst Appl. 959, 49-60 (2023).
  2. Shin, J., et al. Trends and prospect of machine vision technology for stresses and diseases detection in precision agriculture. Agri Eng. 5 (1), 20-39 (2023).
  3. Shamsul Kamar, N. A., et al. Pest and disease incidence of coniferous species in Taman Saujana Hijau, Putrajaya urban park Malaysia. J Forest Res. 34 (6), 2065-2077 (2023).
  4. Dutta, M., et al. Rice leaf disease classification-A comparative approach using convolutional neural network (CNN), cascading autoencoder with attention residual U-Net (CAAR-U-Net), and MobileNet-V2 architectures. Technologies. 12 (11), 214(2024).
  5. Alsakar, Y. M., Sakr, N. A., Elmogy, M. An enhanced classification system of various rice plant diseases based on multi-level handcrafted feature extraction technique. Sci Rep. 14 (1), 1-33 (2024).
  6. Ritharson, P. I., Raimond, K., Mary, X. A., Robert, J. E. DeepRice: A deep learning and deep feature-based classification of rice leaf disease subtypes. Artif Intell Agric. 11, 34-49 (2024).
  7. Khanna, A., Saini, R., Kumar, A., Singh, R. Toward end-to-end rice row detection in paddy fields exploiting two-pathway instance segmentation. Plant Phenomics. 6, 0043(2024).
  8. de Silva, R., Cielniak, G., Wang, G., Gao, J. Deep learning-based Crop Row Detection for Infield Navigation of Agri-Robots. arXiv. , (2022).
  9. Zhao, C., Hu, C., Shao, H., Wang, Z., Wang, Y. Towards Trustworthy Multi-label Sewer Defect Classification via Evidential Deep Learning. arXiv. , (2022).
  10. Gogoi, M., Kumar, V., Begum, S. A., Sharma, N., Kant, S. Classification and detection of rice diseases using a 3-stage CNN architecture with transfer learning approach. Agriculture. 13, 1505(2023).
  11. Rice as food. Wikipedia. , Wikipedia contributors. https://en.wikipedia.org/wiki/Rice_as_food (2025).
  12. Deng, R., et al. Automatic diagnosis of rice diseases using deep learning. Front Plant Sci. 12, 701038(2021).
  13. Image classification for rice leaf disease using AlexNet model. Win Lwin, L. Y., Htwe, A. N. 2023 IEEE Conf Comput Appl (ICCA), , 124-129 (2023).
  14. Tripathy, R., et al. Optimization based rice leaf disease classification in federated learning. Multimed Tools Appl. 83, 72491-72517 (2024).
  15. Li, Y., Wang, H., Dang, L. M., Sadeghi-Niaraki, A., Moon, H. Crop pest recognition in natural scenes using convolutional neural networks. Comput Electron Agric. 169, 105174(2020).
  16. Zhong, Y., Zhao, Z. Research on deep learning in apple leaf disease recognition. Comput Electron Agric. 168, 105146(2020).
  17. Yang, Y., Liu, Z., Huang, M., Zhu, Q., Zhao, X. Automatic detection of multi-type defects on potatoes using multispectral imaging combined with a deep learning model. J Food Eng. 336, 111213(2023).
  18. Wang, L., et al. Identification of crop diseases using improved convolutional neural networks. IET Comput Vis. 14 (7), 538-545 (2020).
  19. Arsenovic, M., Karanovic, M., Sladojevic, S., Anderla, A., Stefanovic, D. Solving current limitations of deep learning-based approaches for plant disease detection. Symmetry. 11 (7), 939(2019).
  20. Hu, G., Wu, H., Zhang, Y., Wan, M. A low shot learning method for tea leaf's disease identification. Comput Electron Agric. 163, 104852(2019).
  21. Too, E. C., Yujian, L., Njuki, S., Yingchun, L. A comparative study of fine-tuning deep learning models for plant disease identification. Comput Electron Agric. 161, 272-279 (2019).
  22. Ma, R., et al. Identification of maize seed varieties using MobileNetV2 with improved attention mechanism CBAM. Agriculture. 13 (1), 11(2023).
  23. Krizhevsky, A., Sutskever, I., Hinton, G. E. ImageNet classification with deep convolutional neural networks. Commun ACM. 60 (6), 84-90 (2017).
  24. Brahimi, M., Boukhalfa, K., Moussaoui, A. Deep learning for tomato diseases: classification and symptoms visualization. Appl Artif Intell. 31 (4), 299-315 (2017).
  25. Wang, G., Sun, Y., Wang, J. Automatic image-based plant disease severity estimation using deep learning. Comput Intell Neurosci. 2017, 2917536(2017).
  26. Deep residual learning for image recognition. He, K., Zhang, X., Ren, S., Sun, J. Proc IEEE Conf Comput Vis Pattern Recognit CVPR, , 770-778 (2016).
  27. Amara, J., Bouaziz, B., Algergawy, A. A deep learning-based approach for banana leaf diseases classification. Datenbanksysteme Business Tech Web (BTW 2017). , 79-88 (2017).
  28. Srilatha, D., Thillaiarasu, N. Implementation of intrusion detection and prevention with deep learning in cloud computing. J Inf Technol Manag. 15, 1-8 (2023).
  29. Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D., Stefanovic, D. Deep neural networks-based recognition of plant diseases by leaf image classification. Comput Intell Neurosci. 2016, 3289801(2016).
  30. Simhadri, C. G., Kondaveeti, H. K., Vatsavayi, V. K., Mitra, A., Ananthachari, P. Deep learning for rice leaf disease detection: A systematic literature review on emerging trends, methodologies and techniques. Info Proc Agri. 12 (2), 151-168 (2025).
  31. Xu, M., et al. Embracing limited and imperfect training datasets: Opportunities and challenges in plant disease recognition using deep learning. Front Plant Sci. 14, 1225409(2023).
  32. Xu, M., Park, J. E., Lee, J., Yang, J., Yoon, S. Plant disease recognition datasets in the age of deep learning: Challenges and opportunities. arXiv. , (2023).
  33. Basic investigation on a robust and practical plant diagnostic system. Fujita, E., Kawasaki, Y., Uga, H., Kagiwada, S., Iyatomi, H. Proc 15th IEEE Int Conf Mach Learn Appl ICMLA, , 989-992 (2016).
  34. Densely connected convolutional networks. Huang, G., Liu, Z., Van Der Maaten, L., Weinberger, K. Q. Proc IEEE Conf Comput Vis Pattern Recognit CVPR, , 4700-4708 (2017).
  35. Sapkal, A. T., Kulkarni, U. V. Comparative study of leaf disease diagnosis system using texture features and deep learning features. Int J Appl Eng Res. 13 (19), 14334-14340 (2018).
  36. Loki4514, Leaf Diseases Detection Dataset. Kaggle. , https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection Accessed (2025).
  37. Siddique, N., Paheding, S., Elkin, C. P., Devabhaktuni, V. U-Net and its variants for medical image segmentation: a review of theory and applications. IEEE Access. 9, 82031-82057 (2021).
  38. Yohoshiva, B., Challa, N. P. Ghcr-a dataset for Grantha handwritten character recognition. Data Brief. 56, 110783(2024).
  39. Ronneberger, O., Fischer, P., Brox, T. U-Net: Convolutional networks for biomedical image segmentation. Med Image Comput Comp Assisted Intervent MICCAI 2015 Lecture Notes Comp Sci. 9351, 234-241 (2015).
  40. Zhuang, F., et al. A comprehensive survey on transfer learning. arXiv. , (2020).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

ReiskornblattkrankheitenDeep LearningDenseNet 121Bildsegmentierunggrafische Benutzeroberfl cheDetektion von Reisblattkrankheiten

Verwandte Artikel