Eine auf Deep Learning basierende Methode zur Erkennung von Reisblattkrankheiten und Behandlungsempfehlung für die Wachstumsphase

Summary

Diese Studie präsentiert eine auf Deep-Learning-Basis basierende Methode zur Vorhersage von Wachstumsstadien von Reisblättern und zur Klassifizierung von Krankheiten und liefert stadienspezifische Behandlungsempfehlungen durch ein automatisiertes, benutzerfreundliches Entscheidungsunterstützungssystem für ein effektives Management von Pflanzenkrankheiten.

Abstract

Reisblattkrankheiten beeinträchtigen den Reisertrag und die Qualität erheblich, weshalb frühzeitige Erkennung und richtige Behandlung für die Präzisionslandwirtschaft unerlässlich sind. Diese Studie schlägt ein auf Deep Learning basierendes Entscheidungsunterstützungssystem zur Erkennung von Reisblattkrankheiten, zur Vorhersage des Wachstumsstadiums und stadienspezifischen Behandlungsempfehlungen vor. Der in dieser Studie verwendete Datensatz umfasst Reisblattbilder, die aus verschiedenen Quellen gesammelt und nach Wachstumsstadium und Krankheitsklasse kategorisiert sind. Der Datensatz wurde in Trainingssets (80 %), Validierung (10 %) und Testsets (10 %) unterteilt, um eine ordnungsgemäße Modellbewertung sicherzustellen. Zur Vorhersage der Wachstumsphase wurde ein leichtes Modell des Convolutional Neural Network (CNN) entwickelt, während die Krankheitsklassifikation mit Transfer-Learning-Modellen wie VGG16, ResNet50, InceptionV3 und MobileNetV2 durchgeführt wurde. Eine Ensemble-Methode auf Basis der durchschnittlichen Wahrscheinlichkeitsabstimmung wurde verwendet, um die Klassifikationsleistung zu verbessern. Die Modelle wurden mit Genauigkeit, Präzision, Rückruf und F1-Score in einem unabhängigen Testsatz bewertet. Die experimentellen Ergebnisse zeigen, dass das Ensemblemodell eine höhere Genauigkeit als einzelne Modelle erreichte und eine verbesserte Robustheit und Verallgemeinerung zeigte. Das vorgeschlagene System wurde als Streamlit-Webanwendung implementiert, die Krankheitserkennung, Wachstumsphasenprognose und Behandlungsempfehlungen bietet. Der vorgeschlagene integrierte Rahmen kann Landwirte und landwirtschaftliche Experten dabei unterstützen, rechtzeitig und präzise Entscheidungen im Krankheitsmanagement zu treffen.

Introduction

Indien ist als agrarische Wirtschaft stark auf Landwirtschaft angewiesen, wobei Reis (Paddy) für einen großen Teil der Bevölkerung als Grundnahrungsmittel dient. Der Reisanbau ist jedoch stark von Blattkrankheiten wie Blast, bakterieller Laubfäule, Braunfleck und Scheidenfäule betroffen, die den Ertrag verringern und wirtschaftliche Verluste verursachen. Die frühzeitige Erkennung dieser Krankheiten ist unerlässlich, da traditionelle manuelle Inspektionsmethoden zeitaufwendig und oft ungenau sind. Um dieses Problem anzugehen, schlägt diese Studie ein auf Deep Learning basierendes Entscheidungsunterstützungssystem zur Vorhersage, Krankheitsklassifikation und Behandlungsempfehlung für das Wachstum der Reisblätter vor. Das System verwendet ein neuronales Netzwerkmodell zur Vorhersage der Wachstumsphase des Reisblattes sowie mehrere Deep-Learning-Modelle, darunter CNN, VGG16, ResNet50, InceptionV3 und MobileNetV2, zur Krankheitsklassifikation. Diese Modelle werden mit einem Ensemble-Ansatz kombiniert, um die Genauigkeit und Robustheit zu verbessern, wobei eine Klassifikationsgenauigkeit von 98,99 % erreicht wird. Basierend auf der vorhergesagten Krankheits- und Wachstumsphase gibt das System stufenspezifische Behandlungsempfehlungen. Das vorgeschlagene System ist als Streamlit-basierte Webanwendung implementiert, die es Nutzern ermöglicht, Blattbilder hochzuladen und Echtzeit-Vorhersagen und Empfehlungen zu erhalten. Dieser integrierte Ansatz bietet eine praktische und skalierbare Lösung für die Präzisionslandwirtschaft, hilft Landwirten, Ernteverluste zu reduzieren und die Produktivität zu steigern.

Mehrere Studien haben maschinelles Lernen und Deep-Learning-Techniken für Ernteempfehlungen, Krankheitserkennung und landwirtschaftliche Entscheidungsunterstützung angewandt. Ensemble-Deep-Learning-Methoden wurden eingesetzt, um die Genauigkeit der Empfehlungen von Pflanzen und Düngemitteln durch Integration der Krankheitsprognose zu verbessern, was eine bessere Leistung als Einzelmodell-Ansätze^zeigt. Empfehlungssysteme mit maschinellem Lernen, die Entscheidungsbäume und Unterstützungsvektormaschinen verwenden, wurden ebenfalls entwickelt, um Pflanzen, Düngemittel und Krankheitsbehandlungen vorzuschlagen und gleichzeitig das Feedback der Landwirte für eine verbesserte Anpassungsfähigkeit^{einzubeziehen 2}.

Zur Krankheitserkennung haben hybride CNN-Modelle in Kombination mit Merkmalsextraktionstechniken wie CLAHE und GLCM die Genauigkeit der Reiskrankheitsklassifikation^{verbessert um 3}. Andere Ansätze haben Clustering und Random Forest-Algorithmen mit texturbasierter Merkmalsextraktion verwendet, um die Krankheitserkennung zu verbessern⁴. Deep-Learning-Modelle, insbesondere CNNs und Transfer-Learning-Architekturen, haben eine hohe Genauigkeit bei der Erkennung von Pflanzenkrankheiten erreicht und Echtzeit- und Smartphone-basierte Diagnosesysteme^ermöglicht. Traditionelle Bildverarbeitungs- und Klassifikationsbaummethoden unter Verwendung von Farb-, Textur- und Formmerkmalen haben ebenfalls eine effektive Krankheitserkennung mit geringerer Rechenkomplexität ^8,9 gezeigt.

Ensemble-Lernen wurde in Pflanzenempfehlungssystemen weit verbreitet eingesetzt, indem Klassifikatoren wie Random Forest, Naïve Bayes und Support Vector Machines kombiniert wurden, um die Vorhersagegenauigkeit und Robustheit¹⁰ zu verbessern. CNN-basierte Modelle wurden auch zur Erkennung von Reiskrankheiten verwendet und in IoT-Systeme für Echtzeit-Agrarempfehlungen^{integriert 11}. Maschinelle Lernmodelle wie K-Nearest Neighbors und Regressionstechniken wurden in predictiven Entscheidungsunterstützungssystemen^{angewandt 12}. Darüber hinaus wurden Empfehlungssysteme für Pflanzen auf Basis von Boden-, Saison- und Produktivitätsfaktoren entwickelt, um datengetriebene landwirtschaftliche Entscheidungen zu unterstützen ¹³.

Studien haben zudem Reisproduktionsbeschränkungen und Strategien zum Krankheitsmanagement untersucht und die Bedeutung nachhaltiger Krankheitskontrolle und verbesserter landwirtschaftlicher Praktiken hervorgehoben¹⁴. Die meisten bestehenden Studien konzentrieren sich jedoch ausschließlich auf die Erkennung der Krankheit oder die Pflanzenempfehlung einzeln, und nur sehr wenige integrieren Krankheitsklassifikation, Wachstumsphasenvorhersage und Behandlungsempfehlung in ein einziges Entscheidungsunterstützungssystem. Diese Lücke unterstreicht die Notwendigkeit eines integrierten und praktischen Rahmens für landwirtschaftliche Entscheidungsunterstützung¹⁵.

Die Neuheit dieser Forschung liegt nicht nur in der Krankheitsklassifikation, sondern auch in der Entwicklung eines vollständigen Entscheidungsunterstützungssystems für das Management von Reiskrankheiten¹⁶. Das vorgeschlagene System integriert die Vorhersage des Wachstumsstadiums von Reisblättern, die Krankheitsklassifikation mittels eines Ensembles von Deep-Learning-Modellen sowie eine wachstumsstadiumspezifische Behandlungsempfehlung. Im Gegensatz zu bestehenden Studien, die sich ausschließlich auf die Krankheitserkennung konzentrieren, verknüpft diese Arbeit die Krankheitsprognose mit umsetzbaren Behandlungsratschlägen basierend auf der^{Pflanzenwachstumsstufe 17}. Dieser integrierte Ansatz macht das System praktischer für den realen landwirtschaftlichen Einsatz und unterstützt die Präzisionslandwirtschaft, indem er zeitnahe und stufengerechte Interventionen bereitstellt¹⁸.

Das Hauptziel der jeweiligen Forschung ist es, das nächste Tiefen-Learning-System zu schaffen, um die Reisblattkrankheit frühzeitig zu erkennen und die Wachstumsstadien des Blattes präzise vorherzusagen sowie die Behandlung rechtzeitig sowie selektiv zu empfehlen. Das System erreicht eine hohe Genauigkeit in der Krankheitsklassifikation von 98,99 durch Feintechnik und die Zusammenstellung modernster Modelle wie CNN, VGG16, ResNet50, InceptionV3, MobileNetV2 und andere. Es enthält ein neuronales Netzwerk, das die Wachstumsphase vorhersagt und spezifische Herbizid- oder Pestizid-Empfehlungen für die Analyse gibt. Die Technologie steht Landwirten über eine benutzerfreundliche Streamlit-Webanwendung zur Verfügung, die Echtzeit-Vorhersagen sowie Behandlungsratschläge ermöglicht. Die Studie sollte Entscheidungen im Zusammenhang mit dem Krankheitsmanagement durch zeitnahe Vorhersagen und Behandlungsempfehlungen erleichtern, die möglicherweise auf agrarische Volkswirtschaften wie Indien anwendbar sind.

Obwohl mehrere Studien zur Erkennung von Pflanzenkrankheiten im Bereich maschinelles Lernen und Deep Learning durchgeführt wurden, versucht die Mehrheit der bestehenden Forschung eine Krankheitsklassifikation, ohne die Entwicklungsphase der Pflanze und Behandlungsvorschläge zu berücksichtigen. Es ist jedoch nicht so, dass in der tatsächlichen Landwirtschaft die Behandlungsanweisungen nicht nur auf der Art der Krankheit, sondern auch auf dem Stadium der Ernte zum Zeitpunkt der Behandlung basieren, da Grad und Art der Pestizide je nach Stadium der Ernte variieren. Nur sehr wenige Studien integrieren Krankheitserkennung, Wachstumsphasenvorhersage und Behandlungsberatung in einem automatisierten System. Um diese Lücke zu schließen, schlägt die aktuelle Studie eine kombinierte Deep-Learning-basierte Architektur vor, die die Blattphasen-Vorhersage von Reis, die Krankheitsklassifikation in einer Reihe von Deep-Learning-Modellen und die Empfehlung spezifischer Behandlungen basierend auf einer Wachstumsphase durch ein von Streamlit ausgeführtes Entscheidungsunterstützungssystem²⁰ integriert. Diese Integration ermöglicht es dem vorgeschlagenen System, in der realen Präzisionslandwirtschaft praktischer und nützlicher zu werden. Diese Studie schlägt einen stufenbewussten Krankheitsdiagnoserahmen vor, bei dem die Vorhersage der Wachstumsphase und die Klassifikation der Krankheit mit einem Behandlungsempfehlungsmodul kombiniert werden, um eine vollständige Entscheidungsunterstützungspipeline²¹ zu bilden.

Obwohl mehrere Deep-Learning- und Ensemble-Learning-Ansätze zur Erkennung von Pflanzenkrankheiten vorgeschlagen wurden, konzentrieren sich die meisten vorhandenen Studien ausschließlich auf die Krankheitsklassifikation und berücksichtigen nicht das Wachstumsstadium der Pflanze. In der praktischen Landwirtschaft hängen jedoch Behandlungsmethode, Art und Dosierung des Pestizids oft nicht nur vom Krankheitstyp, sondern auch vom Pflanzenwachstum ab. Bestehende Krankheitserkennungssysteme bieten keine stufenspezifischen Behandlungsempfehlungen, was ihre praktische Anwendbarkeit in der Präzisionslandwirtschaft einschränkt²². Darüber hinaus konzentrieren sich viele bestehende Studien ausschließlich darauf, die Klassifikationsgenauigkeit mit Deep-Learning-Modellen zu verbessern, integrieren das Vorhersagesystem jedoch nicht in einen praktischen Entscheidungsunterstützungsrahmen, der von Landwirten oder landwirtschaftlichen Experten genutzt werden kann. Um diese Einschränkungen zu beheben, schlägt diese Studie ein integriertes Entscheidungsunterstützungssystem vor, das die Vorhersage der Wachstumsphase von Reisblättern, die Krankheitsklassifikation mittels Ensemble-Lernen und die stufenspezifische Behandlungsempfehlung kombiniert. Das vorgeschlagene System ist als webbasierte Anwendung implementiert, um Echtzeit-Entscheidungen in der Landwirtschaft zu unterstützen²³.

Die Hauptbeiträge dieser Studie umfassen die Entwicklung eines auf Deep Learning basierenden Modells zur genauen Vorhersage der Wachstumsstadien von Reisblättern anhand von Bilddaten, was eine bessere Ernteüberwachung und -verwaltung ermöglicht. Es beinhaltet außerdem die Anwendung von Transfer-Learning-Techniken, um Reisblattkrankheiten effektiv zu klassifizieren, indem vortrainierte Modelle genutzt werden, was die Genauigkeit verbessert und die^{Trainingskomplexität um 24 %} reduziert. Um die Zuverlässigkeit der Krankheitserkennung weiter zu erhöhen, wird ein Ensemble-Learning-Ansatz angewandt, bei dem mehrere Modelle kombiniert werden, um eine überlegene Klassifikationsleistung zu erzielen. Darüber hinaus führt die Studie ein stufenspezifisches Behandlungsempfehlungssystem ein, das gezielte Lösungen sowohl auf der identifizierten Krankheit als auch auf dem Wachstumsstadium der Pflanze anbietet und so präzisere und effektivere landwirtschaftliche Maßnahmen gewährleistet. Schließlich sind all diese Komponenten in eine auf Streamlit basierende Webanwendung integriert, die eine benutzerfreundliche Plattform für Echtzeit-Entscheidungsunterstützung bietet und es Landwirten und Interessengruppen ermöglicht, einfach auf Vorhersagen und Empfehlungen zuzugreifen²⁵.

Protocol

Das folgende Protokoll veranschaulicht den Prozess der Entdeckung und Empfehlung von Reisblatt-Krankheiten Schritt für Schritt zum Aufbau und Einsatz von Empfehlungssystemen. Die ergriffenen Schritte müssen nacheinander angewendet werden, um die in diesem Artikel präsentierten Ergebnisse zu replizieren.

Datensatzvorbereitung

Paddy Leaves Stage-Datensatz: Diese Daten basierten auf PaddyNet4. Die Szene umfasst 560 Bilder, die in vier verschiedene Entwicklungsstufen klassifiziert sind, nämlich: Stufe 2, Stufe 3, Stufe 4 und Stufe 5. Die Klassifizierung hängt von der Farbe und Reife der Reisblätter ab, die wiederum von der Stickstoffkonzentration und anderen Faktoren sowie der Entwicklung der Pflanze abhängen. Der präsentierte Datensatz ist wichtig, um das richtige Stadium der Reispflanze zu erkennen (Abbildung 1). PaddyNet ist öffentlich über die Website von data.mendeley.com/datasets/ zugänglich. Paddy leaves Disease Dataset: Dieser Datensatz war als mehrere separate öffentlich zugängliche Datensätze auf Kaggle verfügbar und kombiniert zu einem einheitlichen Datensatz mit insgesamt 6.920 Bildern, von denen jedes zu einem der sechs Krankheitstypen gehörte, die auf (Abbildung 2) gezeigt werden. Behandlungsdatensatz: Der Datensatz wurde kritisch entwickelt, indem Informationen aus verschiedenen öffentlich zugänglichen Datensätzen abgerufen und integriert wurden und Daten zu verschiedenen Managementpraktiken von Reiskrankheiten in vier Wachstumsphasen²¹ enthalten sind. Das Hauptziel dieses Datensatzes ist es, Empfehlungen zur Vorbeugung und Kontrolle der Reiskrankheit zu erarbeiten. Die Daten sind eine der Ressourcen, die entscheidend sind, um die Krankheiten in den Reispflanzen zu bekämpfen, indem die richtigen Pestizide ausgewählt werden^{. 19,22,23,24,25}

Datenaugmentation

Die Datenerweiterung wurde genutzt, um den Trainingsdatensatz zu verbessern und Überanpassung zu reduzieren. Die in der aktuellen Studie verwendeten Augmentationsmethoden sind Rotation (bis zu 30), Breiten- und Höhenbewegung (bis zu 20%), Zoomen (bis zu 20%), Scheren und horizontales Umkippen. Der Einsatz dieser Augmentationsmethoden hilft dem Modell, die Grundlagen des Modells zu erfassen, und verbessert die Verallgemeinerung des Modells, wenn es auf unbekannten Daten getestet wird. Die Datenerweiterung erfolgte auf dem Trainingsdatensatz, während die Validierungs- und Testdatensätze unverändert blieben, um die faire Leistung des Systems zu überprüfen. Die Größe des ursprünglichen Datensatzes musste mit Daten erweitert werden, da die Größe des ursprünglichen Datensatzes recht klein ist, und der Ansatz war notwendig, um die Verallgemeinerung zu verbessern und Überanpassung zu minimieren, indem das Modell die Unterschiede in Orientierung, Maßstab und Position von Blattbildern eingeführt wurden.

Bildvorverarbeitung

Die gesammelten Stadien- und Krankheitsdaten wurden durch mehrere Vorverarbeitungsschritte geleitet, um die Daten konsistent zu machen und die Leistung der Modelle zu verbessern. Alle Bilder aus beiden Datensätzen wurden auf 128 × 128 × 3 skaliert, um eine praktikable Passung in jede Deep-Learning-Architektur zu gewährleisten. Die Pixelwerte wurden auf das Intervall [0,1] skaliert, um die Konvergenz beim Training zu beschleunigen. Außerdem wurden Krankheitsbezeichnungen und ihre Stadien in Zahlen umgewandelt, um das Modell effektiver zu bewerten und zu trainieren. Diese Vorverarbeitungsmethoden halfen, Features besser zu extrahieren, eine bessere Klassifikationsrate zu erzielen und die Robustheit des Modells gegenüber unterschiedlichen Umweltbedingungen zu gewährleisten. Die Größe des verwendeten Bildes, 128 × 128, wurde durch Berechnung und Funktionsverlust beeinträchtigt. Concrete Kleinere Bildgröße minimiert Trainingszeit und Rechenaufwand und eliminiert keine Informationen (visuelle Merkmale) zur Klassifizierung von Krankheit und Stadium bei Verwendung von Deep-Learning-Modellen.

Datensatzaufteilung

Die verarbeiteten Daten wurden in drei Teilmengen unterteilt (Tabelle 1): Trainingssatz (80 %), Validierungssatz (10 %), Testsatz (10 %). Um eine unausgewogene Verteilung der Klassen in allen drei Teilmengen zu vermeiden, wurde stratifizierte Zufallsstichproben verwendet, um sicherzustellen, dass sowohl der Stufendatensatz (560 Bilder) als auch der Krankheitsdatensatz (6.920 Bilder) eine gleichmäßige Verteilung der Klassen hatten. Es gab keine Datenlecks zwischen den Untermengen.

Modelltraining

Bei der Klassifikation des Wachstumsstadiums von Reisblättern und Krankheiten wurde die zweistufige Modelltrainingsmethode verwendet.

Stufenklassifikationsmodell

Die Klassifikationsmethode des Blattwachstumsstadiums hat vier Klassen und eine relativ geringe Datengröße, daher wurde die Architektur des Convolutional Neural Network (NN) nicht sehr erweitert, sondern als leicht eingestuft. Eine einfachere Architektur kann genutzt werden, um Überanpassung und Rechenleistung zu reduzieren, allerdings auf Kosten der hohen Genauigkeit bei der Klassifikation mit Farb- und Texturmerkmalen. Die neue CNN-Struktur wird drei Faltungsschichten unter Verwendung der ReLU-Aktivierungsfunktionen haben. Die Faltungsschichten werden mit den Max-Pooling-Schichten (2×2) abgewechselt, um die räumlichen Dimensionen zu verkleinern und die markanten Merkmale zu identifizieren. Die Feature-Maps durchlaufen eine Faltungsschicht, danach werden sie abgeflacht, und die vollständig verbundene dichte Schicht mit Dropout-Regularisierung wird durchgeführt, um Überanpassungen zu verhindern. Abschließend erfolgt die mehrklassige Klassifikation der vier Wachstumsphasen mithilfe einer Softmax-Ausgabeschicht. Der Adam-Optimierer, der eine Lernrate von 0,001 und kategorische Kreuzentropie als Verlustfunktion aufweist, wurde zum Training des Modells verwendet. Die Anzahl der Charge wurde auf 10 gesetzt, und das Modell wurde in 10 Epochen trainiert. Validierungsgenauigkeit und Validierungsverlust wurden ebenfalls verwendet, um die Leistung des Modells zu überwachen, da sie dazu dienen, sicherzustellen, dass das Modell verallgemeinert wird.

Krankheitsklassifikationsmodell basierend auf Ensemble-Lernen

Für die Krankheitsklassifikation wurde eine Reihe von Deep-Learning-Architekturen verwendet, um die Vorhersagegenauigkeit zu verbessern. Die anfängliche Entwicklung eines benutzerdefinierten CNN-Modells bestand aus vier Schichten, nämlich drei Faltungsschichten, drei Max-Pooling-Schichten, einer dichten, vollständig verbundenen Schicht und der Dropout-Regularisierung. MobileNetV2 verwendet tiefenweise separable Faltungen, invertierte Residualblöcke und invertierte Flaschenhalse mit linearem Rest. Das Modell hat eine kleine Größe von nur 3,4 Millionen Parametern und kann in einer ressourcenbegrenzten Umgebung verwendet werden. Die Modelle begannen, ImageNet-Aktivierungen zu verwenden, und die Faltungsschichten wurden eingefroren, sodass die gelernten Feature-Darstellungen nicht verloren gehen. Die Softmax-Klassifikationsschicht war an eine vollständig verbundene Schicht mit Dropout-Regularisierung befestigt. Alle Modelle wurden über 20 Epochen mit einer Chargengröße von 32 trainiert, und der Optimierer sowie der Verlust waren identisch mit denen des CNN-Modells. Um die Klassifikation zu verbessern, wurde die Method des durchschnittlichen Wahlensembles verwendet. Die Ergebnisse waren die durchschnittlichen Wahrscheinlichkeiten, die von allen fünf Modellen (CNN, VGG16, ResNet50, InceptionV3 und MobileNetV2) vorhergesagt wurden, um die endgültigen Klassenvorhersagen zu erhalten. Diese Kombinationstechnik war nützlich, um Verzerrungen in Modellen zu verringern und die Verallgemeinerung zu verbessern. Das letzte Kombinationsmodell war in der Klassifikation genauer. Der Grund für die Wahl des Ensemble-Ansatzes ist, dass das Erlernen der verschiedenen Merkmalsrepräsentationen mit demselben Datensatz durch die verschiedenen Deep-Learning-Modelle erfolgt. Das Ensemble verringert außerdem Modellverzerrung und -varianz und erhöht die Gesamtprognoseprobleme und die Gesamtverallgemeinerungsleistung im Vergleich zu unabhängigen Modellen.

Vorhersagestrategie

Im Prozess der Vorhersage der Reisblattkrankheit und der damit verbundenen Wachstumsphase wurde die ensemblebasierte Klassifikationsmethode verwendet. Die fünf Deep-Learning-Modelle (CNN, VGG16, ResNet50, InceptionV3 und MobileNetV2) wurden unabhängig voneinander trainiert, um die Krankheiten zu klassifizieren, und wurden mithilfe einer Methode des durchschnittlichen Wahlensembles zusammengefasst. Dieses Verfahren beinhaltete die Vorhersage der Wahrscheinlichkeiten jeder Krankheitskategorie aller Modelle sowie die durchschnittliche Wahrscheinlichkeitsverteilung, was die Präzision der Vorhersehbarkeit erhöht und die Verzerrung im Modell minimiert. Die endgültige Vorhersage wurde als die Krankheitsklasse mit der höchsten durchschnittlichen Wahrscheinlichkeit genommen. Außerdem wurde ein anderes CNN-basiertes Stufenklassifikationsmodell trainiert und verwendet, um die Wachstumsstufe des Reisblattes vorherzusagen. Beide Klassifikationsmodelle würden Eingabebilder der Größe 128x 128 aufnehmen, dann die Pixelwerte normalisieren und anschließend die Modelle verwenden, um eine Schlussfolgerung zu ziehen. Die endgültigen Vorhersagen sowohl für das Blattstadium als auch für die Krankheit wurden dann auf eine bestehende Reihe von Behandlungsempfehlungen übertragen, um eine valide Behandlung zur Krankheitsbehandlung anzubieten.

Beispielausgabe: "Blattstadium: 3, Krankheit: Tungro"

Behandlungsempfehlung

Um die Klassifikation der Reisblattkrankheit praktischer zu machen, wurde ein Behandlungsempfehlungssystem auf Basis von Streamlit in die Anwendung integriert. Das System nimmt die vorhergesagte Krankheits- und Blattphase, um gezielte Behandlungsempfehlungen zu geben, damit die Krankheit erfolgreich behandelt wird. Das Modell der Ensemble-Krankheitsklassifikation (einschließlich CNN, VGG16, ResNet50, InceptionV3 und MobileNetV2) klassifiziert die Krankheit, während das Modell zur Klassifizierung des Blattstadiums ein anderes Modell ist. Das modellierte Stadium des Blattes und der Krankheit wird mit den Behandlungsdaten verglichen und mit empfohlenen Dosierungen (Präventionsmaßnahmen und Anwendung von Pestiziden).

Methodischer Rahmen und Beitrag

Die Methodik des vorgestellten Systems ist eine Pipeline aus mehreren Stufen, die Bildklassifikation und Entscheidungsunterstützung kombiniert. Das Rahmenwerk besteht aus fünf großen Schritten, nämlich der Förderung von Bildern und Augmentation, der Vorhersage der Blattwachstumsphase, der Verwendung von auf den Bildern trainierten Deep-Learning-Modellen zur Klassifizierung der Krankheit, der Kombination der Vorhersageergebnisse zur Zusammenstellung einer Ensemble-Entscheidung sowie der Empfehlung der Behandlung basierend auf Art und Wachstumsstadium einer Erkrankung. Der methodische Beitrag dieser Arbeit richtet sich auf die Implementierung vieler Prädiktionsmodelle und eines Behandlungsempfehlungsmoduls in eine Entscheidungsunterstützungspipeline. Das System basiert nicht nur auf der Klassifizierung von Krankheiten, sondern auch darauf, die Informationen über das Pflanzenwachstumsstadium einzubeziehen, um Behandlungsempfehlungen in einem bestimmten Stadium zu geben. Das System ist für den Prozess der landwirtschaftlichen Entscheidungsfindung in der realen Welt relevanter wegen dieser stufenbewussten Empfehlungsstrategie. Das Eingabebild wird zunächst vorbearbeitet, bevor es durch das Stufenklassifikationsmodell und die Krankheitsklassifikationsmodelle eingespeist wird. Die Ergebnisse des Krankheitsmodells werden mittels einer Ensemble-Technik gemittelt, und die Krankheitsprognose sowie die Wachstumsphase werden bis zum Ende durchgeführt, um korrekte Behandlungsempfehlungen basierend auf der Identifikation relevanter Behandlungsunterlagen in der Behandlungsdatenbank zu erhalten.

Validierungsstrategie und Überanpassungsprävention

Um eine strenge Validierung der entwickelten Modelle zu gewährleisten, wurde der Datensatz in drei disjunktive Teilmengen aufgeteilt: Trainingssatz (80 %), Validierungssatz (10 %) und Testsatz (10 %). Die Modelle wurden mit dem Trainingssatz trainiert, mit dem Validierungssatz optimiert und ihre Endleistung ausschließlich anhand des Testsets bewertet. Der Testsatz blieb völlig unabhängig, um eine unparteiische Analyse des Modells zu ermöglichen. Die folgenden Methoden wurden verwendet, um sicherzustellen, dass das Modell nicht überangepasst wird und seine Fähigkeit zur Verallgemeinerung zu verbessern. Um die Vielfalt im Datensatz zu erhöhen, wurden zunächst Datenaugmentationsmethoden (Rotation, Zoomen, Verschiebung, Scherung und horizontales Umdrehen) verwendet. Zweitens wurde in den vollständig verbundenen Schichten der CNN-Modelle die Dropout-Regularisierung eingesetzt, um Überanpassung zu reduzieren. Drittens wurden vortrainierte Modelle (VGG16, ResNet50, InceptionV3 und MobileNetV2) mit der Technik der eingefrorenen Faltungsschichten übertragen, um die erlernten Merkmale zu erhalten und das Risiko von Überanpassung durch die geringe Datengröße zu minimieren. Schließlich wurden Validierungsverlust und Genauigkeit verwendet, um die Modellleistung während des Trainings zu überwachen und sicherzustellen, dass das Modell nicht überangepasst an die Trainingsdaten angepasst wird. Dies sind die Validierungs- und Regularisierungsschemata, die sicherstellen, dass das vorgeschlagene Modell sehr gut auf unsichtbare Daten verallgemeinert wird und eine gute Leistung bietet.

Vorgeschlagenes System

Die vorgeschlagene Lösung ist eine Deep-Learning-Lösung für das Management von Reisblattkrankheiten, die die Blattstadium-Vorhersage und Klassifizierung der Krankheit einschließt. Es beginnt mit der Vorverarbeitung von Reisblattbildern, indem sie auf eine gemeinsame Höhe und die Pixelwerte angepasst werden. Das Blattwachstum wird mittels eines neuronalen Netzwerks vorhergesagt, und eine durchschnittliche Abstimmungstechnik wird verwendet, um ein Ensemble von Deep-Learning-Modellen (CNN, VGG16, ResNet50, InceptionV3, MobileNetV2) zur Klassifikation von Krankheiten zu verwenden. Das System nutzt das vorhergesagte Stadium und die Krankheit, um die richtigen Dosen von Herbiziden oder Pestiziden für die Behandlung zu verschreiben. Der Arbeitsablauf des vorgeschlagenen Systems ist in (Abbildung 3) dargestellt. Die vorherigen Unterabschnitte (A bis I) erklären jedes einzelne Element dieser Pipeline, weshalb hier keine weiteren Beschreibungen gegeben werden. Die in dieser Studie entwickelte Streamlit-basierte Anwendung ist ein Prototyp-Entscheidungsunterstützungstool, das die praktische Anwendbarkeit des vorgeschlagenen Modells demonstrieren soll. Das System ermöglicht es Nutzern, Bilder von Reisblättern hochzuladen und Krankheitsvorhersagen, Informationen zu Wachstumsstadien und Behandlungsempfehlungen zu erhalten. Großflächige Benutzerfreundlichkeitstests und Feldeinsätze mit Landwirten werden im Rahmen zukünftiger Arbeiten zur Bewertung der realen Effektivität und Benutzerfreundlichkeit des Systems durchgeführt.

Results

Stufenklassifikationsmodell

Das Stufenvorhersagemodell erreichte eine Trainingsgenauigkeit von 95,88 % (Verlust: 0,1172) und eine Validierungsgenauigkeit von 95,24 % (Verlust: 0,1751), was darauf hindeutet, dass das Modell konsequent lernt und faire Vorhersagen trifft, wenn es auf unsichtbare Validierungsproben angewendet wird. Eine Validierungsgenauigkeit von 95,24 % wurde erreicht, mit einem Validierungsverlust von 0,1751. Das Modell erreich...

Discussion

Die aktuelle Studie schlägt ein neuartiges Entscheidungsunterstützungssystem vor, das die Vorhersage des Wachstumsstadiums von Reisblättern, die Klassifizierung der Krankheiten mit Hilfe eines Ensembles von Deep-Learning-Modellen (VGG16, MobileNetV2 und ResNet50) sowie eine stufenbasierte Behandlungsempfehlung auf Basis einer webbasierten Anwendung umfasst. Das Ensemble-Modell erreichte eine Genauigkeit von 98,99 % in der Klassifikation, was höher ist als die einzelner Modelle, wie zuvor...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Datensatz	Paddy Leaf Stage Dataset (PaddyNet4)	560 Bilder über 4 Wachstumsstadien hinweg (Phase 2 & Strich; 5)
Datensatz	Datensatz für die Reislaubkrankheit	6920 Bilder aus 6 Krankheitsklassen von Kaggle
Datensatz	Behandlungsdatensatz	Zusammengestellter Datensatz mit Krankheitsmanagementpraktiken nach Wachstumsstadium
Vorverarbeitung	Bildgrößenanpassung	Bilder auf 128x128x3 verkleinert
Vorverarbeitung	Normalisierung	Pixelwerte skaliert auf [0,1]
Vorverarbeitung	Label-Codierung	Kategorische Bezeichnungen in numerische umgewandelt
Augmentation	Rotation	Bis zu 30 Grad
Augmentation	Breiten-/Höhenverschiebung	Bis zu 20 %
Augmentation	Zoom	Bis zu 20 %
Augmentation	Schere & Flip	Scheren und horizontales Umkippen
Modell	CNN (Stufenklassifikation)	Leichtes CNN mit 3 Konv-Schichten
Modell	CNN (Krankheitsklassifikation)	Benutzerdefiniertes CNN mit Conv + Pooling-Schichten
Modell	VGG16	Transfer-Learning-Modell
Modell	ResNet50	Transfer-Learning-Modell
Modell	InceptionV3	Transfer-Learning-Modell
Modell	MobileNetV2	Leichtes Transferlernmodell
Technik	Ensemble-Lernen	Durchschnittliche Wahrscheinlichkeitsabstimmung von 5 Modellen
Technik	Transfer Learning	Verwendung von vortrainierten ImageNet-Gewichten
Technik	Regularisierung des Abbruchs	Um Überanpassungen zu verhindern
Ausbildung	Optimierer	Adam (Lernrate 0,001)
Ausbildung	Verlustfunktion	Kategorische Kreuzentropie
Ausbildung	Chargengröße	10 (Stufenmodell), 32 (Krankheitsmodelle)
Ausbildung	Epochen	10 (Stadium), 20 (Krankheit)
Bewertung	Metriken	Genauigkeit, Präzision, Rückruf, F1-Score
Einsatz	Strombeleuchtet	Webanwendung für Echtzeitvorhersage