מאמר מחקר

למידת העברה ופילוח UNet לסיווג מחלות עלי אורז כפתרון עם ממשק ידידותי למשתמש למשתמשים שאינם טכניים

DOI:

10.3791/68861

⸱

24 באוקטובר 2025

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

במאמר זה

סיכום

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

פרוטוקול זה מתאר צינור למידה עמוקה מבוסס תמונה לסיווג מחלות עלי אורז. הוא משלב פילוח מבוסס UNet ומודלים של למידת העברה כדי לשפר את הדיוק. הגישה תומכת בזיהוי מחלות אוטומטי וכוללת ממשק משתמש לפריסה מעשית, המסייעת לאנשים שאינם מומחים בזיהוי בעיות בגידולי אורז.

תקציר

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

אורז הוא יבול מזון חיוני התומך במיליארדי אנשים ברחבי העולם, וגידול אורז חיוני ליציבות הכלכלית של מדינות רבות, ומשמש כתורם מרכזי להכנסה ולתעסוקה בקהילות חקלאיות, במיוחד ברחבי אסיה. למרות חשיבותו, גידול האורז מעוכב על ידי מחלות עלים שונות כגון טונגרו, דלקת נדן (SB), אורז היספה (PH), פיצוץ צוואר (NB), כתם חום צר (NBS), כווית עלים (LS), פיצוץ עלים (LB), כתם חום (BS) ודלקת עלים חיידקית (BLB), כולם משפיעים לרעה על היבול ואיכות התבואה. כדי להתמודד עם סוגיות אלה, מחקר זה מציע גישת למידה עמוקה מותאמת אישית המבוססת על למידת העברה. שישה דגמים נפרדים הוערכו, כאשר דגם ה-DenseNet-121 המותאם סיפק את הביצועים הטובים ביותר, והשיג דיוק של 0.98, דיוק של 0.97 וזיכרון של 0.96. כדי לשפר את ביצועי המודל, פילוח תמונה בוצע באמצעות מודל UNet, ששיפר משמעותית את הדיוק על ידי יצירת מערך נתונים של תמונה מפולחת. ששת המודלים נבדקו על שני מערכי נתונים: האחד מכיל תמונות מפולחות והשני עם תמונות לא מפולחות, שניהם נגזרים ממערך הנתונים לזיהוי מחלות עלי אורז. בנוסף, פותח ממשק גרפי פשוט ואינטואיטיבי המאפשר למשתמשים ללא רקע טכני לקיים אינטראקציה נוחה עם המודל ולזהות מחלות עלי אורז. פתרון משולב זה מדגיש את היעילות של למידה עמוקה במתן שיטות אמינות וניתנות להרחבה לסיווג מחלות עלי אורז.

מבוא

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

אורז הוא אבן פינה של החקלאות העולמית, מקיים מיליארדי אנשים ומהווה את עמוד השדרה הכלכלי של מדינות רבות, במיוחד באסיה, שם הוא מהווה חלק ניכר מצריכת המזון והפרנסה1. עם זאת, ייצור בר-קיימא של אורז נמצא תחת איום הולך וגובר עקב גורמים ביולוגיים וסביבתיים שונים, כאשר מחלות עלים הן בין האתגרים הקריטיים ביותר. מחלות כגון דלקת עלים חיידקית, כתם חום ופיצוץ אורז 2,3 עלולות להפחית משמעותית את תפוקת היבול, לפגוע באיכות התבואה ולהוביל להפסדים כספיים משמעותיים לחקלאים4.

כדי לטפל בבעיות אלה, הסיווג של מחלות עלי אורז הפך לכלי חיוני בפתולוגיה של צמחים5. זיהוי מוקדם ומדויק של מחלות כאלה מאפשר התערבות בזמן, הפחתת התפשטות והשפעת הזיהומים. באופן מסורתי, משימה זו מסתמכת על בדיקה ויזואלית של מומחה, שאמנם יעילה בסביבות בקנה מידה קטן, אך סובלת ממגבלות כמו סובייקטיביות, אינטנסיביות עבודה ויכולת הרחבה מוגבלת על פני שטחים חקלאיים גדולים.

ההתקדמות האחרונה בלמידת מכונה (ML) ולמידה עמוקה (DL) שינו באופן משמעותי את האופן שבו מחלות צמחים מזוהות ומסווגות טכנולוגיות אלו משתמשות בתמונות ברזולוציה גבוהה של עלים נגועים כדי לאפשר זיהוי אוטומטי, ניתן להרחבה ומדויק של מחלות. אוטומציה כזו משפרת את העקביות, מפחיתה טעויות אנוש ותומכת בקבלת החלטות בזמן אמת עבור חקלאים6.

מספר מחקרים עכשוויים חקרו גם גישות חדשניות לשיפור האבחון החקלאי. לדוגמה, מחקרים ברמת RNA כגון דיכוי הגנה בתיווך circANK פתחו אפיקים ביולוגיים חדשים בהבנת מחלות אורז7, בעוד שמסגרות מבוססות ראייה כמו פילוח מופע דו-מסלולי, לזיהוי שורות אורז הראו את התועלת של למידה עמוקה בחקלאות מדויקת8. יתר על כן, עבודות אחרונות כגון TMFF: Trustworthy Multi-Focus Fusion לסיווג מרובה תוויות בסביבות חזותיות מורכבות מדגישות את החשיבות הגוברת של מודלים היברידיים וחזקים של DL לפריסה בעולם האמיתי9.

מונע על ידי התפתחויות אלה, מחקר זה מקדם את סיווג מחלות עלי האורז על ידי שילוב פילוח מבוסס UNet עם מודלים של למידת העברה עמוקה. גישה זו שואפת לבודד אזורים חולים בצורה מדויקת יותר ולסווג אותם באמצעות רשתות יעילות שהוכשרו מראש. על ידי התייחסות למגבלות של שיטות ידניות מסורתיות ושיפור מיקוד המודל באמצעות סגמנטציה, עבודה זו תורמת לשיפור ביצועי הסיווג, תמיכה בשיטות חקלאות בנות קיימא וחיזוק מערכות ביטחון תזונתי10.

מתווה סיווג מחלת עלי האורז

לאורז יש חשיבות שאין שני לה כגידול בסיסי, המאכיל יותר מ-50% מאוכלוסיית העולם ומשמש כמנוע כלכלי מרכזי עבור מדינות מתפתחות רבות, במיוחד באסיה11. מעבר לתפקידו בביטחון תזונתי, גידול האורז מוטמע עמוק בפרקטיקות תרבותיות וחברתיות באזורים רבים, מה שהופך את הייצור המתמשך שלו לעדיפות עבור ממשלות ובעלי עניין חקלאיים. עם זאת, ייצור האורז טומן בחובו אתגרים, וביניהם, מחלות עלים ממשיכות לסכן הן את הפרודוקטיביות והן את האיכות של גידולי האורז. בעיות נרחבות כמו דלקת עלים חיידקית, כתם חום ופיצוץ אורז תורמות לאובדן יבול ניכר12, משפיעות על ייצור האורז העולמי ומכבידות על הכלכלות התלויות במידה רבה במצרך זה.

סיווג מחלות עלים הוא מרכיב חיוני בניהול החקלאות המודרנית, מכיוון שהוא מספק את הבסיס לאמצעי בקרת מחלות בזמן ויעילים. זיהוי בזמן מאפשר לחקלאים לשלוט בהתפשטות מחלות, לעשות שימוש יעיל באגרוכימיקלים ולהימנע מנזק משמעותי ליבול. באופן קונבנציונלי, תהליך זה היה תלוי בבדיקה ויזואלית שבוצעה על ידי אנשי מקצוע חקלאיים מיומנים. בעוד ששיטה זו יכולה להיות יעילה, היא עתירת עבודה, גוזלת זמן ותלויה מאוד ברמת המיומנות של הצופה. יתר על כן, בפעולות חקלאיות בקנה מידה גדול, בדיקה ידנית הופכת לעתים קרובות לבלתי מעשית, במיוחד כאשר קשה לזהות תסמינים עדינים בשלבים הראשונים של ההדבקה13.

הופעתן של מערכות אוטומטיות לסיווג מחלות עלים חוללה מהפכה באבחון החקלאי14. מערכות אלו ממנפות את ההתקדמות בטכנולוגיות הדמיה ו-DL כדי לספק פתרונות ניתנים להרחבה15,יעילים 16 ומדויקים ביותר17. עיבוד תמונה (IP), בשילוב עם מודלים של ML ו-DL, יכול לעבד תמונות ברזולוציה גבוהה של עלי אורז כדי לזהות תסמיני מחלה, ולעתים קרובות עולה על השיטות המסורתיות בדיוק ובמהירות. על ידי אוטומציה של תהליך הסיווג, מערכות אלו מאפשרות לחקלאים ולאנשי מקצוע בתחום החקלאות לקבל החלטות מונחות נתונים, להפחית את התלות במומחיות אנושית ולמזער את הסיכון לטעויות.

סיווג מחלות עלי אורז לא רק מבטיח פרודוקטיביות גבוהה יותר והפחתת הפסדים, אלא גם תורם למטרות הרחבות יותר של חקלאות בת קיימא. על ידי מתן אפשרות לזיהוי מדויק של מחלות18, טכנולוגיות אלה מסייעות באופטימיזציה שלהשימוש בחומרי הדברה, ובכך ממזערות את ההשפעה הסביבתית ומקדמות20 שיטות חקלאות ידידותיות לסביבה. יתר על כן, שילוב מערכות אלה עם יישומים ניידים וכלי חישה מרחוק מרחיב את טווח ההגעה שלהן לחקלאים קטנים בסביבות מוגבלות במשאבים, ומטפח הכללה ושוויון בהתקדמות החקלאית21.

חשיבותו של האורז כגידול עולמי מדגישה את הצורך בשיטות חזקות, אמינות ונגישות לסיווג מחלות עלים22. באמצעות פריסת טכנולוגיות אלה, המגזר החקלאי יכול להתמודד עם אחד האתגרים הדחופים ביותר שלו, להבטיח את החוסן והקיימות של ייצור האורז מול הביקוש הגובר והאילוצים הסביבתיים.

טכניקות מידול

השיטה המוצעת לסיווג מחלות עלי אורז משלבת טכניקות מתוחכמות שונות לשיפור הדיוק והיעילות:

פילוח תמונה: השלב הראשון כולל פילוח תמונות העלים כדי לבודד את אזור העלה מהרקע. שלב זה מפחית את המורכבות החישובית על ידי הסרת חלקים לא רצויים23,24 מהתמונה ומשפר את המיקוד בדפוסים רלוונטיים, מה שמוביל לדיוק טוב יותר.

חילוץ תכונות: מאפיינים מחולצים מהתמונות המפולחות, ולוכדים פרטים קריטיים על תסמיני המחלה25. תכונות אלה מהוות את הבסיס למודל הסיווג, ומאפשרות לו להבחין ביעילות בין עלים בריאים לחולים.

למידת העברה: למידת העברה משמשת למינוף ידע ממודלים שהוכשרו מראש, מה שממזער מאוד את הצורך בהכשרה נרחבת על מערכי נתונים חדשים. גישה זו מאיצה את תהליך הפיתוח תוך שמירה על דיוק ויעילות גבוהים26.

מודל סיווג מקצה לקצה: בניגוד לשיטות מסורתיות המשתמשות בלמידת העברה אך ורק לחילוץ תכונות, המתודולוגיה המוצעת משלבת מסגרת סיווג מקצה לקצה. גישה הוליסטית זו משלבת חילוץ וסיווג תכונות27,28 בצינור חלק, ומבטיחה ביצועים מיטביים.

מדדי הערכה: מספר מדדי הערכה מיושמים כדי לנתח את ביצועי המודל29, ומספקים מידע מפורט על הדיוק, הדיוק, הזיכרון והיעילות הכוללת שלו. ניתוח מקיף זה מסייע לקבוע ביעילות את האמינות וההתאמה של הדגם.

פערי מחקר

למרות ההתקדמות המשמעותית, נותרו אתגרים ומגבלות שונים בתחום סיווג מחלות העלים:

זיהוי ידני של מחלות עלים מסתמך במידה רבה על מומחים בתחום, מה שהופך אותו לסובייקטיבי ולא עקבי. אפילו עם ידע חזק בתחום, טעויות אנוש בגישות ידניות עלולות להוביל לאובדן יבול משמעותי.

שיטות ידניות הן עתירות עבודה ואינן מסוגלות לתפקד מסביב לשעון, מה שהופך אותן לבלתי מעשיות עבור ניטור בקנה מידה גדול או רציף.

המחקר בסיווג מחלות עלים הוא נרחב, אך מחקרים מוגבלים מאוד מתמקדים במיוחד בסיווג מחלות עלי אורז.

מחקרים קודמים30הזניחו בדרך כלל את השימוש בלמידת העברה לסיווג מחלות עלי אורז.

מודלים קיימים לרוב חסרים יכולת הכללה על פני תנאי סביבה משתנים וגרסאות מחלה, מה שמגביל את התועלת המעשית שלהם31.

מערכי נתונים המשמשים במחקרים הנוכחיים הם לרוב קטנים וחסרי גיוון, מה שמעכב ישימות רחבה יותר32.

על ידי טיפול בפערים אלה, מחקר זה נועד לקדם את תחום סיווג מחלות עלי האורז באמצעות טכניקות חדשניות ומתודולוגיות חזקות.

התרומות העיקריות של מחקר זה

מחקר זה מבקש למלא את הפערים הללו על ידי יצירה והערכה של שיטה מותאמת אישית מבוססת למידה עמוקה לסיווג מחלות עלי אורז. התרומות העיקריות כוללות:

שימוש בלמידת העברה למינוף משקולות מודל מאומנות מראש מאפשר השגת דיוק גבוה בפחות תקופות אימון.

הוכחה לכך שפחות תקופות אימון מפחיתות את הצורך בכוח חישובי גבוה, מה שהופך את השיטה לנגישה למשתמשים עם משאבי חישוב מוגבלים.

פיתוח מודל סיווג מקצה לקצה המשלב סגמנטציה, חילוץ תכונות וסיווג, תוך מתן פתרון כולל.

שימוש בפילוח נתונים וטכניקות אחרות כדי לשפר את יכולת ההכללה של המודל על פני מערכי נתונים מגוונים.

אתגרים פתוחים

למרות התוצאות המבטיחות שהושגו במחקר זה, נותרו אתגרים פתוחים. אתגרים אלה כוללים את הצורך במערכי נתונים גדולים ומגוונים יותר כדי לשפר את חוסן המודל33 ויכולת ההסתגלות34 על פני תנאי סביבה שונים35 וסוגי מחלות, שילוב נתונים רב-מודאליים כדי להגביר את דיוק החיזוי, ופריסת מודלים לשימוש בזמן אמת בתנאי שטח. יתר על כן, השגת איזון בין יעילות חישובית לביצועי המודל היא חיונית כדי להבטיח נגישות למשתמשי הקצה, במיוחד באזורים כפריים וחסרי משאבים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

תיאור מערך הנתונים

מערך הנתונים ששימש במחקר זה התקבל ממאגר Kaggle הזמין לציבור בשם Paddy Leaf Diseases Detection Dataset. הוא מורכב מ-18,545 תמונות של עלי אורז המסווגים ל-10 סוגי מחלות ומחלקה בריאה אחת. התמונות משתנות ברזולוציה וצולמו בתנאי תאורה וסביבה שונים.

עיבוד מקדים של תמונה

גודל כל התמונות השתנה ל-224 x 224 פיקסלים באמצעות הפונקציה tf.image.resize() של TensorFlow. אחידות זו מבטיחה תאימות לדרישות הקלט של דגמי CNN שהוכשרו מראש.: ערכי פיקסלים נורמלו לטווח [0,1] באמצעות פרמטר rescale=1./255 ב-Keras ImageDataGenerator. הגדלה (להדרכה בלבד): טכניקות כגון היפוך אופקי ואנכי, סיבוב (± 20°) וזום (עד 20%) יושמו באמצעות ImageDataGenerator כדי לשפר את ההכללה.

פילוח תמונה

מודל UNet שימש לפילוח תמונה כדי לבודד אזורי עלים חולים מעומס ברקע. ארכיטקטורת UNet נבנתה באמצעות ממשק API פונקציונלי של Keras עם שכבות מקודד-מפענח, חיבורי דילוג והפעלת ReLU. מסיכות סגמנטציה הוחלו על תמונות מקוריות באמצעות כפל פיקסלים (cv2.bitwise_and) כדי לשמור על תכונות רלוונטיות בלבד.

ארכיטקטורת מודל והדרכה

הדגמים הבאים שימשו כמסווגי עמוד שדרה: VGG16, ResNet50, InceptionV3, MobileNet, AlexNet ו-DenseNet121. מודלים מאומנים מראש (ב-ImageNet) יובאו עם include_top=False. נוסף ראש סיווג מותאם אישית, המורכב משכבת איגום ממוצעת גלובלית, שתי שכבות צפופות עם 128 ו-64 נוירונים (הפעלת ReLU), שכבת Dropout (קצב = 0.4), ושכבה צפופה סופית עם 11 יציאות והפעלת Softmax.

מערך ניסיוני

כל הניסויים נערכו באמצעות ההגדרות הבאות: סביבת תכנות: Python 3.11.5 עם TensorFlow ו-Keras, פלטפורמת ביצוע: Jupyter Notebook, חומרה: Intel Core i5-6300U, 8 GB RAM, Windows 11, גודל אצווה: 32, תקופות: 50, אופטימיזציה: אדם, קצב למידה: 0.0001, פונקציית אובדן: Crossentropy קטגורית, פונקציות הפעלה: ReLU לשכבות נסתרות, Softmax לשכבת הפלט הסופית.

מדדי הערכה

דיוק, דיוק, זיכרון וציון F1 חושבו באמצעות classification_report מ-sklearn.metrics. מטריצות בלבול שורטטו באמצעות confusion_matrix ו-seaborn.heatmap. הביצועים הוערכו הן בתמונות לא מפולחות והן בתמונות מפולחות של UNet לצורך הערכה השוואתית.

פיתוח ממשק משתמש גרפי

ממשק משתמש גרפי פשוט נוצר באמצעות ספריית Tkinter של Python. משתמשים יכולים להעלות תמונת עלה באמצעות ממשק המשתמש הגרפי, אשר מועבר לאחר מכן דרך המודל המאומן. מחלקת המחלה החזויה מוצגת על המסך, יחד עם ציון מהימנות.

יצירת סל נתונים

מערך הנתונים המשמש במחקר זה הוא מערך הנתונים הזמין לציבור של זיהוי מחלות עלי אורז מ-Kaggle36, הכולל בסך הכל 18,545 תמונות ברזולוציה גבוהה של עלי אורז המסווגים ל-10 סוגי מחלות ומחלקה בריאה אחת. התמונות צולמו בתנאי תאורה משתנים ובהגדרות סביבתיות מגוונות, מה שהופך את מערך הנתונים לייצוגי ביותר ומתאים לבניית מודלים חזקים של למידה עמוקה. מערך הנתונים הוא בגודל של כ-8.33 ג'יגה-בייט ומכיל את המחלקות הבאות: טונגרו, דלקת נדן (SB), פאדי היספה (PH), פיצוץ צוואר (NB), כתם חום צר (NBS), צריבה עלים (LS), פיצוץ עלים (LB), כתם בריא, חום (BS) ודלקת עלים חיידקית (BLB).

כדי להבטיח שחזור והערכת מודל יעילה, מערך הנתונים חולק באופן אקראי לקבוצות משנה של הדרכה (80%) ובדיקה (20%) תוך שמירה על התפלגות הכיתה. ערכת ההדרכה שימשה לאימון המודלים, בעוד שערכת הבדיקה נשמרה לאימות ביצועים על נתונים בלתי נראים. ההערכה התבססה על מדדי סיווג סטנדרטיים: דיוק, דיוק, זיכרון וציון F1, שסיפקו הערכה מקיפה של יכולת הסיווג של כל מודל. המחקר השווה שישה מודלים של למידה עמוקה: VGG16, ResNet, InceptionV3, MobileNet, AlexNet ו-DenseNet121, כאשר DenseNet121 מספק את הביצועים הטובים ביותר למשימה.

הפצת נתונים

סיווג המחלה בוצע באמצעות מודלים של למידה עמוקה שהוכשרו על מערך הנתונים. מערך הנתונים חולק לשתי תת-קבוצות: ערכת הדרכה וערכת בדיקות. ערכת ההדרכה שימשה ללימוד המודל, ואילו ערכת הבדיקות שימשה להערכת ביצועיו על נתונים שלא נראו בעבר. סיכום של התפלגות התמונה על פני עשר קטגוריות המחלות ומחלקת העלים הבריאים מסופק בטבלה 1. טבלה זו מספקת הבנה מקיפה של הסימפטומים החזותיים הקשורים לכל מחלה, ומקלה על אימון והערכה של מודלים לסיווג.

חלוקה זו מבטיחה ייצוג שוויוני של כל קטגוריית מחלה הן בשלבי ההכשרה והן בשלבי הבדיקה. ערכת ההדרכה כוללת את רוב התמונות, מה שמאפשר למודל ללמוד ביעילות את המאפיינים הייחודיים של כל כיתה. מערך הבדיקות, המורכב מתת-קבוצה קטנה יותר של תמונות, מבטיח הערכה אמינה של דיוק המודל ויכולתו להכליל לנתונים חדשים שלא נראים.

ההתפלגות המאוזנת והמגוונת של תמונות בין קטגוריות מבטיחה שלמודל יש מספיק נתונים כדי ללמוד את הדפוסים הייחודיים הקשורים לכל סוג מחלה, תוך הפחתת הסיכון להתאמת יתר או הטיה כלפי מחלקה מסוימת. פיצול נתונים זה חיוני להשגת תוצאות סיווג חזקות ואמינות.

ניקוי נתונים

בשלב העיבוד המקדים, ניקוי הנתונים חיוני כדי לשפר את הדיוק והיעילות של מודל הסיווג. תמונות עלי האורז הגולמיות כוללות לעתים קרובות אלמנטים לא רצויים ברקע כגון אדמה, צמחייה סמוכה או כלי חקלאות, שעלולים להכניס רעש ולפגוע בביצועים הכוללים של הדגם.

כדי לטפל בכך, פילוח תמונות בוצע באמצעות מודל UNet 37,38, ארכיטקטורת רשת עצבית קונבולוציונית ידועה שתוכננה במיוחד עבור משימות פילוח סמנטי. מודל UNET מסוגל לפלח אזורי עלים מהרקע בדיוק גבוה, ולהבטיח שרק החלקים הרלוונטיים של התמונות יישמרו להמשך עיבוד39. תהליך הפילוח הודגם באיור 1.

תהליך פילוח עם מודל UNet (איור 2): תמונות גולמיות ממערך הנתונים מוזנות למודל UNET. מודל UNET מורכב ממקודד המחלץ תכונות היררכיות ומפענח המשחזר את התמונה תוך פילוח אזור העלה. המודל מוציא מסיכה בינארית שבה אזור העלה מסומן, והרקע מוסר. התמונות המפולחות מעודנות עוד יותר על ידי יישום פעולות מורפולוגיות כדי להבטיח קצוות חלקים ולהסיר כל רעש שיורי (איור 3).

ניסוח מתמטי של פילוח UNet: UNet מבצעת פילוח סמנטי על ידי לימוד מיפוי ממרחב תמונת הקלט למסכה בינארית המדגישה את אזור העניין (ROI), כלומר אזור העלים החולה, תוך דיכוי הרקע הלא רלוונטי. תן:

figure-protocol-1ציין את תמונת ה-RGB הקלט בגודל H*W עם ערוצי צבע C=3.

figure-protocol-2להיות הפלט של מודל UNet המאומן, כאשר כל ערך פיקסל ב-M מייצג את ההסתברות שהפיקסל הזה שייך לאזור העלה החולה.

מסכת הפילוח הבינארית הסופית figure-protocol-3

כאשר τ [0,1] הוא סף הפילוח (מוגדר בדרך כלל ל-0.5).

התמונה figure-protocol-4 המפולחת מחושבת לאחר מכן כ:

figure-protocol-5

כאשר figure-protocol-6 מציין כפל לפי אלמנטים, המוחל באופן מרחבי על פני כל הערוצים. פעולה זו שומרת על ערכי פיקסלים בהחזר ההשקעה (כאשר figure-protocol-7) ומסתירה פיקסלים ברקע (כאשר figure-protocol-8). פלט מפולח זה מועבר כקלט למודל הסיווג (למשל, DenseNet121), ומאפשר לו להתמקד אך ורק בתכונות הרלוונטיות למחלה תוך התעלמות מאזורי רקע רועשים ולא אינפורמטיביים, מה שמשפר את ביצועי הסיווג והכללת המודל.

שלב עיבוד מקדים זה מבטיח שהשלבים הבאים של מיצוי וסיווג תכונות מבוצעים על נתונים נקיים ורלוונטיים, ובכך משפרים את הביצועים והאמינות הכוללים של מודל סיווג מחלות עלי האורז.

למידת העברה

למידת העברה משתמשת ברשתות עצביות מאומנות מראש כדי להתמודד עם בעיות חדשות אך קשורות, ומבטלת את הצורך בבניית מודלים מהיסוד. גישה זו ממנפת את הידע שנצבר ממשימות קודמות, ומאפשרת למידה יעילה40. מודלים מאומנים מראש מפותחים לרוב על מערכי נתונים נרחבים ובעלי יכולות חילוץ תכונות חזקות, מה שהופך אותם למתאימים לכוונון עדין של מערכי נתונים ספציפיים. זה מפחית את זמן האימון, מונע התאמת יתר ומשיג דיוק גבוה גם עם משאבי חישוב מוגבלים.

במחקר זה, נעשה שימוש בלמידת העברה לזיהוי מחלות עלי אורז על ידי הערכת מודלים שונים של למידה עמוקה שהוכשרו מראש. הארכיטקטורה שנחקרה בניסויים כוללת את VGG16, ResNet, InceptionV3, MobileNet, AlexNet ו-DenseNet121. כל אחד מהמודלים הללו הוכשר בתחילה על מערכי נתונים גדולים, כגון ImageNet, והמשקולות המאומנות מראש שלהם נוצלו בעבודה זו. כדי להתאים את הדגמים למשימת הסיווג, בוצעו השינויים הבאים:

שינוי דגם: השכבות המקוריות המחוברות (סיווג) של כל דגם הוסרו באמצעות הפרמטר include_top=False במהלך ייבוא המודל ב-Keras. זה הבטיח שרק הבסיס הקונבולוציוני (מחלץ תכונות) של כל מודל מאומן מראש נשמר. הפלט של בלוק הקונבולוציה האחרון שוטח לווקטור חד מימדי באמצעות שכבת Flatten().

שכבות צפופות: שלוש שכבות מחוברות במלואן (צפופות) צורפו בזו אחר זו לאחר שלב ההשטחה. שכבות אלו הוגדרו באמצעות פונקציית Keras Dense(): הראשונה עם 256 נוירונים והפעלת ReLU, השנייה עם 128 נוירונים והפעלת ReLU, והשלישית עם 64 נוירונים והפעלת ReLU. שכבת Dropout נוספה גם בין השכבות כדי להפחית התאמת יתר.

שכבת פלט: שלוש שכבות מחוברות במלואן (צפופות) צורפו בזו אחר זו לאחר שלב ההשטחה. שכבות אלו הוגדרו באמצעות פונקציית Keras Dense(): הראשונה עם 256 נוירונים והפעלת ReLU, השנייה עם 128 נוירונים והפעלת ReLU, והשלישית עם 64 נוירונים והפעלת ReLU. שכבת נשירה (שיעור 0.4) נוספה גם בין השכבות כדי להפחית התאמת יתר.

הצינור והזרימה הכוללים של המתודולוגיה, כולל עיבוד מקדים, סגמנטציה, יישום מודל למידת העברה והערכה, מתוארים באיור 4. איור זה מספק סקירה מקיפה של הצעדים שננקטו במחקר זה. על ידי שימוש בלמידת העברה, זמן ההכשרה צומצם בהצלחה, התלות במשאבים חישוביים מתקדמים צומצמה, והושגו שיפורים משמעותיים בביצועים בסיווג מחלות עלי האורז.

מודל DenseNet121 מוצע לסיווג מחלות עלים

מבין כל הדגמים שנבדקו, DenseNet121 הציג את הביצועים הטובים ביותר בסיווג מחלות עלי אורז, והשיג דיוק יוצא דופן. מודל למידה עמוקה חדשני זה נבדל על ידי הארכיטקטורה החדשנית שלו40, המקדמת זרימת מידע יעילה ומשפרת את השימוש החוזר בתכונות.

ארכיטקטורה של DenseNet121: DenseNet121 מאופיין בשכבות מחוברות בצפיפות, כאשר כל שכבה יכולה לגשת למפות התכונות מכל השכבות הקודמות. עיצוב זה מייעל את זרימת המידע, מפחית יתירות ומשפר משמעותית את היעילות הכוללת של המודל.

הארכיטקטורה מורכבת ממרכיבי המפתח הבאים:

שכבת קלט: מקבלת תמונות שגודלן השתנה ל-224 x 224 פיקסלים לעיבוד סטנדרטי.

שכבה קונבולוציונית ראשונית: מחילה פעולת קונבולוציה של 7 x 7 ואחריה איגום מקסימלי כדי להקטין את הממדים המרחביים ולחלץ תכונות ברמה נמוכה.

בלוקים צפופים: הדגם מכיל ארבעה בלוקים צפופים. כל בלוק מורכב ממספר שכבות קונבולוציוניות המחוברות בצורה צפופה, כלומר לכל שכבה יש גישה ישירה ליציאות של כל השכבות הקודמות בתוך הבלוק.

שכבות מעבר: שכבות אלה, הממוקמות בין בלוקים צפופים, מבצעות קונבולוציה של 1 x 1 ואחריה איגום ממוצע כדי להפחית את ממדי התכונה, ולשפר את היעילות החישובית.

איגום ממוצע כולל (GAP): מקטין את הממדים המרחביים של מפות תכונות לפני השכבות המחוברות במלואן.

שכבה מחוברת במלואה: מייצרת את וקטור הפלט לסיווג.

שכבות מותאמות אישית לסיווג: עבור מחקר זה, שכבות ברירת המחדל המחוברות במלואן הוחלפו בארכיטקטורה מותאמת אישית: שכבת שיטוח, שלוש שכבות צפופות (256, 128 ו-64 נוירונים עם הפעלת ReLU), ושכבה סופית המופעלת על ידי סיגמואיד לסיווג בינארי.

היכולת של DenseNet121 לעשות שימוש חוזר בתכונות והארכיטקטורה הקומפקטית שלה תרמו משמעותית לביצועים המעולים שלה במערך הנתונים של מחלת עלי האורז. יעילות זו, יחד עם יכולתו למזער התאמת יתר, הופכים אותו לאידיאלי עבור משימות עם נתוני אימון מוגבלים. DenseNet121 השיג דיוק והכללה טובים יותר מדגמים אחרים בשל תכונות השימוש החוזר בתכונות וזרימת השיפוע שלו. בעוד שמודלים כמו ResNet ו-VGG16 ביצעו ביצועים טובים, DenseNet121 עלה עליהם מבחינת דיוק ויעילות חישובית.

בכל המודלים, נכללו שלוש שכבות מחוברות (צפופות) תוך שימוש בפונקציות הפעלה של ReLU (כפי שמוצג במשוואה 1), שהגיעו לשיא בשכבה צפופה סופית עם הפעלת SoftMax (משוואה 2) כדי להקל על סיווג רב-מחלקתי. התאמה זו אפשרה לכל מודל לנצל ביעילות את המשקולות המאומנות מראש שלו תוך סיווג התמונות במערך הנתונים.

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

figure-protocol-9

כאשר xi מייצג את הקלט לפונקציית SoftMax, המותאמת לסיווג על פני עשר קטגוריות מחלות עלי אורז. הארכיטקטורה הייחודית של כל דגם, בשילוב עם שכבת פלט מותאמת אישית זו, אפשרה חילוץ תכונות יעיל וסיווג תמונה מדויק.

איור 5 מציג את הפריסה האדריכלית של DenseNet121, המציגה את הזרימה החלקה של מידע דרך הבלוקים הצפופים, שכבות המעבר ושכבות הסיווג המותאמות המשולבות במחקר זה. תיאור חזותי זה מבהיר כיצד DenseNet121 מטפל בקלט תמונה ומפיק פלטי חיזוי

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

עבור הניסויים שנערכו במחקר זה, המודל פותח באמצעות Python גרסה 3.11.5 ו-Jupyter Notebook במערכת הפעלה Windows 11. מסגרות הלמידה העמוקה העיקריות ששימשו היו ספריות TensorFlow ו-Keras. החומרה ששימשה למחקר זה הייתה מחשב HP עם מעבד Intel i5-6300U במהירות 2.50 ג'יגה הרץ, המצויד ב -8 ליבות.

מערך הנתונים חולק לשתי תת-קבוצות עיקריות: 80% לאימון ו-20% לבדיקה. בסך הכל, 15,023 תמונות הוקצו לאימון, בעוד ש-3,522 תמונות הוקצו לבדיקה. גישה זו מב...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

מחקר זה מציע מסגרת מבוססת למידה עמוקה לסיווג אוטומטי של מחלות עלי אורז באמצעות מערכי נתונים מפולחים ולא מפולחים. הגישה משלבת פילוח תמונות מבוסס UNet עם מודלים של למידת העברה, ומוכיחה כי פילוח משפר משמעותית את דיוק חילוץ התכונות והסיווג. מבין ששת הדגמים שהוערכו, ה-DenseNet-121 המותאם אישית השיג את הביצועים הגבוהים ביותר, עם דיוק של 0.98, דיוק של 0.97 וזיכרון של 0.96.

המחקר תורם לקידום התחום המדעי על ידי מתן פתרון מדרגי ומעשי לגילוי מוקדם ומדויק של מחלות עלי אור...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין מה לחשוף.

תודות

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

המחברים מודים למאמציו של Penugonda Seetha Rama Krishna על תרומתו להמשגה, למתודולוגיה ולהכנת כתב היד, ומודים מקרב לב לס.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מחשב HPHPמעבד Intel Core i5-6300U @ 2.5 GHz, 8 GB RAM
מחברת Jupyterקוד פתוחמשמש לביצוע קוד
מערך נתונים של Kaggle: זיהוי מחלות עלי אורזקאגלhttps://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
קראסקוד פתוחמשולב עם TensorFlow
פיתוןקרן התוכנה של פייתון3.11.5
TensorFlowגוגל2.x
מערכת הפעלה Windowsמיקרוסופטחלונות 11

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

DenseNet 121

מאמרים קשורים