שיטה מבוססת למידה עמוקה לזיהוי מחלות עלי אורז והמלצה לטיפול בשלב גדילה ספציפי

Summary

מחקר זה מציג שיטה מבוססת למידה עמוקה לחיזוי שלבי צמיחת עלי האורז ולסיווג מחלות, ומספק המלצות טיפול ספציפיות לשלב באמצעות מערכת תמיכה בהחלטות אוטומטית וידידותית למשתמש לניהול יעיל של מחלות גידולים.

Abstract

מחלות עלי האורז משפיעות משמעותית על תפוקת האורז ואיכותה, מה שהופך את הגילוי המוקדם והטיפול הנכון לחיוניים לחקלאות מדויקת. מחקר זה מציע מערכת תמיכה בהחלטות מבוססת למידה עמוקה לגילוי מחלות עלי אורז, חיזוי שלבי גדילה והמלצות טיפול ספציפיות לשלבים. מאגר הנתונים ששימש במחקר זה כולל תמונות של עלי אורז שנאספו ממקורות שונים ומסווגים לפי שלב גדילה וסוג מחלה. מערך הנתונים חולק לקבוצות אימון (80%), אימות (10%) ובדיקות (10%) כדי להבטיח הערכת מודל נכונה. לצורך חיזוי שלב הצמיחה, פותח מודל קל משקל של רשת עצבית קונבולוציונית (CNN), בעוד שסיווג מחלות בוצע באמצעות מודלים של למידת העברה, כולל VGG16, ResNet50, InceptionV3 ו-MobileNetV2. שיטת אנסמבל המבוססת על הצבעה ממוצעת בהסתברות שימשה לשיפור ביצועי הסיווג. המודלים הוערכו באמצעות דיוק, דיוק, שחזור וציון F1 בסט מבחן עצמאי. תוצאות הניסוי מראות שמודל האנסמבל השיג דיוק גבוה יותר בהשוואה למודלים בודדים, מה שהדגים עמידות והכללה משופרת. המערכת המוצעת יושמה כאפליקציית אינטרנט של Streamlit המספקת זיהוי מחלות, חיזוי שלבי גדילה והמלצות טיפול. המסגרת המשולבת המוצעת יכולה לתמוך בחקלאים ובמומחים חקלאיים בקבלת החלטות ניהול מחלות בזמן ומדויק.

Introduction

הודו, בהיותו כלכלה חקלאית, תלויה במידה רבה בחקלאות, כאשר האורז משמש כגידול עיקרי לחלק גדול מהאוכלוסייה. עם זאת, גידול אורז מושפע משמעותית ממחלות עלים כמו בלסט, דלקת עלים חיידקית, כתמים חומים ומחלת מעטפת, שמפחיתות את התפוקה וגורמות להפסדים כלכליים. גילוי מוקדם של מחלות אלו הוא חיוני, שכן שיטות בדיקה ידניות מסורתיות גוזלות זמן ולעיתים קרובות אינן מדויקות. כדי להתמודד עם בעיה זו, מחקר זה מציע מערכת תמיכה בהחלטות מבוססת למידה עמוקה לחיזוי שלב צמיחת עלי האורז, סיווג מחלות והמלצת טיפול. המערכת משתמשת במודל רשת עצבית לחיזוי שלב הצמיחה של עלה האורז ובמספר מודלים ללמידה עמוקה, כולל CNN, VGG16, ResNet50, InceptionV3 ו-MobileNetV2, לסיווג מחלות. מודלים אלו משולבים בגישת אנסמבל לשיפור הדיוק והעמידות, ומגיעים לדיוק סיווג של 98.99%. בהתבסס על המחלה החזויה ושלב הגדילה הצפוי, המערכת מספקת המלצות טיפול ספציפיות לשלב. המערכת המוצעת מיושמת כאפליקציית אינטרנט מבוססת Streamlit, המאפשרת למשתמשים להעלות תמונות עלים ולקבל תחזיות והמלצות בזמן אמת. גישה משולבת זו מספקת פתרון מעשי וניתן להרחבה לחקלאות מדויקת, המסייעת לחקלאים להפחית אובדן יבולים ולשפר את התפוקה.

מספר מחקרים יישמו טכניקות למידת מכונה ולמידה עמוקה להמלצות גידולים, גילוי מחלות ותמיכה בהחלטות חקלאיות. שיטות למידה עמוקה קבוצתית שימשו לשיפור דיוק המלצות גידולים ודשנים על ידי שילוב חיזוי מחלות, והראו ביצועים טובים יותר מגישות מודל בודד¹. מערכות המלצה מבוססות למידת מכונה המשתמשות בעצי החלטה ומכונות וקטוריות תומכות פותחו גם הן כדי להציע גידולים, דשנים וטיפולי מחלות תוך שילוב משוב מהחקלאים לשיפור ההסתגלות².

לצורך גילוי מחלות, מודלים היברידיים של CNN בשילוב עם טכניקות חילוץ תכונות כמו CLAHE ו-GLCM שיפרו את דיוק סיווג מחלת האוז³. גישות אחרות השתמשו באלגוריתמים של אשכולות ויער אקראי עם חילוץ תכונות מבוסס טקסטורה לשיפור ביצועי גילוי מחלות⁴. מודלים של למידה עמוקה, במיוחד CNN וארכיטקטורות למידת העברה, השיגו דיוק גבוה בזיהוי מחלות צמחים ואפשרו מערכות אבחון בזמן אמת ומבוססות סמארטפון ^5,6,7. שיטות מסורתיות לעיבוד תמונה וסיווג עצי המשתמשות במאפייני צבע, מרקם וצורה הראו גם הן זיהוי יעיל של מחלות עם מורכבות חישובית נמוכה^{יותר 8,9}.

למידה קבוצתית שימשה רבות במערכות המלצה לגידולים על ידי שילוב מסווגים כמו Random Forest, Naïve Bayes ו-Support Vector Machines לשיפור דיוק החיזוי והחוסן¹⁰. מודלים מבוססי CNN שימשו גם לזיהוי מחלות אורז ושולבו עם מערכות IoT להמלצות חקלאיות בזמן אמת¹¹. מודלים של למידת מכונה כמו K-Nearest Neighbors וטכניקות רגרסיה יושמו במערכות תמיכה בהחלטות חיזויי¹². בנוסף, פותחו מערכות המלצה לגידולים המבוססות על גורמי קרקע, עונתיות ותפוקה כדי לתמוך בהחלטות חקלאות מבוססות נתונים ¹³.

מחקרים גם בחנו מגבלות ייצור אורז ואסטרטגיות ניהול מחלות, והדגישו את חשיבות השליטה במחלות בת-קיימא ושיטות חקלאיות משופרות¹⁴. עם זאת, רוב המחקרים הקיימים מתמקדים רק בזיהוי מחלות או בהמלצת גידולים בנפרד, ומעטים מאוד משלבים סיווג מחלה, חיזוי שלב הגדילה והמלצת טיפול במערכת תמיכה בהחלטות אחת. פער זה מדגיש את הצורך במסגרת תמיכה חקלאית משולבת ומעשית^{בקבלת החלטות 15}.

החידוש במחקר זה אינו טמון רק בסיווג מחלות אלא גם בפיתוח מערכת תמיכה החלטה מלאה לניהול מחלות אורז¹⁶. המערכת המוצעת משלבת חיזוי שלב צמיחת עלי האורז, סיווג מחלות באמצעות אוסף מודלים של למידה עמוקה, והמלצת טיפול ספציפית לשלב הצמיחה. בניגוד למחקרים קיימים המתמקדים רק בגילוי מחלות, עבודה זו קושרת בין חיזוי מחלות להמלצות טיפול מעשיות המבוססות על שלב^{צמיחת הצמח 17}. גישה משולבת זו הופכת את המערכת לפרקטית יותר לשימוש חקלאי אמיתי ותומכת בחקלאות מדויקת על ידי מתן התערבות בזמן ומתאים לשלב¹⁸.

המטרה העיקרית של המחקר היא ליצור מערכת למידה עמוקה בשלב הבא שתזהה מוקדם יותר את מחלת עלי האורז ותחזות מדויקת את שלבי הצמיחה של העלה ולהמליץ על הטיפול בזמן, וכן באופן סלקטיבי. המערכת משיגה דיוק גבוה בסיווג מחלות של 98.99 באמצעות הנדסה עדינה והרכבת דגמים מתקדמים כגון CNN, VGG16, ResNet50, InceptionV3, MobileNetV2 בין היתר. הוא משלב רשת עצבית שמנבאת את שלב הצמיחה ונותן המלצות ספציפיות לקוטלי עשבים או חומרי הדברה בנוגע לניתוח. הטכנולוגיה זמינה לחקלאים דרך אפליקציית Streamlit ידידותית למשתמש המאפשרת חיזויים בזמן אמת וכן ייעוץ לטיפול¹⁹. המחקר אמור להקל על קבלת החלטות הקשורות לניהול מחלות באמצעות תחזיות בזמן והמלצות טיפול, האפשריות ליישוםן על כלכלות חקלאיות כמו הודו.

למרות שבוצעו מחקרים רבים על גילוי מחלות צמחים במונחים של למידת מכונה ולמידה עמוקה, רוב המחקרים הקיימים מנסים לסווג מחלות מבלי להתחשב בשלב ההתפתחות של הצמח ובהצעות לטיפול. עם זאת, לא נכון שבפועל בחקלאות הוראות הטיפול מבוססות לא רק על אופי המחלה אלא גם על השלב שבו הגידול נמצא בזמן הטיפול, שכן דרגת וסוג חומרי ההדברה משתנים בהתאם לשלב הגידול. מעט מאוד מחקרים כוללים גילוי מחלה, חיזוי שלב הגדילה והמלצות טיפול, הכל במערכת אוטומטית אחת. כדי לגשר על הפער הזה, המחקר הנוכחי מציע ארכיטקטורה משולבת מבוססת למידה עמוקה שתכלול חיזוי שלבי העלים של אורז, סיווג מחלות במערך מודלים של למידה עמוקה, והמלצה על טיפול ספציפי המבוסס על שלב צמיחה^{באמצעות מערכת תמיכה} בהחלטות המופעלת על ידי Streamlit. אינטגרציה כזו מאפשרת למערכת המוצעת להפוך למעשית ושימושית יותר בחקלאות מדויקת בעולם האמיתי. מחקר זה מציע מסגרת אבחון מחלות מודע לשלבים שבה חיזוי שלב הגדילה וסיווג המחלה משולבים עם מודול המלצות טיפול ליצירת צינור תמיכה בהחלטות^{מלא 21}.

למרות שהוצעו מספר גישות ללמידה עמוקה ולמידה קבוצתית לזיהוי מחלות צמחים, רוב המחקרים הקיימים מתמקדים רק בסיווג מחלות ואינם מתחשבים בשלב הצמיחה של הצמח. עם זאת, בחקלאות מעשית, שיטת הטיפול, סוג חומרי ההדברה והמינון תלויים לעיתים לא רק בסוג המחלה אלא גם בשלב הצמיחה של הצמח. מערכות גילוי מחלות קיימות אינן מספקות המלצות טיפול ייעודיות לשלבים, מה שמגביל את היישום המעשי שלהן בחקלאות מדויקת²². יתרה מזאת, מחקרים קיימים רבים מתמקדים רק בשיפור דיוק הסיווג באמצעות מודלים של למידה עמוקה, אך אינם משלבים את מערכת החיזוי במסגרת תמיכה מעשית לתמיכה בהחלטות שניתן להשתמש בה על ידי חקלאים או מומחים חקלאיים. כדי להתמודד עם מגבלות אלו, מחקר זה מציע מערכת תמיכה בהחלטות משולבת המשלבת חיזוי שלב צמיחת עלי האורז, סיווג מחלות באמצעות למידה קבוצתית והמלצת טיפול ספציפית לשלב מסוים. המערכת המוצעת מיושמת כאפליקציה מבוססת רשת לתמיכה בקבלת החלטות חקלאית בזמן אמת²³.

התרומות העיקריות של מחקר זה כוללות פיתוח מודל מבוסס למידה עמוקה לחיזוי מדויק של שלבי הגדילה של עלי האורז באמצעות נתוני תמונה, המאפשר ניטור וניהול טובים יותר של הגידולים. הוא כולל גם יישום טכניקות למידת העברה לסיווג יעיל של מחלות עלי אורז באמצעות מודלים מאומנים מראש, שיפור הדיוק תוך הפחתת מורכבות האימון²⁴. כדי לשפר עוד יותר את אמינות גילוי המחלות, נעשה שימוש בגישת למידה קבוצתית, המשלבת מספר מודלים להשגת ביצועי סיווג מעולים. בנוסף, המחקר מציג מערכת המלצות טיפולית ייחודית לשלב המספקת פתרונות ממוקדים המבוססים הן על המחלה שזוהתה והן על שלב הצמיחה של הגידול, ומבטיחה התערבויות חקלאיות מדויקות ויעילות יותר. לבסוף, כל הרכיבים הללו משולבים באפליקציית אינטרנט מבוססת Streamlit, המציעה פלטפורמה ידידותית למשתמש לתמיכה בקבלת החלטות בזמן אמת, המאפשרת לחקלאים ולבעלי עניין לגשת בקלות לחיזויים והמלצות²⁵.

Protocol

הפרוטוקול הבא ממחיש את תהליך גילוי מחלות עלי האורז ובניית מערכות המלצה לטיפול שלב אחר שלב. הצעדים שננקטו צריכים לשמש ברצף כדי לשחזר את הממצאים שהוצגו במאמר זה.

הכנת מערכי נתונים

פאדי עוזב את מאגר הנתונים של הבמה: הנתונים מבוססים על PaddyNet4. הסצנה כוללת 560 תמונות המחולקות לארבעה שלבי פיתוח שונים: שלב 2, שלב 3, שלב 4 ושלב 5. הסיווג תלוי בצבע ובבגרות עלי האורז, התלויים בריכוז החנקן, בין גורמים נוספים, ובהתפתחות הצמח. מערך הנתונים המוצג חשוב להכיר את השלב הנכון של צמח האורז (איור 1). PaddyNet זמין לציבור דרך אתר data.mendeley.com/datasets/. פאדי משאיר את מאגר המחלה: מאגר נתונים זה היה זמין כמספר מערכי נתונים נפרדים נגישים לציבור בקאגל, ויצר מערך נתונים מאוחד אחד עם סך של 6,920 תמונות, שכל אחת מהן שייכת לאחד מששת סוגי המחלות המוצגים בתמונה (איור 2). מערך הטיפול: מאגר הנתונים פותח באופן קריטי על ידי שליפת ואינטגרציה של מידע של מאגרי נתונים ציבוריים שונים, ומכיל נתונים על שיטות ניהול שונות של מחלות אורז בארבעה שלבי גדילה²¹. המטרה העיקרית של מאגר הנתונים הזה היא להציע המלצות למניעה ולשליטה במחלת האורז. הנתונים הם אחד המשאבים החיוניים למאבק במחלות בצמחי האורז על ידי בחירת סוג חומרי ההדברה הנכון 19,22,23,24,25

הגדלת נתונים

הרחבת הנתונים שימשה לשיפור מאגר הנתונים של ההדרכה ולהפחתת התאמת יתר. שיטות ההרחבה ששימשו במחקר הנוכחי הן סיבוב (עד 30), תנועת רוחב וגובה (עד 20%), זום (עד 20%), גזירה והפיכה אופקית. השימוש בשיטות ההגברה הללו מסייע למודל להשיג את היסודות של המודל ומגביר את ההכללה של המודל כאשר הוא נבדק על נתונים בלתי נראים. הרחבת הנתונים בוצעה במאגר הנתונים של האימון, בעוד שמאגרי האימות והבדיקה נותרו כפי שהם כדי לבדוק את ביצועי המערכת. גודל מערך הנתונים המקורי נדרש להיות מוגבר בנתונים מכיוון שגודל מערך הנתונים המקורי קטן יחסית, והגישה הייתה דרושה לשיפור ההכללה ולמזעור התאמת היתר על ידי הצגת המודל להבדלים בכיוון, בקנה מידה ובמיקום תמונות העלים.

עיבוד מוקדם של תמונה

נתוני השלב והמחלה שנאספו עברו דרך מספר שלבי קדם-עיבוד כדי להפוך את הנתונים לעקביים ולשפר את ביצועי המודלים. כל התמונות משני מערכי הנתונים הוגדלו ל-128 × 128 × 3 כדי להבטיח התאמה מעשית לכל ארכיטקטורה של למידה עמוקה. ערכי הפיקסלים הותאמו למרווח [0,1] כדי להאיץ את ההתכנסות בזמן האימון. יתרה מזאת, תוויות המחלות ושלביהן הוסבו למספרים כדי להעריך ולאמן את המודל בצורה עוצמתית יותר. שיטות העיבוד המוקדם הללו סייעו להפיק תכונות טובות יותר, שיעור סיווג טוב יותר, ועמידות המודל בתנאי סביבה שונים. גודל התמונה שבה השתמשו, 128 × 128, נפגע בין חישוב לאובדן תכונות. גודל תמונה קטן יותר קונקרטי ממזער את זמן האימון ואת עלות החישוב, ואינו מבטל מידע (תכונות ויזואליות) כדי לסיווג את המחלה והשלב בעת שימוש במודלים של למידה עמוקה.

פיצול מערכי נתונים

הנתונים המעובדים חולקו לשלוש תת-קבוצות (טבלה 1): קבוצת אימון (80%), קבוצת אימות (10%), קבוצת בדיקות (10%). כדי למנוע התפלגות לא מאוזנת של מחלקות בכל שלוש תת-הקבוצה, נעשה שימוש בדגימה אקראית שכבתית כדי להבטיח שגם מערך הנתונים של השלבים (560 תמונות) וגם מאגר המחלות (6,920 תמונות) יקבלו התפלגות שווה של מחלקות. לא הייתה דליפת נתונים בין תת-הקבוצות.

אימון מודלים

בסיווג שלב צמיחת עלי האורז והמחלות נעשה שימוש בשיטת אימון מודל בשני שלבים.

מודל סיווג שלבים

שיטת הסיווג של שלב צמיחת העלה מורכבת מארבע מחלקות וגודל נתונים נמוך יחסית, ולכן הארכיטקטורה של רשת העצבים הקונבולוציונית (NN) לא הייתה מורחבת מאוד אך נחשבה קלה משקל. ארכיטקטורה פשוטה יותר יכולה לשמש להפחתת התאמת יתר וכוח חישוב, במחיר של דיוק גבוה במקרה של סיווג באמצעות תכונות צבע ומרקם. המבנה החדש של ה-CNN יכלול שלוש שכבות קונבולוציונליות המשתמשות בפונקציות ההפעלה של ReLU. השכבות הקונבולוציוניות מתחלפות עם שכבות המקסימום (2×2) כדי להקטין את הממדים המרחביים, וכן לזיהוי התכונות הבולטות. מפות התכונות עוברות שכבה קונבולוציונית, לאחר מכן הן משתטחות, והשכבה הצפופה המחוברת במלואה עם רגולריזציה של דרופאאוט מופעלת כדי למנוע התאמת יתר. לבסוף, סיווג רב-מחלקתי של ארבעת שלבי הצמיחה מתבצע בעזרת שכבת פלט softmax. אופטימייזר אדם, שקצב הלמידה שלו הוא 0.001 ואנטרופיה צולבת קטגורית כפונקציית אובדן, שימש לאימון המודל. מספר המחזורים הוגדר ל-10, והמודל אומן ב-10 תקופות. דיוק האימות ואובדן האימות שימשו גם הם למעקב אחר ביצועי המודל, שכן הם משמשים לוודא שהמודל מוכלל.

מודל סיווג מחלות המבוסס על למידה קבוצתית

לסיווג מחלות, אומצה סדרת ארכיטקטורות למידה עמוקה לשיפור דיוק החיזוי. הפיתוח הראשוני של מודל CNN מותאם אישית כלל ארבע שכבות: שלוש שכבות קונבולוציונליות, שלוש שכבות מקסימום איגוד, שכבה צפופה ומחוברת במלואה, ורגולריזציה של נפילה. MobileNetV2 משתמש בקונבולוציות מופרדות בעומק, בלוקים שאריתיים הפוכים וצוואר בקבוק הפוך עם שאריות ליניאריות. למודל יש גודל קטן של 3.4 מיליון פרמטרים בלבד וניתן להשתמש בו בסביבה עם משאבים מוגבלים. המודלים החלו להשתמש בהפעלות ImageNet, והשכבות הקונבולוציונליות הוקפאו כדי שהייצוגים הנלמדים לא יאבדו. שכבת הסיווג של סופטמקס הייתה מחוברת לשכבה מחוברת לחלוטין עם רגולריזציה של נפילה. כל המודלים אומנו במהלך 20 תקופות עם גודל אצווה של 32, והאופטימיזציה והאובדן היו זהים לאלו של מודל CNN. בניסיון לשפר את הסיווג, נעשה שימוש בשיטת הלמידה הממוצעת של קבוצת הצבעה. התוצאות היו ההסתברויות הממוצעות שחזו כל חמשת המודלים (CNN, VGG16, ResNet50, InceptionV3 ו-MobileNetV2) לקבלת תחזיות המחלקה הסופיות. טכניקת שילוב זו הייתה שימושית להפחתת הטיה במודלים ולהגברת הכללה. מודל השילוב האחרון היה מדויק יותר בסיווגים. הסיבה שבחרה בגישת האנסמבל היא שלמידת ייצוגי התכונות השונות נלמדת באמצעות אותו מערך נתונים על ידי מודלים שונים של למידה עמוקה. האנסמבל גם מפחית הטיית מודל ושונות ומגביר את בעיות החיזוי הכלליות ואת ביצועי ההכללה בהשוואה למודלים עצמאיים.

אסטרטגיית חיזוי

בתהליך חיזוי מחלת עלי האורז ושלב הגדילה הנלווה לה, נעשה שימוש בשיטת סיווג מבוססת קבוצות. חמשת מודלי הלמידה העמוקה (CNN, VGG16, ResNet50, InceptionV3 ו-MobileNetV2) הוכשרו באופן עצמאי לסיווג המחלות ואוחדו יחד באמצעות שיטת אנסמבל הצבעה ממוצעת. הליך זה כלל חיזוי הסתברויות לכל קטגוריית מחלה בכל המודלים ואת התפלגות ההסתברות הממוצעת, מה שמוסיף דיוק לחיזוי וממזער הטיה במודל. התחזית הסופית נלקחה כמחלקת המחלה עם ההסתברות הממוצעת הגבוהה ביותר. בנוסף, מודל סיווג שלבים שונה מבוסס CNN אומן ושימש לחיזוי שלב הצמיחה של עלה האורז. שני מודלי הסיווג יקבלו תמונות קלט בגודל 128x128, ינרמלו את ערכי הפיקסלים ואז ישתמשו במודלים כדי להסיק מסקנה. התחזיות הסופיות של שלב העלה והמחלה מופו לאחר מכן לקבוצת המלצות טיפול קיימות כדי להציע טיפול תקף לניהול המחלה.

דוגמה לפלט: "שלב העלה: 3, מחלה: טונגרו"

המלצה לטיפול

כדי להפוך את סיווג מחלת עלי האורז למעשי יותר, שולבה מערכת המלצות טיפול ביישום המבוססת על Streamlit. המערכת לוקחת את שלב המחלה והעלים הצפויים כדי להציע המלצות טיפול ספציפיות כדי להבטיח שהמחלה מנוהלת בהצלחה. מודל סיווג מחלות קבוצתי (כולל CNN, VGG16, ResNet50, InceptionV3 ו-MobileNetV2) מסווג את המחלה, בעוד שמודל סיווג שלב העלה הוא מודל נוסף. שלב המודלים של העלה והמחלה מושווים לנתוני הטיפול שקיבלו מינונים מומלצים (אמצעי מניעה ויישום חומרי הדברה).

מסגרת מתודולוגית ותרומה

המתודולוגיה של המערכת המוצגת היא צינור של מספר שלבים, המשלב סיווג תמונה ותמיכה בקבלת החלטות. המסגרת כוללת חמישה שלבים עיקריים: קידום תמונות והגדלה, חיזוי שלב צמיחת העלים, שימוש במודלים למידה עמוקה שהוכשרו על התמונות לסיווג המחלה, שילוב תוצאות החיזוי לקבלת החלטה קבוצתית, והמלצה על הטיפול בהתאם לסוג ושלב הגדילה של המחלה. התרומה המתודולוגית של עבודה זו מתמקדת ביישום מודלים רבים לחיזוי ומודול המלצות טיפול בצינור תמיכה בהחלטות אחד. המערכת מבוססת לא רק על סיווג מחלות אלא גם על שילוב מידע על שלב הצמיחה כדי לספק המלצות טיפול בשלב מסוים. המערכת רלוונטית יותר לתהליך קבלת ההחלטות החקלאית בעולם האמיתי בזכות אסטרטגיית המלצה מודעת לשלבים זו. התמונה הנכנסת תעבור תחילה עיבוד מוקדם לפני שתעבור דרך מודל סיווג שלבים ומודלים של סיווג מחלות. תוצאות מודל המחלה מתממוצעות באמצעות טכניקת אנסמבל, ושלב החיזוי והצמיחה של המחלה נמשכים עד הסוף כדי לקבל המלצות טיפול נכונות בהתבסס על זיהוי רשומות טיפול רלוונטיות במאגר הטיפול.

אסטרטגיית אימות ומניעת התאמת יתר

כדי לספק אימות קפדני למודלים שפותחו, מערך הנתונים חולק לשלוש תת-קבוצות דיסיונקטיביות: קבוצת אימון (80%), קבוצת אימות (10%), וקבוצת בדיקה (10%). המודלים אומנו באמצעות סט האימון, כווננו באמצעות סט הוולידציה, והעריכו את ביצועיהם הסופיים רק באמצעות סט הבדיקה. קבוצת הבדיקות נשארה עצמאית לחלוטין כדי לאפשר ניתוח בלתי משוחד של המודל. השיטות הבאות שימשו כדי להבטיח שהמודל לא יתאים יותר מדי ולשפר את יכולתו להכליל. כדי להגדיל את רמת הגיוון במאגר הנתונים, ראשית השתמשו בשיטות הגדלת נתונים (סיבוב, זום, הזזה, גזירה והיפוך אופקי). שנית, נעשה שימוש ברגולריזציה של דרופאאוט בשכבות המחוברות במלואן של מודלי CNN כדי להפחית התאמת יתר. שלישית, מודלים מאומנים מראש (VGG16, ResNet50, InceptionV3 ו-MobileNetV2) הועברו באמצעות טכניקת שכבות קונבולוציוניות קפואות כדי לשמר את התכונות שנלמדו ולמזער את הסיכון להתאמה יתר הנגרמת מגודל הנתונים הקטן. לבסוף, אובדן אימות ודיוק שימשו למעקב אחר ביצועי המודל במהלך האימון כדי לוודא שהמודל אינו מותאם יתר על המידה לנתוני האימון. אלו הן שיטות האימות והרגולריזציה שמבטיחות שהמודל המוצע מתכלל היטב לנתונים בלתי נראים ומציע ביצועים טובים.

מערכת מוצעת

הפתרון המוצע הוא פתרון למידה עמוקה לניהול מחלת עלי האורז, הכולל חיזוי וסיווג שלב העלים של המחלה. זה מתחיל בעיבוד מוקדם של תמונות עלי אורז מבחינת שינוי גודל לגובה משותף וערכי הפיקסלים. שלב הצמיחה של העלה צפוי באמצעות רשת עצבית, וטכניקת הצבעה ממוצעת משמשת לשימוש באוסף של מודלים של למידה עמוקה (CNN, VGG16, ResNet50, InceptionV3, MobileNetV2) לסיווג מחלות. המערכת משתמשת בשלב ובמחלה החזויים כדי לרשום את המינונים הנכונים של קוטלי עשבים או חומרי הדברה לשימוש בטיפול. תהליך העבודה של המערכת המוצעת מוצג ב(איור 3). הסעיפים הקודמים (A עד I) מסבירים כל אחד מהאלמנטים השונים של הצינור הזה, ולכן לא נעשה כאן תיאור נוסף. היישום המבוסס על Streamlit שפותח במחקר זה הוא כלי תמיכה בהחלטות אב-טיפוס שמטרתו להדגים את היישום המעשי של המודל המוצע. המערכת מאפשרת למשתמשים להעלות תמונות של עלי האורז ולקבל תחזיות מחלה, מידע על שלבי הגדילה והמלצות טיפול. בדיקות שימושיות רחבות היקף ופריסת שטח עם חקלאים יבוצעו כחלק מעבודה עתידית להערכת יעילות המערכת במציאות ולשימושיותה.

Results

מודל סיווג שלבים

מודל חיזוי השלבים השיג דיוק אימון של 95.88% (אובדן: 0.1172) ודיוק אימות של 95.24% (אובדן: 0.1751), מה שמעיד שהמודל לומד בעקביות ומבצע תחזיות הוגנות כאשר הוא מיושם על דגימות אימות בלתי נראות. הושג דיוק אימות של 95.24%, עם אובדן אימות של 0.1751. המודל השיג דיוק בדיקה של 94.05 אחוז ואובדן בדיקה של 0.1759 בנתוני הבדיקה, התומכים בעמידות המודל וכן ביכולתו להתמודד עם דגימות לא ידועות. עקומות הדיוק וההפסד של מודל השלב מוצגות ב(

Discussion

המאמר הנוכחי מציע מערכת תמיכה חדשנית לתמיכה בהחלטות הכוללת חיזוי שלב הגדילה של עלי האורז, סיווג המחלות בעזרת אוסף של מודלים של למידה עמוקה (VGG16, MobileNetV2 ו-ResNet50), והמלצה על טיפול בשלבים המבוססת על יישום מבוסס רשת. מודל האנסמבל קיבל דיוק של 98.99% בסיווג המודל, שהוא גבוה יותר מזה של מודלים בודדים, כפי שדווח בעבר שמודלים באסטרטגיה אישית רגישים להטיות ונוטים לסווג בצורה שגויה, תוך הכללת ^1,10. התכונה החדשה והחשובה ביותר היא ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
מערך נתונים	מערך נתונים של שלב עלי אורז (PaddyNet4)	560 תמונות ב-4 שלבי גדילה (שלב 2– 5)
מערך נתונים	מאגר נתונים למחלת עלי האורז	6920 תמונות ב-6 סוגי מחלות מתוך קגל
מערך נתונים	מאגר נתוני טיפול	אוסף נתונים מורכב עם שיטות ניהול מחלה לפי שלב צמיחה
קדם-עיבוד	שינוי גודל תמונה	התמונות ששונו ל-128x128x3
קדם-עיבוד	נרמול	ערכי פיקסלים מותאמים ל-[0,1]
קדם-עיבוד	קידוד תוויות	המרת תוויות קטגוריות למספריות
הרחבה	סיבוב	עד 30 מעלות
הרחבה	הזזת רוחב/גובה	עד 20%
הרחבה	זום	עד 20%
הרחבה	שיר & פליפ	גזירה והפיכה אופקית
מודל	CNN (סיווג שלבים)	CNN קל משקל עם 3 שכבות קונב
מודל	CNN (סיווג מחלות)	CNN מותאם אישית עם conv + שכבות איגוד
מודל	VGG16	מודל למידת העברה
מודל	ResNet50	מודל למידת העברה
מודל	התחלה V3	מודל למידת העברה
מודל	MobileNetV2	מודל למידת העברה קלה
טכניקה	למידה קבוצתית	הצבעה ממוצעת בהסתברות של 5 מודלים
טכניקה	למידת העברה	שימוש במשקולות ImageNet מאומנות מראש
טכניקה	רגולריזציה של נשירה	כדי למנוע התאמת יתר
הכשרה	אופטימייזר	אדם (קצב למידה 0.001)
הכשרה	פונקציית אובדן	אנטרופיה צולבת קטגורית
הכשרה	גודל אצווה	10 (מודל שלבים), 32 (מודלים למחלות)
הכשרה	תקופות	10 (שלב), 20 (מחלה)
הערכה	מדדים	דיוק, דיוק, זיכרון, ציון F1
פריסה	Streamlit	יישום אינטרנט לחיזוי בזמן אמת