Transfer Learning e segmentazione UNet per la classificazione della malattia del risaio come soluzione con un'interfaccia user-friendly per utenti non tecnici

Sommario

Questo protocollo delinea una pipeline di deep learning basata su immagini per classificare le malattie delle foglie di risaia. Combina la segmentazione basata su UNet e i modelli di transfer learning per migliorare l'accuratezza. L'approccio supporta il rilevamento automatizzato delle malattie e include un'interfaccia utente per l'implementazione pratica, aiutando i non esperti a identificare i problemi delle colture di risaia.

Abstract

Il riso è una coltura alimentare vitale che sostiene miliardi di persone in tutto il mondo e la coltivazione del riso è vitale per la stabilità economica di numerose nazioni, contribuendo in modo chiave al reddito e all'occupazione nelle comunità agricole, soprattutto in tutta l'Asia. Nonostante la sua importanza, la risaia è ostacolata da varie malattie fogliari come Tungro, Sheath Blight (SB), Paddy Hispa (PH), Neck Blast (NB), Narrow Brown Spot (NBS), Leaf Scottd (LS), Leaf Blast (LB), Brown Spot (BS) e Bacterial Leaf Blight (BLB), che hanno un impatto negativo sulla resa e sulla qualità del grano. Per affrontare questi problemi, questo studio propone un approccio personalizzato di deep learning basato sul transfer learning. Sono stati valutati sei modelli distinti, con il modello DenseNet-121 su misura che offre le migliori prestazioni, raggiungendo un'accuratezza di 0,98, una precisione di 0,97 e un richiamo di 0,96. Per migliorare le prestazioni del modello, la segmentazione delle immagini è stata eseguita utilizzando il modello UNet, che ha migliorato significativamente la precisione creando un set di dati di immagini segmentato. I sei modelli sono stati testati su due set di dati: uno contenente immagini segmentate e l'altro con immagini non segmentate, entrambi derivati dal Paddy Leaf Diseases Detection Dataset. Inoltre, è stata sviluppata un'interfaccia grafica semplice e intuitiva per consentire agli utenti senza background tecnici di interagire comodamente con il modello e identificare le malattie delle foglie di risaia. Questa soluzione integrata evidenzia l'efficacia del deep learning nel fornire metodi affidabili e scalabili per classificare le malattie delle foglie di risaia.

Introduzione

La risaia è una pietra miliare dell'agricoltura globale, sostiene miliardi di persone e costituisce la spina dorsale economica di numerose nazioni, in particolare in Asia, dove rappresenta una parte sostanziale sia del consumo alimentare che dei mezzi di sussistenza^. Tuttavia, la produzione sostenibile di risone è sempre più minacciata a causa di vari fattori biologici e ambientali, con le malattie delle foglie che sono tra le sfide più critiche. Malattie come la peronospora batterica delle foglie, la macchia bruna e la risaia ^2,3 possono ridurre significativamente i raccolti, degradare la qualità del grano e portare a sostanziali perdite finanziarie per gli agricoltori⁴.

Per affrontare questi problemi, la classificazione delle malattie delle foglie di risaia è diventata uno strumento essenziale nella patologia vegetale⁵. L'identificazione precoce e accurata di tali malattie consente un intervento tempestivo, mitigando la diffusione e l'impatto delle infezioni. Tradizionalmente, questo compito si basa su un'ispezione visiva esperta che, sebbene efficace in contesti su piccola scala, soffre di limitazioni come la soggettività, l'intensità di lavoro e la scalabilità limitata su grandi aree agricole.

I recenti progressi nel campo del Machine Learning (ML) e del Deep Learning (DL) hanno trasformato in modo significativo il modo in cui le malattie delle piante vengono rilevate e classificate. Queste tecnologie utilizzano immagini ad alta risoluzione delle foglie infette per consentire un'identificazione automatizzata, scalabile e precisa della malattia. Tale automazione migliora la coerenza, riduce l'errore umano e supporta il processo decisionale in tempo reale per gli agricoltori⁶.

Diversi studi contemporanei hanno anche esplorato approcci innovativi per migliorare la diagnostica agricola. Ad esempio, studi a livello di RNA come la soppressione della difesa mediata da circANK hanno aperto nuove strade biologiche nella comprensione della malattia del riso⁷, mentre i framework basati sulla visione come la segmentazione delle istanze a due percorsi per il rilevamento delle file di risaie hanno dimostrato l'utilità del deep learning nell'agricoltura di precisione⁸. Inoltre, lavori recenti come TMFF: Trustworthy Multi-Focus Fusion for multi-label classification in complex visual environments sottolineano la crescente importanza di modelli DL ibridi e robusti per l'implementazione nel mondo reale⁹.

Motivata da questi sviluppi, questa ricerca fa progredire la classificazione della malattia delle risaie integrando la segmentazione basata su UNet con modelli di deep transfer learning. Questo approccio mira a isolare le regioni malate in modo più accurato e a classificarle utilizzando reti efficienti e pre-addestrate. Affrontando i limiti dei metodi manuali tradizionali e migliorando la focalizzazione del modello attraverso la segmentazione, questo lavoro contribuisce a migliorare le prestazioni di classificazione, a sostenere pratiche agricole sostenibili e a rafforzare i sistemi di sicurezza alimentare¹⁰.

Cenni di classificazione della malattia del risaio

La risaia ha un'importanza ineguagliabile come coltura di base, nutrendo oltre il 50% della popolazione mondiale e fungendo da motore economico chiave per molti paesi in via di sviluppo, in particolare in^Asia11. Oltre al suo ruolo nella sicurezza alimentare, la coltivazione del riso è profondamente radicata nelle pratiche culturali e sociali in numerose regioni, rendendo la sua produzione sostenuta una priorità per i governi e gli stakeholder agricoli. Tuttavia, la produzione di risaia è irta di sfide e, tra queste, le malattie delle foglie continuano a mettere in pericolo sia la produttività che la qualità delle risaie. Problemi diffusi come la peronospora batterica delle foglie, la macchia marrone e l'esplosione del riso contribuiscono a notevoli perdite di resa¹², influenzando la produzione mondiale di riso e mettendo a dura prova le economie che dipendono fortemente da questo alimento base.

La classificazione delle malattie fogliari è una componente vitale della moderna gestione agricola, in quanto fornisce le basi per misure di controllo delle malattie tempestive ed efficaci. L'identificazione tempestiva consente agli agricoltori di controllare la diffusione delle malattie, fare un uso efficiente dei prodotti agrochimici ed evitare danni significativi alle colture. Convenzionalmente, questo processo è dipeso dall'ispezione visiva effettuata da professionisti agricoli qualificati. Sebbene questo metodo possa essere efficace, è laborioso, richiede tempo e dipende fortemente dal livello di abilità dell'osservatore. Inoltre, nelle operazioni agricole su larga scala, l'ispezione manuale diventa spesso impraticabile, soprattutto quando i sintomi sottili sono difficili da identificare durante le fasi iniziali dell'infezione¹³.

L'avvento di sistemi automatizzati per la classificazione delle malattie fogliari ha rivoluzionato la diagnostica agricola¹⁴. Questi sistemi sfruttano i progressi delle tecnologie di imaging e DL per fornire soluzioni scalabili¹⁵,^{efficienti 16} e altamente accurate¹⁷. L'elaborazione delle immagini (IP), combinata con i modelli ML e DL, è in grado di elaborare immagini ad alta risoluzione delle foglie di risaia per identificare i sintomi della malattia, spesso superando i metodi tradizionali in termini di precisione e velocità. Automatizzando il processo di classificazione, questi sistemi consentono agli agricoltori e ai professionisti dell'agricoltura di prendere decisioni basate sui dati, riducendo la dipendenza dall'esperienza umana e minimizzando il rischio di errori.

La classificazione della malattia delle risaie non solo garantisce una maggiore produttività e una riduzione delle perdite, ma contribuisce anche agli obiettivi più ampi dell'agricoltura sostenibile. Consentendo l'identificazione precisa delle malattie¹⁸, queste tecnologie aiutano a ottimizzare^l'uso dei pesticidi, riducendo così al minimo l'impatto ambientale e promuovendo pratiche agricole eco-compatibili²⁰ . Inoltre, l'integrazione di questi sistemi con applicazioni mobili e strumenti di telerilevamento estende la loro portata ai piccoli agricoltori in contesti con risorse limitate, promuovendo l'inclusività e l'equità nei progressi agricoli²¹.

L'importanza del riso come coltura globale sottolinea la necessità di metodi robusti, affidabili e accessibili per la classificazione delle malattie fogliari²². Attraverso l'implementazione di queste tecnologie, il settore agricolo può affrontare una delle sue sfide più urgenti, garantendo la resilienza e la sostenibilità della produzione di riso di fronte alla crescente domanda e ai vincoli ambientali.

Tecniche di modellazione

Il metodo suggerito per classificare le malattie delle foglie di risaia integra varie tecniche sofisticate per migliorare sia l'accuratezza che l'efficacia:

Segmentazione dell'immagine: Il primo passaggio consiste nel segmentare le immagini delle foglie per isolare l'area fogliare dallo sfondo. Questo passaggio riduce la complessità computazionale rimuovendo le parti indesiderate^23,24 dell'immagine e migliora la messa a fuoco sui modelli rilevanti, portando a una migliore precisione.

Estrazione delle caratteristiche: Le caratteristiche vengono estratte dalle immagini segmentate, catturando dettagli critici sui sintomi della malattia²⁵. Queste caratteristiche costituiscono la base del modello di classificazione, consentendogli di distinguere in modo efficiente tra foglie sane e malate.

Trasferimento dell'apprendimento: Il transfer learning viene utilizzato per sfruttare le conoscenze provenienti da modelli pre-addestrati, riducendo notevolmente la necessità di un training esteso su nuovi set di dati. Questo approccio accelera il processo di sviluppo mantenendo un'elevata precisione ed efficienza²⁶.

Modello di classificazione end-to-end: A differenza dei metodi tradizionali che utilizzano il transfer learning esclusivamente per l'estrazione di feature, la metodologia proposta incorpora un quadro di classificazione end-to-end. Questo approccio olistico integra l'estrazione e la classificazione delle caratteristiche^27,28 in una pipeline senza soluzione di continuità, garantendo prestazioni ottimali.

Metriche di valutazione: Diverse metriche di valutazione vengono applicate per analizzare le prestazioni del modello²⁹, fornendo informazioni dettagliate sulla sua accuratezza, precisione, richiamo ed efficienza complessiva. Questa analisi completa aiuta a determinare in modo efficace l'affidabilità e l'idoneità del modello.

Lacune nella ricerca

Nonostante i progressi significativi, permangono varie sfide e limitazioni nel campo della classificazione delle malattie fogliari:

L'identificazione manuale delle malattie fogliari si basa molto sugli esperti del settore, il che la rende soggettiva e incoerente. Anche con una forte conoscenza del settore, gli errori umani negli approcci manuali possono portare a perdite significative di raccolto.

I metodi manuali sono laboriosi e non sono in grado di funzionare 24 ore su 24, il che li rende poco pratici per il monitoraggio su larga scala o continuo.

La ricerca sulla classificazione delle malattie fogliari è ampia, ma studi molto limitati si concentrano specificamente sulla classificazione della malattia delle risaie.

Studi precedenti³⁰hanno generalmente trascurato l'uso dell'apprendimento di trasferimento per classificare le malattie delle foglie di risaia.

I modelli esistenti spesso mancano di generalizzabilità in base alle diverse condizioni ambientali e alle varianti della malattia, limitandone l'utilità pratica³¹.

I set di dati utilizzati negli studi attuali sono spesso piccoli e mancano di diversità, il che ostacola una più ampia applicabilità³².

Affrontando queste lacune, questo studio mira a far progredire il campo della classificazione della malattia del risaio attraverso tecniche innovative e metodologie robuste.

Principali contributi di questo studio

Questa ricerca cerca di colmare queste lacune creando e valutando un metodo personalizzato basato sull'apprendimento profondo per classificare le malattie delle foglie di risaia. I contributi principali includono:

L'utilizzo del transfer learning per sfruttare i pesi dei modelli pre-addestrati consente di ottenere un'elevata precisione in un minor numero di epoche di addestramento.

Dimostrando che un minor numero di epoche di addestramento riduce la necessità di un'elevata potenza di calcolo, rendendo il metodo accessibile agli utenti con risorse computazionali limitate.

Sviluppo di un modello di classificazione end-to-end che integri la segmentazione, l'estrazione delle caratteristiche e la classificazione, fornendo una soluzione completa.

Utilizzo della segmentazione dei dati e di altre tecniche per migliorare la generalizzabilità del modello su diversi set di dati.

Sfide aperte

Nonostante i risultati promettenti ottenuti in questo studio, rimangono delle sfide aperte. Queste sfide includono la necessità di set di dati più ampi e diversificati per migliorare la robustezza³³ e l'adattabilità³⁴ del modello in varie condizioni ambientali³⁵ e tipi di malattia, l'incorporazione di dati multimodali per aumentare l'accuratezza delle previsioni e l'implementazione di modelli per l'uso in tempo reale in condizioni di campo. Inoltre, il raggiungimento di un equilibrio tra l'efficienza computazionale e le prestazioni del modello è fondamentale per garantire l'accessibilità per gli utenti finali, in particolare nelle aree rurali e con risorse insufficienti.

Protocollo

Descrizione del set di dati

Il set di dati utilizzato in questa ricerca è stato ottenuto dal repository Kaggle disponibile al pubblico intitolato Paddy Leaf Diseases Detection Dataset. Si compone di 18.545 immagini di foglie di risaia classificate in 10 classi di malattie e 1 classe sana. Le immagini variano in risoluzione e sono state catturate in diverse condizioni di illuminazione e ambientali.

Pre-elaborazione delle immagini

Tutte le immagini sono state ridimensionate a 224 x 224 pixel utilizzando la funzione tf.image.resize() di TensorFlow. Questa uniformità garantisce la compatibilità con i requisiti di input dei modelli CNN pre-addestrati.: I valori dei pixel sono stati normalizzati all'intervallo [0,1] utilizzando il parametro rescale=1./255 in Keras ImageDataGenerator. Aumento (solo per la formazione): tecniche come il capovolgimento orizzontale e verticale, la rotazione (± 20°) e lo zoom (fino al 20%) sono state applicate utilizzando ImageDataGenerator per migliorare la generalizzazione.

Segmentazione delle immagini

Un modello UNet è stato impiegato per la segmentazione delle immagini per isolare le aree fogliari malate dal disordine dello sfondo. L'architettura UNet è stata costruita utilizzando l'API funzionale Keras con livelli di codificatore-decodificatore, skip connections e attivazione ReLU. Le maschere di segmentazione sono state applicate alle immagini originali utilizzando la moltiplicazione pixel per pixel (cv2.bitwise_and) per mantenere solo le caratteristiche rilevanti.

Architettura e formazione dei modelli

I seguenti modelli sono stati utilizzati come classificatori backbone: VGG16, ResNet50, InceptionV3, MobileNet, AlexNet e DenseNet121. I modelli pre-addestrati (su ImageNet) sono stati importati con include_top=False. È stata aggiunta una testa di classificazione personalizzata, costituita da uno strato di pooling medio globale, due strati densi con 128 e 64 neuroni (attivazione ReLU), uno strato Dropout (tasso = 0,4) e uno strato denso finale con 11 uscite e attivazione Softmax.

Configurazione sperimentale

Tutti gli esperimenti sono stati condotti utilizzando le seguenti impostazioni: Ambiente di programmazione: Python 3.11.5 con TensorFlow e Keras, Piattaforma di esecuzione: Jupyter Notebook, Hardware: Intel Core i5-6300U, 8 GB di RAM, Windows 11, Dimensione batch: 32, Epoche: 50, Ottimizzatore: Adam, Tasso di apprendimento: 0,0001, Funzione di perdita: Crossentropia categorica, Funzioni di attivazione: ReLU per i livelli nascosti, Softmax per il livello di output finale.

Metriche di valutazione

L'accuratezza, la precisione, il richiamo e il punteggio F1 sono stati calcolati utilizzando classification_report di sklearn.metrics. Le matrici di confusione sono state tracciate utilizzando confusion_matrix e seaborn.heatmap. Le prestazioni sono state valutate sia su immagini non segmentate che segmentate UNet per una valutazione comparativa.

Sviluppo GUI

Una semplice interfaccia utente grafica è stata creata utilizzando la libreria Tkinter di Python. Gli utenti possono caricare un'immagine foglia utilizzando la GUI, che viene quindi passata attraverso il modello addestrato. La classe di malattia prevista viene visualizzata sullo schermo, insieme a un punteggio di confidenza.

Creazione di set di dati

Il set di dati utilizzato in questo studio è il set di dati di rilevamento delle malattie delle foglie di risaia disponibile al pubblico di Kaggle³⁶, che comprende un totale di 18.545 immagini ad alta risoluzione di foglie di risaia classificate in 10 classi di malattie e 1 classe sana. Le immagini sono state catturate in condizioni di illuminazione variabili e in diversi contesti ambientali, rendendo il set di dati altamente rappresentativo e adatto alla creazione di solidi modelli di deep learning. Il set di dati ha una dimensione di circa 8,33 GB e contiene le seguenti classi: Tungro, Peronospora della guaina (SB), Paddy Hispa (PH), Neck Blast (NB), Narrow Brown Spot (NBS), Leaf Scottd (LS), Leaf Blast (LB), Healthy, Brown Spot (BS) e Bacterial Leaf Blight (BLB).

Per garantire la riproducibilità e un'efficace valutazione del modello, il set di dati è stato suddiviso in modo casuale in sottoinsiemi di addestramento (80%) e test (20%), mantenendo la distribuzione delle classi. Il set di addestramento è stato utilizzato per addestrare i modelli, mentre il set di test è stato riservato per la convalida delle prestazioni su dati non visualizzati. La valutazione si è basata su metriche di classificazione standard: accuratezza, precisione, richiamo e punteggio F1, che hanno fornito una valutazione completa della capacità di classificazione di ciascun modello. Lo studio ha confrontato sei modelli di deep learning: VGG16, ResNet, InceptionV3, MobileNet, AlexNet e DenseNet121, con DenseNet121 che offre le migliori prestazioni per l'attività.

Distribuzione dei dati

La classificazione della malattia è stata effettuata utilizzando modelli di deep learning addestrati sul set di dati. Il set di dati è stato diviso in due sottoinsiemi: un set di addestramento e un set di test. Il set di addestramento è stato utilizzato per insegnare il modello, mentre il set di test è stato utilizzato per valutarne le prestazioni su dati precedentemente non visti. Un riepilogo della distribuzione delle immagini tra le dieci categorie di malattie e la classe delle foglie sane è fornito nella Tabella 1. Questa tabella fornisce una comprensione completa dei sintomi visivi associati a ciascuna malattia, facilitando l'addestramento e la valutazione dei modelli di classificazione.

Questa distribuzione garantisce un'equa rappresentanza di ogni categoria di malattia sia durante la fase di formazione che di test. Il set di addestramento include la maggior parte delle immagini, consentendo al modello di apprendere in modo efficace le caratteristiche uniche di ogni classe. Il set di test, costituito da un sottoinsieme più piccolo di immagini, garantisce una valutazione affidabile dell'accuratezza del modello e della sua capacità di generalizzarsi a nuovi dati invisibili.

La distribuzione equilibrata e diversificata delle immagini tra le categorie garantisce che il modello disponga di dati sufficienti per apprendere i modelli unici associati a ciascun tipo di malattia, mitigando al contempo il rischio di overfitting o pregiudizio verso una particolare classe. Questa suddivisione dei dati è essenziale per ottenere risultati di classificazione solidi e affidabili.

Pulizia dei dati

Nella fase di pre-elaborazione, la pulizia dei dati è essenziale per migliorare l'accuratezza e l'efficienza del modello di classificazione. Le immagini grezze delle foglie di risaia spesso includono elementi di sfondo indesiderati come il suolo, la vegetazione vicina o gli attrezzi agricoli, che possono introdurre rumore e degradare le prestazioni complessive del modello.

Per risolvere questo problema, la segmentazione delle immagini è stata eseguita utilizzando il modello UNet^37,38, una nota architettura di rete neurale convoluzionale progettata specificamente per compiti di segmentazione semantica. Il modello UNET è in grado di segmentare le regioni fogliari dallo sfondo con elevata precisione, assicurando che solo le parti rilevanti delle immagini vengano conservate per un'ulteriore elaborazione³⁹. Il processo di segmentazione è stato illustrato nella Figura 1.

Processo di segmentazione con il modello UNet (Figura 2): le immagini grezze del set di dati vengono inserite nel modello UNET. Il modello UNET è costituito da un codificatore che estrae le caratteristiche gerarchiche e da un decodificatore che ricostruisce l'immagine segmentando la regione foglia. Il modello genera una maschera binaria in cui viene contrassegnata la regione foglia e viene rimosso lo sfondo. Le immagini segmentate vengono ulteriormente perfezionate applicando operazioni morfologiche per garantire bordi uniformi e rimuovere qualsiasi rumore residuo (Figura 3).

Formulazione matematica della segmentazione UNet: UNet esegue la segmentazione semantica imparando una mappatura dallo spazio dell'immagine di input a una maschera binaria che evidenzia la regione di interesse (ROI), cioè l'area fogliare malata, sopprimendo lo sfondo irrilevante. Lasciare:

denotare l'immagine RGB in ingresso di dimensioni H*W con C=3 canali di colore.

essere l'output del modello UNet addestrato, dove ogni valore di pixel in M rappresenta la probabilità che quel pixel appartenga alla regione fogliare malata.

La maschera di segmentazione binaria finale

dove τ [0,1] è la soglia di segmentazione (comunemente impostata su 0,5).

L'immagine segmentata viene quindi calcolata come:

dove denota la moltiplicazione per elemento, applicata spazialmente su tutti i canali. Questa operazione mantiene i valori dei pixel nel ROI (where ) e maschera i pixel di sfondo (where ). Questo output segmentato viene passato come input al modello di classificazione (ad esempio, DenseNet121), consentendogli di concentrarsi esclusivamente sulle caratteristiche rilevanti per la malattia, ignorando le aree di sfondo rumorose e non informative, il che migliora le prestazioni di classificazione e la generalizzazione del modello.

Questa fase di pre-elaborazione garantisce che le fasi successive di estrazione e classificazione delle caratteristiche vengano eseguite su dati puliti e pertinenti, migliorando così le prestazioni complessive e l'affidabilità del modello di classificazione della malattia delle risaie.

Trasferimento dell'apprendimento

Il transfer learning utilizza reti neurali pre-addestrate per affrontare problemi nuovi ma correlati, eliminando la necessità di costruire modelli da zero. Questo approccio sfrutta le conoscenze acquisite da attività precedenti, consentendo un apprendimento efficiente⁴⁰. I modelli pre-addestrati sono spesso sviluppati su set di dati estesi e possiedono solide capacità di estrazione delle funzionalità, che li rendono adatti per la messa a punto su set di dati specifici. Ciò riduce i tempi di addestramento, evita l'overfitting e raggiunge un'elevata precisione anche con risorse computazionali limitate.

In questo studio, l'apprendimento di trasferimento è stato impiegato per identificare le malattie delle foglie di risaia valutando vari modelli di deep learning pre-addestrati. L'architettura esplorata negli esperimenti include VGG16, ResNet, InceptionV3, MobileNet, AlexNet e DenseNet121. Ciascuno di questi modelli è stato inizialmente addestrato su set di dati di grandi dimensioni, come ImageNet, e i loro pesi pre-addestrati sono stati utilizzati in questo lavoro. Per adattare i modelli al compito di classificazione, sono state apportate le seguenti modifiche:

Modifica del modello: I livelli originali completamente connessi (classificazione) di ciascun modello sono stati rimossi utilizzando il parametro include_top=False durante l'importazione del modello in Keras. In questo modo è stato garantito che venisse mantenuta solo la base convoluzionale (estrattore di funzionalità) di ogni modello pre-addestrato. L'output dell'ultimo blocco convoluzionale è stato appiattito in un vettore unidimensionale utilizzando il livello Flatten().

Strati densi: Tre strati completamente connessi (densi) sono stati aggiunti in sequenza dopo la fase di appiattimento. Questi strati sono stati definiti utilizzando la funzione Keras Dense(): il primo con 256 neuroni e attivazione ReLU, il secondo con 128 neuroni e attivazione ReLU e il terzo con 64 neuroni e attivazione ReLU. È stato inoltre aggiunto un livello Dropout tra i livelli per ridurre l'overfitting.

Livello di output: Tre strati completamente connessi (densi) sono stati aggiunti in sequenza dopo la fase di appiattimento. Questi strati sono stati definiti utilizzando la funzione Keras Dense(): il primo con 256 neuroni e attivazione ReLU, il secondo con 128 neuroni e attivazione ReLU e il terzo con 64 neuroni e attivazione ReLU. È stato aggiunto anche uno strato di dropout (velocità 0,4) tra gli strati per ridurre l'overfitting.

La pipeline e il flusso complessivi della metodologia, compresa la preelaborazione, la segmentazione, l'implementazione del modello di transfer learning e la valutazione, sono illustrati nella Figura 4. Questa figura fornisce una panoramica completa delle fasi seguite in questa ricerca. Utilizzando l'apprendimento di trasferimento, il tempo di formazione è stato ridotto al minimo, la dipendenza dalle risorse computazionali di fascia alta è stata ridotta e sono stati ottenuti miglioramenti significativi delle prestazioni nella classificazione della malattia delle risaie.

Proposto il modello DenseNet121 per la classificazione delle malattie fogliari

Tra tutti i modelli testati, DenseNet121 ha mostrato le migliori prestazioni nella classificazione delle malattie delle risaie, raggiungendo una notevole precisione. Questo modello di deep learning all'avanguardia si distingue per la sua innovativa architettura⁴⁰, che promuove un flusso efficiente di informazioni e migliora il riutilizzo delle funzionalità.

Architettura di DenseNet121: DenseNet121 è caratterizzato da livelli densamente connessi, in cui ogni livello può accedere alle mappe delle caratteristiche di tutti i livelli precedenti. Questo design ottimizza il flusso di informazioni, riduce la ridondanza e migliora significativamente l'efficienza complessiva del modello.

L'architettura è costituita dai seguenti componenti chiave:

Livello di input: riceve immagini ridimensionate a 224 x 224 pixel per un'elaborazione standardizzata.

Livello convoluzionale iniziale: applica un'operazione di convoluzione 7 x 7 seguita dal pool massimo per ridurre le dimensioni spaziali ed estrarre funzionalità di basso livello.

Blocchi densi: il modello contiene quattro blocchi densi. Ogni blocco comprende diversi strati convoluzionali collegati in modo denso, il che significa che ogni strato ha accesso diretto agli output di tutti i livelli precedenti all'interno del blocco.

Livelli di transizione: posizionati tra blocchi densi, questi strati eseguono una convoluzione 1 x 1 seguita da un pooling medio per ridurre le dimensioni delle caratteristiche, migliorando l'efficienza computazionale.

Global Average Pooling (GAP): riduce le dimensioni spaziali delle mappe delle caratteristiche prima dei layer completamente connessi.

Livello completamente connesso: produce il vettore di output per la classificazione.

Livelli personalizzati per la classificazione: Per questa ricerca, i livelli predefiniti completamente connessi sono stati sostituiti con un'architettura personalizzata: strato appiattito, tre strati densi (256, 128 e 64 neuroni con attivazione ReLU) e un livello finale attivato da sigma per la classificazione binaria.

La capacità di DenseNet121 di riutilizzare le funzionalità e la sua architettura compatta hanno contribuito in modo significativo alle sue prestazioni superiori sul set di dati sulla malattia delle risaie. Questa efficienza, unita alla sua capacità di ridurre al minimo l'overfitting, lo rende ideale per le attività con dati di addestramento limitati. DenseNet121 ha ottenuto una migliore precisione e generalizzazione rispetto ad altri modelli grazie al riutilizzo delle sue caratteristiche e alle proprietà di flusso del gradiente. Mentre modelli come ResNet e VGG16 hanno ottenuto buoni risultati, DenseNet121 li ha superati in termini di precisione ed efficienza computazionale.

In tutti i modelli, sono stati inclusi tre strati completamente connessi (densi) utilizzando le funzioni di attivazione ReLU (come mostrato nell'equazione 1), culminando in uno strato denso finale con un'attivazione SoftMax (equazione 2) per facilitare la classificazione multiclasse. Questo adattamento ha permesso a ciascun modello di utilizzare in modo efficace i pesi pre-addestrati durante la classificazione delle immagini nel set di dati.

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

dove x_i rappresenta l'input della funzione SoftMax, aggiustato per la classificazione nelle dieci categorie di malattie del risone. L'architettura unica di ogni modello, combinata con questo livello di output personalizzato, ha consentito un'efficace estrazione delle caratteristiche e una classificazione accurata delle immagini.

La Figura 5 presenta il layout architettonico di DenseNet121, mostrando il flusso continuo di informazioni attraverso i suoi blocchi densi, i livelli di transizione e i livelli di classificazione su misura integrati per questa ricerca. Questa rappresentazione visiva chiarisce il modo in cui DenseNet121 gestisce gli input delle immagini e genera gli output di previsione

Risultati

Per gli esperimenti condotti in questo studio, il modello è stato sviluppato utilizzando Python versione 3.11.5 e Jupyter Notebook su un sistema operativo Windows 11. I principali framework di deep learning utilizzati erano le librerie TensorFlow e Keras. L'hardware utilizzato per questa ricerca è stato un PC HP con CPU Intel i5-6300U con clock a 2,50 GHz, dotato di 8 core.

Il set di dati è stato diviso in due sottoinsiemi prima...

Discussione

Questo studio propone un framework basato sul deep learning per la classificazione automatizzata delle malattie delle risaie utilizzando set di dati segmentati e non segmentati. L'approccio integra la segmentazione delle immagini basata su UNet con i modelli di transfer learning, dimostrando che la segmentazione migliora significativamente l'estrazione delle caratteristiche e l'accuratezza della classificazione. Tra i sei modelli valutati, il DenseNet-121 personalizzato ha raggiunto le p...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
HP PC	CV	CPU Intel Core i5-6300U @ 2,5 GHz, 8 GB di RAM
Taccuino Jupyter	Open Source	Utilizzato per l'esecuzione di codice
Set di dati Kaggle: Rilevamento delle malattie delle foglie di riso	Kaggle	https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
Keras	Open Source	Integrato con TensorFlow
Pitone	Fondazione del software Python	3.11.5
Flusso di Tensore	Alessio	2.x
Sistema operativo Windows	Valentina	finestre 11