Method Article
Questo studio presenta un metodo basato sul deep learning per prevedere le fasi di crescita delle foglie di riso e classificare le malattie, fornendo raccomandazioni di trattamento specifiche per stadio attraverso un sistema di supporto decisionale automatizzato e facile da usare per una gestione efficace delle malattie delle colture.
Le malattie delle foglie di riso influenzano significativamente la resa e la qualità del riso, rendendo essenziali la diagnosi precoce e il trattamento adeguato per l'agricoltura di precisione. Questo studio propone un sistema di supporto decisionale basato sull'apprendimento profondo per la rilevazione della malattia delle foglie di riso, la previsione della fase di crescita e le raccomandazioni terapeutiche specifiche per stadio. Il dataset utilizzato in questo studio comprende immagini delle foglie di riso raccolte da più fonti e categorizzate per stadio di crescita e classe di malattia. Il dataset è stato suddiviso in set di addestramento (80%), validazione (10%) e test (10%) per garantire una corretta valutazione del modello. Per la previsione della fase di crescita, è stato sviluppato un modello leggero di Rete Neurale Convoluzionale (CNN), mentre la classificazione delle malattie è stata eseguita utilizzando modelli di apprendimento per trasferimento, tra cui VGG16, ResNet50, InceptionV3 e MobileNetV2. È stato utilizzato un metodo di ensemble basato sul voto a probabilità media per migliorare le prestazioni nella classificazione. I modelli sono stati valutati utilizzando accuratezza, precisione, richiamo e punteggio F1 su un set di test indipendente. I risultati sperimentali mostrano che il modello di ensemble ha raggiunto una maggiore accuratezza rispetto ai singoli modelli, dimostrando una maggiore robustezza e generalizzazione. Il sistema proposto è stato implementato come applicazione web Streamlit che fornisce la rilevazione della malattia, la previsione della fase di crescita e le raccomandazioni terapeutiche. Il quadro integrato proposto può supportare agricoltori ed esperti agricoli nel prendere decisioni tempestive e accurate sulla gestione delle malattie.
L'India, essendo un'economia agricola, dipende fortemente dall'agricoltura, con il riso (riso) che funge da coltura base per una grande parte della popolazione. Tuttavia, la coltivazione del riso è significativamente influenzata da malattie fogliari come l'esplosione, la perlungazione batterica delle foglie, la macchia marrone e la cancro della guaina, che riducono la resa e causano perdite economiche. La diagnosi precoce di queste malattie è essenziale, poiché i metodi tradizionali di ispezione manuale richiedono tempo e spesso sono imprecisi. Per affrontare questo problema, questo studio propone un sistema di supporto decisionale basato sul deep learning per la previsione della fase di crescita delle foglie di riso, la classificazione delle malattie e le raccomandazioni terapeutiche. Il sistema utilizza un modello di rete neurale per prevedere lo stadio di crescita della foglia di riso e molteplici modelli di deep learning, tra cui CNN, VGG16, ResNet50, InceptionV3 e MobileNetV2, per la classificazione delle malattie. Questi modelli vengono combinati utilizzando un approccio di ensemble per migliorare accuratezza e robustezza, raggiungendo una precisione di classificazione del 98,99%. In base alla malattia prevista e allo stadio di crescita, il sistema fornisce raccomandazioni terapeutiche specifiche per stadio. Il sistema proposto è implementato come un'applicazione web basata su Streamlit che permette agli utenti di caricare immagini delle foglie e ricevere previsioni e raccomandazioni in tempo reale. Questo approccio integrato offre una soluzione pratica e scalabile per l'agricoltura di precisione, aiutando gli agricoltori a ridurre le perdite di raccolti e migliorare la produttività.
Diversi studi hanno applicato tecniche di machine learning e deep learning per la raccomandazione delle colture, la rilevazione di malattie e il supporto alla decisione agricola. Metodi di deep learning in ensemble sono stati utilizzati per migliorare l'accuratezza delle raccomandazioni di colture e fertilizzanti integrando la previsione delle malattie, mostrando prestazioni migliori rispetto agli approcci a modellosingolo 1. Sono stati inoltre sviluppati sistemi di raccomandazione basati su machine learning che utilizzano alberi decisionali e macchine a vettori di supporto per suggerire colture, fertilizzanti e trattamenti per malattie incorporando al contempo feedback degli agricoltori per una miglioreadattabilità 2.
Per la diagnosi della malattia, i modelli CNN ibridi combinati con tecniche di estrazione delle caratteristiche come CLAHE e GLCM hanno migliorato la precisione della classificazione della malattia delriso. Altri approcci hanno utilizzato clustering e algoritmi Random Forest con estrazione di caratteristiche basate su texture per migliorare le prestazioni di rilevamento dellemalattie 4. I modelli di deep learning, in particolare CNN e architetture di transfer learning, hanno raggiunto un'elevata precisione nel rilevamento delle malattie delle piante e hanno permesso sistemi di diagnosi in tempo reale e basati susmartphone 5,6,7. I metodi tradizionali di elaborazione e classificazione delle immagini ad albero che utilizzano caratteristiche di colore, texture e forma hanno anch'essi mostrato una rilevazione efficace delle malattie con una complessità computazionaleinferiore 8,9.
L'apprendimento in ensemble è stato ampiamente utilizzato nei sistemi di raccomandazione delle colture combinando classificatori come Random Forest, Naïve Bayes e Support Vector Machines per migliorare l'accuratezza e la robustezza dellaprevisione 10. I modelli basati su CNN sono stati utilizzati anche per la rilevazione della malattia del riso e integrati con sistemi IoT per raccomandazioni agricole in temporeale 11. Modelli di apprendimento automatico come K-Nearest Neighbors e tecniche di regressione sono stati applicati nei sistemi di supporto decisionalepredittivo 12. Inoltre, sono stati sviluppati sistemi di raccomandazione delle colture basati su fattori del suolo, stagionali e di produttività per supportare decisioni agricole basate sui dati 13.
Gli studi hanno inoltre esaminato i vincoli nella produzione di riso e le strategie di gestione delle malattie, evidenziando l'importanza di un controllo sostenibile delle malattie e di pratiche agricolemigliorate 14. Tuttavia, la maggior parte degli studi esistenti si concentra solo sulla rilevazione di malattie o sulla raccomandazione delle colture individualmente, e pochissimi integrano la classificazione delle malattie, la previsione della fase di crescita e la raccomandazione del trattamento in un unico sistema di supporto decisionale. Questa lacuna evidenzia la necessità di un quadro integrato e pratico di supporto alle decisioniagricole 15.
La novità di questa ricerca non risiede solo nella classificazione delle malattie, ma nello sviluppo di un sistema completo di supporto decisionale per la gestione della malattia delriso. Il sistema proposto integra la previsione della fase di crescita delle foglie di riso, la classificazione della malattia utilizzando un insieme di modelli di deep learning e la raccomandazione di trattamento specifica per stadio di crescita. A differenza degli studi esistenti che si concentrano solo sulla rilevazione delle malattie, questo lavoro collega la previsione della malattia a consigli di trattamento pratici basati sulla fasedi crescita della pianta 17. Questo approccio integrato rende il sistema più pratico per l'uso agricolo reale e supporta l'agricoltura di precisione fornendo interventi tempestivi e adeguatialla fase 18.
L'obiettivo principale della ricerca è creare il sistema di deep learning della fase successiva per rilevare la malattia delle foglie di riso più precocemente, prevedere con precisione le fasi di crescita della foglia e raccomandare il trattamento in tempo e in modo selettivo. Il sistema raggiunge un'elevata precisione nella classificazione delle malattie di 98,99 grazie all'ingegneria fine e all'assemblaggio di modelli all'avanguardia come CNN, VGG16, ResNet50, InceptionV3, MobileNetV2, tra gli altri. Include una rete neurale che prevede lo stadio di crescita e fornisce suggerimenti specifici su erbicidi o pesticidi riguardanti l'analisi. La tecnologia è disponibile per gli agricoltori tramite un'applicazione web Streamlit facile da usare che consente previsioni in tempo reale e consigli suitrattamenti 19. Lo studio dovrebbe facilitare decisioni relative alla gestione delle malattie attraverso previsioni tempestive e raccomandazioni terapeutiche con possibile applicabilità a economie agrarie come l'India.
Nonostante siano stati condotti numerosi studi sulla rilevazione delle malattie delle piante in termini di machine learning e deep learning, la maggior parte delle ricerche esistenti tenta la classificazione delle malattie senza considerare la fase di sviluppo della pianta e le proposte di trattamento. Tuttavia, non è vero che nella pratica effettiva in agricoltura le istruzioni di trattamento si basino non solo sulla natura della malattia, ma anche sulla fase in cui si trova la coltura al momento del trattamento, poiché il grado e il tipo di pesticidi variano a seconda della fase della coltura. Pochissimi studi includono la rilevazione delle malattie, la previsione delle fasi di crescita e le raccomandazioni terapeutiche tutto in un unico sistema automatizzato. Per colmare questo divario, lo studio attuale suggerisce un'architettura combinata basata sul deep learning che incorporerà la previsione dello stadio delle foglie del riso, la classificazione delle malattie in un insieme di modelli di deep learning e la raccomandazione di trattamenti specifici basati su uno stadio di crescita tramite un sistema di supporto decisionale eseguitoda Streamlit 20. Questa integrazione permette al sistema proposto di diventare più pratico e utile nell'agricoltura di precisione reale. Questo studio propone un quadro di diagnosi della malattia consapevole dello stadio, in cui la previsione dello stadio di crescita e la classificazione delle malattie sono combinate con un modulo di raccomandazione terapeutica per formare un flusso completo di supportodecisionale 21.
Sebbene siano stati proposti diversi approcci di deep learning e apprendimento d'insieme per la rilevazione delle malattie delle piante, la maggior parte degli studi esistenti si concentra solo sulla classificazione delle malattie e non considera la fase di crescita della pianta. Tuttavia, nell'agricoltura pratica, il metodo di trattamento, il tipo di pesticida e il dosaggio spesso dipendono non solo dal tipo di malattia, ma anche dalla fase di crescita della pianta. I sistemi esistenti di rilevamento delle malattie non forniscono raccomandazioni terapeutiche specifiche per stadio, il che ne limita l'applicabilità pratica nell'agricolturadi precisione 22. Inoltre, molti studi esistenti si concentrano solo sul miglioramento dell'accuratezza della classificazione utilizzando modelli di deep learning, ma non integrano il sistema di previsione in un quadro pratico di supporto alle decisioni che possa essere utilizzato da agricoltori o esperti agricoli. Per affrontare queste limitazioni, questo studio propone un sistema integrato di supporto alla decisione che combina la previsione dello stadio di crescita delle foglie di riso, la classificazione della malattia tramite apprendimento in ensemble e la raccomandazione di trattamento specifica per stadio. Il sistema proposto è implementato come applicazione web per supportare decisioni agricole in temporeale 23.
I principali contributi di questo studio includono lo sviluppo di un modello basato sul deep learning per prevedere con precisione le fasi di crescita delle foglie di riso utilizzando dati fotografici, consentendo un migliore monitoraggio e gestione delle colture. Prevede inoltre l'implementazione di tecniche di apprendimento per trasferimento per classificare efficacemente le malattie delle foglie di riso sfruttando modelli pre-addestrati, migliorando la precisione e riducendo la complessitàdell'addestramento 24. Per migliorare ulteriormente l'affidabilità della rilevazione delle malattie, viene adottato un approccio di apprendimento in ensemble, che combina più modelli per ottenere prestazioni di classificazione superiori. Inoltre, lo studio introduce un sistema di raccomandazione terapeutica specifica per stadio che fornisce soluzioni mirate basate sia sulla malattia identificata sia sulla fase di crescita della coltura, garantendo interventi agricoli più precisi ed efficaci. Infine, tutti questi componenti sono integrati in un'applicazione web basata su Streamlit, offrendo una piattaforma intuitiva per il supporto decisionale in tempo reale, permettendo a agricoltori e stakeholder di accedere facilmente a previsioni eraccomandazioni 25.
Access restricted. Please log in or start a trial to view this content.
Il seguente protocollo illustra il processo di rilevamento e di sviluppo e implementazione del sistema di raccomandazione per il trattamento delle foglie di riso passo dopo passo. I passaggi intrapresi devono essere utilizzati consecutivamente per replicare i risultati presentati in questo articolo.
Preparazione del dataset
Dataset di stadi delle foglie di riso: questi dati si basano su PaddyNet4. La scena comprende 560 immagini classificate in quattro diverse fasi di sviluppo, ovvero: Fase 2, Fase 3, Fase 4 e Fase 5. La classificazione dipende dal colore e dalla maturità delle foglie di riso, che dipendono dalla concentrazione di azoto, tra gli altri fattori, e dallo sviluppo della pianta. Il dataset presentato è importante per conoscere la fase giusta della pianta di riso (Figura 1). PaddyNet è accessibile pubblicamente tramite il sito web di data.mendeley.com/datasets/. Dataset sulle foglie di riso: Questo dataset era disponibile come diversi dataset pubblici separati su Kaggle e combinato per creare un unico dataset unificato con un totale di 6.920 immagini, ciascuna appartenente a uno dei sei tipi di malattia mostrati in (Figura 2). Dataset di trattamento: Il dataset è stato sviluppato in modo critico recuperando e integrando informazioni di vari dataset pubblici e contiene dati sulle varie pratiche di gestione delle malattie del riso in quattro fasidi crescita 21. L'obiettivo principale di questo dataset è elaborare raccomandazioni per prevenire e controllare la malattia del riso. I dati sono una delle risorse fondamentali per combattere le malattie nelle piante di riso, selezionando il tipo giusto dipesticidi 19,22,23,24,25
Potenziamento dei dati
L'aumento dei dati è stato utilizzato per migliorare il dataset di addestramento e ridurre l'overfitting. I metodi di aumento impiegati nello studio attuale sono rotazione (fino a 30), movimento di larghezza e altezza (fino al 20%), zoom (fino al 20%), taglio e ribaltamento orizzontale. L'uso di questi metodi di aumento aiuta il modello ad acquisire gli elementi essenziali del modello e ne migliora la generalizzazione quando viene testato su dati non visti. L'aumento dei dati è stato effettuato sul dataset di addestramento, mentre i dataset di validazione e test sono stati lasciati così come per rivedere le prestazioni eche del sistema. La dimensione del dataset originale doveva essere aumentata con i dati perché la dimensione del dataset originale è piuttosto piccola, e l'approccio era necessario per migliorare la generalizzazione e minimizzare l'overfitting introducendo il modello alle differenze di orientamento, scala e posizione delle immagini delle foglie.
Preprocessing dell'immagine
I dati raccolti sugli stadi e sulla malattia sono stati trasmessi attraverso una serie di fasi di pre-elaborazione per rendere i dati coerenti e migliorare le prestazioni dei modelli. Tutte le immagini di entrambi i dataset sono state scalate a 128 × 128 × 3 per garantire un'adattamento praticabile a qualsiasi architettura di deep learning. I valori dei pixel venivano scalati all'intervallo [0,1] per accelerare la convergenza durante l'addestramento. Inoltre, le etichette delle malattie e dei loro stadi sono state trasformate in numeri per valutare e addestrare il modello in modo più efficace. Questi metodi di preprocessing hanno aiutato a estrarre meglio le caratteristiche, a un tasso di classificazione migliore e a mantenere la robustezza del modello a diverse condizioni ambientali. La dimensione dell'immagine utilizzata, 128 × 128, era compromessa tra calcolo e perdita di caratteristiche. Concreto Dimensioni dell'immagine più piccole riducono il tempo di addestramento e i costi computazionali, e non eliminano le informazioni (caratteristiche visive) per classificare la malattia e lo stadio quando si utilizzano modelli di deep learning.
Divisione dei dataset
I dati elaborati sono stati suddivisi in tre sottoinsiemi (Tabella 1): Set di Addestramento (80%), Set di Validazione (10%), Set di Test (10%). Per evitare una distribuzione sbilanciata delle classi in tutti e tre i sottoinsiemi, è stato utilizzato un campionamento casuale stratificato per garantire che sia il dataset stadio (560 immagini) sia quello delle malattie (6.920 immagini) avessero una distribuzione uguale delle classi. Non c'è stata alcuna fuga di dati tra i sottoinsiemi.
Addestramento al modello
Nella classificazione dello stadio di crescita delle foglie di riso e delle malattie, sono stati utilizzati due metodi di addestramento modello.
Modello di classificazione delle tappe
Il metodo di classificazione della fase di crescita delle foglie prevede quattro classi e una dimensione dei dati relativamente bassa, quindi l'architettura della Rete Neurale Convoluzionale (NN) non era molto espansa ma considerata leggera. Un'architettura più semplice può essere utilizzata per ridurre il sovrafitting e la potenza di calcolo, a scapito di un'elevata accuratezza nel caso di classificazione tramite caratteristiche di colore e texture. La nuova struttura CNN avrà tre strati convoluzionali utilizzando le funzioni di attivazione ReLU. Gli strati convoluzionali sono alternati con i livelli di max-pooling (2×2) per ridurre le dimensioni spaziali, oltre che per identificare le caratteristiche più prominenti. Le feature map subiscono uno strato convoluzionale, dopo di che vengono appiattite, e viene eseguito lo strato denso completamente connesso con regolarizzazione dropout per scoraggiare l'overfitting. Infine, la classificazione multiclasse delle quattro fasi di crescita viene effettuata con l'aiuto di uno strato di output softmax. L'ottimizzatore Adam, che ha un tasso di apprendimento di 0,001 e un'entropia incrociata categorica come funzione di perdita, è stato utilizzato per addestrare il modello. Il numero del lotto fu impostato a 10 e il modello fu addestrato in 10 epoche. La precisione e la perdita di validazione sono state utilizzate anche per monitorare le prestazioni del modello, poiché servono a garantire che il modello sia generalizzato.
Modello di classificazione delle malattie basato sull'apprendimento di ensemble
Per la classificazione delle malattie, è stata adottata una serie di architetture di deep learning per migliorare l'accuratezza della previsione. Lo sviluppo iniziale di un modello CNN personalizzato consisteva in quattro livelli, ovvero tre strati convoluzionali, tre strati max-pooling, uno strato denso completamente connesso e regolarizzazione dropout. MobileNetV2 impiega convoluzioni separabili in profondità, blocchi residui invertiti e collo di bottiglia invertito con residuo lineare. Il modello ha una dimensione ridotta di soli 3,4 milioni di parametri e può essere utilizzato in un ambiente con risorse limitate. I modelli iniziarono a usare attivazioni ImageNet e i livelli convoluzionali furono congelati affinché le rappresentazioni apprese delle caratteristiche non andassero perse. Il livello di classificazione softmax era collegato a uno strato completamente connesso con regolarizzazione dropout. Tutti i modelli sono stati addestrati durante 20 epoche con una dimensione di lotto di 32, e l'ottimizzatore e la perdita erano identici a quelli del modello CNN. Nel tentativo di migliorare la classificazione, è stato utilizzato il metodo medio di apprendimento per l'insieme di voto. I risultati sono state le probabilità medie previste da tutti e cinque i modelli (CNN, VGG16, ResNet50, InceptionV3 e MobileNetV2) per ottenere le previsioni finali della classe. Questa tecnica combinata è stata utile per ridurre il bias nei modelli e migliorare la generalizzazione. L'ultimo modello combinato era più accurato nelle classificazioni. Il motivo per cui è stato scelto l'approccio in ensemble è che l'apprendimento delle varie rappresentazioni delle caratteristiche viene appreso utilizzando lo stesso insieme di dati dai diversi modelli di deep learning. L'ensemble riduce anche il bias e la varianza del modello e aumenta le problematiche previsionali complessive e la performance di generalizzazione rispetto ai modelli indipendenti.
Strategia di previsione
Nel processo di prevedere la malattia delle foglie di riso e il suo associato stadio di crescita, è stato utilizzato il metodo di classificazione basato su ensemble. I cinque modelli di deep learning (CNN, VGG16, ResNet50, InceptionV3 e MobileNetV2) sono stati addestrati indipendentemente per classificare le malattie e messi insieme utilizzando un metodo medio di votazione in ensemble. Questa procedura prevedeva la previsione delle probabilità di ogni categoria di malattia di tutti i modelli e della distribuzione media di probabilità, che aggiungeva precisione alla prevedibilità e minimizzava il bias nel modello. La previsione finale è stata scelta come classe di malattia con la probabilità media più alta. Inoltre, è stato addestrato e utilizzato un diverso modello di classificazione delle stadi basato sulla CNN per prevedere lo stadio di crescita della foglia di riso. Entrambi i modelli di classificazione riceverebbero immagini di input di dimensioni 128x128, poi normalizzano i valori dei pixel e infine utilizzano i modelli per fare un'inferenza. Le previsioni finali sia dello stadio fogliare che della malattia sono state poi mappate su un insieme esistente di raccomandazioni terapeutiche per offrire un trattamento valido al fine di gestire la malattia.
Esempio di output: "Stadio della foglia: 3, Malattia: Tungro"
Raccomandazione del trattamento
Per rendere più pratica la classificazione della malattia delle foglie di riso, è stato integrato nella domanda un sistema di raccomandazione del trattamento basato su Streamlit. Il sistema prende in considerazione la malattia prevista e lo stadio delle foglie per offrire raccomandazioni terapeutiche specifiche che garantiscano una gestione efficace della malattia. Il modello di classificazione delle malattie in ensemble (inclusi CNN, VGG16, ResNet50, InceptionV3 e MobileNetV2) classifica la malattia, mentre il modello di classificazione dello stadio fogliare è un altro modello. Lo stadio modellato della foglia e della malattia viene confrontato con i dati di trattamento che prevedono le dosi raccomandate (misure preventive e applicazione di pesticidi).
Quadro metodologico e contributo
La metodologia del sistema presentato è una pipeline di più stadi, che combina classificazione delle immagini e supporto decisionale. Il quadro è composto da cinque grandi passaggi, ovvero: la promozione delle immagini e l'augmentazione, la previsione della fase di crescita delle foglie, l'uso di modelli di deep learning addestrati sulle immagini per classificare la malattia, la combinazione dei risultati della previsione per ottenere una decisione d'insieme e la raccomandazione del trattamento in base al tipo e allo stadio di crescita della malattia. Il contributo metodologico di questo lavoro è orientato all'implementazione di numerosi modelli di previsione e di un modulo di raccomandazione del trattamento in un'unica pipeline di supporto decisionale. Il sistema si basa non solo sulla classificazione delle malattie, ma anche sull'incorporazione delle informazioni sulla fase di crescita della pianta per fornire raccomandazioni terapeutiche in una determinata fase. Il sistema è più rilevante per il processo decisionale agricolo nel mondo reale grazie a questa strategia di raccomandazione consapevole della fase di scena. L'immagine di input subirà prima di essere pre-elaborata prima di essere inviata attraverso il modello di classificazione degli stadi e i modelli di classificazione delle malattie. I risultati del modello di malattia vengono mediati utilizzando una tecnica di ensemble, e la previsione e la fase di crescita della malattia vengono portate fino alla fine per ottenere raccomandazioni terapeutiche corrette basate sull'identificazione dei referti terapeutici nel database dei trattamenti.
Strategia di validazione e prevenzione del sovrafitting
Per fornire una validazione rigorosa dei modelli sviluppati, il set di dati è stato suddiviso in tre sottoinsiemi disgiuntivi: set di addestramento (80%), set di validazione (10%) e set di test (10%). I modelli venivano addestrati usando il set di addestramento, regolati con il set di validazione e valutati le loro prestazioni finali usando solo il set di test. Il set di test rimaneva assolutamente indipendente per avere un'analisi imparziale del modello. I seguenti metodi sono stati utilizzati per garantire che il modello non si sovraadatti e per migliorare la sua capacità di generalizzazione. Per aumentare il livello di diversità nel dataset, sono stati innanzitutto utilizzati metodi di aumento dei dati (rotazione, zoom, spostamento, taglio e ribaltamento orizzontale). In secondo luogo, la regolarizzazione del dropout è stata utilizzata negli strati completamente connessi dei modelli CNN per ridurre il sovrafitting. In terzo luogo, modelli pre-addestrati (VGG16, ResNet50, InceptionV3 e MobileNetV2) sono stati trasferiti utilizzando la tecnica degli strati convoluzionali congelati per preservare le caratteristiche apprese e minimizzare le possibilità di sovrafitting causato dalla piccola dimensione del dataset. Infine, la perdita di validazione e l'accuratezza sono state utilizzate per monitorare le prestazioni del modello durante l'addestramento, al fine di garantire che il modello non si adatti troppo ai dati di addestramento. Questi sono gli schemi di validazione e regolarizzazione che garantiscono che il modello proposto si generalizzi molto bene ai dati non visti e offra buone prestazioni.
Sistema proposto
Quella suggerita è una soluzione di deep learning per la gestione della malattia delle foglie di riso, che incorpora la previsione dello stadio e la classificazione della malattia dello stadio delle foglie. Tutto inizia con la pre-elaborazione delle immagini delle foglie di riso, ridimensionandole a un'altezza comune e con i valori dei pixel. Lo stadio di crescita della foglia viene previsto tramite una rete neurale, e una tecnica di voto media viene utilizzata per utilizzare un insieme di modelli di deep learning (CNN, VGG16, ResNet50, InceptionV3, MobileNetV2) per classificare le malattie. Il sistema utilizza lo stadio previsto e la malattia per prescrivere le dosi giuste di erbicidi o pesticidi da utilizzare nel trattamento. Il flusso di lavoro del sistema proposto è mostrato in (Figura 3). Le sottosezioni precedenti (da A a I) spiegano ciascuno degli elementi individuali di questa pipeline, per questo non viene fatta una descrizione più approfondita qui. L'applicazione basata su Streamlit sviluppata in questo studio è uno strumento prototipo di supporto alle decisioni pensato per dimostrare l'applicabilità pratica del modello proposto. Il sistema consente agli utenti di caricare immagini delle foglie di riso e ricevere previsioni sulla malattia, informazioni sulla fase di crescita e raccomandazioni di trattamento. Saranno condotti test di usabilità su larga scala e dispiegamento sul campo con gli agricoltori come parte dei futuri lavori per valutare l'efficacia e l'usabilità del sistema nel mondo reale.
Access restricted. Please log in or start a trial to view this content.
Modello di classificazione delle tappe
Il modello di previsione a stadi ha raggiunto un'accuratezza di addestramento del 95,88% (perdita: 0,1172) e un'accuratezza di validazione del 95,24% (perdita: 0,1751), indicando che il modello sta imparando in modo coerente e facendo previsioni eque quando applicato a campioni di validazione non visti. È stata raggiunta una precisione di validazione del 95,24%, con una perdita di validazione di 0,1751. I...
Access restricted. Please log in or start a trial to view this content.
L'attuale articolo suggerisce un sistema innovativo di supporto alla decisione che prevede la previsione dello stadio di crescita delle foglie di riso, la classificazione delle malattie con l'aiuto di un insieme di modelli di deep learning (VGG16, MobileNetV2 e ResNet50) e la raccomandazione del trattamento basata su stadi basata su un'applicazione web. Il modello di ensemble ha ottenuto una precisione del 98,99% nella classificazione del modello, superiore a quella dei singoli modelli, ...
Access restricted. Please log in or start a trial to view this content.
Gli autori dichiarano di non esserci conflitti di interesse.
Gli autori riconoscono il Dipartimento di Informatica e Ingegneria, GITA Autonomous College di Bhubaneswar, Odisha, India, per aver fornito le necessarie strutture computazionali e il supporto alla ricerca per svolgere questo lavoro. Gli autori ringraziano inoltre gli sviluppatori dei dataset pubblici e dei framework open source per deep learning utilizzati in questo studio.
Access restricted. Please log in or start a trial to view this content.
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| Dataset | Dataset dello stadio delle foglie di riso (PaddyNet4) | 560 immagini in 4 fasi di crescita (Stadio 2 e ndash; 5) | |
| Dataset | Dataset sulle malattie delle foglie di riso | 6920 immagini di 6 classi di malattie da Kaggle | |
| Dataset | Dataset di Trattamento | Dataset compilato con pratiche di gestione della malattia per stadio di crescita | |
| Preprocessing | Ridimensionamento dell'immagine | Immagini ridimensionate a 128x128x3 | |
| Preprocessing | Normalizzazione | Valori dei pixel scalati a [0,1] | |
| Preprocessing | Codifica delle etichette | Etichette categoriche convertite in numeri | |
| Aumento | Rotazione | Fino a 30 gradi | |
| Aumento | Spostamento di larghezza/altezza | Fino al 20% | |
| Aumento | Zoom | Fino al 20% | |
| Aumento | Taglio & Flip | Taglio e ribaltamento orizzontale | |
| Modello | CNN (Classificazione di Stadio) | CNN leggero con 3 livelli di conv | |
| Modello | CNN (Classificazione delle Malattie) | CNN personalizzato con conv + layer pooling | |
| Modello | VGG16 | Modello di apprendimento tramite trasferimento | |
| Modello | ResNet50 | Modello di apprendimento tramite trasferimento | |
| Modello | InceptionV3 | Modello di apprendimento tramite trasferimento | |
| Modello | MobileNetV2 | Modello di apprendimento per trasferimento leggero | |
| Tecnica | Apprendimento in ensemble | Voto a probabilità media di 5 modelli | |
| Tecnica | Apprendimento tramite trasferimento | Utilizzo di pesi ImageNet pre-addestrati | |
| Tecnica | Regolarizzazione del Dropout | Per evitare sovrafitting | |
| Formazione | Ottimizzatore | Adam (tasso di apprendimento 0,001) | |
| Formazione | Funzione di perdita | Entropia Incrociata Categorica | |
| Formazione | Dimensione del lotto | 10 (modello di stadio), 32 (modelli di malattia) | |
| Formazione | Epoche | 10 (stadio), 20 (malattia) | |
| Valutazione | Metriche | Precisione, Precisione, Richiamo, F1-score | |
| Dispiegamento | Streamlit | Applicazione web per la previsione in tempo reale |
Request permission to reuse the text or figures of this JoVE article
Request Permission