Transfer Learning en UNet-segmentatie voor classificatie van padiebladziekte als een oplossing met een gebruiksvriendelijke interface voor niet-technische gebruikers

Samenvatting

Dit protocol schetst een op beelden gebaseerde deep learning-pijplijn voor het classificeren van padiebladziekten. Het combineert op UNet gebaseerde segmentatie- en overdrachtsleermodellen om de nauwkeurigheid te verbeteren. De aanpak ondersteunt geautomatiseerde ziektedetectie en omvat een gebruikersinterface voor praktische implementatie, waardoor niet-experts worden geholpen bij het identificeren van problemen met padiegewassen.

Samenvatting

Padie is een essentieel voedselgewas dat miljarden mensen wereldwijd ondersteunt, en de padieteelt is van vitaal belang voor de economische stabiliteit van tal van landen en levert een belangrijke bijdrage aan het inkomen en de werkgelegenheid in landbouwgemeenschappen, vooral in Azië. Ondanks het belang ervan wordt de padieteelt gehinderd door verschillende bladziekten zoals Tungro, Sheath Blight (SB), Paddy Hispa (PH), Neck Blast (NB), Narrow Brown Spot (NBS), Leaf Scald (LS), Leaf Blast (LB), Brown Spot (BS) en Bacterial Leaf Blight (BLB), die allemaal een negatieve invloed hebben op de opbrengst en de graankwaliteit. Om deze problemen aan te pakken, stelt deze studie een op maat gemaakte deep learning-aanpak voor op basis van transfer learning. Zes verschillende modellen werden geëvalueerd, waarbij het op maat gemaakte DenseNet-121-model de beste prestaties leverde, met een nauwkeurigheid van 0,98, een precisie van 0,97 en een terugroepactie van 0,96. Om de prestaties van het model te verbeteren, werd beeldsegmentatie uitgevoerd met behulp van het UNet-model, dat de nauwkeurigheid aanzienlijk verbeterde door een gesegmenteerde afbeeldingsgegevensset te maken. De zes modellen werden getest op twee datasets: een met gesegmenteerde afbeeldingen en de andere met niet-gesegmenteerde afbeeldingen, beide afgeleid van de Paddy Leaf Diseases Detection Dataset. Bovendien werd een eenvoudige en intuïtieve grafische interface ontwikkeld om gebruikers zonder technische achtergrond in staat te stellen gemakkelijk met het model te communiceren en padiebladziekten te identificeren. Deze geïntegreerde oplossing benadrukt de effectiviteit van deep learning bij het bieden van betrouwbare en schaalbare methoden voor het classificeren van padiebladziekten.

Inleiding

Padie is een hoeksteen van de wereldwijde landbouw, ondersteunt miljarden mensen en vormt de economische ruggengraat van tal van landen, met name in Azië, waar het goed is voor een aanzienlijk deel van zowel de voedselconsumptie als het levensonderhoud¹. De duurzame productie van padie wordt echter steeds meer bedreigd door verschillende biologische en omgevingsfactoren, waarbij bladziekten tot de meest kritieke uitdagingen behoren. Ziekten zoals bacteriële bladziekte, bruine stip en padieontploffing ^2,3 kunnen de gewasopbrengsten aanzienlijk verminderen, de graankwaliteit verslechteren en leiden tot aanzienlijke financiële verliezen voor boeren⁴.

Om deze problemen aan te pakken, is de classificatie van padiebladziekten een essentieel hulpmiddel geworden in de plantenpathologie⁵. Vroege en nauwkeurige identificatie van dergelijke ziekten maakt tijdig ingrijpen mogelijk, waardoor de verspreiding en impact van infecties worden beperkt. Traditioneel is deze taak gebaseerd op deskundige visuele inspectie, die weliswaar effectief is in kleinschalige omgevingen, maar lijdt aan beperkingen zoals subjectiviteit, arbeidsintensiteit en beperkte schaalbaarheid in grote landbouwgebieden.

Recente ontwikkelingen op het gebied van Machine Learning (ML) en Deep Learning (DL) hebben de manier waarop plantenziekten worden gedetecteerd en geclassificeerd aanzienlijk veranderd. Deze technologieën maken gebruik van afbeeldingen met een hoge resolutie van geïnfecteerde bladeren om geautomatiseerde, schaalbare en nauwkeurige ziekte-identificatie mogelijk te maken. Dergelijke automatisering verbetert de consistentie, vermindert menselijke fouten en ondersteunt realtime besluitvorming voor boeren⁶.

Verschillende hedendaagse studies hebben ook innovatieve benaderingen onderzocht om de landbouwdiagnostiek te verbeteren. Studies op RNA-niveau, zoals circANK-gemedieerde afweeronderdrukking, hebben bijvoorbeeld nieuwe biologische wegen geopend voor het begrijpen van padieziekten⁷, terwijl op visie gebaseerde kaders zoals segmentatie van twee-route-instanties voor het detecteren van rijstrijen het nut van deep learning in precisielandbouw hebben aangetoond⁸. Bovendien benadrukken recente werken zoals TMFF: Trustworthy Multi-Focus Fusion for multi-label classification in complex visual environments het groeiende belang van hybride en robuuste DL-modellen voor implementatie in de echte wereld⁹.

Gemotiveerd door deze ontwikkelingen bevordert dit onderzoek de classificatie van padiebladziekten door UNet-gebaseerde segmentatie te integreren met deep transfer learning-modellen. Deze aanpak heeft tot doel zieke regio's nauwkeuriger te isoleren en te classificeren met behulp van efficiënte, vooraf getrainde netwerken. Door de beperkingen van traditionele handmatige methoden aan te pakken en de modelfocus te verbeteren door middel van segmentatie, draagt dit werk bij aan het verbeteren van de classificatieprestaties, het ondersteunen van duurzame landbouwpraktijken en het versterken van voedselzekerheidssystemen¹⁰.

Overzicht van de classificatie van padiebladziekte

Padie is van ongeëvenaard belang als hoofdgewas, dat meer dan 50% van de wereldbevolking voedt en een belangrijke economische motor is voor veel ontwikkelingslanden, met name in Azië^. Naast zijn rol in de voedselzekerheid is de padieteelt diep verankerd in culturele en maatschappelijke praktijken in tal van regio's, waardoor duurzame productie een prioriteit is voor regeringen en belanghebbenden in de landbouw. De padieproductie brengt echter uitdagingen met zich mee, waaronder bladziekten die zowel de productiviteit als de kwaliteit van de padiegewassen in gevaar blijven brengen. Wijdverbreide problemen zoals bacterievuur, bruine vlek en padieontploffing dragen bij aan aanzienlijke opbrengstverliezen¹², waardoor de wereldwijde padieproductie wordt aangetast en de economieën die sterk afhankelijk zijn van dit hoofdbestanddeel onder druk komen te staan.

Classificatie van bladziekten is een essentieel onderdeel van modern landbouwbeheer, omdat het de basis vormt voor tijdige en effectieve ziektebestrijdingsmaatregelen. Tijdige identificatie stelt boeren in staat om de verspreiding van ziekten te beheersen, efficiënt gebruik te maken van landbouwchemicaliën en aanzienlijke gewasschade te voorkomen. Conventioneel was dit proces afhankelijk van visuele inspectie uitgevoerd door bekwame landbouwprofessionals. Hoewel deze methode effectief kan zijn, is deze arbeidsintensief, tijdrovend en sterk afhankelijk van het vaardigheidsniveau van de waarnemer. Bovendien wordt handmatige inspectie bij grootschalige landbouwactiviteiten vaak onpraktisch, vooral wanneer subtiele symptomen moeilijk te identificeren zijn tijdens de beginfase van infectie¹³.

De komst van geautomatiseerde systemen voor de classificatie van bladziekten heeft een revolutie teweeggebracht in de landbouwdiagnostiek¹⁴. Deze systemen maken gebruik van de vooruitgang in beeldvormingstechnologieën en DL om schaalbare¹⁵, efficiënte¹⁶ en zeer nauwkeurige oplossingen te bieden¹⁷. Beeldverwerking (IP), gecombineerd met ML- en DL-modellen, kan afbeeldingen met een hoge resolutie van padiebladeren verwerken om ziektesymptomen te identificeren, die vaak beter presteren dan traditionele methoden op het gebied van nauwkeurigheid en snelheid. Door het classificatieproces te automatiseren, stellen deze systemen boeren en landbouwprofessionals in staat om datagestuurde beslissingen te nemen, waardoor de afhankelijkheid van menselijke expertise wordt verminderd en het risico op fouten wordt geminimaliseerd.

De classificatie van padieziekten zorgt niet alleen voor een hogere productiviteit en minder verliezen, maar draagt ook bij aan de bredere doelstellingen van duurzame landbouw. Door nauwkeurige identificatie van ziekten^{mogelijk te maken 18}, helpen deze technologieën bij het optimaliseren van^het gebruik van pesticiden, waardoor de impact op het milieu wordt geminimaliseerd en^{milieuvriendelijke} landbouwpraktijken worden bevorderd. Bovendien vergroot de integratie van deze systemen met mobiele applicaties en remote sensing-tools hun bereik naar kleine boeren in omgevingen met beperkte middelen, waardoor inclusiviteit en rechtvaardigheid in de vooruitgang van de landbouw worden bevorderd²¹.

Het belang van padie als wereldwijd gewas onderstreept de behoefte aan robuuste, betrouwbare en toegankelijke methoden voor de classificatie van bladziekten²². Door de inzet van deze technologieën kan de landbouwsector een van zijn meest urgente uitdagingen aangaan, namelijk het waarborgen van de veerkracht en duurzaamheid van de padieproductie in het licht van de toenemende vraag en milieubeperkingen.

Modellering technieken

De voorgestelde methode voor het classificeren van padiebladziekten integreert verschillende geavanceerde technieken om zowel de nauwkeurigheid als de effectiviteit te verbeteren:

Afbeelding segmentatie: De eerste stap is het segmenteren van de bladafbeeldingen om het bladgebied van de achtergrond te isoleren. Deze stap vermindert de computationele complexiteit door ongewenste delen ^23,24 van het beeld te verwijderen en verbetert de focus op relevante patronen, wat leidt tot een betere nauwkeurigheid.

Functie extractie: Functies worden geëxtraheerd uit de gesegmenteerde afbeeldingen, waarbij kritieke details over de ziektesymptomen worden vastgelegd²⁵. Deze kenmerken vormen de basis van het classificatiemodel, waardoor het efficiënt onderscheid kan maken tussen gezonde en zieke bladeren.

Overdracht leren: Transfer learning wordt gebruikt om kennis uit vooraf getrainde modellen te benutten, waardoor de noodzaak van uitgebreide training voor nieuwe datasets aanzienlijk wordt geminimaliseerd. Deze aanpak versnelt het ontwikkelingsproces met behoud van een hoge nauwkeurigheid en efficiëntie²⁶.

End-to-end classificatiemodel: In tegenstelling tot traditionele methoden die transfer learning uitsluitend gebruiken voor functie-extractie, bevat de voorgestelde methodologie een end-to-end classificatiekader. Deze holistische benadering integreert functie-extractie en classificatie^27,28 in een naadloze pijplijn, waardoor optimale prestaties worden gegarandeerd.

Evaluatie statistieken: Er worden verschillende evaluatiestatistieken toegepast om de prestaties van het model te analyseren²⁹, waarbij gedetailleerde informatie wordt verkregen over de nauwkeurigheid, precisie, herinnering en algehele efficiëntie. Deze uitgebreide analyse helpt bij het effectief bepalen van de betrouwbaarheid en geschiktheid van het model.

Hiaten in het onderzoek

Ondanks aanzienlijke vooruitgang blijven er verschillende uitdagingen en beperkingen op het gebied van de classificatie van bladziekten:

Handmatige identificatie van bladziekten is sterk afhankelijk van domeinexperts, waardoor het subjectief en inconsistent is. Zelfs met een sterke domeinkennis kunnen menselijke fouten in handmatige benaderingen leiden tot aanzienlijke oogstverliezen.

Handmatige methoden zijn arbeidsintensief en kunnen niet de klok rond functioneren, waardoor ze onpraktisch zijn voor grootschalige of continue monitoring.

Onderzoek naar de classificatie van bladziekten is uitgebreid, maar zeer beperkte studies richten zich specifiek op de classificatie van padieziekten.

Eerdere studies³⁰hebben over het algemeen het gebruik van transfer learning voor het classificeren van padiebladziekten verwaarloosd.

Bestaande modellen zijn vaak niet generaliseerbaar over verschillende omgevingsomstandigheden en ziektevarianten, waardoor hun praktische bruikbaarheid wordt beperkt³¹.

De datasets die in de huidige studies worden gebruikt, zijn vaak klein en missen diversiteit, wat een bredere toepasbaarheid in de weg staat³².

Door deze lacunes aan te pakken, wil deze studie het gebied van de classificatie van padieziekten bevorderen door middel van innovatieve technieken en robuuste methodologieën.

Belangrijkste bijdragen van deze studie

Dit onderzoek probeert deze hiaten op te vullen door een op maat gemaakte deep learning-gebaseerde methode te creëren en te beoordelen voor het classificeren van padiebladziekten. Belangrijke bijdragen zijn onder meer:

Door gebruik te maken van transfer learning om gebruik te maken van vooraf getrainde modelgewichten, kan een hoge nauwkeurigheid worden bereikt in minder trainingsperioden.

Aantonen dat minder trainingsperioden de behoefte aan hoge rekenkracht verminderen, waardoor de methode toegankelijk wordt voor gebruikers met beperkte rekenkracht.

Het ontwikkelen van een end-to-end classificatiemodel dat segmentatie, functie-extractie en classificatie integreert, en biedt een uitgebreide oplossing.

Gebruik maken van gegevenssegmentatie en andere technieken om de generaliseerbaarheid van het model over diverse datasets te verbeteren.

Open uitdagingen

Ondanks de veelbelovende resultaten die in deze studie zijn bereikt, blijven er nog open uitdagingen. Deze uitdagingen omvatten de behoefte aan grotere en meer diverse datasets om de robuustheid³³ en het aanpassingsvermogen van het model³⁴ te verbeteren voor verschillende omgevingsomstandigheden³⁵ en ziektetypes, de integratie van multimodale gegevens om de nauwkeurigheid van voorspellingen te vergroten, en de inzet van modellen voor real-time gebruik in veldomstandigheden. Bovendien is het bereiken van een evenwicht tussen rekenefficiëntie en modelprestaties van cruciaal belang om de toegankelijkheid voor eindgebruikers te waarborgen, met name in landelijke gebieden en gebieden met weinig middelen.

Protocol

Beschrijving van de dataset

De dataset die in dit onderzoek is gebruikt, is afkomstig uit de openbaar beschikbare Kaggle-repository met de titel Paddy Leaf Diseases Detection Dataset. Het bestaat uit 18.545 afbeeldingen van padiebladeren, gecategoriseerd in 10 ziekteklassen en 1 gezonde klasse. Afbeeldingen variëren in resolutie en zijn gemaakt onder verschillende licht- en omgevingsomstandigheden.

Voorbewerking van afbeeldingen

Alle afbeeldingen zijn verkleind tot 224 x 224 pixels met behulp van de functie tf.image.resize() van TensorFlow. Deze uniformiteit zorgt voor compatibiliteit met de invoervereisten van vooraf getrainde CNN-modellen.: Pixelwaarden zijn genormaliseerd naar het bereik [0,1] met behulp van de parameter rescale=1./255 in Keras ImageDataGenerator. Vergroting (alleen voor training): Technieken zoals horizontaal en verticaal spiegelen, rotatie (± 20°) en zoomen (tot 20%) werden toegepast met behulp van ImageDataGenerator om generalisatie te verbeteren.

Segmentatie van afbeeldingen

Een UNet-model werd gebruikt voor beeldsegmentatie om zieke bladgebieden te isoleren van achtergrondruis. De UNet-architectuur is gebouwd met behulp van de functionele API van Keras met encoder-decoderlagen, skip-verbindingen en ReLU-activering. Segmentatiemaskers werden toegepast op originele afbeeldingen met behulp van pixelgewijze vermenigvuldiging (cv2.bitwise_and) om alleen relevante kenmerken te behouden.

Modelarchitectuur en training

De volgende modellen werden gebruikt als backbone-classificaties: VGG16, ResNet50, InceptionV3, MobileNet, AlexNet en DenseNet121. Vooraf getrainde modellen (op ImageNet) werden geïmporteerd met include_top=False. Er werd een aangepaste classificatiekop toegevoegd, bestaande uit een globale gemiddelde poolinglaag, twee dichte lagen met 128 en 64 neuronen (ReLU-activering), een Dropout-laag (snelheid = 0,4) en een laatste dichte laag met 11 outputs en Softmax-activering.

Experimentele opstelling

Alle experimenten zijn uitgevoerd met behulp van de volgende instellingen: Programmeeromgeving: Python 3.11.5 met TensorFlow en Keras, Uitvoeringsplatform: Jupyter Notebook, Hardware: Intel Core i5-6300U, 8 GB RAM, Windows 11, Batchgrootte: 32, Epochs: 50, Optimizer: Adam, Leersnelheid: 0,0001, Verliesfunctie: Categorische crossentropie, Activeringsfuncties: ReLU voor verborgen lagen, Softmax voor de uiteindelijke uitvoerlaag.

Evaluatie metriek

Nauwkeurigheid, precisie, recall en F1-score werden berekend met behulp van classification_report van sklearn.metrics. Verwarringsmatrices werden uitgezet met behulp van confusion_matrix en seaborn.heatmap. De prestaties werden beoordeeld op zowel niet-gesegmenteerde als UNet-gesegmenteerde beelden voor vergelijkende evaluatie.

GUI-ontwikkeling

Een eenvoudige grafische gebruikersinterface is gemaakt met behulp van de Tkinter-bibliotheek van Python. Gebruikers kunnen een bladafbeelding uploaden met behulp van de GUI, die vervolgens door het getrainde model wordt geleid. De voorspelde ziekteklasse wordt op het scherm weergegeven, samen met een betrouwbaarheidsscore.

Aanmaken van datasets

De dataset die in dit onderzoek wordt gebruikt, is de openbaar beschikbare Paddy Leaf Diseases Detection-dataset van Kaggle³⁶, bestaande uit in totaal 18.545 afbeeldingen met hoge resolutie van padiebladeren, gecategoriseerd in 10 ziekteklassen en 1 gezonde klasse. De beelden zijn vastgelegd onder verschillende lichtomstandigheden en diverse omgevingsomgevingen, waardoor de dataset zeer representatief is en geschikt voor het bouwen van robuuste deep learning-modellen. De dataset is ongeveer 8,33 GB groot en bevat de volgende klassen: Tungro, Sheath Blight (SB), Paddy Hispa (PH), Neck Blast (NB), Narrow Brown Spot (NBS), Leaf Scald (LS), Leaf Blast (LB), Healthy, Brown Spot (BS) en Bacterial Leaf Blight (BLB).

Om reproduceerbaarheid en effectieve modelevaluatie te garanderen, werd de dataset willekeurig verdeeld in subsets voor training (80%) en testen (20%), met behoud van de klassenverdeling. De trainingsset werd gebruikt om de modellen te trainen, terwijl de testset werd gereserveerd voor prestatievalidatie op ongeziene gegevens. De evaluatie was gebaseerd op standaard classificatiestatistieken: Nauwkeurigheid, Precisie, Recall en F1-score, die een uitgebreide beoordeling van de classificatiecapaciteit van elk model opleverden. De studie vergeleek zes deep learning-modellen: VGG16, ResNet, InceptionV3, MobileNet, AlexNet en DenseNet121, waarbij DenseNet121 de beste prestaties voor de taak leverde.

Distributie van gegevens

De ziekteclassificatie werd uitgevoerd met behulp van deep learning-modellen die op de dataset waren getraind. De dataset was verdeeld in twee subsets: een trainingsset en een testset. De trainingsset werd gebruikt om het model te onderwijzen, terwijl de testset werd gebruikt om de prestaties te evalueren op voorheen ongeziene gegevens. Een samenvatting van de beeldverdeling over de tien ziektecategorieën en de gezonde bladklasse is te vinden in Tabel 1. Deze tabel biedt een uitgebreid inzicht in de visuele symptomen die verband houden met elke ziekte, waardoor de training en evaluatie van classificatiemodellen wordt vergemakkelijkt.

Deze verdeling zorgt voor een billijke vertegenwoordiging van elke ziektecategorie tijdens zowel de trainings- als de testfase. De trainingsset bevat het merendeel van de afbeeldingen, waardoor het model de unieke kenmerken van elke klas effectief kan leren. De testset, bestaande uit een kleinere subset van afbeeldingen, zorgt voor een betrouwbare evaluatie van de nauwkeurigheid van het model en het vermogen om te generaliseren naar nieuwe, onzichtbare gegevens.

De evenwichtige en diverse verdeling van afbeeldingen over categorieën zorgt ervoor dat het model over voldoende gegevens beschikt om de unieke patronen van elk ziektetype te leren, terwijl ook het risico op overfitting of vooringenomenheid ten opzichte van een bepaalde klasse wordt verkleind. Deze gegevenssplitsing is essentieel voor het verkrijgen van robuuste en betrouwbare classificatieresultaten.

Gegevens opschonen

In de voorverwerkingsfase is het opschonen van de gegevens essentieel om de nauwkeurigheid en efficiëntie van het classificatiemodel te verbeteren. De afbeeldingen van onbewerkte rijstbladeren bevatten vaak ongewenste achtergrondelementen zoals aarde, nabijgelegen vegetatie of landbouwwerktuigen, die ruis kunnen veroorzaken en de algehele prestaties van het model kunnen verslechteren.

Om dit aan te pakken, werd beeldsegmentatie uitgevoerd met behulp van het UNet ^37,38-model, een bekende convolutionele neurale netwerkarchitectuur die speciaal is ontworpen voor semantische segmentatietaken. Het UNET-model is in staat om bladgebieden van de achtergrond met hoge precisie te segmenteren, zodat alleen de relevante delen van de afbeeldingen behouden blijven voor verdere verwerking³⁹. Het segmentatieproces werd geïllustreerd in figuur 1.

Proces van segmentatie met UNet-model (Figuur 2): Onbewerkte afbeeldingen uit de dataset worden ingevoerd in het UNET-model. Het UNET-model bestaat uit een encoder die hiërarchische kenmerken extraheert en een decoder die de afbeelding reconstrueert terwijl het bladgebied wordt gesegmenteerd. Het model voert een binair masker uit waarbij het bladgebied is gemarkeerd en de achtergrond is verwijderd. De gesegmenteerde afbeeldingen worden verder verfijnd door morfologische bewerkingen toe te passen om gladde randen te garanderen en eventuele restruis te verwijderen (Figuur 3).

Wiskundige formulering van UNet-segmentatie: UNet voert semantische segmentatie uit door een mapping te leren van de invoerbeeldruimte naar een binair masker dat het interessegebied (ROI) benadrukt, d.w.z. het zieke bladgebied, terwijl de irrelevante achtergrond wordt onderdrukt. Laten:

geef de ingevoerde RGB-afbeelding van grootte H * W aan met C = 3 kleurkanalen.

de output zijn van het getrainde UNet-model, waarbij elke pixelwaarde in M de waarschijnlijkheid vertegenwoordigt dat die pixel tot het zieke bladgebied behoort.

Het laatste binaire segmentatiemasker

waarbij τ [0,1] de segmentatiedrempel is (gewoonlijk ingesteld op 0,5).

De gesegmenteerde afbeelding wordt vervolgens als volgt berekend:

waarbij elementgewijze vermenigvuldiging staat, ruimtelijk toegepast over alle kanalen. Bij deze bewerking blijven pixelwaarden in de ROI behouden (waar ) en worden achtergrondpixels gemaskeerd (waar ). Deze gesegmenteerde output wordt doorgegeven als input aan het classificatiemodel (bijv. DenseNet121), waardoor het zich uitsluitend kan concentreren op ziekterelevante kenmerken, terwijl luidruchtige, niet-informatieve achtergrondgebieden worden genegeerd, wat de classificatieprestaties en modelgeneralisatie verbetert.

Deze voorbewerkingsstap garandeert dat de volgende fasen van de extractie en classificatie van kenmerken worden uitgevoerd op schone, relevante gegevens, waardoor de algehele prestaties en betrouwbaarheid van het classificatiemodel voor padieziekten worden verbeterd.

Leren overdragen

Transfer learning maakt gebruik van vooraf getrainde neurale netwerken om nieuwe, maar gerelateerde problemen aan te pakken, waardoor het niet meer nodig is om modellen van de grond af aan op te bouwen. Deze aanpak maakt gebruik van de kennis die is opgedaan bij eerdere taken, waardoor efficiënt leren mogelijk wordt⁴⁰. Vooraf getrainde modellen worden vaak ontwikkeld op basis van uitgebreide datasets en beschikken over robuuste mogelijkheden voor functie-extractie, waardoor ze geschikt zijn voor het verfijnen van specifieke datasets. Dit verkort de trainingstijd, voorkomt overfitting en bereikt een hoge nauwkeurigheid, zelfs met beperkte rekenmiddelen.

In deze studie werd transfer learning gebruikt om padiebladziekten te identificeren door verschillende vooraf getrainde deep learning-modellen te evalueren. De architectuur die in de experimenten is onderzocht, omvat VGG16, ResNet, InceptionV3, MobileNet, AlexNet en DenseNet121. Elk van deze modellen werd in eerste instantie getraind op grote datasets, zoals ImageNet, en hun vooraf getrainde gewichten werden in dit werk gebruikt. Om de modellen aan te passen aan de classificatietaak zijn de volgende wijzigingen aangebracht:

Model wijziging: De oorspronkelijke, volledig verbonden (classificatie)lagen van elk model zijn verwijderd met behulp van de parameter include_top=False tijdens het importeren van het model in Keras. Dit zorgde ervoor dat alleen de convolutionele basis (feature extractor) van elk vooraf getraind model behouden bleef. De uitvoer van het laatste convolutionele blok werd afgevlakt tot een eendimensionale vector met behulp van de laag Flatten().

Dichte lagen: Drie volledig verbonden (dichte) lagen werden achtereenvolgens toegevoegd na de afvlakkingsstap. Deze lagen werden gedefinieerd met behulp van de Keras Dense()-functie: de eerste met 256 neuronen en ReLU-activering, de tweede met 128 neuronen en ReLU-activering, en de derde met 64 neuronen en ReLU-activering. Tussen de lagen is ook een dropout-laag toegevoegd om overfitting te verminderen.

Output laag: Drie volledig verbonden (dichte) lagen werden achtereenvolgens toegevoegd na de afvlakkingsstap. Deze lagen werden gedefinieerd met behulp van de Keras Dense()-functie: de eerste met 256 neuronen en ReLU-activering, de tweede met 128 neuronen en ReLU-activering, en de derde met 64 neuronen en ReLU-activering. Tussen de lagen werd ook een dropout-laag (snelheid 0,4) toegevoegd om overfitting te verminderen.

De algehele pijplijn en stroom van de methodologie, inclusief voorbewerking, segmentatie, implementatie van overdrachtsleermodellen en evaluatie, wordt weergegeven in figuur 4. Deze figuur geeft een uitgebreid overzicht van de stappen die in dit onderzoek zijn gevolgd. Door gebruik te maken van transfer learning werd de trainingstijd met succes geminimaliseerd, werd de afhankelijkheid van hoogwaardige rekenkracht verminderd en werden aanzienlijke prestatieverbeteringen bereikt in de classificatie van padiebladziekte.

Voorgesteld DenseNet121 model voor classificatie van bladziekten

Van alle geteste modellen leverde DenseNet121 de beste prestaties op bij het classificeren van padiebladziekten, met een opmerkelijke nauwkeurigheid. Dit geavanceerde deep learning-model onderscheidt zich door zijn innovatieve architectuur⁴⁰, die een efficiënte informatiestroom bevordert en het hergebruik van functies verbetert.

Architectuur van DenseNet121: DenseNet121 wordt gekenmerkt door dicht op elkaar verbonden lagen, waarbij elke laag toegang heeft tot de functiekaarten van alle voorgaande lagen. Dit ontwerp optimaliseert de informatiestroom, vermindert redundantie en verbetert de algehele efficiëntie van het model aanzienlijk.

De architectuur bestaat uit de volgende belangrijke onderdelen:

Invoerlaag: Ontvangt afbeeldingen waarvan het formaat is gewijzigd in 224 x 224 pixels voor gestandaardiseerde verwerking.

Initiële convolutionele laag: Past een convolutiebewerking van 7 x 7 toe, gevolgd door maximale pooling om de ruimtelijke dimensies te verkleinen en objecten op laag niveau te extraheren.

Dichte blokken: Het model bevat vier dichte blokken. Elk blok bestaat uit verschillende convolutionele lagen die op een dichte manier met elkaar zijn verbonden, wat betekent dat elke laag directe toegang heeft tot de uitgangen van alle voorgaande lagen binnen het blok.

Overgangslagen: Deze lagen, gepositioneerd tussen dichte blokken, voeren een 1 x 1 convolutie uit, gevolgd door gemiddelde pooling om de functiedimensies te verkleinen, waardoor de rekenefficiëntie wordt verbeterd.

Global Average Pooling (GAP): Vermindert de ruimtelijke dimensies van functiekaarten vóór de volledig verbonden lagen.

Volledig verbonden laag: Produceert de uitvoervector voor classificatie.

Aangepaste lagen voor classificatie: Voor dit onderzoek werden de standaard volledig verbonden lagen vervangen door een aangepaste architectuur: Flatten-laag, drie dichte lagen (256, 128 en 64 neuronen met ReLU-activering) en een laatste sigmoïde-geactiveerde laag voor binaire classificatie.

Het vermogen van DenseNet121 om functies te hergebruiken en de compacte architectuur hebben aanzienlijk bijgedragen aan de superieure prestaties op de dataset voor padiebladziekten. Deze efficiëntie, in combinatie met het vermogen om overfitting tot een minimum te beperken, maakt het ideaal voor taken met beperkte trainingsgegevens. DenseNet121 bereikte een betere nauwkeurigheid en generalisatie dan andere modellen vanwege het hergebruik van functies en de gradiëntstroomeigenschappen. Terwijl modellen als ResNet en VGG16 goed presteerden, presteerde DenseNet121 beter dan ze op het gebied van nauwkeurigheid en rekenefficiëntie.

In alle modellen werden drie volledig verbonden (dichte) lagen opgenomen die gebruik maakten van ReLU-activeringsfuncties (zoals weergegeven in vergelijking 1), culminerend in een laatste dichte laag met een SoftMax-activering (vergelijking 2) om classificatie met meerdere klassen te vergemakkelijken. Door deze aanpassing kon elk model zijn vooraf getrainde gewichten effectief gebruiken bij het classificeren van de afbeeldingen in de dataset.

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

waarbij x_i staat voor de invoer van de SoftMax-functie, aangepast voor classificatie in de tien categorieën padiebladziekten. De unieke architectuur van elk model, gecombineerd met deze aangepaste uitvoerlaag, maakte effectieve functie-extractie en nauwkeurige beeldclassificatie mogelijk.

Figuur 5 toont de architecturale lay-out van DenseNet121 en toont de naadloze informatiestroom door de dichte blokken, overgangslagen en de op maat gemaakte classificatielagen die voor dit onderzoek zijn geïntegreerd. Deze visuele weergave verduidelijkt hoe DenseNet121 omgaat met beeldinvoer en voorspellingsuitvoer genereert

Resultaten

Voor de uitgevoerde experimenten in dit onderzoek is het model ontwikkeld met behulp van Python versie 3.11.5 en Jupyter Notebook op een Windows 11-besturingssysteem. De primaire deep learning-frameworks die werden gebruikt, waren TensorFlow- en Keras-bibliotheken. De hardware die voor dit onderzoek werd gebruikt, was een HP-pc met een Intel i5-6300U CPU geklokt op 2,50 GHz, uitgerust met 8 cores.

Discussie

Deze studie stelt een op deep learning gebaseerd raamwerk voor voor de geautomatiseerde classificatie van padieziekten met behulp van zowel gesegmenteerde als niet-gesegmenteerde datasets. De aanpak integreert UNet-gebaseerde beeldsegmentatie met transfer learning-modellen, wat aantoont dat segmentatie de extractie en classificatienauwkeurigheid aanzienlijk verbetert. Van de zes geëvalueerde modellen behaalde de aangepaste DenseNet-121 de hoogste prestaties, met een nauwkeurigheid van 0,...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
HP PC	HP	Intel Core i5-6300U CPU @ 2.5 GHz, 8 GB RAM
Jupyter Notebook	Open Source	Gebruikt voor code-uitvoering
Kaggle Dataset: Rice Leaf Diseases Detection	Kaggle	https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
Keras	Open Source	Geïntegreerd met TensorFlow
Python	Python Software Foundation	3.11.5
TensorFlow	Google	2.x
Windows OS	Microsoft	Windows 11