Een op deep learning gebaseerde methode voor het opsporen van rijstbladziekten en een specifieke aanbeveling voor behandeling in groeifases

Samenvatting

Deze studie presenteert een op deep learning gebaseerde methode om groeistadia van rijstbladeren te voorspellen en ziekten te classificeren, waarbij fase-specifieke behandelingsaanbevelingen worden gegeven via een geautomatiseerd, gebruiksvriendelijk besluitvormingsondersteuningssysteem voor effectief beheer van gewasziekten.

Samenvatting

Rijstbladziekten hebben een aanzienlijke invloed op de rijstopbrengst en kwaliteit, waardoor vroege detectie en juiste behandeling essentieel zijn voor precisielandbouw. Deze studie stelt een op deep learning gebaseerd beslissingsondersteunend systeem voor voor het opsporen van rijstbladziekten, het voorspellen van groeistadia en fase-specifieke behandelingsaanbevelingen. De dataset die in deze studie wordt gebruikt, bestaat uit afbeeldingen van rijstbladeren die uit meerdere bronnen zijn verzameld en gecategoriseerd op groeistadium en ziekteklasse. De dataset werd verdeeld in trainingssets (80%), validatie (10%) en testsets (10%) om een juiste modelevaluatie te waarborgen. Voor het voorspellen van groeistadia werd een lichtgewicht Convolutioneel Neural Network (CNN)-model ontwikkeld, terwijl ziekteclassificatie werd uitgevoerd met transfer learning-modellen, waaronder VGG16, ResNet50, InceptionV3 en MobileNetV2. Een ensemblemethode gebaseerd op gemiddelde kansstemming werd gebruikt om de classificatieprestaties te verbeteren. De modellen werden geëvalueerd met behulp van nauwkeurigheid, precisie, herinnering en F1-score op een onafhankelijke testset. De experimentele resultaten tonen aan dat het ensemblemodel een hogere nauwkeurigheid behaalde dan individuele modellen, wat verbeterde robuustheid en generalisatie aantoont. Het voorgestelde systeem werd geïmplementeerd als een Streamlit-webapplicatie die ziektedetectie, groeistadiavoorspelling en behandelingsaanbevelingen biedt. Het voorgestelde geïntegreerde kader kan boeren en landbouwexperts ondersteunen bij het nemen van tijdige en nauwkeurige beslissingen over ziektebeheer.

Inleiding

India, als agrarische economie, is sterk afhankelijk van landbouw, waarbij rijst (rijst) een basisgewas is voor een groot deel van de bevolking. De rijstteelt wordt echter sterk beïnvloed door bladziekten zoals blast, bacteriële bladziekte, bruine vlek en sheath blight, die de opbrengst verminderen en economische verliezen veroorzaken. Vroege opsporing van deze ziekten is essentieel, omdat traditionele handmatige inspectiemethoden tijdrovend en vaak onnauwkeurig zijn. Om dit probleem aan te pakken, stelt deze studie een op deep learning gebaseerd besluitvormingssysteem voor voor het voorspellen van rijstbladgroeistadiums, ziekteclassi....

Protocol

Het volgende protocol illustreert het proces van het opsporen en stappen opbouwen en inzetten van systemen voor het opstellen en inzetten van rijstbladziekten. De genomen stappen moeten achtereenvolgens worden gebruikt om de bevindingen uit dit artikel te repliceren.

Datasetvoorbereiding

Paddy leaves stage-dataset: Deze data was gebaseerd op PaddyNet4. De scène bestaat uit 560 beelden die zijn geclassificeerd onder vier verschillende ontwikkelingsfasen, namelijk: Fase 2, Fase 3, Fase 4 en Fase 5. De classificatie hangt af van de kleur en rijpheid van de rijstblader....

Resultaten

Trapclassificatiemodel

Het stagevoorspellingsmodel behaalde een trainingsnauwkeurigheid van 95,88% (verlies: 0,1172) en een validatienauwkeurigheid van 95,24% (verlies: 0,1751), wat aangeeft dat het model consistent leert en eerlijke voorspellingen doet wanneer het wordt toegepast op niet-geziene validatiemonsters. Een validatienauwkeurigheid van 95,24% werd behaald, met een validatieverlies van 0,1751. Het model behaalde een testnauwkeurighei.......

Discussie

Het huidige artikel stelt een nieuw besluitvormingsondersteuningssysteem voor dat bestaat uit het voorspellen van de groeifase van rijstbladeren, de classificatie van ziekten met behulp van een ensemble van deep learning-modellen (VGG16, MobileNetV2 en ResNet50), en een fasengebaseerde aanbeveling van behandeling op basis van een webapplicatie. Het ensemblemodel behaalde een nauwkeurigheid van 98,99% in de classificatie van het model, wat hoger is dan die van individuele modellen, zoals .......

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Dataset	Paddy Leaf Stage Dataset (PaddyNet4)	560 afbeeldingen over 4 groeistadia (Stadium 2–5)
Dataset	Paddy Leaf Disease Dataset	6920 afbeeldingen over 6 ziekteklassen van Kaggle
Dataset	Treatment Dataset	Gecompileerd dataset met ziektebeheerpraktijken per groeistadium
Preprocessing	Afbeeldingsgrootte	Afbeeldingen verkleind naar 128x128x3
Preprocessing	Normalisatie	Pixelwaarden geschaald naar [0,1]
Preprocessing	Label Encoding	Categorische labels omgezet naar numeriek
Augmentatie	Rotatie	Tot 30 graden
Augmentatie	Breedte/Hoogte Verschuiving	Tot 20%
Augmentatie	Zoomen	Tot 20%
Augmentatie	Shearing & Flip	Shearing en horizontaal draaien
Model	CNN (Stadiumclassificatie)	Lichtgewicht CNN met 3 convolutielaegen
Model	CNN (Ziekteclassificatie)	Aangepaste CNN met convolutie + poolinglagen
Model	VGG16	Transfer learning model
Model	ResNet50	Transfer learning model
Model	InceptionV3	Transfer learning model
Model	MobileNetV2	Lichtgewicht transfer learning model
Techniek	Ensemble Learning	Gemiddelde waarschijnlijkheidsstemming van 5 modellen
Techniek	Transfer Learning	Gebruik van vooraf getrainde ImageNet gewichten
Techniek	Dropout Regularization	Om overtraining te voorkomen
Training	Optimizer	Adam (leertempo 0,001)
Training	Verliesfunctie	Categorische Cross-Entropy
Training	Batchgrootte	10 (stadiummodel), 32 (ziektemodellen)
Training	Epochs	10 (stadium), 20 (ziekte)
Evaluatie	Metrieken	Accuraatheid, Precisie, Recall, F1-score
Implementatie	Streamlit	Webapplicatie voor real-time voorspelling