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

Summary

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.

Abstract

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.

Introduction

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, ziekteclassificatie en behandelingsaanbevelingen. Het systeem gebruikt een neuraal netwerkmodel om de groeifase van het rijstblad te voorspellen en meerdere deep learning-modellen, waaronder CNN, VGG16, ResNet50, InceptionV3 en MobileNetV2, voor ziekteclassificatie. Deze modellen worden gecombineerd met een ensemblebenadering om de nauwkeurigheid en robuustheid te verbeteren, met een classificatienauwkeurigheid van 98,99%. Op basis van de voorspelde ziekte- en groeifase geeft het systeem fase-specifieke behandelaanbevelingen. Het voorgestelde systeem is geïmplementeerd als een op Streamlit gebaseerde webapplicatie waarmee gebruikers bladafbeeldingen kunnen uploaden en realtime voorspellingen en aanbevelingen kunnen ontvangen. Deze geïntegreerde aanpak biedt een praktische en schaalbare oplossing voor precisielandbouw, waardoor boeren gewasverliezen kunnen verminderen en de productiviteit kunnen verbeteren.

Verschillende studies hebben machine learning en deep learning-technieken toegepast voor gewasaanbevelingen, ziektedetectie en ondersteuning bij landbouwbeslissingen. Ensemble deep learning-methoden zijn gebruikt om de nauwkeurigheid van gewas- en mestaanbevelingen te verbeteren door ziektevoorspelling te integreren, wat betere prestaties laat zien dan single-model benaderingen¹. Aanbevelingssystemen gebaseerd op machine learning, die gebruikmaken van beslissingsbomen en ondersteunende vectormachines, zijn ook ontwikkeld om gewassen, meststoffen en ziektebehandelingen voor te stellen, terwijl feedback van boeren wordt geïntegreerd voor een verbeterde^{aanpassingsvermogen}.

Voor ziektedetectie hebben hybride CNN-modellen gecombineerd met feature-extractietechnieken zoals CLAHE en GLCM de classificatie van rijstziekten verbeterd³. Andere benaderingen hebben clustering en Random Forest-algoritmen met textuurgebaseerde feature-extractie gebruikt om de prestaties bij ziektedetectie te verbeteren⁴. Deep learning-modellen, met name CNN's en transfer learning-architecturen, hebben een hoge nauwkeurigheid bereikt in het opsporen van plantziekten en hebben realtime en smartphone-gebaseerde diagnosesystemen^{mogelijk gemaakt 5,6,7}. Traditionele methoden voor beeldverwerking en classificatieboom, waarbij kleur-, textuur- en vormkenmerken worden gebruikt, hebben ook effectieve ziektedetectie aangetoond met een lagere rekencomplexiteit ^8,9.

Ensemble learning wordt veel gebruikt in gewasaanbevelingssystemen door classifiers zoals Random Forest, Naïve Bayes en Support Vector Machines te combineren om de voorspellingsnauwkeurigheid en robuustheid^te verbeteren. CNN-gebaseerde modellen zijn ook gebruikt voor het opsporen van rijstziekten en geïntegreerd met IoT-systemen voor realtime landbouwaanbevelingen¹¹. Machine learning-modellen zoals K-Nearest Neighbors en regressietechnieken zijn toegepast in voorspellende beslissingsondersteuningssystemen¹². Daarnaast zijn er gewasaanbevelingssystemen ontwikkeld op basis van bodem-, seizoens- en productiviteitsfactoren om datagedreven landbouwbeslissingen te ondersteunen ¹³.

Studies hebben ook beperkingen in rijstproductie en strategieën voor ziektebeheer onderzocht, waarbij het belang van duurzame ziektebestrijding en verbeterde landbouwpraktijken wordt benadrukt¹⁴. De meeste bestaande studies richten zich echter alleen op ziektedetectie of gewasaanbeveling individueel, en slechts weinigen integreren ziekteclassificatie, groeistadiavoorspelling en behandelingsaanbeveling in één enkel besluitvormingsondersteuningssysteem. Deze kloof benadrukt de noodzaak van een geïntegreerd en praktisch kader voor landbouwbesluitvorming¹⁵.

De nieuwigheid van dit onderzoek ligt niet alleen in de classificatie van ziekten, maar ook in de ontwikkeling van een volledig besluitvormingssysteem voor het beheer van rijstziekten¹⁶. Het voorgestelde systeem integreert de voorspelling van de groeifase van rijstbladeren, ziekteclassificatie met behulp van een ensemble van deep learning-modellen en aanbevelingen voor behandelingen specifiek voor groeistadiums. In tegenstelling tot bestaande studies die zich uitsluitend richten op ziektedetectie, koppelt dit werk ziektevoorspelling aan uitvoerbare behandeladviezen op basis van de groeifase¹⁷ van de plant. Deze geïntegreerde aanpak maakt het systeem praktischer voor gebruik in de praktijk en ondersteunt precisielandbouw door tijdige en op het juiste moment gepaste interventie^te bieden.

Het hoofddoel van het gegeven onderzoek is het creëren van het volgende diepe leersysteem om rijstbladziekte eerder te detecteren en de groeistadia van het blad nauwkeurig te voorspellen en de behandeling tijdig en selectief aan te bevelen. Het systeem bereikt een hoge nauwkeurigheid in ziekteclassificatie van 98,99 door fijn engineering en het assembleren van state-of-art modellen zoals CNN, VGG16, ResNet50, InceptionV3, MobileNetV2 en anderen. Het bevat een neuraal netwerk dat de groeifase voorspelt en specifieke herbicide- of pesticidentips geeft voor de analyse. De technologie is beschikbaar voor boeren via een gebruiksvriendelijke Streamlit-webapplicatie die realtime voorspellingen en^{behandeladvies mogelijk} maakt. De studie moet beslissingen over ziektebeheer vergemakkelijken door tijdige voorspellingen en behandelaanbevelingen met mogelijk toepasbaarheid op agrarische economieën zoals India.

Hoewel er meerdere studies zijn uitgevoerd naar de detectie van plantenziekten op basis van machine learning en deep learning, probeert het merendeel van het bestaande onderzoek ziekteclassificatie te bevorderen zonder rekening te houden met de ontwikkelingsfase van de plant en suggesties voor behandeling. Het is echter niet zo dat in de praktijk in de landbouw de behandelinstructies niet alleen gebaseerd zijn op de aard van de ziekte, maar ook op het stadium waarin het gewas zich bevindt op het moment van behandeling, aangezien de mate en het type pesticiden verschillen afhankelijk van het stadium van het gewas. Zeer weinig onderzoek omvat ziektedetectie, groeistadiumvoorspelling en behandeladvies allemaal in één geautomatiseerd systeem. Om deze kloof te overbruggen, stelt de huidige studie een gecombineerde, op deep learning gebaseerde architectuur voor die de voorspelling van het bladstadium van rijst, ziekteclassificatie in een set deep learning-modellen en aanbevelingen van specifieke behandelingen op basis van een groeistadium via een door Streamlit uitgevoerde beslissingsondersteuningssysteem²⁰ zal integreren. Deze integratie maakt het voorgestelde systeem praktischer en nuttiger in de precisielandbouw in de praktijk. Deze studie stelt een fasebewust diagnosekader voor waarbij groeistadiumvoorspelling en ziekteclassificatie worden gecombineerd met een behandelaanbevelingsmodule om een volledige beslissingsondersteuningspijplijn^te vormen.

Hoewel verschillende deep learning- en ensemble-learningbenaderingen zijn voorgesteld voor het opsporen van plantziekten, richten de meeste bestaande studies zich uitsluitend op ziekteclassificatie en houden ze geen rekening met de groeifase van de plant. In de praktische landbouw hangen de behandelmethode, het type pesticide en de dosering echter vaak niet alleen af van het type ziekte, maar ook van de groeifase van de plant. Bestaande systemen voor ziektedetectie bieden geen stadia-specifieke behandelingsaanbevelingen, wat hun praktische toepasbaarheid in precisielandbouw beperkt²². Bovendien richten veel bestaande studies zich uitsluitend op het verbeteren van classificatienauwkeurigheid met behulp van deep learning-modellen, maar integreren ze het voorspellingssysteem niet in een praktisch besluitvormingsondersteuningskader dat door boeren of landbouwexperts kan worden gebruikt. Om deze beperkingen aan te pakken, stelt deze studie een geïntegreerd besluitvormingsondersteuningssysteem voor dat voorspelling van rijstbladgroeistadiums, ziekteclassificatie met behulp van ensemble learning en stadi-specifieke behandelingsaanbeveling combineert. Het voorgestelde systeem is geïmplementeerd als een webgebaseerde applicatie ter ondersteuning van realtime besluitvorming in de landbouw²³.

De belangrijkste bijdragen van deze studie omvatten de ontwikkeling van een deep learning-gebaseerd model om de groeistadia van rijstbladeren nauwkeurig te voorspellen met behulp van beeldgegevens, waardoor betere oogstmonitoring en -beheer mogelijk zijn. Het omvat ook de implementatie van transfer learning-technieken om rijstbladziekten effectief te classificeren door gebruik te maken van vooraf getrainde modellen, wat de nauwkeurigheid verbetert en de trainingscomplexiteit^{met 24} vermindert. Om de betrouwbaarheid van ziektedetectie verder te verbeteren, wordt een ensemble-leerbenadering toegepast, waarbij meerdere modellen worden gecombineerd om superieure classificatieprestaties te bereiken. Daarnaast introduceert de studie een fase-specifiek behandelsysteem dat gerichte oplossingen biedt op basis van zowel de geïdentificeerde ziekte als de groeifase van het gewas, waardoor nauwkeurigere en effectievere landbouwinterventies worden gegarandeerd. Tot slot zijn al deze componenten geïntegreerd in een op Streamlit gebaseerde webapplicatie, die een gebruiksvriendelijk platform biedt voor realtime beslissingsondersteuning, waardoor boeren en belanghebbenden eenvoudig toegang hebben tot voorspellingen en aanbevelingen²⁵.

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 rijstbladeren, die weer afhankelijk zijn van de stikstofconcentratie, naast andere factoren, en de ontwikkeling van de plant. De gepresenteerde dataset is belangrijk om het juiste stadium van de rijstplant te kennen (Figuur 1). PaddyNet is openbaar toegankelijk via de website van data.mendeley.com/datasets/. Paddy leaves ziekte-dataset: Deze dataset was beschikbaar als verschillende aparte publiek toegankelijke datasets op Kaggle en werd gecombineerd tot één uniforme dataset met in totaal 6.920 afbeeldingen, die elk behoorden tot een van de zes ziektetypen die op (Figuur 2) worden getoond. Behandeldataset: De dataset is kritisch ontwikkeld door informatie op te halen en te integreren van diverse openbaar beschikbare datasets en bevat gegevens over diverse beheerpraktijken van rijstziekten in vier groeifasen²¹. Het hoofddoel van deze dataset is het opstellen van aanbevelingen om de rijstziekte te voorkomen en te beheersen. De gegevens zijn een van de bronnen die essentieel zijn om ziekten in rijstplanten te bestrijden door het selecteren van het juiste soort pesticiden 19,22,23,24,25

Data-augmentatie

De data-uitbreiding werd gebruikt om de trainingsdataset te verbeteren en overfitting te verminderen. De augmentatiemethoden die in de huidige studie zijn toegepast zijn rotatie (tot 30), breedte- en hoogteverplaatsing (tot 20%), zoomen (tot 20%), schuif en horizontaal omdraaien. Het gebruik van deze augmentatiemethoden helpt het model de essentie van het model te verkrijgen en verbetert de generalisatie van het model wanneer het wordt getest op onzichtbare data. Data-augmentatie werd uitgevoerd op de trainingsdataset, terwijl de validatie- en testdatasets werden gelaten zoals ze waren om de eerlijke prestaties van het systeem te beoordelen. De omvang van de oorspronkelijke dataset moest worden uitgebreid met data omdat de omvang van de oorspronkelijke dataset vrij klein is, en de aanpak nodig was om de generalisatie te verbeteren en overfitting te minimaliseren door het model kennis te laten maken met verschillen in oriëntatie, schaal en positie van bladafbeeldingen.

Beeldvoorbewerking

De verzamelde stadia- en ziektegegevens werden door een aantal preprocessing-stappen gestuurd om de data consistent te maken en de prestaties van de modellen te verbeteren. Alle afbeeldingen uit beide datasets zijn geschaald naar 128 × 128 × 3 om een werkbare aansluiting in elke deep learning-architectuur te garanderen. De pixelwaarden werden geschaald naar het interval [0,1] om de convergentie tijdens het trainen te versnellen. Bovendien werden de labels van ziekten en hun stadia omgezet in cijfers om het model krachtiger te evalueren en te trainen. Deze preprocessingmethoden hielpen om features beter te extraheren, een betere classificatiegraad te krijgen en het model robuust te maken tegen verschillende omgevingscondities. De grootte van de gebruikte afbeelding, 128 × 128, werd gecompromitteerd door berekeningen en featureverlies. Concrete Kleinere beeldgrootte minimaliseert de trainingstijd en rekenkosten, en elimineert geen informatie (visuele kenmerken) om de ziekte en fase te classificeren bij gebruik van deep learning-modellen.

Datasetsplitsing

De verwerkte gegevens werden verdeeld in drie subsets (Tabel 1): Training Set (80%), Validatieset (10%), Test Set (10%). Om een onevenwichtige verdeling van klassen in alle drie de subsets te voorkomen, werd gestratificeerde willekeurige steekproeven gebruikt om ervoor te zorgen dat zowel de stagedataset (560 afbeeldingen) als de ziektedataset (6.920 afbeeldingen) een gelijke verdeling van klassen hadden. Er was geen datalek tussen de subsets.

Modeltraining

Bij de classificatie van de groeifase van rijstbladeren en ziekten werd de modeltrainingsmethode in twee stappen gebruikt.

Trapclassificatiemodel

De classificatiemethode van bladgroeistadium heeft vier klassen en een relatief lage datagrootte, waardoor de architectuur van het Convolutioneel Neural Netwerk (NN) niet erg werd uitgebreid maar als lichtgewicht werd beschouwd. Een eenvoudigere architectuur kan worden gebruikt om minder overfitting en rekenkracht te bieden, ten koste van hoge nauwkeurigheid bij classificatie met kleur- en textuurkenmerken. De nieuwe CNN-structuur zal drie convolutionele lagen hebben die gebruikmaken van de ReLU-activatiefuncties. De convolutionele lagen worden afgewisseld met de max-pooling lagen (2×2) om de ruimtelijke dimensies te verkleinen en de prominente kenmerken te identificeren. De feature maps ondergaan een convolutionele laag, waarna ze worden afgevlakt, en de volledig verbonden dichte laag met dropout-regularisatie wordt uitgevoerd om overfitting te ontmoedigen. Ten slotte wordt de multi-klasse classificatie van de vier groeistadia uitgevoerd met behulp van een softmax-uitvoerlaag. De Adam-optimizer, die een leersnelheid van 0,001 heeft en categorische kruisentropie als verliesfunctie, werd gebruikt om het model te trainen. Het aantal van de batch werd op 10 gezet en het model werd in 10 tijdperken getraind. Validatienauwkeurigheid en validatieverlies werden ook gebruikt om de prestaties van het model te monitoren, omdat deze worden gebruikt om ervoor te zorgen dat het model wordt gegeneraliseerd.

Ziekteclassificatiemodel gebaseerd op ensemble learning

Voor ziekteclassificatie werd een reeks deep learning-architecturen toegepast om de voorspellingsnauwkeurigheid te verbeteren. De initiële ontwikkeling van een aangepast CNN-model bestond uit vier lagen, namelijk drie convolutionele lagen, drie max-pooling-lagen, een dichte, volledig verbonden laag en dropout-regularisatie. MobileNetV2 maakt gebruik van diepte-separeerbare convoluties, omgekeerde residublokken en omgekeerde bottleneck met lineair residu. Het model heeft een kleine grootte van slechts 3,4 miljoen parameters en kan worden gebruikt in een omgeving met beperkte middelen. De modellen begonnen met ImageNet-activaties en de convolutionele lagen werden bevroren zodat de geleerde feature-representaties niet verloren gingen. De softmax-classificatielaag was gekoppeld aan een volledig verbonden laag met dropout-regularisatie. Alle modellen werden gedurende 20 epochs getraind met een batchgrootte van 32, en de optimizer en verlies waren identiek aan die van het CNN-model. In een poging om de classificatie te verbeteren, werd de gemiddelde stemensemble-leermethode gebruikt. De resultaten waren de gemiddelde kansen voorspeld door alle vijf modellen (CNN, VGG16, ResNet50, InceptionV3 en MobileNetV2) om de definitieve klassevoorspellingen te verkrijgen. Deze combinatietechniek was nuttig om bias in modellen te verminderen en generalisatie te verbeteren. Het laatste combinatiemodel was nauwkeuriger in classificaties. De reden dat de ensemblebenadering is gekozen, is dat het leren van de verschillende feature-representaties wordt geleerd met dezelfde dataset door de verschillende deep learning-modellen. Het ensemble vermindert ook modelbias en variantie en verhoogt de algehele voorspellingsproblemen en de algemene generalisatieprestaties in vergelijking met onafhankelijke modellen.

Voorspellingsstrategie

Bij het voorspellen van rijstbladziekte en het bijbehorende groeistadium werd de ensemble-gebaseerde classificatiemethode toegepast. De vijf deep learning-modellen (CNN, VGG16, ResNet50, InceptionV3 en MobileNetV2) werden onafhankelijk getraind om de ziekten te classificeren en samengevoegd met behulp van een gemiddelde stemensemblemethode. Deze procedure hield in dat de kansen van elke ziektecategorie van alle modellen en de gemiddelde kansverdeling werden voorspeld, wat precisie aan voorspelbaarheid toevoegt en bias in het model minimaliseert. De definitieve voorspelling werd genomen als de ziekteklasse met de hoogste gemiddelde waarschijnlijkheid. Verder werd een ander op CNN gebaseerd stadiumclassificatiemodel getraind en gebruikt om de groeifase van het rijstblad te voorspellen. Beide classificatiemodellen namen invoerbeelden van grootte 128x 128 op, normaliseerden vervolgens de pixelwaarden en gebruikten vervolgens de modellen om een inferentie te maken. De definitieve voorspellingen van zowel bladstadium als ziekte werden vervolgens gekoppeld aan een bestaande set behandelaanbevelingen om geldige behandeling te bieden om de ziekte te beheersen.

Voorbeelduitgang: "Bladstadium: 3, Ziekte: Toentungro"

Behandelingsaanbeveling

Om de classificatie van rijstbladziekten praktischer te maken, werd een behandelsysteem geïntegreerd in de toepassing gebaseerd op Streamlit. Het systeem neemt de voorspelde ziekte- en bladfase om specifieke behandelaanbevelingen te geven om ervoor te zorgen dat de ziekte succesvol wordt beheerd. Het model van ensemble-ziekteclassificatie (inclusief CNN, VGG16, ResNet50, InceptionV3 en MobileNetV2) classificeert de ziekte, terwijl het model voor het classificeren van het bladstadium een ander model is. Het gemodelleerde stadium van het blad en de ziekte wordt vergeleken met de behandelgegevens met aanbevolen doseringen (preventieve maatregelen en toepassing van pesticide).

Methodologisch kader en bijdrage

De methodologie van het gepresenteerde systeem is een pijplijn van meerfasen, die beeldclassificatie en besluitvormingsondersteuning combineert. Het kader bestaat uit vijf grote stappen, namelijk het promoten van beelden en augmentatie, het voorspellen van de bladgroeifase, het gebruik van deep learning-modellen die op de afbeeldingen zijn getraind om de ziekte te classificeren, het combineren van de voorspellingsresultaten om een ensemble-beslissing te verkrijgen, en het aanbevelen van de behandeling op basis van het type en de groeifase van een ziekte. De methodologische bijdrage van dit werk is gericht op de implementatie van vele voorspellingsmodellen en een behandelaanbevelingsmodule in één beslissingsondersteuningspijplijn. Het systeem is niet alleen gebaseerd op de classificatie van ziekten, maar ook op het opnemen van informatie over het stadium van plantengroei om behandelaanbevelingen te geven in een bepaald stadium. Het systeem is relevanter voor het proces van landbouwbesluitvorming in de echte wereld vanwege deze fasebewuste aanbevelingsstrategie. Het invoerbeeld wordt eerst voorbewerkt voordat het door het faseclassificatiemodel en ziekteclassificatiemodellen wordt gevoerd. De resultaten van het ziektemodel worden gemiddeld met behulp van een ensembletechniek, en de ziektevoorspelling en groeifase worden tot het einde doorgevoerd om correcte behandelaanbevelingen te verkrijgen op basis van de identificatie van relevante behandelgegevens in de behandeldatabase.

Validatiestrategie en overfittingpreventie

Om strenge validatie van de ontwikkelde modellen te bieden, werd de dataset opgesplitst in drie disjunctieve deelsets: trainingsset (80%), validatieset (10%) en testset (10%). De modellen werden getraind met de trainingsset, afgestemd met de validatieset en beoordeelden hun uiteindelijke prestaties uitsluitend met de testset. De testset bleef volledig onafhankelijk om een onpartijdige analyse van het model te kunnen uitvoeren. De volgende methoden werden gebruikt om te garanderen dat het model niet overfit en zijn generalisatievermogen te vergroten. Om het diversiteitsniveau in de dataset te vergroten, werden eerst data-augmentatiemethoden gebruikt (rotatie, zoomen, verschuiven, afschuiving en horizontaal omdraaien). Ten tweede werd dropout-regularisatie gebruikt in de volledig verbonden lagen van de CNN-modellen om overfitting te verminderen. Ten derde werden vooraf getrainde modellen (VGG16, ResNet50, InceptionV3 en MobileNetV2) overgedragen met behulp van de techniek van bevroren convolutionele lagen om de geleerde kenmerken te behouden en de kans op overfitting veroorzaakt door de kleine dataset te minimaliseren. Tot slot werden validatieverlies en nauwkeurigheid gebruikt om de prestaties van het model tijdens training te monitoren, zodat het model niet overfit is op de trainingsgegevens. Dit zijn de validatie- en regulariseringsschema's die ervoor zorgen dat het voorgestelde model zeer goed generaliseert naar onzichtbare data en goede prestaties levert.

Voorgesteld systeem

De voorgestelde is een deep learning-oplossing voor het beheer van rijstbladziekten, die de bladstadiumvoorspelling en classificatie van de ziekte omvat. Het begint met het voorbewerken van rijstbladafbeeldingen in termen van het aanpassen van grootte naar een gemeenschappelijke hoogte en de pixelwaarden. De bladgroeifase wordt voorspeld met behulp van een neuraal netwerk, en een gemiddelde stemtechniek wordt gebruikt om een ensemble van deep learning-modellen (CNN, VGG16, ResNet50, InceptionV3, MobileNetV2) te gebruiken om ziekten te classificeren. Het systeem gebruikt het voorspelde stadium en de ziekte om de juiste doseringen herbiciden of pesticiden voor te schrijven die in de behandeling worden gebruikt. De workflow van het voorgestelde systeem wordt weergegeven in (Figuur 3). De voorgaande subsecties (A tot en met I) leggen elk van de afzonderlijke elementen van deze pijplijn uit, daarom wordt hier niet meer beschreven. De op Streamlit gebaseerde applicatie die in deze studie is ontwikkeld, is een prototype beslissingsondersteuningstool bedoeld om de praktische toepasbaarheid van het voorgestelde model aan te tonen. Het systeem stelt gebruikers in staat om afbeeldingen van rijstbladeren te uploaden en ziektevoorspellingen, informatie over groeistadia en behandeladviezen te ontvangen. Grootschalige bruikbaarheidstests en veldimplementatie met boeren zullen worden uitgevoerd als onderdeel van toekomstig werk om de effectiviteit en bruikbaarheid van het systeem in de praktijk te evalueren.

Results

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...

Discussion

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 ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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