Metoda oparta na uczeniu głębokim do wykrywania chorób liści ryżowych oraz rekomendacji leczenia specyficznego dla etapu wzrostu

Summary

Niniejsze badanie przedstawia metodę opartą na głębokim uczeniu do przewidywania etapów wzrostu liści ryżowych oraz klasyfikacji chorób, dostarczając zalecenia dotyczące konkretnych etapów leczenia poprzez zautomatyzowany, przyjazny użytkownikowi system wsparcia decyzyjnego dla skutecznego zarządzania chorobami upraw.

Abstract

Choroby liści ryżowych znacząco wpływają na plony i jakość ryżu, dlatego wczesne wykrywanie i właściwe leczenie są niezbędne dla rolnictwa precyzyjnego. Niniejsze badanie proponuje system wsparcia decyzyjnego oparty na głębokim uczeniu w celu wykrywania chorób liści ryżowych, przewidywania etapów wzrostu oraz rekomendacji leczenia specyficznego dla konkretnych etapów. Zbiór danych użyty w tym badaniu obejmuje obrazy liści ryżu zebrane z różnych źródeł i posegregowane według stadium wzrostu oraz klasy choroby. Zbiór danych podzielono na zestawy treningowe (80%), walidację (10%) oraz testowe (10%), aby zapewnić właściwą ocenę modelu. Do przewidywania etapów wzrostu opracowano lekki model konwolucyjnej sieci neuronowej (CNN), natomiast klasyfikacja chorób przeprowadzono za pomocą modeli transferowego uczenia, w tym VGG16, ResNet50, InceptionV3 i MobileNetV2. Zastosowano metodę zespołową opartą na głosowaniu ze średnim prawdopodobieństwem, aby poprawić wyniki klasyfikacji. Modele oceniano na podstawie dokładności, precyzji, przypomnienia oraz wyniku F1 na niezależnym zestawie testowym. Wyniki eksperymentalne pokazują, że model zespołowy osiągał wyższą dokładność w porównaniu z pojedynczymi modelami, co wykazało lepszą odporność i uogólnienie. Proponowany system został zaimplementowany jako aplikacja internetowa Streamlit, która zapewnia wykrywanie chorób, prognozowanie etapu wzrostu oraz zalecenia leczenia. Proponowane zintegrowane ramy mogą wspierać rolników i ekspertów rolniczych w podejmowaniu terminowych i precyzyjnych decyzji dotyczących zarządzania chorobami.

Introduction

Indie, jako gospodarka rolnicza, w dużej mierze opierają się na rolnictwie, a ryż (ryż) jest podstawową uprawą dla dużej części populacji. Jednak uprawa ryżu jest znacząco dotknięta chorobami liści, takimi jak blast, bakteryjna zaraza liści, brązowa plama i plama pochówkowa, które obniżają plony i powodują straty ekonomiczne. Wczesne wykrycie tych chorób jest niezbędne, ponieważ tradycyjne metody ręcznej inspekcji są czasochłonne i często niedokładne. Aby rozwiązać ten problem, badanie proponuje system wsparcia decyzyjnego oparty na uczeniu głębokim, umożliwiający przewidywanie etapów wzrostu liści ryżu, klasyfikację chorób oraz rekomendacje leczenia. System wykorzystuje model sieci neuronowej do przewidywania etapu wzrostu liścia ryżowego oraz wiele modeli głębokiego uczenia, w tym CNN, VGG16, ResNet50, InceptionV3 i MobileNetV2, do klasyfikacji chorób. Modele te są łączone metodą zespołową, aby poprawić dokładność i odporność, osiągając dokładność klasyfikacji na poziomie 98,99%. Na podstawie przewidywanego stadium choroby i wzrostu, system dostarcza rekomendacje leczenia specyficzne dla konkretnego stadium. Proponowany system jest implementowany jako aplikacja internetowa oparta na Streamlit, która pozwala użytkownikom przesyłać obrazy liści oraz otrzymywać prognozy i rekomendacje w czasie rzeczywistym. To zintegrowane podejście zapewnia praktyczne i skalowalne rozwiązanie dla rolnictwa precyzyjnego, pomagając rolnikom zmniejszyć straty plonowe i poprawić wydajność.

Kilka badań zastosowało techniki uczenia maszynowego i głębokiego uczenia do rekomendacji upraw, wykrywania chorób oraz wsparcia podejmowania decyzji rolniczych. Metody głębokiego uczenia zespołowego zostały wykorzystane do poprawy dokładności rekomendacji upraw i nawozów poprzez integrację przewidywania chorób, co wykazało lepszą wydajność niż podejścia oparte na pojedynczym modelu¹. Opracowano także systemy rekomendacyjne oparte na uczeniu maszynowym, wykorzystujące drzewa decyzyjne i maszyny wektorów wsparcia, które sugerują uprawy, nawozy i metody leczenia chorób, uwzględniając opinie rolników dla lepszej adaptacji².

Do wykrywania chorób hybrydowe modele CNN w połączeniu z technikami ekstrakcji cech, takimi jak CLAHE i GLCM, poprawiły dokładność klasyfikacji chorób ryżowych³. Inne podejścia wykorzystywały klasteryzację i algorytmy lasu losowego z ekstrakcją cech opartą na teksturach, aby zwiększyć wydajność wykrywania chorób⁴. Modele głębokiego uczenia, szczególnie CNN i architektury transferowego uczenia, osiągnęły wysoką dokładność w wykrywaniu chorób roślin oraz umożliwiły systemy diagnostyczne w czasie rzeczywistym oraz oparte na smartfonach ^5,6,7. Tradycyjne metody przetwarzania obrazu i drzewa klasyfikacji wykorzystujące cechy koloru, tekstury i kształtu również wykazały skuteczne wykrywanie chorób przy niższej złożoności obliczeniowej ^8,9.

Uczenie zespołowe jest szeroko stosowane w systemach rekomendacji upraw poprzez łączenie klasyfikatorów takich jak Random Forest, Naïve Bayes oraz Support Vector Machines, aby poprawić dokładność predykcji i odporność¹⁰. Modele oparte na CNN były również wykorzystywane do wykrywania choroby ryżowej i zintegrowane z systemami IoT w celu uzyskania rekomendacji rolniczych w czasie rzeczywistym¹¹. Modele uczenia maszynowego, takie jak K-Nearest Neighbors oraz techniki regresji, zostały zastosowane w systemach predykcyjnego wsparcia decyzji¹². Dodatkowo opracowano systemy rekomendacji upraw oparte na glebie, czynnikach sezonowych i produktywności, aby wspierać decyzje rolnicze oparte na danych ¹³.

Badania analizowały również ograniczenia produkcji ryżu oraz strategie zarządzania chorobami, podkreślając znaczenie zrównoważonej kontroli chorób i poprawy praktyk rolniczych¹⁴. Jednak większość istniejących badań koncentruje się wyłącznie na indywidualnym wykrywaniu chorób lub rekomendacji upraw, a bardzo niewiele integruje klasyfikację chorób, prognozowanie etapów wzrostu oraz rekomendacje leczenia w jeden system wsparcia decyzyjnego. Ta luka podkreśla potrzebę zintegrowanego i praktycznego ram wsparcia decyzji rolniczych¹⁵.

Nowość tych badań tkwi nie tylko w klasyfikacji chorób, ale także w opracowaniu pełnego systemu wsparcia decyzji^{w zarządzaniu} chorobami ryżowymi. Proponowany system integruje przewidywanie etapów wzrostu liści ryżowych, klasyfikację chorób za pomocą zestawu modeli głębokiego uczenia oraz zalecenia dotyczące leczenia specyficznego dla etapu wzrostu. W przeciwieństwie do istniejących badań skupiających się wyłącznie na wykrywaniu chorób, ta praca łączy przewidywanie chorób z praktycznymi zaleceniami leczeniami opartymi na etapie wzrostu roślin¹⁷. To zintegrowane podejście sprawia, że system jest bardziej praktyczny do rzeczywistego zastosowania rolniczego i wspiera rolnictwo precyzyjne, zapewniając terminową i odpowiednią do etapu interwencję¹⁸.

Głównym celem podanych badań jest stworzenie systemu głębokiego uczenia na kolejnym etapie, który pozwoli wcześniej wykryć chorobę liści ryżowych oraz precyzyjnie przewidzieć stadia wzrostu liścia i zalecić leczenie na czas oraz selektywnie. System osiąga wysoką dokładność klasyfikacji chorób na poziomie 98,99 dzięki inżynierii precyzyjnej i montażowi nowoczesnych modeli, takich jak CNN, VGG16, ResNet50, InceptionV3, MobileNetV2 i inne. Zawiera sieć neuronową, która przewiduje etap wzrostu i dostarcza konkretnych wskazówek dotyczących herbicydów lub pestycydów w analizie. Technologia ta jest dostępna dla rolników poprzez przyjazną dla użytkownika aplikację internetową Streamlit, która umożliwia prognozy w czasie rzeczywistym oraz porady dotyczące leczenia¹⁹. Badanie powinno ułatwić podejmowanie decyzji dotyczących zarządzania chorobami poprzez terminowe prognozy i zalecenia leczenia, które mogą mieć zastosowanie w gospodarkach rolniczych, takich jak Indie.

Mimo że przeprowadzono wiele badań nad wykrywaniem chorób roślin za pomocą uczenia maszynowego i głębokiego uczenia, większość istniejących badań próbuje klasyfikować choroby bez uwzględnienia etapu rozwoju rośliny oraz sugestii dotyczących leczenia. Nie jest jednak prawdą, że w praktyce rolnictwa instrukcje leczenia opierają się nie tylko na charakterze choroby, ale także na etapie uprawy w momencie leczenia, ponieważ stopień i rodzaj pestycydów różnią się w zależności od etapu uprawy. Bardzo niewiele badań obejmuje wykrywanie chorób, przewidywanie etapu wzrostu oraz rekomendację leczenia w jednym zautomatyzowanym systemie. Aby zniwelować tę lukę, obecne badanie sugeruje zintegrowaną architekturę opartą na głębokim uczeniu, która uwzględni przewidywanie stadia liściowego ryżu, klasyfikację chorób w zestawie modeli uczenia głębokiego oraz rekomendację specyficznego leczenia opartego na etapie wzrostu za pomocą systemu wsparcia decyzji realizowanego przez Streamlit²⁰. Taka integracja pozwala proponowanemu systemowi stać się bardziej praktycznym i użytecznym w rzeczywistym precyzyjnym rolnictwie. Niniejsze badanie proponuje ramy diagnostyki chorob świadome na etapie, w których przewidywanie i klasyfikacja stadia wzrostu są łączone z modułem rekomendacji leczenia, tworząc kompletny pipeline wspierający decyzję²¹.

Chociaż zaproponowano kilka podejść do głębokiego uczenia i uczenia zespołowego do wykrywania chorób roślin, większość istniejących badań koncentruje się wyłącznie na klasyfikacji chorób i nie uwzględnia etapu wzrostu rośliny. Jednak w praktycznym rolnictwie metoda leczenia, rodzaj pestycydu i dawkowanie często zależą nie tylko od rodzaju choroby, ale także od stadium wzrostu rośliny. Istniejące systemy wykrywania chorób nie dostarczają zaleceń leczenia specyficznych dla konkretnego etapu, co ogranicza ich praktyczne zastosowanie w rolnictwie precyzyjnym²². Ponadto wiele istniejących badań koncentruje się wyłącznie na poprawie dokładności klasyfikacji za pomocą modeli głębokiego uczenia, ale nie integruje systemu predykcji z praktycznym systemem wsparcia decyzji, który mógłby być wykorzystywany przez rolników lub ekspertów rolniczych. Aby rozwiązać te ograniczenia, badanie proponuje zintegrowany system wsparcia decyzji, który łączy przewidywanie etapów wzrostu liści ryżowych, klasyfikację chorób z wykorzystaniem uczenia zespołowego oraz zalecenia leczenia specyficzne dla konkretnych etapów. Proponowany system jest implementowany jako aplikacja internetowa, wspierająca podejmowanie decyzji rolniczych w czasie rzeczywistym²³.

Główne osiągnięcia tego badania obejmują opracowanie modelu opartego na uczeniu głębokim, który dokładnie przewiduje etapy wzrostu liści ryżowych na podstawie danych obrazowych, umożliwiając lepsze monitorowanie i zarządzanie uprawami. Obejmuje także wdrożenie technik transferowych do skutecznej klasyfikacji chorób liści ryżowych poprzez wykorzystanie wcześniej wytrenowanych modeli, co poprawia dokładność i zmniejsza złożoność treningu²⁴. Aby jeszcze bardziej zwiększyć wiarygodność wykrywania chorób, stosuje się podejście uczenia zespołowego, łączące wiele modeli w celu osiągnięcia lepszej wydajności klasyfikacji. Dodatkowo badanie wprowadza system rekomendacji leczenia specyficzny dla konkretnego etapu, który oferuje ukierunkowane rozwiązania oparte zarówno na zidentyfikowanej chorobie, jak i etapie wzrostu uprawy, zapewniając dokładniejsze i skuteczniejsze interwencje rolnicze. Wreszcie, wszystkie te komponenty są zintegrowane w aplikacji internetowej opartej na Streamlit, oferując przyjazną dla użytkownika platformę do wsparcia decyzji w czasie rzeczywistym, umożliwiającą rolnikom i interesariuszom łatwy dostęp do prognoz i rekomendacji²⁵.

Protocol

Poniższy protokół ilustruje proces wykrywania chorób liści ryżowych oraz budowania oraz wdrażania systemu rekomendacji leczenia krok po kroku. Podjęte kroki muszą być stosowane kolejno, aby powtórzyć wyniki przedstawione w tym artykule.

Przygotowanie zbioru danych

Paddy opuszcza zestaw danych etapu: Te dane pochodzą z PaddyNet4. Scena składa się z 560 obrazów podzielonych na cztery różne etapy rozwoju, mianowicie: Etap 2, Etap 3, Etap 4 oraz Etap 5. Klasyfikacja zależy od koloru i dojrzałości liści ryżu, które zależą od stężenia azotu, między innymi czynników, oraz rozwoju rośliny. Przedstawiony zbiór danych jest ważny, aby poznać właściwy etap rośliny ryżowej (Rysunek 1). PaddyNet jest publicznie dostępny na stronie data.mendeley.com/datasets/. Zbiór danych o chorobach liści ryżowych: Ten zbiór był dostępny jako kilka oddzielnych, publicznie dostępnych zbiorów na Kaggle i połączony w jeden zunifikowany zbiór danych z łączną liczbą 6 920 obrazów, z których każdy należał do jednego z sześciu typów chorób pokazanych na (Rysunek 2). Zbiór danych o leczeniu: Zbiór został krytycznie opracowany poprzez pobieranie i integrację informacji z różnych publicznie dostępnych zbiorów danych i zawiera dane dotyczące różnych praktyk zarządzania chorobami ryżowymi w czterech fazach wzrostu²¹. Głównym celem tego zbioru danych jest opracowanie zaleceń mających zapobiegać i kontrolować chorobę ryżową. Dane są jednym z kluczowych źródeł w walce z chorobami roślin ryżowych poprzez wybór odpowiednich środków chemicznych 19,22,23,24,25

Augmentacja danych

Uzupełnienie danych zostało wykorzystane do ulepszenia zbioru danych treningowych i ograniczenia nadmiernego dopasowania. Metody augmentacji stosowane w obecnym badaniu to rotacja (do 30), przesuwanie się na szerokość i wysokość (do 20%), zoomowanie (do 20%), ścinanie oraz przewracanie poziome. Zastosowanie tych metod augmentacji pomaga modelowi w zdobywaniu podstawowych elementów modelu i wzmacnia uogólnienie modelu podczas testowania na niewidocznych danych. Uzupełnianie danych było wykonywane na zbiorze treningowym, natomiast zbiory walidacyjne i testowe pozostawiono bez zmian, aby ocenić uczciwą wydajność systemu. Rozmiar oryginalnego zbioru danych musiał zostać zwiększony o dane, ponieważ rozmiar oryginalnego zbioru danych jest dość mały, a podejście wymagało wzmocnienia uogólnienia i minimalizacji nadmiernego dopasowania poprzez wprowadzenie modelu do różnic w orientacji, skali i położeniu obrazów liści.

Wstępne przetwarzanie obrazu

Zebrane dane dotyczące stadia i choroby przeszły szereg etapów wstępnego przetwarzania, aby zapewnić spójność danych i poprawić wydajność modeli. Wszystkie obrazy z obu zbiorów danych zostały przeskalowane do 128 × 128 × 3, aby zapewnić funkcjonalne dopasowanie do dowolnej architektury głębokiego uczenia. Wartości pikseli zostały przeskalowane do przedziału [0,1], aby przyspieszyć zbieżność podczas treningu. Ponadto etykiety chorób i ich stadia były przekształcane w liczby, aby lepiej ocenić i trenować model. Te metody wstępnego przetwarzania pomogły lepiej wyodrębnić cechy, uzyskać lepszy wskaźnik klasyfikacji oraz zwiększyć odporność modelu na różne warunki środowiskowe. Rozmiar użytego obrazu, 128 × 128, był ograniczony między obliczeniami a utratą cech. Beton Mniejszy rozmiar obrazu minimalizuje czas treningu i koszty obliczeniowe, a także nie eliminuje informacji (cech wizualnych) do klasyfikacji choroby i stadium podczas korzystania z modeli głębokiego uczenia.

Dzielenie zbiorów danych

Przetworzone dane podzielono na trzy podzbiory (Tabela 1): Zestaw treningowy (80%), Zestaw walidacyjny (10%), Zestaw testowy (10%). Aby uniknąć niezrównoważonego rozkładu klas we wszystkich trzech podzbiorach, zastosowano stratyfikowane losowe próbowanie, aby zapewnić, że zarówno zbiór danych stadijowych (560 obrazów), jak i zbiór chorób (6 920 obrazów) mają równy rozkład klas. Nie było wycieku danych wśród podzbiorów.

Trening modelu

W klasyfikacji stadia wzrostu liści ryżowych i chorób zastosowano dwuetapową metodę treningu modelu ryżowego.

Model klasyfikacji etapów

Metoda klasyfikacji etapu wzrostu liści składa się z czterech klas i stosunkowo niewielkiego rozmiaru danych, dlatego architektura splotowej sieci neuronowej (NN) nie została znacznie rozbudowana, lecz uznana za lekką. Prostsza architektura może być użyta do zmniejszenia nadmiernego dopasowania i mocy obliczeniowej, kosztem wysokiej dokładności w przypadku klasyfikacji z użyciem cech kolorystycznych i tekstur. Nowa struktura CNN będzie składać się z trzech warstw splotowych wykorzystujących funkcje aktywacyjne ReLU. Warstwy splotowe są naprzemiennie stosowane z warstwami maksymalnej puli (2×2), aby zmniejszyć wymiary przestrzenne oraz zidentyfikować charakterystyczne cechy. Mapy cech przechodzą warstwę splotową, po której są spłaszczane, a w pełni połączona warstwa gęsta z regularizacją dropoutową jest uruchamiana, aby zniechęcić do nadmiernego dopasowania. Na koniec, wieloklasowa klasyfikacja czterech etapów wzrostu odbywa się przy pomocy warstwy wyjściowej softmax. Do trenowania modelu użyto optymalizatora Adama, który ma wskaźnik uczenia się 0,001 oraz kategoryczną entropię krzyżową jako funkcję strat. Liczba partii została ustawiona na 10, a model był trenowany w 10 epokach. Do monitorowania wydajności modelu stosowano także dokładność walidacji oraz straty walidacyjne, ponieważ mają zapewnić uogólnienie modelu.

Model klasyfikacji chorób oparty na uczeniu zespołowym

Do klasyfikacji chorób zastosowano szereg architektur głębokiego uczenia w celu poprawy dokładności predykcji. Początkowy rozwój niestandardowego modelu CNN składał się z czterech warstw: trzech warstw splotowych, trzech warstw max-pooling, gęstej, w pełni połączonej warstwy oraz regularizacji dropout. MobileNetV2 wykorzystuje głęboko-separowalne sploty, odwrócone bloki resztkowe oraz odwrócone wąskie gardło z liniową resztą. Model ma niewielki rozmiar, zaledwie 3,4 miliona parametrów, i może być używany w środowisku ograniczonym zasobami. Modele zaczęły korzystać z aktywacji ImageNet, a warstwy konwolucyjne zostały zamrożone, aby nie utracić wyuczonych reprezentacji cech. Warstwa klasyfikacji softmax była dołączona do w pełni połączonej warstwy, która miała regularizację dropout. Wszystkie modele były trenowane w ciągu 20 epok z wielkością partii 32, a optymalizator i strata były identyczne jak w modelu CNN. W próbie poprawy klasyfikacji zastosowano metodę uczenia się ze średnim zespołem głosującym. Wyniki stanowiły średnie prawdopodobieństwa przewidziane przez wszystkie pięć modeli (CNN, VGG16, ResNet50, InceptionV3 i MobileNetV2) w celu uzyskania ostatecznych prognoz klasowych. Ta technika kombinacyjna była przydatna w zmniejszaniu błędu w modelach i wzmacnianiu uogólnienia. Ostatni model kombinowany był dokładniejszy w klasyfikacjach. Powodem, dla którego wybrano podejście zespołowe, jest fakt, że nauka różnych reprezentacji cech jest uczyona na tym samym zbiorze danych przez różne modele głębokiego uczenia. Zespół ten zmniejsza również błędy i wariancję modelu oraz zwiększa ogólne problemy z predykcjami i ogólną wydajność uogólnień w porównaniu z modelami niezależnymi.

Strategia predykcji

W procesie przewidywania choroby liści ryżowych i powiązanego z nią etapu wzrostu zastosowano metodę klasyfikacji opartą na zespołach. Pięć modeli głębokiego uczenia (CNN, VGG16, ResNet50, InceptionV3 i MobileNetV2) zostało niezależnie wytrenowanych do klasyfikacji chorób i połączonych w grupę poprzez metodę średniego zespołu głosów. Procedura ta polegała na prognozowaniu prawdopodobieństw każdej kategorii chorób we wszystkich modelach oraz średniego rozkładu prawdopodobieństwa, co zwiększa precyzję przewidywalności i minimalizuje błędy w modelu. Ostateczną prognozę przyjęto jako klasę choroby o największym średnim prawdopodobieństwie. Ponadto wytrenowano inny oparty na CNN model klasyfikacji etapów do prognozowania etapu wzrostu liścia ryżowego. Oba modele klasyfikacyjne pobierałyby obrazy wejściowe o rozmiarach 128x 128, następnie normalizowały wartości pikseli i następnie wykorzystywały modele do wnioskowania. Ostateczne prognozy zarówno stadium liścia, jak i choroby zostały następnie przypisane do istniejącego zestawu zaleceń leczenia, aby zapewnić skuteczne leczenie w celu zarządzania chorobą.

Przykładowe wyjście: "Stadium liścia: 3, Choroba: Tungro"

Zalecenia dotyczące leczenia

Aby klasyfikacja chorób liści ryżowych była bardziej praktyczna, zintegrowano system rekomendacji leczenia oparty na Streamlit. System przyjmuje etap prognozowanej choroby i liści, aby przedstawić konkretne zalecenia leczenia, aby zapewnić skuteczne zarządzanie chorobą. Model klasyfikacji zespołowej choroby (w tym CNN, VGG16, ResNet50, InceptionV3 i MobileNetV2) klasyfikuje chorobę, natomiast model klasyfikacji stadium liściowego jest innym modelem. Modelowany etap liścia i choroby porównywane są z danymi dotyczącymi leczenia zalecanych dawek (środki zapobiegawcze i stosowanie pestycydu).

Ramy metodologiczne i wkład

Metodologia prezentowanego systemu to wieloetapowy pipeline, łączący klasyfikację obrazów i wsparcie decyzyjne. Ramy składają się z pięciu dużych etapów: promowania obrazów i augmentacji, przewidywania etapu wzrostu liści, wykorzystania modeli głębokiego uczenia wytrenowanego na obrazach do klasyfikacji choroby, łączenia wyników prognozowania w celu uzyskania decyzji zespołowej oraz rekomendowania leczenia na podstawie typu i stadium wzrostu choroby. Wkład metodologiczny tej pracy koncentruje się na implementacji wielu modeli predykcyjnych oraz modułu rekomendacji leczenia w jednym potoku wsparcia decyzji. System opiera się nie tylko na klasyfikacji chorób, ale także na uwzględnianiu informacji o etapie wzrostu roślin, aby zapewnić zalecenia dotyczące leczenia na danym etapie. System ten jest bardziej istotny dla procesu podejmowania decyzji rolniczych w rzeczywistym świecie dzięki tej strategii rekomendacji świadomej etapu. Obraz wejściowy najpierw przejdzie wstępne przetwarzanie, zanim zostanie przekazany modelowi klasyfikacji stadij oraz modelom klasyfikacji chorób. Wyniki modelu choroby są uśredniane za pomocą techniki zespołowej, a prognoza choroby i etap wzrostu są kontynuowane do końca, aby uzyskać poprawne zalecenia leczenia na podstawie identyfikacji odpowiednich zapisów leczenia w bazie danych leczenia.

Strategia walidacji i zapobieganie nadmiernemu dopasowaniu

Aby zapewnić rygorystyczną walidację opracowanych modeli, zbiór danych podzielono na trzy podzbiory rozłączne: zbiór treningowy (80%), zbiór walidacyjny (10%) i zbiór testowy (10%). Modele były trenowane na podstawie zbioru treningowego, dostrojone za pomocą zestawu walidacyjnego i oceniane ich ostateczne wyniki wyłącznie na podstawie zbioru testowego. Zestaw testowy pozostał całkowicie niezależny, aby przeprowadzić bezstronną analizę modelu. Zastosowano następujące metody, aby zapewnić, że model nie dopasuje się nadmiernie i zwiększyć jego zdolność do uogólniania. Aby zwiększyć poziom różnorodności w zbiorze danych, najpierw zastosowano metody augmentacji danych (rotacja, zooming, przesuwanie, ścinanie i odwracanie poziome). Po drugie, regularizacja dropout została zastosowana w w pełni połączonych warstwach modeli CNN, aby ograniczyć przefitowanie. Po trzecie, modele wstępnie wytrenowane (VGG16, ResNet50, InceptionV3 i MobileNetV2) zostały przeniesione za pomocą techniki zamrożonych warstw splotowych, aby zachować wyuczone cechy i zminimalizować ryzyko nadmiernego dopasowania spowodowanego niewielkim rozmiarem zbioru danych. Na koniec, do monitorowania wydajności modelu podczas trenowania wykorzystywano utratę i dokładność walidacji, aby upewnić się, że model nie jest nadmiernie dopasowany do danych treningowych. Są to schematy walidacji i regularizacji, które zapewniają, że proponowany model bardzo dobrze uogólnia się na dane niewidoczne i oferuje dobrą wydajność.

Proponowany system

Sugerowana metoda to rozwiązanie oparte na głębokim uczeniu w zarządzaniu chorobą liści ryżowych, które obejmuje prognozowanie i klasyfikację choroby na etapie liści. Zaczyna się od wstępnego przetwarzania obrazów liści ryżowych pod kątem zmiany ich rozmiaru do wspólnej wysokości i wartości pikseli. Etap wzrostu liści jest przewidywany za pomocą sieci neuronowej, a technika głosowania średniego wykorzystuje zestaw modeli głębokiego uczenia (CNN, VGG16, ResNet50, InceptionV3, MobileNetV2) do klasyfikacji chorób. System wykorzystuje przewidywane stadium i chorobę, aby przepisać odpowiednie dawki herbicydów lub pestycydów stosowanych w leczeniu. Przepływ pracy proponowanego systemu przedstawiono na (Rysunek 3). Poprzednie podsekcje (od A do I) wyjaśniają każdy z poszczególnych elementów tego potoku, dlatego nie ma tu więcej opisu. Aplikacja oparta na Streamlit opracowana w tym badaniu to prototypowe narzędzie wspierające decyzje, mające na celu wykazanie praktycznej użyteczności proponowanego modelu. System pozwala użytkownikom przesyłać zdjęcia liści ryżu oraz otrzymywać prognozy chorób, informacje o etapach wzrostu oraz zalecenia leczenia. Testy użyteczności na dużą skalę oraz wdrażanie na polu z rolnikami będą realizowane w ramach przyszłych prac mających na celu ocenę rzeczywistej skuteczności i użyteczności systemu.

Results

Model klasyfikacji etapów

Model predykcji etapów osiągnął dokładność treningową na poziomie 95,88% (strata: 0,1172) oraz dokładność walidacji 95,24% (strata: 0,1751), co wskazuje, że model uczy się konsekwentnie i formułuje uczciwe prognozy stosowane do niewidzialnych próbek walidacyjnych. Osiągnięto dokładność walidacji na poziomie 95,24%, przy utracie walidacji 0,1751. Model osiągnął dokładność testową na poziomie 94,05 procent oraz stratę testową 0,1759 na danych testowych,...

Discussion

Obecny artykuł sugeruje nowatorski system wsparcia decyzyjnego, który obejmuje przewidywanie etapu wzrostu liści ryżowych, klasyfikację chorób przy użyciu zestawu modeli głębokiego uczenia (VGG16, MobileNetV2 i ResNet50) oraz rekomendację leczenia opartą na etapach na podstawie aplikacji internetowej. Model zespołowy uzyskał dokładność 98,99% w klasyfikacji modelu, co jest wyższe niż w przypadku modeli indywidualnych, jak wcześniej raportowano, modele w strategii indywidualnej mają wrażliwość na stronniczość i mają tende...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Zbiór danych	Zestaw danych etapów liści Paddy (PaddyNet4)	560 obrazów w 4 etapach wzrostu (Etap 2– 5)
Zbiór danych	Zbiór danych o chorobie liści ryżowych	6920 obrazów z 6 klas chorób z Kaggle
Zbiór danych	Zbiór danych leczenia	Skompilowany zbiór danych z praktykami zarządzania chorobą według etapu wzrostu
Wstępne przetwarzanie	Zmiana rozmiaru obrazu	Zdjęcia zredukowane do 128x128x3
Wstępne przetwarzanie	Normalizacja	Wartości pikseli skalowane do [0,1]
Wstępne przetwarzanie	Kodowanie etykiet	Przekształcenie etykiet kategorycznych na numeryczne
Augmentacja	Rotacja	Do 30 stopni
Augmentacja	Przesunięcie szerokości/wysokości	Do 20%
Augmentacja	Zoom	Do 20%
Augmentacja	Ścinanie i Flip	Ścinanie i odwracanie poziome
Model	CNN (klasyfikacja etapów)	Lekki CNN z 3 warstwami konwersacyjnymi
Model	CNN (Klasyfikacja chorób)	Niestandardowy CNN z warstwami conv + pooling
Model	VGG16	Model uczenia transferowego
Model	ResNet50	Model uczenia transferowego
Model	InceptionV3	Model uczenia transferowego
Model	MobileNetV2	Model lekkiego uczenia transferowego
Technika	Uczenie się zespołowe	Średnie prawdopodobieństwo głosowania 5 modeli
Technika	Uczenie transferowe	Używanie wstępnie wytrenowanych wag ImageNet
Technika	Regularizacja rezygnacji z nauki	Aby zapobiec nadmiernemu dopasowaniu
Szkolenie	Optymalizator	Adam (szybkość uczenia się: 0,001)
Szkolenie	Funkcja straty	Entropia krzyżowa kategoryczna
Szkolenie	Wielkość partii	10 (model etapowy), 32 (modele choroby)
Szkolenie	Epoki	10 (stadium), 20 (choroba)
Ocena	Metryki	Dokładność, Precyzja, Przypomnienie, F1-wynik
Wdrożenie	Streamlit	Aplikacja internetowa do prognozowania w czasie rzeczywistym