Pirinç Yaprağı Hastalığı Tespiti ve Büyüme Evresine Özgü Tedavi Önerisi için Derin Öğrenme Tabanlı Yöntem

Summary

Bu çalışma, pirinç yaprağı büyüme evrelerini tahmin etmek ve hastalıkları sınıflandırmak için derin öğrenme tabanlı bir yöntem sunar; etkili ürün hastalıkları yönetimi için otomatik, kullanıcı dostu bir karar destek sistemi aracılığıyla aşamaya özgü tedavi önerileri sunar.

Abstract

Pirinç yaprağı hastalıkları, pirinç verimini ve kalitesini önemli ölçüde etkiler; bu da erken tespit ve doğru tedaviyi hassas tarım için vazgeçilmez kılar. Bu çalışma, pirinç yaprağı hastalığı tespiti, büyüme evresi tahmini ve evre özgü tedavi önerileri için derin öğrenme tabanlı bir karar destek sistemi önermektedir. Bu çalışmada kullanılan veri seti, birden fazla kaynaktan toplanan ve büyüme evresi ile hastalık sınıfına göre kategorize edilmiş pirinç yaprağı görüntülerini içermektedir. Veri seti, uygun model değerlendirmesini sağlamak için eğitim (%80), doğrulama (%10) ve test (%10) setlerine ayrıldı. Büyüme aşaması tahmini için hafif bir Konvolüsyon Sinir Ağı (CNN) modeli geliştirildi; hastalık sınıflandırması ise VGG16, ResNet50, InceptionV3 ve MobileNetV2 gibi transfer öğrenme modelleri kullanılarak gerçekleştirildi. Sınıflandırma performansını artırmak için ortalama olasılık oylamasına dayalı bir topluluk yöntemi kullanıldı. Modeller, bağımsız bir test setinde doğruluk, hassasiyet, hatırlama ve F1 puanı kullanılarak değerlendirildi. Deneysel sonuçlar, topluluk modelinin bireysel modellere kıyasla daha yüksek doğruluk sağladığını ve geliştirilmiş dayanıklılık ve genelleştirme gösterdiğini göstermektedir. Önerilen sistem, hastalık tespiti, büyüme evresi tahmini ve tedavi önerileri sunan bir Streamlit web uygulaması olarak uygulanmıştır. Önerilen entegre çerçeve, çiftçilerin ve tarım uzmanlarının zamanında ve doğru hastalık yönetimi kararları almalarını destekleyebilir.

Introduction

Hindistan, tarımsal bir ekonomi olduğundan, büyük ölçüde tarıma bağımlıdır ve pirinç (pirinç) nüfusun büyük bir kısmı için temel bir ürün olarak hizmet eder. Ancak, pirinç yetiştiriciliği, patlama, bakteriyel yaprak hastalığı, kahverengi lekesi ve kılıf hastalığı gibi yaprak hastalıklarından önemli ölçüde etkilenir; bu hastalıklar verimi azaltır ve ekonomik kayıplara yol açar. Bu hastalıkların erken tespiti çok önemlidir, çünkü geleneksel manuel denetim yöntemleri zaman alıcıdır ve çoğu zaman yanlış olur. Bu sorunu ele almak için, bu çalışma pirinç yaprağı büyüme aşaması tahmini, hastalık sınıflandırması ve tedavi önerisi için derin öğrenme tabanlı bir karar destek sistemi önermektedir. Sistem, paddy leaf'in büyüme aşamasını tahmin etmek için bir sinir ağı modeli ve hastalık sınıflandırması için CNN, VGG16, ResNet50, InceptionV3 ve MobileNetV2 dahil olmak üzere birden fazla derin öğrenme modeli kullanır. Bu modeller, doğruluk ve sağlamlığı artırmak için toplu yaklaşımla birleştirilerek %98,99 sınıflandırma doğruluğu elde edilmiştir. Tahmin edilen hastalık ve büyüme aşamasına dayanarak, sistem aşamaya özgü tedavi önerileri sunar. Önerilen sistem, kullanıcıların yaprak görüntülerini yüklemesini ve gerçek zamanlı tahmin ile öneriler almasını sağlayan Streamlit tabanlı bir web uygulaması olarak uygulanmıştır. Bu entegre yaklaşım, hassas tarım için pratik ve ölçeklenebilir bir çözüm sunarak çiftçilerin ürün kayıplarını azaltmasına ve verimliliği artırmasına yardımcı olur.

Birçok çalışma, ürün öneri, hastalık tespiti ve tarımsal karar desteği için makine öğrenimi ve derin öğrenme tekniklerini uygulamıştır. Derin öğrenme yöntemleri, hastalık tahminini entegre ederek ürün ve gübre öneri doğruluğunu artırmak için kullanılmıştır ve tek model yaklaşımlarından daha iyi performans^{göstermiştir 1}. Karar ağaçları ve destek vektör makineleri kullanan makine öğrenimi tabanlı öneri sistemleri, çiftçi geri bildirimlerini de entegre ederek geliştirilmiş².

Hastalık tespiti için, hibrit CNN modelleri ve CLAHE ve GLCM gibi özellik çıkarma teknikleri ile birleşerek pirinç hastalığı sınıflandırma doğruluğunu^{artırmıştır 3}. Diğer yaklaşımlar ise hastalık tespiti performansını artırmak için doku tabanlı özellik çıkarımı içeren kümeleme ve Rastgele Orman algoritmalarını^{kullanmıştır 4}. Derin öğrenme modelleri, özellikle CNN'ler ve transfer öğrenme mimarileri, bitki hastalığı tespitinde yüksek hassasiyet sağlamış ve gerçek zamanlı ile akıllı telefon tabanlı tanı ^{sistemlerini mümkün kılmıştır 5,6,7}. Renk, doku ve şekil özelliklerini kullanan geleneksel görüntü işleme ve sınıflandırma ağacı yöntemleri, daha düşük hesaplama karmaşıklığıyla etkili hastalık tespiti^{göstermiştir 8,9}.

Topluluk öğrenimi, Random Forest, Naïve Bayes ve Support Vector Machines gibi sınıflandırıcıların birleştirilerek tahmin doğruluğunu ve dayanıklılığını artırmak için ürün öneri sistemlerinde yaygın olarak^{kullanılmıştır 10}. CNN tabanlı modeller ayrıca pirinç hastalığı tespiti için kullanılmış ve gerçek zamanlı tarımsal öneriler için IoT sistemleriyle entegre^{edilmiştir 11}. K-En Yakın Komşular gibi makine öğrenimi modelleri ve regresyon teknikleri, öngörücü karar destek sistemlerinde^{uygulanmıştır 12}. Ayrıca, toprak, mevsimsel ve verimlilik faktörlerine dayalı ürün öneri sistemleri geliştirilmiştir ve veri odaklı tarım kararlarını ^{desteklemiştir 13}.

Çalışmalar ayrıca pirinç üretim kısıtlamaları ve hastalık yönetimi stratejilerini inceleyerek sürdürülebilir hastalık kontrolünün ve geliştirilmiş tarımsal uygulamaların önemini^{vurgulamıştır 14}. Ancak, mevcut çalışmaların çoğu yalnızca hastalık tespiti veya ürün önerisine bireysel odaklanmakta ve çok azı hastalık sınıflandırmasını, büyüme aşaması tahminini ve tedavi önerisini tek bir karar destek sistemine entegre eder. Bu boşluk, entegre ve pratik bir tarımsal karar destek çerçevesine olan ihtiyacı^{vurgulamaktadır 15}.

Bu araştırmanın yeniliği, sadece hastalık sınıflandırmasında değil, aynı zamanda pirinç hastalığı yönetimi için tam bir karar destek sisteminin geliştirilmesinde^{yatmaktadır 16}. Önerilen sistem, pirinc yaprağı büyüme aşaması tahminini, derin öğrenme modelleri topluluğuyla hastalık sınıflandırmasını ve büyüme aşamasına özgü tedavi önerilerini entegre eder. Sadece hastalık tespitine odaklanan mevcut çalışmaların aksine, bu çalışma hastalık tahminini bitki büyüme^{aşaması 17'ye} dayalı uygulanabilir tedavi tavsiyeleriyle ilişkilendirir. Bu entegre yaklaşım, sistemi gerçek dünyada tarımsal kullanım için daha pratik hale getirir ve zamanında ve aşamaya uygun müdahale sağlayarak hassas tarımı^{destekler 18}.

Verilen araştırmanın temel amacı, pirinç yaprağı hastalığını daha erken tespit etmek ve yaprak büyüme evrelerini hassas bir şekilde tahmin etmek ve tedaviyi zamanında ve seçici olarak önermek için derin öğrenme sistemini oluşturmaktır. Sistem, CNN, VGG16, ResNet50, InceptionV3, MobileNetV2 gibi son teknoloji modelleri ince mühendislik ve montaj yoluyla hastalık sınıflandırmasında 98.99 yüksek hassasiyete ulaşmaktadır. Büyüme aşamasını tahmin eden ve analiz için özel herbisit veya pestisit önerileri veren bir sinir ağı içerir. Teknoloji, çiftçilere, gerçek zamanlı tahminler ve tedavi tavsiyeleri sağlayan kullanıcı dostu Streamlit web uygulaması^{aracılığıyla sunulmaktadır 19}. Çalışma, Hindistan gibi tarımsal ekonomilere uygulanabilirliğine sahip zamanında tahminler ve tedavi önerileri yoluyla hastalık yönetimiyle ilgili kararları kolaylaştırmalıdır.

Makine öğrenimi ve derin öğrenme açısından bitki hastalıklarının tespiti üzerine çok sayıda çalışma yapılsa da, mevcut araştırmaların çoğu, bitkinin gelişim aşaması ve tedavi önerileri dikkate alınmadan hastalık sınıflandırması girişiminde bulunuyor. Ancak, tarımda uygulamada tedavi talimatları sadece hastalığın doğasına değil, aynı zamanda ürün tedavi anındaki aşamaya da dayanmaz; çünkü pestisitlerin derecesi ve türü ürünün evresine göre farklılık gösterir. Çok az araştırma, hastalık tespiti, büyüme aşaması tahmini ve tedavi önerilerini tek bir otomatik sistemde içermektedir. Bu boşluğu kapatmak için, mevcut çalışma, çeltik yaprak aşaması tahminini, derin öğrenme modellerinde hastalık sınıflandırmasını ve Streamlit tarafından uygulanan karar destek sistemi²⁰ üzerinden büyüme aşamasına dayalı özel tedavi önermesini içeren birleşik derin öğrenme tabanlı bir mimari önermektedir. Bu entegrasyon, önerilen sistemin gerçek dünya hassas tarımında daha pratik ve faydalı olmasını sağlar. Bu çalışma, büyüme aşaması tahmini ve hastalık sınıflandırmasının tedavi öneri modülü ile birleştirilerek tam bir karar destek boru hattı oluşturduğu evreye duyarlı bir hastalık tanı^{çerçevesi önermektedir 21}.

Bitki hastalığı tespiti için birkaç derin öğrenme ve topluluk öğrenme yaklaşımı önerilmiş olsa da, mevcut çalışmaların çoğu yalnızca hastalık sınıflandırmasına odaklanmakta ve bitkinin büyüme aşamasını dikkate almaz. Ancak pratik tarımda, tedavi yöntemi, pestisit türü ve dozajı genellikle sadece hastalık türüne değil, aynı zamanda bitkinin büyüme aşamasına da bağlıdır. Mevcut hastalık tespit sistemleri, aşamaya özgü tedavi önerileri sunmaz, bu da hassas tarımda pratik uygulanabilirliklerini^sınırlar. Ayrıca, mevcut birçok çalışma yalnızca derin öğrenme modelleri kullanarak sınıflandırma doğruluğunu artırmaya odaklanır, ancak tahmin sistemini çiftçiler veya tarım uzmanları tarafından kullanılabilecek pratik bir karar destek çerçevesine entegre etmez. Bu sınırlamaları gidermek için, bu çalışma çeltik yaprağı büyüme evresi tahmini, topluluk öğrenimi kullanarak hastalık sınıflandırması ve aşamaya özgü tedavi önerisini birleştiren entegre bir karar destek sistemi önermektedir. Önerilen sistem, gerçek zamanlı tarımsal karar alma süreçlerini desteklemek için web tabanlı bir uygulama olarak^{uygulanmaktadır 23}.

Bu çalışmanın başlıca katkıları arasında, görüntü verileriyle pirinç yapraklarının büyüme aşamalarını doğru şekilde tahmin etmek için derin öğrenme tabanlı bir model geliştirilmesi ve geliştirilmesi yer almaktadır; böylece ürün daha iyi bir izleme ve yönetim sağlanmaktadır. Ayrıca, önceden eğitilmiş modeller kullanılarak pirinç yaprağı hastalıklarını etkili şekilde sınıflandırmak için transfer öğrenme tekniklerinin uygulanmasını içerir; bu da doğruluğu artırırken eğitim karmaşıklığını^{azaltır 24}. Hastalık tespitinin güvenilirliğini daha da artırmak için, birden fazla modeli birleştirerek üstün sınıflandırma performansı elde edilen toplu öğrenme yaklaşımı kullanılır. Ayrıca, çalışma, hem tespit edilen hastalık hem de ürün büyüme aşamasına dayalı hedefli çözümler sunan, daha hassas ve etkili tarımsal müdahaleler sağlayan aşamaya özgü bir tedavi öneri sistemi tanıtmaktadır. Son olarak, tüm bu bileşenler Streamline tabanlı bir web uygulamasına entegre edilmiş ve gerçek zamanlı karar desteği için kullanıcı dostu bir platform sunar, çiftçiler ve paydaşlar tahmin ve önerilere kolayca erişebilmektedir²⁵.

Protocol

Aşağıdaki protokol, paty yaprağı hastalığı tespit ve tedavi öneri sistemi oluşturma ve uygulama sürecini adım adım göstermektedir. Atılan adımlar, bu makalede sunulan bulguları tekrarlamak için ardışık olarak kullanılmalıdır.

Veri seti hazırlama

Paddy Leaves Stage veri seti: Bu veri PaddyNet4'e dayanmaktadır. Sahne, dört farklı geliştirme aşamasında sınıflandırılmış 560 görüntüden oluşmaktadır: Aşama 2, Aşama 3, Aşama 4 ve Aşama 5. Sınıflandırma, pirinç yapraklarının rengi ve olgunluğuna bağlıdır; bu da azot konsantrasyonu ve bitkinin gelişimi gibi faktörlere bağlıdır. Sunulan veri seti, pirinç bitkisinin doğru aşamasını bilmek açısından önemlidir (Şekil 1). PaddyNet, data.mendeley.com/datasets/'ın web sitesi üzerinden halka açık olarak erişilebilir. Paddy leaves hastalık veri seti: Bu veri seti, Kaggle'da birkaç ayrı halka açık veri seti olarak sunuldu ve her biri gösterilen altı hastalık türünden birine ait toplam 6.920 görselden oluşan birleşik bir veri seti oluşturuldu (Şekil 2). Tedavi veri seti: Veri seti, çeşitli kamuya açık veri setlerinin bilgileri alınarak ve entegre edilerek kritik bir şekilde geliştirilmiştir ve dört büyüme aşamasında pirinç hastalıklarının çeşitli yönetim uygulamalarına dair verileri^{içerir 21}. Bu veri setinin ana amacı, pirinç hastalığını önlemek ve kontrol altına almak için öneriler sunmaktır. Veriler, doğru tür pestisitlerin seçilmesiyle pirinç bitkilerindeki hastalıklarla mücadelede hayati öneme sahip^{kaynaklardan biridir} 19,22,23,24,25

Veri artırma

Veri artırılması, eğitim veri setini geliştirmek ve aşırı uyum sağlama sürecini azaltmak için kullanıldı. Mevcut çalışmada kullanılan artırma yöntemleri rotasyon (30'a kadar), genişlik ve yükseklik hareketi (%20'ye kadar), yakınlaştırma (%20'ye kadar), kesme ve yatay çevirmedir. Bu artırma yöntemlerinin kullanımı, modelin temellerini edinmesine yardımcı olur ve görünmeyen veriler üzerinde test edildiğinde modelin genelleştirilmesini artırır. Veri artırımı eğitim veri setinde yapılırken, doğrulama ve test veri setleri sistemin adil performansını incelemek için olduğu gibi bırakıldı. Orijinal veri setinin boyutu, orijinal veri setinin boyutu oldukça küçük olduğundan veriyle artırılması gerekti ve bu yaklaşım, genellemeyi artırmak ve yaprak görüntülerinin yönelim, ölçek ve konum farklılıklarını modele tanıtarak aşırı uyumu en aza indirmek için gerekliydi.

Görüntü ön işleme

Toplanan aşama ve hastalık verileri, verilerin tutarlı olması ve modellerin performansını artırmak için bir dizi ön işleme aşamasından geçirildi. Her iki veri setinden tüm resimler, herhangi bir derin öğrenme mimarisine uygun uyum sağlamak için 128 × 128 × 3 olarak ölçeklendirildi. Piksel değerleri, eğitim sırasında yakınsamayı hızlandırmak için [0,1] aralığına ölçeklendirilmiştir. Ayrıca, hastalıkların etiketleri ve evreleri modelleri daha güçlü şekilde değerlendirmek ve eğitmek için sayılara dönüştürüldü. Bu ön işleme yöntemleri, özelliklerin daha iyi çıkarılmasına, daha iyi sınıflandırma oranına ve modelin farklı çevresel koşullara dayanıklılığına yardımcı oldu. Kullanılan görüntünün boyutu, 128 × 128, hesaplama ile özellik kaybı arasında uzlaştı. Somut Küçük görüntü boyutu, eğitim süresini ve hesaplama maliyetini en aza indirir ve derin öğrenme modelleri kullanılırken hastalığı ve evreyi sınıflandırmak için bilgileri (görsel özellikleri) ortadan kaldırmaz.

Veri kümesi bölmesi

İşlenen veriler üç alt kümeye ayrıldı (Tablo 1): Eğitim Seti (%80), Doğrulama Seti (%10), Test Seti (%10). Üç alt kümede de sınıfların dengesiz dağılımı önlemek için, hem aşama veri setinin (560 görüntü) hem de hastalık veri setinin (6.920 resim) sınıf dağılımının eşit olmasını sağlamak için tabakalı rastgele örnekleme kullanıldı. Alt kümeler arasında veri sızıntısı olmadı.

Model eğitimi

Pirinç yapraklarının ve hastalıkların büyüme aşamasının sınıflandırılmasında iki aşamalı model eğitim yöntemi kullanılmıştır.

Aşama sınıflandırma modeli

Yaprak büyüme aşamasının sınıflandırma yöntemi dört sınıfa ve nispeten düşük bir veri boyutuna sahiptir; bu nedenle Konvolüsyon Sinir Ağı'nın (NN) mimarisi çok genişletilmemiş ancak hafif kabul edilmiştir. Daha basit bir mimari, renk ve doku özellikleri kullanılarak sınıflandırmada yüksek doğruluk karşılığında aşırı uyum ve hesaplama gücünü azaltmak için kullanılabilir. Yeni CNN yapısı , ReLU aktivasyon fonksiyonlarını kullanarak üç konvolüsyon katmana sahip olacak. Konvolüsyon katmanlar, mekânsal boyutları küçültmek ve belirgin özellikleri belirlemek için maksimum havuzlu katmanlarla (2×2) dönüşümlü olarak kullanılır. Özellik haritaları konvolüsyon bir katmandan geçer, ardından düzleştirilir ve tamamen bağlantılı yoğun katman, dropout düzenlemesi ile çalıştırılır, böylece aşırı uyum sağlanmasını önler. Son olarak, dört büyüme aşamasının çoklu sınıflandırması, softmax çıkış katmanı yardımıyla yapılır. Modeli eğitmek için 0.001 öğrenme oranı ve kayb fonksiyonu olarak kategorik çapraz entropiye sahip olan Adam optimizatoru kullanıldı. Parti sayısı 10'a ayarlandı ve model 10 dönemde eğitildi. Doğrulama doğruluğu ve doğrulama kaybı da modelin performansını izlemek için kullanılmıştır; çünkü bunlar, modelin genelleştirildiğinden emin olmak için kullanılır.

Topluluk öğrenmeye dayalı hastalık sınıflandırma modeli

Hastalık sınıflandırması için, tahmin doğruluğunu artırmak amacıyla bir dizi derin öğrenme mimarisi benimsenmiştir. Özel bir CNN modelinin ilk geliştirilmesi dört katmandan oluşuyordu: üç konvolüsyon katman, üç maksimum havuzlu katman, yoğun tam bağlantılı bir katman ve dropout düzenleme. MobileNetV2, derinlik açısından ayrılabilir konvolüsiyalar, ters çevrilmiş kalıntı bloklar ve doğrusal kalıntılı ters darboğaz kullanır. Modelin küçük boyutu sadece 3,4 milyon parametreye sahiptir ve kaynak kısıtlı bir ortamda kullanılabilir. Modeller ImageNet aktivasyonları kullanmaya başladı ve konvolüsyon katmanlar donduruldu, böylece öğrenilen özellik temsilleri kaybedilmedi. Softmax sınıflandırma katmanı, tamamen bağlantılı ve kesinti düzenlenmesine sahip bir katmana bağlanmıştı. Tüm modeller 20 dönem boyunca, 32 parti büyüklüğüyle eğitildi ve optimizator ile kayıp CNN modeliyle aynıydı. Sınıflandırmayı iyileştirmek amacıyla, ortalama oy kullanma topluluğu öğrenme yöntemi kullanıldı. Sonuçlar, nihai sınıf tahminlerini elde etmek için tüm beş modelin (CNN, VGG16, ResNet50, InceptionV3 ve MobileNetV2) ortalama olasılıkları öngördü. Bu kombinasyon tekniği, modellerdeki önyargıyı azaltmada ve genellemeyi artırmada faydalı olmuştur. Son kombinasyon modeli sınıflandırmalarda daha doğruydu. Topluluk yaklaşımının seçilmesinin nedeni, farklı özellik temsillerinin öğrenilmesinin aynı veri seti kullanılarak farklı derin öğrenme modelleri tarafından öğrenilmesidir. Topluluk ayrıca model önyargısını ve varyansını azaltır ve bağımsız modellere kıyasla genel tahmin sorunlarını ve genel genelleştirme performansını artırır.

Tahmin stratejisi

Pirinç yaprağı hastalığı ve buna bağlı büyüme aşamasının tahmin edilmesinde, topluluk tabanlı sınıflandırma yöntemi kullanılmıştır. Beş derin öğrenme modeli (CNN, VGG16, ResNet50, InceptionV3 ve MobileNetV2) hastalıkları sınıflandırmak için bağımsız olarak eğitildi ve ortalama bir oy toplama yöntemi kullanılarak bir araya getirildi. Bu prosedür, tüm modellerdeki her hastalık kategorisinin olasılıklarının ve ortalama olasılık dağılımının tahmin edilmesini içeriyor; bu da tahmin edilebilirliğe hassasiyet ekleyerek modeldeki önyargıyı en aza indiriyor. Son tahmin, ortalama olasılığı en yüksek olan hastalık sınıfı olarak alındı. Ayrıca, farklı bir CNN tabanlı aşama sınıflandırma modeli eğitildi ve pirinç yaprağının büyüme aşamasını tahmin etmek için kullanıldı. Her iki sınıflandırma modeli de 128x128 boyutunda giriş görüntülerini alır, piksel değerlerini normalleştirir ve modelleri kullanarak çıkarım yapar. Yaprak evresi ve hastalığın nihai tahminleri, hastalığın yönetimi için geçerli tedavi sunmak amacıyla mevcut tedavi önerileri setine haritalandı.

Örnek Çıktı: "Yaprak evresi: 3, Hastalık: Tungro"

Tedavi önerisi

Paddy yaprağı hastalığı sınıflandırmasını daha pratik hale getirmek için, uygulamaya Streamline tabanlı bir tedavi öneri sistemi entegre edildi. Sistem, hastalığın başarılı şekilde yönetilmesini sağlamak için tahmin edilen hastalık ve yaprak aşamasını alır ve özel tedavi önerileri sunar. Topluluk hastalık sınıflandırma modeli (CNN, VGG16, ResNet50, InceptionV3 ve MobileNetV2 dahil) hastalığı sınıflandırırken, yaprak aşamasını sınıflandırma modeli başka bir modeldir. Yaprak ve hastalığın modellenen aşaması, önerilen dozlar (Önleyici önlemler ve Pestisit Uygulaması) tedavi verileriyle karşılaştırılır.

Metodolojik çerçeve ve katkı

Sunulan sistemin metodolojisi, görüntü sınıflandırması ve karar desteğini birleştiren çok aşamalı bir boru hattıdır. Çerçeve, görüntülerin teşvik edilmesi ve artırılması, yaprak büyüme evresinin tahmin edilmesi, hastalık sınıflandırılması için görüntüler üzerinde eğitilmiş derin öğrenme modellerinin kullanılması, tahmin sonuçlarının birleştirilerek topluluk kararı alınması ve hastalığın türü ve büyüme aşamasına göre tedavi önerilmesi olmak üzere beş büyük adımdan oluşur. Bu çalışmanın metodolojik katkısı, birçok tahmin modeli ve bir tedavi önerisi modülünün tek bir karar destek hattı içinde uygulanmasına yöneliktir. Sistem sadece hastalıkların sınıflandırılmasına değil, aynı zamanda bitki büyüme aşamasına dair bilgilerin de dahil edilmesine dayanarak belirli bir aşamada tedavi önerileri sunmaya dayanır. Sistem, bu aşama bilinçli tavsiye stratejisi sayesinde gerçek dünyada tarımsal karar alma süreciyle daha ilgilidir. Giriş görüntüsü önce ön işlemeden geçer, ardından aşama sınıflandırma modeli ve hastalık sınıflandırma modellerinden geçer. Hastalık modeli sonuçları bir topluluk tekniğiyle ortalanır ve hastalık tahmini ile büyüme aşaması, tedavi veritabanındaki ilgili tedavi kayıtlarının belirlenmesine dayanarak doğru tedavi önerileri alınarak sona taşınır.

Doğrulama stratejisi ve aşırı uyum önleme

Geliştirilen modellerin titiz doğrulanmasını sağlamak için veri seti üç ayrı alt kümeye ayrıldı: eğitim kümesi (%80), doğrulama seti (%10) ve test seti (%10). Modeller, eğitim seti kullanılarak eğitildi, doğrulama setiyle ayarlandı ve son performanslarını yalnızca test setiyle değerlendirdi. Test kümesi, modelin tarafsız analizini sağlamak için tamamen bağımsız kaldı. Modelin aşırı uyum sağlamamasını garanti etmek ve genelleştirme yeteneğini artırmak için aşağıdaki yöntemler kullanılmıştır. Veri setindeki çeşitlilik seviyesini artırmak için önce veri artırma yöntemleri (döndürme, yakınlaştırma, kaydırma, kesme ve yatay çevirme) kullanıldı. İkinci olarak, CNN modellerinin tam bağlı katmanlarında aşırı uyumu azaltmak için dropout düzenleme kullanıldı. Üçüncü olarak, önceden eğitilmiş modeller (VGG16, ResNet50, InceptionV3 ve MobileNetV2) donmuş konvolüsyon katman tekniği kullanılarak aktarıldı; böylece öğrenilen özellikler korundu ve veri setinin küçük boyutundan kaynaklanan aşırı uyum olasılığı en aza indirildi. Son olarak, model performansını izlemek için doğrulama kaybı ve doğruluğu kullanıldı; böylece modelin eğitim verisine aşırı uyum sağlamadığından emin olabilmek sağlandı. Bunlar, önerilen modelin görünmeyen verilere çok iyi genelleştirilmesini ve iyi performans sunmasını sağlayan doğrulama ve düzenleme şemalarıdır.

Önerilen sistem

Önerilen yöntem, yaprak evresi tahmini ve hastalığın sınıflandırılmasını içeren pirinç yaprağı hastalığı yönetimine derin öğrenme çözümüdür. Bu, paddy leaf görüntülerinin ortak bir yükseklik ve piksel değerleri açısından ön işlenmesiyle başlar. Yaprak büyüme aşaması sinir ağı kullanılarak tahmin edilir ve ortalama bir oy verme tekniği kullanılarak derin öğrenme modelleri (CNN, VGG16, ResNet50, InceptionV3, MobileNetV2) kullanılarak hastalıkları sınıflandırmak sağlanır. Sistem, tahmin edilen evreyi ve hastalığı kullanarak tedavide kullanılacak doğru dozda herbisit veya pestisit reçete eder. Önerilen sistemin iş akışı (Şekil 3) bölümünde gösterilmiştir. Önceki alt bölümler (A'dan I'e) bu boru hattının her bir bireysel unsurunu açıklıyor, bu yüzden burada daha fazla açıklama yapılmıyor. Bu çalışmada geliştirilen Streamline tabanlı uygulama, önerilen modelin pratik uygulanabilirliğini göstermeyi amaçlayan prototip karar destek aracıdır. Sistem, kullanıcıların pirinc yaprağı görüntülerini yüklemesine ve hastalık tahminlerini, büyüme aşaması bilgilerini ve tedavi önerilerini almasına olanak tanır. Sistemin gerçek dünya etkinliği ve kullanılabilirliğini değerlendirmek için gelecekteki çalışmaların bir parçası olarak çiftçilerle büyük ölçekli kullanılabilirlik testleri ve saha dağıtımı yapılacaktır.

Results

Aşama sınıflandırma modeli

Aşama tahmin modeli, %95,88 eğitim doğruluğu (kayıp: 0,1172) ve doğrulama doğruluğu %95,24 (kayıp: 0,1751) elde etti; bu da modelin sürekli öğrendiğini ve görünmeyen doğrulama örneklerine uygulandığında adil tahminler yaptığını gösteriyor. %95,24 doğruluk elde edildi ve 0,1751 doğrulama kaybı oldu. Model, test verilerinde yüzde 94,05 test doğruluğu ve test verisinde 0,1759 test kaybı elde etti; bu da modelin sağlamlı...

Discussion

Mevcut makale, pirinç yapraklarının büyüme evresinin tahminini, derin öğrenme modelleri (VGG16, MobileNetV2 ve ResNet50) topluluğu yardımıyla hastalıkların sınıflandırılmasını ve web tabanlı uygulamaya dayalı aşama tabanlı tedavi önermesini içeren yeni bir karar destek sistemi önermektedir. Topluluk modeli, modelin sınıflandırmasında %98,99 doğruluk elde etmiş olup, bireysel modellerden daha yüksektir; daha önce bireysel stratejideki modellerin önyargıya duyarlı olduğu ve genelleştirirke...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Veri seti	Paddy Leaf Stage Dataset (PaddyNet4)	4 büyüme aşamasında 560 görüntü (Evre 2– 5)
Veri seti	Paddy Leaf Hastalığı Veri Seti	Kaggle'dan 6 hastalık sınıfında 6920 görüntü
Veri seti	Tedavi Veri Seti	Büyüme aşamalarına göre hastalık yönetimi uygulamalarıyla derlenmiş veri seti
Ön işleme	Görüntü Boyutlandırma	Görüntüler 128x128x3 boyutunda yeniden boyutlandırılmıştır
Ön işleme	Normalleşme	Piksel değerleri [0,1] olarak ölçeklendirilmiştir
Ön işleme	Etiket Kodlaması	Kategorik etiketleri sayısal olarak dönüştürüldü
Artırma	Rotasyon	30 dereceye kadar
Artırma	Genişlik/Yükseklik Kaydırması	%20'ye kadar
Artırma	Zoom	%20'ye kadar
Artırma	Shear & Flip	Kesme ve yatay çevirme
Model	CNN (Sahne Sınıflandırması)	3 konv katmanlı hafif CNN
Model	CNN (Hastalık Sınıflandırması)	Conv + havuzlama katmanları ile özel CNN
Model	VGG16	Transfer öğrenme modeli
Model	ResNet50	Transfer öğrenme modeli
Model	InceptionV3	Transfer öğrenme modeli
Model	MobileNetV2	Hafif transfer öğrenme modeli
Teknik	Topluluk Öğrenimi	5 modelin ortalama olasılık oylaması
Teknik	Transfer Öğrenimi	Önden eğitilmiş ImageNet ağırlıkları kullanılarak
Teknik	Dropout Düzenlemesi	Aşırı uyumu önlemek için
Eğitim	Optimizer	Adam (öğrenme oranı 0.001)
Eğitim	Kayıp Fonksiyonu	Kategorik çapraz entropi
Eğitim	Parti Büyüklüğü	10 (evrek modeli), 32 (hastalık modelleri)
Eğitim	Çağlar	10 (evre), 20 (hastalık)
Değerlendirme	Metrikler	Doğruluk, Hassasiyet, Hatırlama, F1-puan
Dağıtım	Akıcı Aydınlatma	Gerçek zamanlı tahmin için web uygulaması