Kā noteikt augu slimības, izmantojot mašīnmācīšanos: 6 soļi

2024 Autors: John Day | [email protected]. Pēdējoreiz modificēts: 2024-01-30 10:54

Slimo augu atklāšanas un atpazīšanas process vienmēr ir bijis manuāls un garlaicīgs process, kas prasa cilvēkiem vizuāli pārbaudīt augu ķermeni, kas bieži vien var novest pie nepareizas diagnozes. Ir arī prognozēts, ka, tā kā klimata pārmaiņu dēļ globālie laika apstākļi sāk mainīties, kultūraugu slimības, visticamāk, kļūs smagākas un plaši izplatītas. Tāpēc ir svarīgi izstrādāt sistēmas, kas ātri un viegli analizētu kultūraugus un identificētu konkrētu slimību, lai ierobežotu turpmāku ražas bojājumu.

Šajā pamācībā mēs izpētīsim mašīnmācīšanās koncepciju, kas pazīstama kā “Pārneses mācīšanās”, lai klasificētu slimu rīsu augu attēlus. To pašu metodi var izmantot citām attēlu klasifikācijas problēmām.

1. solis: rīsu slimību veidi

Rīsi ir viena no populārākajām pārtikas kultūrām, ko audzē galvenokārt Āzijā, Āfrikā un Dienvidamerikā, bet ir uzņēmīgi pret dažādiem kaitēkļiem un slimībām. Fiziskās īpašības, piemēram, lapu krāsas maiņu, var izmantot, lai identificētu vairākas slimības, kas var ietekmēt rīsu ražu. Piemēram, brūnās plankuma-sēnīšu slimības, kas ietekmē lapu aizsargapvalku, gadījumā lapas ir pārklātas ar vairākiem maziem ovāliem brūniem plankumiem ar pelēkiem centriem, turpretī, ja tas ir Leaf-Blast, lapas ir pārklātas ar lielākiem brūniem bojājumiem. Līdzīgi lapas, kuras skāris Rice Hispa kaitēklis, var atpazīt pēc garajām pēdām, kas veidojas uz lapas virsmas.

2. darbība. Kā iepriekšējās metodes atklāja slimības?

Iepriekšējās metodes slimu augu attēlu automātiskai klasificēšanai, piemēram, uz noteikumiem balstīti klasifikatori, kas izmantoti [1], balstās uz fiksētu noteikumu kopumu, lai lapu segmentētu skartajos un neietekmētajos reģionos. Daži noteikumi iezīmju iegūšanai ietver vidējās un standarta novirzes izmaiņu novērošanu starp skarto un neietekmēto reģionu krāsu. Noteikumi formu iezīmju iegūšanai ietver atsevišķu vairāku primitīvu formu novietošanu skartajā apgabalā un formas noteikšanu, kas aptver skartā reģiona maksimālo laukumu. Kad iezīmes ir iegūtas no attēliem, attēlu klasificēšanai tiek izmantots fiksētu noteikumu kopums atkarībā no slimības, kas, iespējams, ir skārusi augu. Šāda klasifikatora galvenais trūkums ir tas, ka katrai slimībai būs nepieciešami vairāki noteikti noteikumi, kas savukārt varētu padarīt to jutīgu pret trokšņainiem datiem. Iepriekš redzamie attēli parāda, kā uz noteikumiem balstītu lēmumu koku var izmantot, lai segmentētu attēlu divos reģionos.

1. Santanu Phadikar et al., “Rīsu slimību klasifikācija, izmantojot funkciju atlasi un noteikumu ģenerēšanas paņēmienus,” Datori un elektronika lauksaimniecībā, sēj. 90, 2013. gada janvāris.

3. darbība: pārnesiet mācīšanos

Šajā instrukcijā aprakstītajā attēlu klasifikācijas tehnikā tiek izmantota CNN pamatstruktūra, kas sastāv no vairākiem konvolūcijas slāņiem, apvienotā slāņa un pēdējā pilnībā savienotā slāņa. Konvolūcijas slāņi darbojas kā filtru kopums, kas iegūst attēla augsta līmeņa iezīmes. Maksimālā apvienošana ir viena no izplatītākajām metodēm slāņu apvienošanā, lai samazinātu iegūto elementu telpisko izmēru, tādējādi samazinot aprēķina jaudu, kas nepieciešama katra slāņa svaru aprēķināšanai. Visbeidzot, iegūtie dati tiek nodoti caur pilnībā savienotu slāni kopā ar softmax aktivizācijas funkciju, kas nosaka attēla klasi.

Bet pielāgotu CNN apmācība no nulles var nedot vēlamos rezultātus, un apmācības laiks var būt ļoti garš.

Lai uzzinātu mācību attēlu iezīmes, mēs izmantojam metodi, ko sauc par pārneses mācīšanos, kur iepriekš apmācīta modeļa augšējie slāņi tiek noņemti un aizstāti ar slāņiem, kas var apgūt apmācības datu kopai raksturīgās funkcijas. Pārneses mācīšanās samazina apmācības laiku, salīdzinot ar modeļiem, kuros tiek izmantoti nejauši inicializēti svari. Mūsu metodē tiek izmantoti seši dažādi iepriekš apmācīti modeļi, proti, AlexNet, GoogLeNet, ResNet-50, Inception-v3, ShuffleNet un MobileNet-v2.

Attēlā redzama GoogLeNet arhitektūra, kur zilā krāsa tiek izmantota konvolucionāriem slāņiem, sarkana - slāņu apvienošanai, dzeltena - softmax slāņiem un zaļa - koncata slāņiem. Šeit varat uzzināt vairāk par CNN iekšējo darbību.

Rīsu slimību datu kopu veido gan veselīgu, gan slimu rīsu augu lapu attēli. Attēlus var iedalīt četrās dažādās klasēs, proti, Brown-Spot, Rice Hispa, Leaf-Blast un Healthy. Datu kopa sastāv no 2092 dažādiem attēliem, un katrā klasē ir 523 attēli. Katrs attēls sastāv no vienas veselīgas vai slimas lapas, kas novietota uz balta fona.

Mēs sadalījām attēlu datu kopu apmācības, apstiprināšanas un testēšanas attēlu kopās. Lai novērstu pārmērīgu uzstādīšanu, mēs palielinām treniņu attēlus, mērogojot un apgriežot mācību attēlus, lai palielinātu kopējo treniņu paraugu skaitu.

Kods un atkarības ir atvērtā koda, un tos var atrast šeit: GitHub kods

Dažādiem attēlu klasifikācijas lietojumiem mēs varam vienkārši mainīt mācību attēlu datu kopu.

4. solis: modeļa apmācība

Atkarībā no atmiņas lieluma, kas nepieciešams katram modelim, iepriekš apmācītie modeļi tiek iedalīti lielākos un mazākos modeļos. Mazāki modeļi patērē mazāk nekā 15 MB, un tāpēc tie ir labāk piemēroti mobilajām lietojumprogrammām.

Starp lielākajiem modeļiem Inception-v3 bija visilgākais apmācības laiks-aptuveni 140 minūtes, bet AlexNet-īsākais-aptuveni 18 minūtes. Starp mazākiem uz mobilo tālruni orientētiem modeļiem MobileNet-v2 bija visilgākais apmācības laiks-aptuveni 73 minūtes, bet ShuffleNet-īsākais-aptuveni 38 minūtes.

5. darbība: modeļa pārbaude

Starp lielākajiem modeļiem Inception-v3 bija visaugstākā testēšanas precizitāte-aptuveni 72,1%, bet AlexNet-zemākā testēšanas precizitāte-aptuveni 48,5%. Starp mazākajiem uz mobilajām ierīcēm orientētajiem modeļiem MobileNet-v2 bija visaugstākā testēšanas precizitāte-62,5%, bet ShuffleNet-zemākā testēšanas precizitāte-58,1%.

MobileNet-v2 ievērojami uzlabojās, klasificējot brūnplankumaino, lapu lapu un veselīgo lapu attēlus, vienlaikus veicot vairākas nepareizas Rice Hispa klasifikācijas ar precizitāti tikai 46,15%.

Inception-v3 parādīja līdzīgus klasifikācijas rezultātus kā MobileNet-v2.

6. darbība: papildu testi

Augšējais attēls parāda, kā MobileNet-v2 modelis nepareizi klasificē zāles lapas attēlu uz balta fona kā Rice Hispa.

Mēs arī pārbaudījām MobileNet-v2 precizitāti apgrieztos rīsu Hispa attēlos, kur baltais fons tika samazināts tā, lai lapa attēlā aizņemtu maksimālu laukumu. Apgrieztajiem rīsu Hispa attēliem mēs novērojām aptuveni 80,81% precizitāti, t.i., apgrieztiem rīsu Hispa attēliem mēs novērojām ievērojamu klasifikācijas precizitātes pieaugumu salīdzinājumā ar neapgrieztiem testa paraugiem. Tāpēc mēs ierosinām, lai rīsu slimību noteikšanas reālajā dzīvē, izmantojot konvolucionālos neironu tīklus, būtu jāapgriež testa attēli, lai novērstu fona troksni, lai uzlabotu precizitāti.