Machine Learning аркылуу өсүмдүк ооруларын кантип аныктаса болот: 6 кадам

2025 Автор: John Day | [email protected]. Акыркы өзгөртүү: 2025-01-23 14:51

Оорулуу өсүмдүктөрдү табуу жана таануу процесси дайыма кол менен жана түйшүктүү процесс болуп келген, бул адамдарга өсүмдүктүн денесин визуалдуу түрдө текшерүүнү талап кылат, бул туура эмес диагнозго алып келиши мүмкүн. Климаттын өзгөрүшүнө байланыштуу глобалдык аба ырайы өзгөрө баштаганда, өсүмдүктөрдүн оорулары күчөп, кеңири жайылып кетиши ыктымал деп божомолдонгон. Демек, түшүмдү андан ары зыянга учуратпоо үчүн түшүмдү тез жана оңой талдап, белгилүү бир ооруну аныктоочу системаларды иштеп чыгуу маанилүү.

Бул Нускамада биз оорулуу күрүч өсүмдүктөрүнүн сүрөттөрүн классификациялоо үчүн "Transfer Learning" деп аталган машина үйрөнүү түшүнүгүн изилдейбиз. Ушул эле ыкманы башка сүрөттөрдү классификациялоо көйгөйү үчүн дагы колдонсо болот.

1 -кадам: Күрүч ооруларынын түрлөрү

Күрүч негизинен Азия, Африка жана Түштүк Америкада өстүрүлгөн эң популярдуу азык -түлүк өсүмдүктөрүнүн бири, бирок ар кандай зыянкечтер менен илдеттерге дуушар болот. Жалбырактардын түсүн түшүрүү сыяктуу физикалык мүнөздөмөлөр күрүчтүн түшүмүнө таасир эте турган бир нече ооруларды аныктоо үчүн колдонулушу мүмкүн. Мисалы, жалбырактардын коргоочу кабыгына таасир эткен козу карын оорусу болгон Brown-Spotдо, жалбырактары боз борборлору бар бир нече кичинекей сүйрү күрөң тактар менен капталган, ал эми Leaf-Blast учурда жалбырактар капталган. ири күрөң жаралар менен. Ошо сыяктуу эле, Райс Хиспа зыянкечтеринен жабыр тарткан жалбырактарды жалбырактын бетинде пайда болгон узун издер менен аныктаса болот.

2 -кадам: Мурунку ыкмалар ооруларды кантип аныктады?

Оорулуу өсүмдүктөрдүн сүрөттөрүн автоматтык түрдө классификациялоонун мурунку ыкмалары, эрежеге негизделген классификаторлор [1], жалбыракты жабыркаган жана жабыр тартпаган аймактарга бөлүү үчүн белгиленген эрежелердин тобуна таянат. Кээ бир өзгөчөлүктөрдү алуу эрежелери жабыр тарткан жана жабыр тартпаган региондордун түсүнүн ортосундагы орточо жана стандарттык четтөөнүн өзгөрүүсүн байкоону камтыйт. Форманын өзгөчөлүктөрүн алуу эрежелери жабыркаган аймактын үстүнө жекече бир нече фигураларды коюп, жабыр тарткан аймактын максималдуу аймагын камтыган форманы аныктоону камтыйт. Сүрөттөрдөн өзгөчөлүктөр алынгандан кийин, өсүмдүктү жабыркаткан ооруга жараша сүрөттөрдү классификациялоо үчүн белгиленген эрежелердин жыйындысы колдонулат. Мындай классификатордун негизги кемчилиги - бул ар бир оору үчүн бир нече катаал эрежелерди талап кылат, бул өз кезегинде аны ызы -чуу болгон маалыматтарга сезгич кылат. Жогорудагы сүрөттөр эрежеге негизделген чечим дарагын сүрөттү эки регионго бөлүү үчүн кантип колдонсо болорун көрсөтөт.

1. Santanu Phadikar et al., "Функцияны тандоо жана эрежелерди түзүү ыкмаларын колдонуу менен күрүч ооруларынын классификациясы", Айыл чарбасындагы компьютерлер жана электроника, т. 90, январь 2013.

3 -кадам: Окууну өткөрүп берүү

Бул Нускамада сүрөттөлгөн сүрөттөрдү классификациялоо техникасы бир нече конволюциялык катмарлардан, бириктирүүчү катмардан жана акыркы толук туташкан катмардан турган CNNдин негизги түзүлүшүн колдонот. Конволюциялык катмарлар сүрөттүн жогорку деңгээлдеги өзгөчөлүктөрүн чыгарган чыпкалардын жыйындысы катары иштейт. Макс-бассейн-бул катмарларды бириктирүүдө колдонулган кеңири таралган ыкмалардын бири, алынган өзгөчөлүктөрдүн мейкиндик өлчөмүн азайтуу, ошону менен ар бир катмардын салмагын эсептөө үчүн керектүү эсептөө кубатын азайтуу. Акыр -аягы, алынган маалыматтар сүрөттүн классын аныктоочу softmax активдештирүү функциясы менен бирге толугу менен туташкан катмар аркылуу өткөрүлөт.

Бирок нөлдөн баштап салт CNNдерди үйрөтүү каалаган жыйынтыкты бербеши мүмкүн жана машыгуу убактысы өтө узун болушу мүмкүн.

Окутуу сүрөттөрүнүн өзгөчөлүктөрүн билүү үчүн биз Transfer Learning деп аталган ыкманы колдонобуз, мында алдын ала даярдалган моделдин "үстүнкү" катмары алынып салынат жана анын ордуна тренингдердин маалымат базасына мүнөздүү өзгөчөлүктөрдү үйрөнө турган катмарлар коюлат. Трансфердик окуу туш келди салмакты колдонгон моделдерге салыштырмалуу машыгуу убактысын кыскартат. Биздин методдо алдын ала даярдалган алты башка модель колдонулат, атап айтканда, AlexNet, GoogLeNet, ResNet-50, Inception-v3, ShuffleNet жана MobileNet-v2.

Сүрөт GoogLeNet архитектурасын көрсөтөт, мында конвульсиялык катмарлар үчүн көк, катмарларды бириктирүү үчүн кызыл, softmax катмарлары үчүн сары жана конкатты катмарлар үчүн жашыл түстөр колдонулат. Бул жерде CNNдин ички иштеши жөнүндө көбүрөөк биле аласыз.

Күрүч илдетинин маалыматы дени сак жана оорулуу күрүч өсүмдүктөрүнүн жалбырактарынын сүрөттөрүнөн турат. Сүрөттөрдү Браун-Спот, Райс Хиспа, Жалбырак-Жардыруу жана Дени сак деп төрт түрдүү класска бөлүүгө болот. Маалымат топтому 2092 ар кандай сүрөттөрдөн турат жана ар бир класс 523 сүрөттү камтыйт. Ар бир сүрөт ак фонго коюлган бир дени сак же оорулуу жалбырактан турат.

Биз сүрөттөр топтомун тренингдерге, валидацияга жана тестирлөө сүрөттөр топторуна бөлдүк. Overfittingтин алдын алуу үчүн, биз тренинг үлгүлөрүнүн жалпы санын көбөйтүү үчүн тренингдин сүрөттөрүн масштабдоо жана жылдыруу аркылуу көбөйтөбүз.

Код жана көз карандылыктар ачык булак болуп саналат жана бул жерден тапса болот: GitHub Code

Сүрөттөрдү классификациялоонун ар кандай тиркемелери үчүн биз жөн гана окутуу сүрөтүнүн маалымат базасын өзгөртө алабыз.

4 -кадам: Моделди үйрөтүү

Ар бир модель талап кылган эстутумдун өлчөмүнө жараша, алдын ала даярдалган моделдер чоң жана кичине моделдерге бөлүнөт. Кичинекей моделдер 15 МБтан аз керектейт, демек мобилдик тиркемелер үчүн эң ылайыктуу.

Чоң моделдердин арасында Inception-v3 эң узак окутуу убактысын болжол менен 140 мүнөткө созгон, ал эми AlexNetте эң кыска машыгуу убактысы болжол менен 18 мүнөт болгон. Кичирээк мобилдик багытталган моделдердин ичинен, MobileNet-v2 эң узак тренингге болжол менен 73 мүнөт, ал эми ShuffleNetке болжол менен 38 мүнөттүк эң кыска окуу убактысы болгон.

5 -кадам: Моделди тестирлөө

Чоңураак моделдердин ичинен Inception-v3 тесттин эң жогорку тактыгына болжол менен 72.1% ды түздү, ал эми AlexNet тестирлөөнүн эң төмөнкү тактыгына 48.5% ды түздү. Кичирээк мобилдик багытталган моделдердин ичинен MobileNet-v2 эң жогорку тестирлөө тактыгына 62.5%, ал эми ShuffleNet тестирлөө тактыгына 58.1% га ээ болгон.

MobileNet-v2 күрөң-так, жалбырак-жардыруу жана дени сак жалбырактардын сүрөттөрүн классификациялоодо бир кыйла жакшы аткарды, ал эми Райс Хиспа үчүн 46.15%тактык менен бир нече ката классификация кылды.

Inception-v3 MobileNet-v2 сыяктуу классификация натыйжаларын көрсөткөн.

6 -кадам: Кошумча тесттер

Жогорудагы сүрөттө MobileNet-v2 модели чөп жалбырагынын сүрөтүн ак фондо Райс Хиспа катары кантип туура эмес классификациялагандыгын көрсөтөт.

Биз ошондой эле MobileNet-v2 тактыгын Райс Хиспанын кесилген сүрөттөрүндө сынап көрдүк, мында ак фону минималдаштырылган, жалбырак сүрөттө максималдуу аймакты ээлейт. Райс Хиспанын кесилген сүрөттөрү үчүн биз болжол менен 80.81% тактыкты байкадык. Демек, биз конвульсиялык нейрон тармактарын колдонуп, күрүч оорусун аныктоонун реалдуу ишке ашырылышы тактыкты жакшыртуу үчүн фон ызы-чууну жок кылуу үчүн тесттик сүрөттөрдү кыркып алууну сунуштайбыз.