Машины сургалтыг ашиглан ургамлын өвчнийг хэрхэн илрүүлэх вэ: 6 алхам

2025 Зохиолч: John Day | day@howwhatproduce.com. Хамгийн сүүлд өөрчлөгдсөн: 2025-01-23 15:00

Өвчтэй ургамлыг илрүүлэх, таних үйл явц нь үргэлж гар аргаар, уйтгартай үйл явц байсаар ирсэн бөгөөд хүнээс ургамлын биеийг нүдээр үзэхийг шаарддаг бөгөөд энэ нь ихэвчлэн буруу оношлоход хүргэдэг. Уур амьсгалын өөрчлөлтөөс шалтгаалан дэлхийн цаг агаарын төлөв байдал харилцан адилгүй өөрчлөгдөж эхэлмэгц газар тариалангийн өвчин улам хүндэрч, өргөн тархах магадлалтай гэж урьдчилан таамаглаж байсан. Тиймээс ургацын цаашдын хохирлыг хязгаарлахын тулд ургацыг хурдан бөгөөд хялбархан шинжилж, тодорхой өвчнийг тодорхойлох системийг хөгжүүлэх нь чухал юм.

Энэхүү зааварчилгаанд бид өвчтэй будааны ургамлын зургийг ангилах "Дамжуулах сургалт" гэж нэрлэгддэг машин сурах ойлголтыг судлах болно. Үүнтэй ижил аргыг дүрсний ангиллын бусад аливаа асуудалд дахин ашиглах боломжтой.

Алхам 1: Цагаан будааны өвчний төрөл

Цагаан будаа нь Ази, Африк, Өмнөд Америкт ургадаг гол нэрийн хүнсний ногооны нэг боловч олон төрлийн хортон шавьж, өвчинд өртөмтгий байдаг. Цагаан будааны ургацад нөлөөлж болзошгүй хэд хэдэн өвчнийг тодорхойлохын тулд навчийг өнгө алдах гэх мэт физик шинж чанарыг ашиглаж болно. Жишээлбэл, навчны хамгаалалтын бүрхүүлд нөлөөлдөг мөөгөнцрийн өвчин болох Браун-Спотын хувьд навчийг саарал төвтэй хэд хэдэн жижиг зууван хүрэн толботой, харин Навч-Тэсэлттэй тохиолдолд навчийг бүрхсэн байдаг. том хүрэн шархтай. Үүний нэгэн адил, Райс Хиспагийн хортон шавьжид нэрвэгдсэн навчийг навчны гадаргуу дээр ургадаг урт ул мөрөөр тодорхойлж болно.

Алхам 2: Өмнөх аргууд өвчнийг хэрхэн илрүүлдэг байсан бэ?

[1] -д ашигласан дүрмэнд үндэслэсэн ангилагч гэх мэт өвчтэй ургамлын зургийг автоматаар ангилах өмнөх аргууд нь навчийг нөлөөлөлд өртсөн болон нөлөөлөлд өртөөгүй хэсэгт хуваахын тулд тогтоосон дүрмийн багцад тулгуурладаг. Онцлог шинж чанаруудыг задлах зарим дүрмүүд нь нөлөөлөлд өртсөн болон өртөөгүй бүс нутгийн өнгөний хоорондох дундаж ба стандарт хазайлтын өөрчлөлтийг ажиглах явдал юм. Хэлбэрийн онцлог шинж чанарыг олж авах дүрэм нь нөлөөлөлд өртсөн хэсгийн дээр хэд хэдэн энгийн дүрсийг дангаар нь байрлуулж, нөлөөлөлд өртсөн хэсгийн хамгийн их талбайг хамарсан хэлбэрийг тодорхойлох явдал юм. Зурган дээрх онцлог шинж чанаруудыг олж авсны дараа ургамалд нөлөөлж болзошгүй өвчнөөс хамааран зургийг ангилахын тулд тогтсон дүрмийн багцыг ашигладаг. Ийм ангилагчийн гол сул тал бол өвчин тус бүрт хэд хэдэн тогтсон дүрэм шаарддаг бөгөөд энэ нь дуу чимээ ихтэй мэдээлэлд өртөмтгий болгодог явдал юм. Дээрх зургууд дүрмийг хоёр бүс болгон хуваахын тулд дүрмэнд суурилсан шийдвэрийн модыг хэрхэн ашиглаж болохыг харуулж байна.

1. Santanu Phadikar et al., "Онцлог сонгох, дүрэм үүсгэх техникийг ашиглан будааны өвчний ангилал", Хөдөө аж ахуй дахь компьютер ба электроник, боть. 90, 2013 оны 1 -р сар.

Алхам 3: Сургалтыг шилжүүлэх

Энэхүү зааварчилгаанд тайлбарласан дүрсийг ангилах техник нь CNN -ийн үндсэн бүтцийг ашигладаг бөгөөд энэ нь хэд хэдэн эвдэрсэн давхарга, нэгтгэх давхарга, эцсийн бүрэн холбогдсон давхаргаас бүрдэнэ. Давхаргын давхаргууд нь дүрсний өндөр түвшний онцлог шинж чанарыг гаргаж авсан шүүлтүүрийн үүрэг гүйцэтгэдэг. Max-pooling нь давхаргыг нэгтгэхэд ашигладаг нийтлэг аргуудын нэг бөгөөд олборлосон шинж чанаруудын орон зайн хэмжээг багасгахын тулд давхарга бүрийн жинг тооцоолоход шаардагдах тооцоолох хүчийг бууруулдаг. Эцэст нь олж авсан өгөгдлийг зургийн ангиллыг тодорхойлдог softmax идэвхжүүлэх функцын хамт бүрэн холбогдсон давхаргаар дамжуулдаг.

Гэхдээ захиалгат CNN -ийг эхнээс нь сургах нь хүссэн үр дүнг өгөхгүй байж магадгүй бөгөөд сургалтын хугацаа маш урт байж магадгүй юм.

Сургалтын зургийн онцлогийг мэдэхийн тулд бид Transfer Learning хэмээх аргыг ашигладаг бөгөөд үүнд урьдчилан бэлтгэгдсэн загварын "дээд" давхаргыг арилгаж, сургалтын өгөгдлийн багцад хамаарах онцлог шинж чанаруудыг сурч болох давхаргаар сольж өгдөг. Дамжуулах сургалт нь санамсаргүй байдлаар эхлүүлсэн жинг ашигладаг загвартай харьцуулахад сургалтын хугацааг багасгадаг. Манай аргад AlexNet, GoogLeNet, ResNet-50, Inception-v3, ShuffleNet, MobileNet-v2 гэсэн урьдчилан бэлтгэгдсэн зургаан өөр загварыг ашигладаг.

Зураг дээр цэнхэр өнгийг эвхэгддэг давхаргад, улаан давхаргыг давхаргад, шар өнгийг softmax давхаргад, ногоон давхаргыг ногоон өнгөөр бүтээсэн нь GoogLeNet архитектурыг харуулж байна. Та энд CNN -ийн дотоод ажлын талаар илүү ихийг олж мэдэх боломжтой.

Цагаан будааны өвчний мэдээллийн сан нь эрүүл, өвчтэй будааны ургамлын навчны зургуудаас бүрдэнэ. Зургийг Браун-Спот, Райс Хиспа, Навч-Тэсэлгээ, Эрүүл гэсэн дөрвөн өөр ангилалд хувааж болно. Өгөгдлийн сан нь 2092 өөр зургаас бүрдэх бөгөөд анги бүр нь 523 зураг агуулсан болно. Зураг бүр нь цагаан дэвсгэр дээр байрлуулсан эрүүл эсвэл өвчтэй нэг навчнаас бүрдэнэ.

Бид зургийн мэдээллийн санг сургалт, баталгаажуулалт, туршилтын зургийн багц болгон хуваадаг. Хэт ачаалал өгөхөөс урьдчилан сэргийлэхийн тулд бид сургалтын дүрсийг томруулж, сургалтын дүрсийг эргүүлж, сургалтын дээжийн нийт тоог нэмэгдүүлэх болно.

Код ба хамаарал нь нээлттэй эх сурвалж бөгөөд эндээс олж болно: GitHub код

Зургийн ангиллын өөр өөр програмын хувьд бид сургалтын зургийн мэдээллийн санг өөрчлөх боломжтой.

Алхам 4: Загварыг сургах

Загвар тус бүрт шаардагдах санах ойн хэмжээнээс хамааран урьдчилан бэлтгэгдсэн загваруудыг том, жижиг загвар гэж ангилдаг. Жижиг загварууд нь 15МБ -аас бага хэмжээтэй тул гар утасны програмуудад илүү тохиромжтой.

Илүү том загваруудын дотроос Inception-v3 нь хамгийн урт сургалтын хугацаатай ойролцоогоор 140 минут байсан бол AlexNet нь хамгийн богино хугацаанд ойролцоогоор 18 минут бэлтгэл хийсэн байна. Жижиг хөдөлгөөнт төхөөрөмжүүдийн дунд MobileNet-v2 нь хамгийн урт сургалтын хугацаа ойролцоогоор 73 минут байсан бол ShuffleNet нь хамгийн богино хугацаанд ойролцоогоор 38 минут бэлтгэл хийсэн байна.

Алхам 5: Загварыг турших

Илүү том загваруудын дунд Inception-v3 нь 72.1% -ийн туршилтын хамгийн өндөр нарийвчлалтай байсан бол AlexNet нь хамгийн бага туршилтын нарийвчлалтайгаар ойролцоогоор 48.5% байжээ. Жижиг хөдөлгөөнт төхөөрөмжүүдийн дунд MobileNet-v2 нь хамгийн өндөр нарийвчлалтай 62.5%, ShuffleNet хамгийн бага нарийвчлалтай 58.1% байв.

MobileNet-v2 нь Браун-Спот, Навч-Тэсэлгээ, Эрүүл навчны зургуудыг ангилахдаа нэлээд сайн гүйцэтгэлтэй байсан бөгөөд Райс Хиспагийн хувьд хэд хэдэн буруу ангилал хийж зөвхөн 46.15%-ийн нарийвчлалтайгаар хийсэн байна.

Inception-v3 нь MobileNet-v2 шиг ангиллын үр дүнг харуулсан.

Алхам 6: Нэмэлт туршилтууд

Дээрх зураг нь MobileNet-v2 загвар нь цагаан дэвсгэр дээрх өвсний навчны зургийг Райс Хиспа гэж хэрхэн буруу ангилсан болохыг харуулж байна.

Бид мөн MobileNet-v2-ийн нарийвчлалыг Rice Hispa-ийн хайчилж авсан зургууд дээр туршиж үзсэн бөгөөд цагаан дэвсгэрийг хамгийн бага хэмжээгээр багасгаж, навч нь зургийн хамгийн их хэсгийг эзэлдэг. Райс Хиспагийн хайчилж авсан зургуудын хувьд бид ойролцоогоор 80.81% -ийн нарийвчлалтай ажигласан, өөрөөр хэлбэл, Райс Хиспагийн тайрсан зургуудын хувьд сорьцын дээжийг ангилах нарийвчлал мэдэгдэхүйц нэмэгдсэн байна. Тиймээс, нарийвчлалыг сайжруулахын тулд мэдрэлийн сүлжээг ашиглан будааны өвчнийг илрүүлэх бодит туршилтууд нь дуу чимээг арилгахын тулд туршилтын зургийг таслах ёстой гэж бид санал болгож байна.