Com detectar malalties de plantes mitjançant l'aprenentatge automàtic: 6 passos

2024 Autora: John Day | [email protected]. Última modificació: 2024-01-30 08:12

El procés de detecció i reconeixement de plantes malaltes sempre ha estat un procés manual i tediós que requereix que els humans inspeccionin visualment el cos de la planta, cosa que sovint pot conduir a un diagnòstic incorrecte. També s'ha predit que a mesura que els patrons meteorològics mundials comencen a variar a causa del canvi climàtic, és probable que les malalties de les collites siguin més greus i generalitzades. Per tant, és important desenvolupar sistemes que analitzin els cultius de forma ràpida i senzilla i identifiquin una malaltia en particular per limitar els danys posteriors.

En aquest instructiu, explorarem un concepte d'aprenentatge automàtic conegut com a "Aprenentatge de transferència" per classificar imatges de plantes d'arròs malaltes. El mateix mètode es pot reutilitzar per a qualsevol altre problema de classificació d'imatges.

Pas 1: tipus de malalties de l’arròs

L’arròs és un dels cultius alimentaris bàsics més populars cultivats principalment a Àsia, Àfrica i Amèrica del Sud, però és susceptible a diverses plagues i malalties. Les característiques físiques com la decoloració de les fulles es poden utilitzar per identificar diverses malalties que poden afectar el cultiu de l’arròs. Per exemple, en el cas de la taca marró, una malaltia fúngica que afecta la capa protectora de les fulles, les fulles estan cobertes de diverses petites taques marrons ovalades amb centres grisos, mentre que, en el cas de la fulla, les fulles estan cobertes. amb lesions marrons més grans. De la mateixa manera, les fulles afectades per la plaga de l’arròs Hispa es poden identificar per les llargues marques que es desenvolupen a la superfície de la fulla.

Pas 2: Com van detectar els mètodes anteriors malalties?

Els mètodes anteriors per classificar automàticament imatges de plantes malaltes, com ara classificadors basats en regles, tal com s’utilitzaven a [1], es basen en un conjunt fixat de regles per segmentar la fulla en regions afectades i no afectades. Algunes de les regles per extreure funcions consisteixen a observar el canvi de la mitjana i la desviació estàndard entre el color de les regions afectades i les no afectades. Les regles per extreure les característiques de la forma consisteixen a col·locar individualment diverses formes primitives a la part superior de la regió afectada i identificar la forma que cobreix l'àrea màxima de la regió afectada. Un cop extretes les característiques de les imatges, s’utilitzen un conjunt de regles fixes per classificar les imatges en funció de la malaltia que pugui haver afectat la planta. El principal inconvenient d’aquest classificador és que requerirà diverses regles fixes per a cada malaltia que al seu torn podrien fer-la susceptible a dades sorolloses. Les imatges anteriors mostren com es pot utilitzar un arbre de decisions basat en regles per segmentar la imatge en dues regions.

1. Santanu Phadikar et al., "Classificació de les malalties de l'arròs mitjançant selecció de característiques i tècniques de generació de regles", Computers and Electronics in Agriculture, vol. 90, gener de 2013.

Pas 3: transferir l'aprenentatge

La tècnica de classificació d’imatges descrita en aquest Instructables utilitza l’estructura bàsica d’una CNN que consisteix en diverses capes convolucionals, una capa d’agrupació i una capa final completament connectada. Les capes de convolució actuen com un conjunt de filtres que extreuen les característiques d’alt nivell de la imatge. L’agrupació màxima és un dels mètodes habituals que s’utilitzen en agrupar capes per reduir la mida espacial de les característiques extretes, reduint així la potència de càlcul necessària per calcular els pesos de cada capa. Finalment, les dades extretes es passen per una capa totalment connectada juntament amb una funció d’activació de softmax que determina la classe de la imatge.

Però entrenar CNN personalitzades des de zero pot no produir els resultats desitjats i pot tenir un temps d’entrenament molt llarg.

Per aprendre les característiques de les imatges d’entrenament, fem servir un mètode anomenat Aprenentatge per transferència en què les capes ‘superiors’ d’un model pre-entrenat s’eliminen i se substitueixen per capes que poden aprendre les funcions específiques del conjunt de dades d’entrenament. L’aprenentatge per transferència redueix el temps d’entrenament en comparació amb els models que utilitzen pesos inicialitzats aleatòriament. El nostre mètode utilitza sis models diferents pre-entrenats, a saber, AlexNet, GoogLeNet, ResNet-50, Inception-v3, ShuffleNet i MobileNet-v2.

La imatge mostra l’arquitectura GoogLeNet on s’utilitza el blau per a les capes convolucionals, el vermell per agrupar capes, el groc per a les capes softmax i el verd per a capes concat. Podeu obtenir més informació sobre el funcionament intern d’una CNN aquí.

El conjunt de dades de la malaltia de l’arròs consisteix en imatges de fulles de plantes d’arròs sanes i malaltes. Les imatges es poden classificar en quatre classes diferents: Brown-Spot, Rice Hispa, Leaf-Blast i Healthy. El conjunt de dades consta de 2092 imatges diferents i cada classe conté 523 imatges. Cada imatge consisteix en una sola fulla sana o malalta situada sobre un fons blanc.

Dividim el conjunt de dades d'imatges en formació, validació i proves de conjunts d'imatges. Per evitar un excés d’ajustament, augmentem les imatges d’entrenament escalant i invertint les imatges d’entrenament per augmentar el nombre total de mostres d’entrenament.

El codi i les dependències són de codi obert i es poden trobar aquí: GitHub Code

Per a diferents aplicacions de classificació d’imatges, simplement podem canviar el conjunt de dades d’imatges d’entrenament.

Pas 4: entrenar el model

Depenent de la mida de memòria requerida per cada model, els models pre-entrenats es classifiquen en models cada vegada més grans. Els models més petits consumeixen menys de 15 MB i, per tant, són més adequats per a aplicacions mòbils.

Entre els models més grans, Inception-v3 va tenir el temps d'entrenament més llarg d'aproximadament 140 minuts, mentre que AlexNet va tenir el temps d'entrenament més curt d'aproximadament 18 minuts. Entre els models més petits orientats al mòbil, MobileNet-v2 va tenir el temps d'entrenament més llarg d'aproximadament 73 minuts, mentre que ShuffleNet va tenir el temps d'entrenament més curt d'aproximadament 38 minuts.

Pas 5: provar el model

Entre els models més grans, Inception-v3 tenia la precisió de prova més alta aproximadament del 72,1%, mentre que AlexNet tenia la precisió de prova més baixa aproximadament del 48,5%. Entre els models més petits orientats a mòbils, MobileNet-v2 tenia la precisió de prova més alta del 62,5%, mentre que ShuffleNet tenia la precisió de prova més baixa del 58,1%.

MobileNet-v2 va tenir un rendiment significatiu a l’hora de classificar les imatges de fulles de taques marrons, fulles i fulles saludables, mentre feia diverses classificacions errònies per a Rice Hispa amb una precisió del 46,15%.

Inception-v3 va mostrar resultats de classificació similars a MobileNet-v2.

Pas 6: proves addicionals

La imatge superior mostra com el model MobileNet-v2 classifica erròniament la imatge d’una fulla d’herba sobre un fons blanc com Rice Hispa.

També vam provar la precisió de MobileNet-v2 en imatges retallades de Rice Hispa, on es minimitzava el fons blanc de manera que la fulla ocupés una àrea màxima dins de la imatge. Per a les imatges retallades de Rice Hispa, vam observar una precisió aproximada del 80,81%, és a dir, per a les imatges retallades de Rice Hispa, vam observar un augment significatiu de la precisió de classificació sobre mostres de prova sense retallar. Per tant, proposem que les implementacions del món real de detecció de malalties de l’arròs mitjançant xarxes neuronals convolucionals hagin de retallar les imatges de prova per eliminar el soroll de fons per millorar la precisió.