Vision Meets Language: A RAG-Augmented YOLOv8 Framework for Coffee Disease Diagnosis and Farmer Assistance

खेती की दुनिया की कल्पना एक विशाल, जीवित पहेली के रूप में करें जहाँ हर पत्ती, तना और पानी की एक बूंद एक महत्वपूर्ण भूमिका निभाती है। सदियों से, किसान इस पहेली के जासूस रहे हैं, यह समझने की कोशिश करते रहे हैं कि कोई पौधा बीमार क्यों है और पर्यावरण को नुकसान पहुँचाए बिना उसका इलाज कैसे किया जाए। आज, हम एक वैज्ञानिक क्रांति के बीच में हैं जहाँ कंप्यूटर इन पहेलियों को सुलझाने में मदद करने के लिए सीख रहे हैं। यह क्षेत्र, जिसे "प्रिसिजन एग्रीकल्चर" (सटीक कृषि) कहा जाता है, खेती को स्मार्ट और अधिक हरित बनाने के लिए उच्च-तकनीकी उपकरणों का उपयोग करता है। इस नए युग के दो सबसे शक्तिशाली उपकरण "कंप्यूटर विजन" और "आर्टिफिशियल इंटेलिजेंस" (कृत्रिम बुद्धिमत्ता) हैं। कंप्यूटर विजन को एक सुपर-पावर्ड आँखों के जोड़े के रूप में सोचें जो एक तस्वीर को देख सकती है और तुरंत एक पत्ते पर उस छोटे से धब्बे को पहचान सकती है जिसे एक इंसान शायद मिस कर दे। फिर "लार्ज लैंग्वेज मॉडल्स" (LLMs) हैं, जो अविश्वसनीय रूप से पढ़े-लिखे पुस्तकालयाध्यक्षों (लाइब्रेरियन) की तरह हैं जो आपसे बात कर सकते हैं, आपके सवालों के जवाब दे सकते हैं और कहानियाँ लिख सकते हैं, लेकिन यदि वे सावधान न रहें तो वे कभी-कभी मनगढ़ंत बातें भी बना सकते हैं। वैज्ञानिक मुख्य सवाल यह पूछ रहे हैं: क्या हम इन सुपर-आँखों को इस सुपर-लाइब्रेरियन के साथ जोड़कर एक ऐसा खेती सहायक बना सकते हैं जो न केवल बीमारी का पता लगाए, बल्कि यह भी समझा सके कि वास्तव में क्या गलत है और इसे कैसे ठीक किया जाए, वह भी पर्यावरण को सुरक्षित रखते हुए?

यह शोध पत्र एक चतुर नए सिस्टम का परिचय देता है जिसे कॉफी किसानों की मदद करने के लिए उनके पौधों के "डिजिटल डॉक्टर" के रूप में डिज़ाइन किया गया है। शोधकर्ताओं ने एक हाइब्रिड फ्रेमवर्क बनाया है जो कॉफी की पत्तियों की बीमारियों की समस्या से निपटने के लिए तीन अलग-अलग AI तकनीकों को एक साथ लाता है। सबसे पहले, वे कंप्यूटर विजन मॉडल YOLOv8 का उपयोग करते हैं (जिसका अर्थ है "You Only Look Once," संस्करण 8)। आप YOLOv8 को एक बिजली की गति से काम करने वाले सुरक्षा गार्ड के रूप में समझ सकते हैं जो कॉफी की पत्ती की एक फोटो को स्कैन करता है और तुरंत इशारा करता है, "हे, यहाँ एक बीमारी है!" यह बीमार हिस्से के चारों ओर एक बॉक्स बनाता है और उस समस्या का नाम बताता है। हालाँकि, एक सुरक्षा गार्ड जो बिना यह समझाए कि वह कौन है या उसे कैसे पकड़ा जाए केवल "चोर! चोर!" चिल्लाता है, वह बहुत उपयोगी नहीं होता। यहीं से दूसरा और तीसरा हिस्सा काम आता है।

इस "सिर्फ चिल्लाने" वाली समस्या को ठीक करने के लिए, टीम ने एक रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) सिस्टम जोड़ा। कल्पना करें कि YOLOv8 सुरक्षा गार्ड एक बीमार पत्ती को ढूंढता है और फिर कृषि पुस्तकों के एक विशाल, व्यवस्थित पुस्तकालय की ओर दौड़ता है। इलाज का अनुमान लगाने के बजाय, गार्ड (RAG सिस्टम) से पूछता है कि उस सटीक बीमारी के बारे में विशिष्ट पृष्ठ कहाँ हैं। यह कदम अत्यंत महत्वपूर्ण है क्योंकि यह AI को नकली इलाज बनाने से रोकता है, जिसे "हैलुसिनेशन" (भ्रम) नामक समस्या कहा जाता है जहाँ AI कभी-कभी तथ्य गढ़ लेता है। अंत में, एक लार्ज लैंग्वेज मॉडल (LLM) एक मिलनसार अनुवादक के रूप में कार्य करता है। यह गार्ड से मिली बीमारी का नाम और लाइब्रेरियन से प्राप्त विशिष्ट तथ्यों को लेता है, और फिर किसान के लिए एक स्पष्ट, समझने में आसान संदेश लिखता है। यह कहता है, "आपकी कॉफी की पत्ती में 'रस्ट' (Rust) है। इसका कारण बिल्कुल यही है, और पर्यावरण को नुकसान पहुँचाए बिना सुरक्षित तरीकों का उपयोग करके इसे ठीक करने के तीन तरीके यहाँ दिए गए हैं।"

शोधकर्ताओं ने इस सिस्टम का परीक्षण BRACOL नामक कॉफी की पत्तियों के डेटासेट का उपयोग करके किया, जिसमें स्वस्थ और बीमार पत्तियों की हजारों तस्वीरें हैं। उन्होंने अपने "सुरक्षा गार्ड" (YOLOv8) को इन छवियों पर प्रशिक्षित किया और पाया कि यह कॉफी की चार अलग-अलग बीमारियों को सफलतापूर्वक पहचान सकता है। उनके परीक्षणों में, सिस्टम विशेष रूप से "माइनर" (Miner) और "फोमा" (Phoma) बीमारियों को पहचानने में बहुत अच्छा था, जिसने उच्च स्तर की सटीकता हासिल की। हालाँकि, इसने "रस्ट" (Rust) को पहचानने में थोड़ी कठिनाई महसूस की, संभवतः इसलिए क्योंकि इसके प्रशिक्षण डेटा में इसकी तस्वीरें कम थीं और यह स्वस्थ पत्ती की बनावट जैसा ही दिखता है। सिस्टम केवल पहचान तक ही सीमित नहीं रहा; जब एक किसान फोटो अपलोड करता है, तो AI सफलतापूर्वक बीमारी के बारे में वास्तविक जानकारी प्राप्त करता है और एक उपयोगी, चरण-दर-चरण उपचार योजना तैयार करता है। टीम ने एक चैट फीचर भी बनाया है, ताकि यदि कोई किसान पूछे, "क्या होगा अगर मैं इसका इलाज करने के लिए एक सप्ताह प्रतीक्षा करूँ?" तो सिस्टम केवल एक अनुमान के बजाय प्राप्त तथ्यों के आधार पर उत्तर दे सके।

इस कार्य का मुख्य निष्कर्ष यह है कि इन तीन उपकरणों—विज़न, रिट्रीवल और लैंग्वेज जनरेशन—को मिलाने से एक बहुत अधिक विश्वसनीय और उपयोगी उपकरण बनता है, जो अकेले इनमें से किसी एक के उपयोग से कहीं बेहतर है। यह शोध पत्र सुझाव देता है कि यह दृष्टिकोण अनुमान और अत्यधिक कीटनाशकों के उपयोग को कम करने में मदद करता है, जो फसलों को बचाने के साथ-साथ प्रकृति की रक्षा करने का एक तरीका प्रदान करता है। जबकि वर्तमान संस्करण अच्छी तरह से काम करता है, लेखक नोट करते हैं कि यदि वे विज़न मॉडल के नए संस्करणों का उपयोग करें या लाइब्रेरी में अधिक विशेषज्ञ ज्ञान जोड़ें, तो सिस्टम और भी बेहतर हो सकता है। अंततः, यह शोध पत्र दिखाता है कि AI को समस्या को "देखने" और फिर एक भरोसेमंद स्रोत से समाधान को "पढ़ने" की अनुमति देकर, हम ऐसे स्मार्ट उपकरण बना सकते हैं जो किसानों को उनकी फसलों और ग्रह की देखभाल करने में मदद करते हैं।