Towards Intelligent Disease Phenotyping in Peach: A Deep Feature Extraction Framework for Leaf Disease Detection Under Real Field Conditions

एक बाग के शांत लय में, आड़ू के पेड़ का स्वास्थ्य अक्सर उसकी पत्तियों की भाषा में लिखा होता है। सदियों से, किसान इस भाषा को पढ़ने के लिए अपनी आँखों पर भरोसा करते आए हैं, पत्ती के मुड़ने या जंग के धब्बे जैसे संकेतों को देखते हुए। यह दृश्य निरीक्षण एक समय-सिद्ध कौशल है, लेकिन यह धीमा, व्यक्तिपरक और विशाल वाणिज्यिक बागों में व्यापक रूप से लागू करना कठिन भी है। जब कोई बीमारी हमला करती है, तो देरी का हर एक घंटा उपज के नुकसान या फल की गुणवत्ता में गिरावट का कारण बन सकता है। मानव अवलोकन और आधुनिक कृषि की विशालता के बीच के अंतर को पाटने के लिए, वैज्ञानिकों ने एक अलग प्रकार की दृष्टि की ओर रुख किया है: आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता)। विशेष रूप से, वे डीप लर्निंग नामक कंप्यूटिंग की एक शाखा का उपयोग कर रहे हैं, जहाँ कंप्यूटर प्रोग्रामों को इस तरह डिज़ाइन किया जाता है कि वे मानव मस्तिष्क के छवियों को संसाधित करने के तरीके की नकल कर सकें। इन प्रोग्रामों को बीमारियों के नियमों को हाथ से सिखाने की आवश्यकता नहीं होती; इसके बजाय, वे हजारों तस्वीरों का अध्ययन करके सीखते हैं, और धीरे-धीरे उन सूक्ष्म पैटर्न को पहचान लेते हैं जो एक स्वस्थ पत्ती को बीमार पत्ती से अलग करते हैं। हालाँकि, चुनौती हमेशा यह रही है कि ये प्रोग्राम अक्सर प्रयोगशाला के नियंत्रित सन्नाटे में सबसे अच्छा काम करते हैं, जहाँ प्रकाश व्यवस्था आदर्श होती है और पृष्ठभूमि सादी होती है। वास्तविक बाग बिखरे हुए होते हैं, जो बदलती छायाओं, हवा से हिलती पत्तियों और जटिल पृष्ठभूमियों से भरे होते हैं जो सबसे स्मार्ट एल्गोरिदम को भी भ्रमित कर सकते हैं।

शेर-ए-कश्मीर कृषि विज्ञान और प्रौद्योगिकी विश्वविद्यालय के शोधकर्ताओं के एक दल ने यह देखने के लिए प्रयास किया कि क्या ये डिजिटल आँखें वास्तव में खेत में सच्चाई देख सकती हैं। उन्होंने आड़ू के पेड़ पर ध्यान केंद्रित किया, जो इस क्षेत्र के लिए एक महत्वपूर्ण फसल है, जिसे अक्सर तीन विशिष्ट शत्रुओं से खतरा होता है: एक कवक संक्रमण (फंगल इन्फेक्शन) जो पत्तियों को सिकोड़ता और मोटा करता है, दूसरा जो छोटे, छेद जैसे घाव बनाता है, और तीसरा जो जंग जैसे नारंगी धब्बों के रूप में प्रकट होता है। अपने विचारों का परीक्षण करने के लिए, टीम ने स्टूडियो-गुणवत्ता वाली आदर्श तस्वीरों का उपयोग नहीं किया। इसके बजाय, उन्होंने कश्मीर घाटी के बागों से प्राकृतिक, अनियंत्रित परिस्थितियों में आड़ू की पत्तियों की दस हजार तस्वीरें लीं। इन छवियों में विकास और बीमारी के विभिन्न चरणों की पत्तियाँ शामिल थीं, जिन्हें अलग-अलग दूरी, कोण और प्रकाश व्यवस्था के साथ खींचा गया था। शोधकर्ताओं ने फिर इस विविध वास्तविक दुनिया के डेटा को चार अलग-अलग डीप लर्निंग आर्किटेक्चर में डाला, जो अनिवार्य रूप से कंप्यूटर द्वारा छवि के विश्लेषण के लिए अलग-अलग ब्लूप्रिंट हैं। इनमें से तीन ब्लूप्रिंट उन मॉडलों से अनुकूलित किए गए थे जिन्हें पहले से ही लाखों सामान्य छवियों पर प्रशिक्षित किया गया था, जबकि एक को विशेष रूप से आड़ू की पत्ती के डेटा से सीखने के लिए शून्य से बनाया गया था।

इस प्रक्रिया में कंप्यूटर मॉडलों को छवियों में मौजूद चार श्रेणियों को पहचानना सिखाना शामिल था: स्वस्थ पत्तियाँ, लीफ कर्ल (पत्ती का मुड़ना), शॉट होल (छेद वाले घाव), और रस्ट (जंग)। यह सुनिश्चित करने के लिए कि मॉडल मजबूत हों और वास्तविक दुनिया की अनिश्चितताओं को संभाल सकें, शोधकर्ताओं ने छवियों को डिजिटल रूप से बदलकर—उन्हें पलटकर, घुमाकर और ज़ूम इन-आउट करके—अपने प्रशिक्षण डेटा का विस्तार किया, ताकि कंप्यूटर यह पहचान सके कि पत्ती किसी भी स्थिति में हो, बीमारी वही रहती है। मॉडलों को सैकड़ों चक्रों तक प्रशिक्षित करने के बाद, टीम ने छवियों के एक नए सेट पर उनका परीक्षण किया जिसे कंप्यूटरों ने पहले कभी नहीं देखा था। परिणामों ने प्रदर्शन में एक स्पष्ट पदानुक्रम को प्रकट किया। एक मॉडल, जिसे इनसेप्शन-V4 (Inception-V4) के रूप में जाना जाता है, जिसे विशेष रूप से आडू के डेटा पर शुरू से प्रशिक्षित किया गया था, सबसे सटीक बनकर उभरा। इसने 97.50 प्रतिशत बार सही ढंग से पत्ती की बीमारी या स्वास्थ्य स्थिति की पहचान की। यह मॉडल विभिन्न बीमारियों के बीच सूक्ष्म अंतर को पहचानने में विशेष रूप से कुशल साबित हुआ, भले ही लक्षण धुंधले हों या पृष्ठभूमि जटिल हो।

अन्य मॉडलों ने अच्छा प्रदर्शन किया, लेकिन उनमें उल्लेखनीय अंतर थे। ResNet-50 नामक एक मॉडल, जिसने एक पूर्व-प्रशिक्षित आधार का उपयोग किया था, ने 94.49 प्रतिशत सटीकता प्राप्त की, जिससे पता चलता कि मौजूदा ज्ञान को अनुकूलित करना एक शक्तिशाली रणनीति हो सकती है। VGG-16 नामक एक अन्य मॉडल ने 92.04 प्रतिशत सटीकता प्राप्त की। हालाँकि, चौथे मॉडल, Xception को काफी संघर्ष करना पड़ा, जिसने केवल 75.95 प्रतिशत सटीकता हासिल की। शोधकर्ताओं ने पाया कि Xception मॉडल, अपने परिष्कृत डिज़ाइन के बावजूद, इस जटिल वातावरण में बीमारियों को पहचानने के लिए आवश्यक दृश्य पैटर्न सीखने में विफल रहा। यह अक्सर स्वस्थ पत्तियों को बीमार पत्तियों के साथ या विभिन्न प्रकार के संक्रमणों को आपस में मिला देता था। इसके विपरीत, Inception-V4 मॉडल ने वर्गों को अलग करने की उल्लेखनीय क्षमता दिखाई, जिससे बहुत कम गलतियाँ हुईं। इसकी सफलता यह सुझाव देती है कि जब एक बाग की अराजक वास्तविकता से निपटना हो, तो एक सामान्य उद्देश्य वाले मॉडल को केवल अनुकूलित करने के बजाय शुरुआत से ही लक्षित फसल पर विशेष रूप से प्रशिक्षण देना बेहतर परिणाम दे सकता है।

यह अध्ययन इस बात पर प्रकाश डालता है कि यद्यपि आर्टिफिशियल इंटेलिजेंस सटीक कृषि (प्रिसिजन एग्रीकल्चर) के लिए अपार संभावनाएँ रखता है, लेकिन सही उपकरण और सही प्रशिक्षण पद्धति का चुनाव महत्वपूर्ण है। शोधकर्ताओं ने पाया कि वास्तविक फील्ड डेटा पर प्रशिक्षित मॉडल प्रयोगशाला की साफ-सुथरी छवियों पर परीक्षण किए गए मॉडलों की तुलना में कहीं अधिक विश्वसनीय थे। सबसे अच्छा प्रदर्शन करने वाले मॉडल की उच्च सटीकता यह संकेत देती है कि किसान जल्द ही आडू की बीमारियों का निदान करने के लिए स्वचालित प्रणालियों पर भरोसा कर सकते हैं, जिससे समय पर उपचार और आर्थिक नुकसान को कम किया जा सके। हालाँकि यह अध्ययन कश्मीर घाटी की विशिष्ट स्थितियों और परीक्षित तीन बीमारियों तक सीमित था, लेकिन इसके निष्कर्ष एक मजबूत 'प्रूफ ऑफ कॉन्सेप्ट' (सिद्धांत की पुष्टि) प्रदान करते हैं। यह कार्य प्रदर्शित करता है कि डीप लर्निंग प्रयोगशाला से आगे निकल सकता है और एक वास्तविक बाग के अव्यवस्थित, अप्रत्याशित वातावरण में प्रभावी ढंग से कार्य कर सकता है, बशर्ते सही आर्किटेक्चर चुना जाए और प्रशिक्षण डेटा वास्तविक क्षेत्र की स्थितियों को प्रतिबिंबित करे।