Early Detection of Sesame Leaf Diseases Using Convolutional Neural Networks

कल्पना कीजिए कि आप एक जासूस हैं, लेकिन आप शहर में अपराध सुलझाने के बजाय, एक शांत, हरे-भरे पड़ोस: एक खेत में जांच कर रहे हैं। इस पड़ोस में निवासी तिल के पौधे हैं, नन्हे तेल-बीज वाले नायक जिन्होंने हजारों वर्षों से लोगों का पेट भरा है। लेकिन किसी भी पड़ोस की तरह, यहाँ भी कुछ बदमाश हैं: अदृश्य कवक (फंगस), बैक्टीरिया और भूखे कीट, जो फसल को बर्बाद करने की कोशिश करते हैं। आमतौर पर, इन बदमाशों को पकड़ने का एकमात्र तरीका यह है कि एक मानव किसान खेतों में घूमे, पत्तियों को गौर से देखे और अनुमान लगाए कि क्या कोई पीला धब्बा केवल एक बुरा दिन है या किसी बड़ी आपदा की शुरुआत। यह धीमा है, व्यक्तिपरक है, और जब तक किसान को पता चलता है कि कुछ गलत हो गया है, तब तक शायद बहुत देर हो चुकी होती है।

"कंप्यूटर विजन" और "डीप लर्निंग" की दुनिया में प्रवेश करें। कंप्यूटर विजन को ऐसी तकनीक के रूप में सोचें जो कंप्यूटर को सुपर-पावर्ड आंखों का एक जोड़ा देती है जो कभी पलक नहीं झपकाते। डीप लर्निंग उन आंखों को प्रशिक्षित करने वाला मस्तिष्क है। यह एक रोबोट को बिल्ली को पहचानने के लिए केवल नियमों की सूची (जैसे "इसके पास मूंछें हैं, इसके पास फर है") पढ़ाने के बजाय, उसे लाखों तस्वीरें दिखाने जैसा है, जब तक कि वह बस जान न जाए कि बिल्ली कैसी दिखती है, भले ही बिल्ली सो रही हो या पर्दे के पीछे छिपी हो। कृषि में, यह तकनीक एक गेम-चेंजर होने का वादा करती है। अनुमान लगाने के बजाय, एक कंप्यूटर तुरंत एक पत्ती को स्कैन कर सकता है, बीमारी के फैलने से पहले उसे पहचान सकता है, और किसान को ठीक से बता सकता है कि उसे क्या करना चाहिए। यह केवल कुछ पौधों को बचाने के बारे में नहीं है; यह उन किसानों की आजीविका बचाने के बारे में है जो अपनी फसलों से निकलने वाली तेल की हर एक बूंद पर निर्भर हैं।

तिल की पत्ती का जासूस: एक तेज नजर वाला रोबोट

इस अध्ययन में, बांग्लादेश के डैफोडिल इंटरनेशनल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने विशेष रूप से तिल की पत्तियों के लिए एक डिजिटल जासूस बनाने का निर्णय लिया। वे देखना चाहते थे कि क्या वे कंप्यूटर को चार विशिष्ट "विलेन्स" (खलनायकों) को पहचानने के लिए सिखा सकते हैं जो तिल की फसलों को प्रभावित करते हैं: एक स्वस्थ पत्ती (अच्छा पात्र), लीफ स्पॉट डिजीज (कवक के धब्बे), येलोइंग लीफ सिंड्रोम (तनाव या पोषक तत्वों की कमी का संकेत), और इन्सेक्ट लीफ डैमेज (कीड़ों द्वारा किए गए छेद और खरोंचें)।

अपने डिजिटल जासूस को प्रशिक्षित करने के लिए, टीम ने बांग्लादेश के पाबना के खेतों में जाकर डेटा एकत्र किया। उन्होंने केवल कुछ तस्वीरें नहीं लीं; उन्होंने 3,540 उच्च-रिज़ॉल्यूशन वाली छवियों का एक विशाल पुस्तकालय एकत्र किया। उन्होंने धूप वाले आसमान, बादलों वाले दिनों और यहाँ तक कि हल्की बारिश में भी तस्वीरें खींचीं, जिसमें रियलमी 8 और रेडमी नोट 10 प्रो जैसे स्मार्टफोन का उपयोग किया गया। वे चाहते थे कि प्रशिक्षण डेटा वास्तविक दुनिया की अव्यवस्थित और अप्रत्याशित स्थितियों जैसा दिखे, न कि किसी आदर्श, निर्जीव लैब जैसा।

लेकिन यहाँ एक पेचीदा हिस्सा है: 3,540 फोटो एक इंसान के लिए बहुत हैं, लेकिन एक भूखे कंप्यूटर मस्तिष्क के लिए, यह केवल कुछ फ्लैशकार्ड के साथ एक नई भाषा सीखने जैसा है। कंप्यूटर विशिष्ट फ्लैशकार्ड को याद कर सकता है लेकिन नया फ्लैशकार्ड देखते ही विफल हो सकता है। इसे ठीक करने के लिए, शोधकर्ताओं ने डेटा ऑग्मेंटेशन (Data Augmentation) नामक एक चतुर तकनीक का उपयोग किया। कल्पना कीजिए कि आपके पास एक पत्ती की फोटो है। अब, कल्पना कीजिए कि आप उस फोटो को उल्टा कर सकते हैं, घुमा सकते हैं, ज़ूम कर सकते हैं, थोड़ा धुंधला कर सकते हैं, या अलग-अलग रोशनी का अनुकरण करने के लिए रंगों को बदल सकते हैं। गणितीय रूप से ऐसा करके, उन्होंने अपने मूल 3,540 चित्रों को 12,000 छवियों के एक सुपर-चार्ज्ड डेटासेट में बदल दिया। उन्होंने यह सुनिश्चित किया कि प्रत्येक "विलेन" के पास अध्ययन के लिए ठीक 3,000 उदाहरण हों, ताकि कंप्यूटर एक बीमारी की बहुत अधिक तस्वीरें और दूसरी की बहुत कम तस्वीरें होने के कारण भ्रमित न हो।

इसके बाद, टीम ने पांच अलग-अलग "ब्रेन आर्किटेक्चर" (पूर्व-प्रशिक्षित कंप्यूटर मॉडल) को एक कठोर परीक्षण से गुजारा। इन मॉडलों को एक ही अंतिम परीक्षा देने वाले पांच अलग-अलग छात्रों के रूप में समझें। छात्र थे: InceptionV3, EfficientNetB3, ResNet50, MobileNet, और DenseNet121। उन सभी को एक ही 3,540 चित्र दिए गए थे (80% अध्ययन के लिए और 20% परीक्षण के लिए) और उन्हें चार पत्ती स्थितियों की पहचान करने के लिए कहा गया था।

परिणाम प्रभावशाली थे। पांचों छात्र शानदार अंकों के साथ उत्तीर्ण हुए, लेकिन एक मॉडल सबसे आगे रहा। MobileNet ने उच्चतम सटीकता प्राप्त की, जिससे इसने 96.33% बार पत्ती की स्थिति को सही ढंग से पहचाना। इसने 96% प्रिसिजन (शुद्धता), 96% रिकॉल, और 96% F1-स्कोर भी प्राप्त किया। इसका मतलब है कि यह न केवल बीमारी होने पर उसे खोजने में, बल्कि वास्तव में स्वस्थ पत्ती होने पर "गलत चेतावनी" न देने में भी अविश्वसनीय रूप से अच्छा था।

अन्य छात्र भी बहुत अच्छा प्रदर्शन कर रहे थे। ResNet50 और EfficientNetB3 दोनों ने लगभग 95-96% सटीकता हासिल की, और DenseNet121 उसके ठीक पीछे रहा, जिसने 95.29% स्कोर किया। केवल InceptionV3 थोड़ा संघर्ष करता दिखा, जिसने 91.37% की सटीकता प्राप्त की। हालांकि यह अभी भी एक अच्छा स्कोर है, लेकिन यह दूसरों जितना तेज नहीं था।

यह खोज विशेष रूप से रोमांचक इसलिए है क्योंकि MobileNet क्यों जीता। MobileNet एक "लाइटवेट" मॉडल है, जिसका अर्थ है कि इसे तेज़ और कुशल होने के लिए डिज़ाइन किया गया है, जो मोबाइल फोन या छोटे उपकरणों पर चलाने के लिए एकदम सही है। शोधकर्ता सुझाव देते हैं कि यह साबित करता है कि इन समस्याओं को हल करने के लिए आपको हमेशा एक विशाल, भारी कंप्यूटर की आवश्यकता नहीं होती है। एक हल्का मॉडल उतना ही सटीक हो सकता है, जिसका अर्थ है कि एक किसान संभावित रूप से इस "जासूस" को अपने स्मार्टफोन पर डाउनलोड कर सकता है और खेत में ही पत्ती को स्कैन कर सकता है, जिससे बिना सुपरकंप्यूटर या इंटरनेट कनेक्शन के तत्काल निदान मिल सके।

हालाँकि, शोधकर्ता सावधानी बरतते हैं कि उन्होंने सब कुछ हल करने का दावा नहीं किया है। वे नोट करते हैं कि उनका प्रशिक्षण स्थिर छवियों (स्टिल फोटो) और एक विशिष्ट क्षेत्र के डेटासेट पर किया गया था। वे सुझाव देते हैं कि जबकि मॉडल मजबूत है, भविष्य के कार्य में अधिक डेटा शामिल करने की आवश्यकता है, शायद वीडियो या टाइम-लैप्स डेटा भी, ताकि यह देखा जा सके कि बीमारियाँ समय के साथ कैसे बढ़ती हैं। वे यह भी बताते हैं कि मॉडल लैब और टेस्ट सेट में तो बेहतरीन है, लेकिन वास्तविक दुनिया आश्चर्यों से भरी है।

अंत में, यह पेपर बताता है कि डीप लर्निंग "स्मार्ट फार्मिंग" के लिए एक शक्तिशाली उपकरण है। MobileNet जैसे हल्के मॉडल का उपयोग करके, हम अनुमान लगाने से हटकर सटीक, प्रारंभिक पहचान की ओर बढ़ सकते हैं। इसका अर्थ यह हो सकता है कि किसान कम कीटनाशकों का उपयोग करें (केवल तभी छिड़काव करें जब उन्हें पता हो कि वास्तव में कोई बीमारी है) और फसल खराब होने से पहले उसे बचा सकें। यह एक ऐसे भविष्य की ओर एक छोटा कदम है जहाँ तकनीक प्रकृति को फलने-फूलने में मदद करती है, एक समय में एक तिल की पत्ती के साथ।