Vis-NIR hyperspectral imaging for sorghum variety discrimination: a systematic evaluation of preprocessing, feature selection, and classification models

कृषि की विशाल दुनिया में, ज्वार (सोरघम) का एक अकेला दाना अपनी उत्पत्ति, अपनी गुणवत्ता और भोजन, चारे या ईंधन के रूप में अपने संभावित उपयोग की कहानी समेटे हुए है। इन दानों को हाथों से छाँटना धीमा है और इसमें मानवीय त्रुटि की संभावना बनी रहती है, जबकि रासायनिक परीक्षण उन बीजों को नष्ट कर देते हैं जिन्हें किसान बेचने के लिए रखते हैं। इसे हल करने के लिए, वैज्ञानिकों ने एक ऐसी तकनीक की ओर रुख किया है जो मानवीय आंखों से कहीं अधिक देख सकती है: हाइपरस्पेक्ट्रल इमेजिंग। यह विधि दृश्य स्पेक्ट्रम से लेकर निकट-अवरक्त (नियर-इन्फ्रारेड) तक सैकड़ों संकीले रंग बैंडों में एक सतह से परावर्तित होने वाले प्रकाश का विस्तृत "फिंगरप्रिंट" कैप्चर करती है। क्योंकि स्टार्च, प्रोटीन और पानी में अलग-अलग रासायनिक बंधन प्रकाश को अनूठे तरीकों से अवशोषित करते हैं, इसलिए यह फिंगरप्रिंट अनाज की छिपी हुई जैव-रासायनिक संरचना को प्रकट करता है। हालाँकि, चुनौती इस विशाल मात्रा में डेटा की व्याख्या करने में निहित है। शोधकर्ताओं को यह तय करना होता है कि शोर वाले संकेतों (नॉइजी सिग्नल्स) को कैसे साफ किया जाए, कौन से विशिष्ट रंगों के प्रकाश सबसे अधिक महत्वपूर्ण हैं, और किस्मों को छाँटने के लिए कौन से गणितीय उपकरण सबसे अच्छे हैं। एक स्पष्ट मार्गदर्शिका के बिना, विभिन्न अध्ययन अक्सर अलग-अलग तरीकों का उपयोग करते हैं, जिससे यह जानना कठिन हो जाता है कि कौन सा दृष्टिकोण वास्तव में सबसे अच्छा काम करता है।

जिलिन बिजनेस एंड टेक्नोलॉजी कॉलेज के शोधकर्ताओं की एक टीम ने एक ही नियंत्रित प्रयोग में हर प्रमुख रणनीति का परीक्षण करके इस जटिलता में व्यवस्था लाने का प्रयास किया। उन्होंने नौ अलग-अलग ज्वार किस्मों का प्रतिनिधित्व करने वाले 1,800 अखंड बीज एकत्र किए और उन्हें एक हाइपरस्पेक्ट्रल कैमरे के साथ स्कैन किया जिसने प्रकाश के 300 अलग-अलग तरंग दैर्ध्य (वेवलेंथ) रिकॉर्ड किए। लक्ष्य केवल एक काम करने वाला तरीका खोजना नहीं था, बल्कि व्यवस्थित रूप से पांच तरीकों से डेटा को साफ करने, पांच तरीकों से सबसे महत्वपूर्ण जानकारी चुनने और सॉर्टिंग करने के लिए पांच अलग-अलग कंप्यूटर मॉडल का परीक्षण करके सबसे विश्वसनीय तरीका निर्धारित करना था। शोधकर्ताओं ने डेटा के साथ अत्यधिक सावधानी से काम किया, इसे प्रशिक्षण और परीक्षण के लिए अलग-अलग समूहों में विभाजित किया ताकि यह सुनिश्चित हो सके कि परिणाम वास्तविक हैं और केवल भाग्यशाली अनुमान नहीं हैं। उन्होंने अपने निष्कर्षों में वे कितनी आश्वस्त हो सकते हैं, इसे सटीक रूप से मापने के लिए कठोर सांख्यिकीय जांच भी लागू की।

जांच की शुरुआत इस सवाल से हुई कि कच्चे प्रकाश संकेतों को तैयार करने का सबसे अच्छा तरीका क्या है। शोधकर्ताओं ने शोर को सुचारू (स्मूथ) करने, प्रकाश अनाज की सतह से कैसे बिखरता है इसे ठीक करने और यहाँ तक कि स्पेक्ट्रम में प्रकाश की तीव्रता कितनी तेजी से बदलती है, इसकी गणना करने का परीक्षण किया। उन्होंने पाया कि एक विशिष्ट संयोजन सबसे अच्छा काम करता है: एक ऐसी तकनीक जिसने डेटा को सुचारू किया और फिर प्रथम व्युत्पन्न (फर्स्ट डेरिवेटिव) की गणना की, जो अनिवार्य रूप से प्रकाश वक्रों की ढलान को उजागर करती है। इस प्रक्रिया ने किस्मों के बीच सूक्ष्म अंतर को स्पष्ट किया, जिससे उन्हें पहचानना आसान हो गया। जब उन्होंने इस स्पष्ट डेटा को लीनियर डिस्क्रिमिनेन्ट एनालिसिस नामक एक क्लासिक सांख्यिकिक मॉडल में डाला, तो सिस्टम ने 90 प्रतिशत से अधिक मामलों में ज्वार की किस्म की सही पहचान की। यह अध्ययन में प्राप्त उच्चतम सफलता दर थी, जिसने इन दानों को छाँटने के लिए एक नया मानक स्थापित किया।

टीम ने यह भी पता लगाया कि क्या वे कम रंगों के प्रकाश का उपयोग करके कार्य को सरल बना सकते हैं। उन्होंने उन तरीकों का परीक्षण किया जो केवल सबसे उपयोगी तरंग दैर्ध्य को चुनने की कोशिश करते थे, इस उम्मीद में कि इससे प्रक्रिया तेज़ और सस्ती हो जाएगी। एक पद्धति ने, जिसने डेटा के लगभग एक चौथाई हिस्से को हटाते हुए उच्च सटीकता बनाए रखते हुए, सबसे सूचनात्मक बैंडों को चुनने के लिए एक स्मार्ट सैंपलिंग तकनीक का उपयोग किया, प्रदर्शन के मामले में मूल प्रदर्शन के बहुत करीब पहुँच गई। हालाँकि, अन्य विधियों ने, जिन्होंने डेटा को कुछ व्यापक श्रेणियों में संकुचित करने की कोशिश की, खराब प्रदर्शन किया, जिससे पता चलता है कि इस विशिष्ट कार्य के लिए, सूचना के पूर्ण स्पेक्ट्रम को बनाए रखना महत्वपूर्ण है। अध्ययन ने एक आधुनिक डीप लर्निंग मॉडल का भी परीक्षण किया, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो अक्सर जटिल पैटर्न पहचान में उत्कृष्ट होता है। आश्चर्यजनक रूप से, यह उन्नत प्रणाली संघर्ष करती दिखी, जिसने सरल सांख्यिकीय विधियों की तुलना में आधे से भी कम सटीकता प्राप्त की। शोधकर्ताओं ने निष्कर्ष निकाला कि इस मध्यम आकार के डेटासेट के लिए, जटिल डीप लर्निंग दृष्टिकोण सही उपकरण नहीं था, और अच्छी तरह से ट्यून किए गए पारंपरिक मॉडल ही वास्तविक दुनिया की स्क्रीनिंग के लिए सबसे व्यावहारिक विकल्प बने हुए हैं।

अंततः, यह अध्ययन अनाज की गुणवत्ता नियंत्रण के भविष्य के लिए एक स्पष्ट रोडमैप प्रदान करता है। यह प्रदर्शित करता है कि ज्वार की किस्मों की तीव्र, गैर-विनाशकारी पहचान न केवल संभव है, बल्कि स्थापित, मजबूत तरीकों का उपयोग करके उच्च विश्वसनीयता के साथ प्राप्त की जा सकती है। निष्कर्ष बताते हैं कि सफलता की कुंजी सबसे जटिल तकनीक में नहीं, बल्कि डेटा की सावधानीपूर्वक तैयारी और सही, सिद्ध गणितीय उपकरणों के चयन में निहित है। यह पुष्टि करके कि प्रकाश प्रसंस्करण और सांख्यिकीय विश्लेषण का एक विशिष्ट संयोजन सबसे अच्छा काम करता है, शोधकर्ताओं ने अनाज की आपूर्ति श्रृंखला की अखंडता की रक्षा करने के लिए ब्रीडर्स और गुणवत्ता नियंत्रण विशेषज्ञों के उपयोग हेतु एक भरोसेमंद मानक पेश किया है।