Tomato Leaf Disease Identification Using EfficientNetB3 Transfer Learning and Grad-CAM Explainable Analysis

कृषि जगत की शांत लय में, टमाटर का पौधा एक महत्वपूर्ण फसल के रूप में खड़ा है, जो दुनिया भर में आबादी का पेट भरता है और अर्थव्यवस्थाओं को सहारा देता है। फिर भी, सभी जीवित चीजों की तरह, यह अदृश्य खतरों के प्रति संवेदनशील है। कवक (फंगस), बैक्टीरिया और वायरस पत्तियों पर हमला कर सकते हैं, जिससे जीवंत हरा रंग भूरे धब्बों, पीले किनारों और रोएंदार मोल्ड में बदल जाता है। पीढ़ियों से, किसान इन समस्याओं को पहचानने के लिए अपनी आँखों पर भरोसा करते आए हैं, जो कि एक धीमी, व्यक्तिपरक विधि है और अक्सर फसल को बचाने के लिए बहुत देर हो जाती है। हाल के वर्षों में, वैज्ञानिकों ने कंप्यूटर की मदद लेने के लिए रुख किया है, जिससे मशीनों को बीमारी के उन सूक्ष्म दृश्य संकेतों को पहचानना सिखाया जा सके जिन्हें मानवीय आँखें मिस कर सकती हैं। डीप लर्निंग के रूप में ज्ञात यह क्षेत्र, कंप्यूटर को हजारों छवियों से सीखने की अनुमति देता है, जिससे वे पैटर्न की पहचान करते हैं ठीक वैसे ही जैसे एक बच्चा कुत्ते या बिल्ली को पहचानना सीखता है। हालांकि, एक महत्वपूर्ण बाधा बनी हुई है: ये शक्तिशाली कंप्यूटर प्रोग्राम अक्सर "ब्लैक बॉक्स" की तरह काम करते हैं, जो यह बताए बिना निदान देते हैं कि वे उस निष्कर्ष तक कैसे पहुँचे। एक ऐसे क्षेत्र में जहाँ गलत अनुमान का अर्थ अनावश्यक रसायनों का छिड़काव करना या महत्वपूर्ण उपचार को चूक जाना हो सकता है, किसानों और विशेषज्ञों को न केवल यह जानने की आवश्यकता है कि कंप्यूटर क्या देख रहा है, बल्कि यह भी कि वह इसे क्यों देख रहा है।

एसआर यूनिवर्सिटी और शारदा यूनिवर्सिटी, भारत के शोधकर्ताओं की एक टीम ने इस चुनौती का समाधान करते हुए एक नई प्रणाली विकसित की है जो न केवल उच्च सटीकता के साथ टमाटर की पत्तियों की बीमारियों की पहचान करती है, बल्कि यह भी दिखाती है कि समस्या वास्तव में कहाँ है। उनका कार्य टमाटर की फसलों को प्रभावित करने वाली तीन विशिष्ट बीमारियों पर केंद्रित है: अर्ली ब्लाइट (Early Blight), लेट ब्लाइट (Late Blat) और लीफ मोल्ड (Leaf Mold), साथ ही पौधे की स्वस्थ अवस्था पर भी। इस समस्या को हल करने के लिए, टीम ने एफिशिएंटनेटबी3 (EfficientNetB3) नामक एक परिष्कृत कंप्यूटर आर्किटेक्चर का उपयोग किया। इस मॉडल को एक अत्यधिक प्रशिक्षित दृश्य विशेषज्ञ के रूप में समझें जिसने पहले ही कारों, जानवरों और परिदृश्यों जैसी लाखों सामान्य छवियों का अध्ययन किया है, जो इसे आकारों और बनावट को पहचानने में एक मजबूत आधार देता है। शोधकर्ताओं ने शून्य से शुरुआत नहीं की; इसके बजाय, उन्होंने इस पूर्व-प्रशिक्षित विशेषज्ञ को लिया और इसे विशेष रूप से टमाटर की पत्तियों के लिए फाइन-ट्यून किया। उन्होंने सिस्टम को 4,000 पत्तियों की छवियों का संग्रह दिया, जिसे प्रशिक्षण, परीक्षण और सत्यापन समूहों में सावधानीपूर्वक विभाजित किया गया था ताकि यह सुनिश्चित किया जा सके कि सीखे गए सबक वास्तविक थे न कि केवल रटे हुए। सिस्टम को विशिष्ट सुराग खोजने के लिए सिखाया गया था, जैसे कि घाव के टेढ़े-मेढ़े किनारे, कवक वृद्धि की बनावट, या विशिष्ट रंग परिवर्तन जो संक्रमण का संकेत देता है।

इस प्रशिक्षण के परिणाम आश्चर्यजनक थे। अन्य सामान्य कंप्यूटर मॉडलों के विरुद्ध परीक्षण करने पर, नई प्रणाली ने उन सभी से बेहतर प्रदर्शन किया, और लगभग हर मामले में पत्ती की स्वास्थ्य स्थिति की सही पहचान की। शोधकर्ताओं ने 99.20 प्रतिशत की परीक्षण सटीकता दर्ज की, जो यह दर्शाता है कि मॉडल ने टमाटर की बीमारियों की दृश्य भाषा में महारत हासिल कर ली है। मशीन लर्निंग की दुनिया में, एक मॉडल जो इतना अच्छा प्रदर्शन करता है, उसमें अत्यधिक विशिष्ट होने का जोखिम होता है, यानी वह प्रशिक्षण छवियों को इतनी पूर्णता से याद कर लेता है कि वह नई छवियों पर विफल हो जाता है। हालांकि, इस प्रणाली ने ऐसी कमजोरी नहीं दिखाई; अनदेखे डेटा पर इसका प्रदर्शन लगातार उच्च बना रहा, जो यह दर्शाता है कि इसने केवल देखी गई विशिष्ट तस्वीरों के बजाय बीमारियों की अंतर्निहित विशेषताओं को वास्तव में सीखा है। टीम ने अपने दृष्टिकोण की तुलना अन्य लोकप्रिय मॉडलों से भी की, और पाया कि जबकि कुछ पुराने सिस्टम सटीकता के लिए संघर्ष करते थे या अत्यधिक कंप्यूटिंग शक्ति की आवश्यकता होती थी, उनके द्वारा चुने गए आर्किटेक्चर ने गति और सटीकता के बीच प्रभावी ढंग से संतुलन बनाया।

शायद इस कार्य का सबसे महत्वपूर्ण योगदान केवल सटीकता नहीं, बल्कि वह पारदर्शिता है जो यह प्रक्रिया में लाता है। कंप्यूटर के निर्णय और मानवीय समझ के बीच के अंतर को पाटने के लिए, शोधकर्ताओं ने ग्रेड-कैम (Grad-CAM) नामक तकनीक का उपयोग किया। यह विधि एक स्पॉटलाइट की तरह कार्य करती है, जो पत्ती की छवि के उन विशिष्ट क्षेत्रों को उजागर करती है जिन्होंने कंप्यूटर के निर्णय को प्रभावित किया। जब सिस्टम ने अर्ली ब्लाइट की पहचान की, तो स्पॉटलाइट उस बीमारी के विशिष्ट भूरे, संकेंद्रित घावों (concentric lesions) पर तीव्रता से चमकी। जब इसने लेट ब्लाइट का पता लगाया, तो हीट मैप गहरे, नेक्रोटिक धब्बों पर केंद्रित हुआ। लीफ मोल्ड के लिए, ध्यान रोएंदार, केंद्रीय कवक पैच पर केंद्रित हुआ। यहाँ तक कि जब पत्ती स्वस्थ थी, तब भी सिस्टम ने प्राकृतिक शिराओं और बनावट को हाइलाइट किया, जिससे पुष्टि हुई कि वह नकारात्मक निदान करने के लिए सही विशेषताओं को देख रहा था। ये दृश्य स्पष्टीकरण अत्यंत महत्वपूर्ण हैं क्योंकि ये एक किसान या कृषि विशेषज्ञ को कंप्यूटर के तर्क को सत्यापित करने की अनुमति देते हैं, जिससे वे वही साक्ष्य देख पाते हैं जो मशीन ने देखे। यह विश्वास पैदा करता है, जिससे यह उपकरण एक रहस्यमय भविष्यवक्ता से बदलकर क्षेत्र में एक विश्वसनीय साथी बन जाता है।

अध्ययन यह निष्कर्ष निकालता है कि एक शक्तिशाली, कुशल मॉडल और एक स्पष्ट दृश्य व्याख्या का यह संयोजन स्वचालित रोग पहचान के लिए एक मजबूत समाधान प्रदान करता है। शोधकर्ताओं ने नोट किया कि हालांकि यह प्रणाली अत्यधिक प्रभावी है, इसे एक विशिष्ट डेटासेट पर प्रशिक्षित किया गया था और वास्तविक खेतों में, जहाँ प्रकाश और पृष्ठभूमि में भारी बदलाव होते हैं, वहां और अधिक परीक्षण की आवश्यकता हो सकती है। उन्होंने यह भी सुझाव दिया कि भविष्य के कार्य में इस प्रणाली को अधिक प्रकार की बीमारियों का पता लगाने के लिए विस्तारित किया जा सकता है और प्रकोपों की भविष्यवाणी करने के लिए मौसम या मिट्टी के सेंसर से डेटा को एकीकृत किया जा सकता है। हालाँकि, फिलहाल के लिए, यह कार्य सटीक कृषि की दिशा में एक महत्वपूर्ण कदम के रूप में खड़ा है, जो एक ऐसी विधि प्रदान करता है जो न केवल सटीक है, बल्कि समझने योग्य भी है, यह सुनिश्चित करता है कि हमारी खाद्य आपूर्ति का समर्थन करने वाली तकनीक स्पष्ट, सत्यापन योग्य विज्ञान पर आधारित रहे।