Automated Segmentation and Quantitative Analysis of Cotton Fiber Cross Sections Using a Deep Learning-Based Workflow

कल्पना कीजिए कि एक ऐसी दुनिया जहाँ आपकी पसंदीदा टी-शर्ट का कोमलता या आपकी जींस की मजबूती कपास के हर एक रेशे के भीतर छिपे एक सूक्ष्म, अदृश्य रहस्य पर निर्भर करती है। यह रहस्य फाइबर का "क्रॉस-सेक्शन" (अनुप्रस्थ काट) है—एक सूक्ष्म स्लाइस जो एक खोखली नली जैसा दिखता है। वैज्ञानिक लंबे समय से जानते हैं कि यदि वे इस नली के आकार और इसकी दीवारों की मोटाई को माप सकें, तो वे सटीक भविष्यवाणी कर सकते हैं कि कपास कैसा महसूस होगा और कैसा प्रदर्शन करेगा। हालाँकि, इन सूक्ष्म स्लाइसों को देखना हमेशा से एक बुरा सपना रहा है। यह माइक्रोस्कोप के नीचे हाथ से हजारों छोटे, दबे हुए जेलीबीन्स (jellybeans) को गिनने और मापने की कोशिश करने जैसा है, जो इतना धीमा और उबाऊ काम है कि यह शोधकर्ताओं को वास्तविक सुधार करने के लिए पर्याप्त नमूनों का परीक्षण करने से रोकता है। यही वह बाधा (bottleneck) है: हम बेहतर कपास प्राप्त करने के लिए क्या मापना है, यह जानते तो हैं, लेकिन मापने का पुराना तरीका बेहतर कपड़ों की आवश्यकता के साथ तालमेल बिठाने के लिए बहुत धीमा है।

यहाँ एक टीम के शोधकर्ताओं ने प्रवेश किया जिन्होंने कंप्यूटर को कठिन काम करने के लिए प्रशिक्षित करने का निर्णय लिया। उन्होंने डीप लर्निंग का उपयोग करके एक डिजिटल "सुपर-आई" (super-eye) बनाया, जो एक प्रकार की आर्टिफिशियल इंटेलिजेंस है जो चित्रों को देखकर सीखती है। एक इंसान द्वारा घंटों तक स्क्रीन को घूरने के बजाय, यह नई प्रणाली स्वचालित रूप से कपास के रेशों और उनके खोखले केंद्रों (जिन्हें ल्यूमेन कहा जाता है) को पहचानती है, उन्हें मापती है, और सेकंडों में डेटा निकाल देती है। शोध पत्र दिखाता है कि यह स्वचालित वर्कफ़्लो अविश्वसनीय रूप से सटीक है, जो सावधानीपूर्वक किए गए मानव मापों के परिणामों से मेल खाता है, लेकिन यह काम सैकड़ों गुना तेजी से करता है। यह एक हाथ से बने मानचित्र को रियल-टाइम अपडेट होने वाले जीपीएस (GPS) से बदलने जैसा है, जिससे अंततः वैज्ञानिकों के लिए बेहतर, नरम, मजबूत और उच्च गुणवत्ता वाला कपास उगाने के लिए हजारों कपास रेशों का विश्लेषण करना संभव हो गया है।

समस्या: "जेलीबीन" बॉटलनेक

कपास केवल एक सफेद बादल नहीं है; यह एक जटिल जैविक मशीन है। यह समझने के लिए कि कपास का कोई टुकड़ा कोमल है या खुरदरा, वैज्ञानिक इसके क्रॉस-सेक्शन को देखते हैं। एक स्ट्रॉ (नली) को आधा काटते हुए कल्पना करें। आप बीच में एक छेद के साथ एक घेरा देखते हैं। कपास में, "स्ट्रॉ" फाइबर की दीवार है, और "छेद" ल्यूमेन है। दीवार की मोटाई और छेद का आकार हमें बताता है कि फाइबर "परिपक्व" (मजबूत और मोटी दीवार वाला) है या "अपरिपक्व" (पतली दीवार वाला और कमजोर)।

दशकों से, इसे मापने का मानक तरीका रेशों को काटना, उनकी तस्वीर लेना और फिर एक इंसान का एडोब फोटोशॉप (Adobe Photoshop) जैसे सॉफ्टवेयर का उपयोग करके रेशे और छेद की रूपरेखा को ट्रेस करना रहा है। यह कागज पर हजारों छोटे, अनियमित जेलीबीन्स की रूपरेखा को ट्रेस करने की कोशिश करने जैसा है। इसमें बहुत समय लगता है, थकान के कारण गलतियाँ होना आसान है, और यदि आप बेहतर किस्मों के लिए कपास के पौधों के परीक्षण करना चाहते हैं, तो यह व्यावहारिक नहीं है।

समाधान: एक रोबोट को "देखना" सिखाना

क्लीम्सन यूनिवर्सिटी (Clemson University) और कॉटन इनकॉर्पोरेटेड (Cotton Incorporated) के शोधकर्ताओं ने एक रोबोट बनाने का निर्णय लिया जो उनके लिए ट्रेसिंग का काम कर सके। उन्होंने केवल कंप्यूटर के लिए एक साधारण नियम पुस्तिका नहीं लिखी; उन्होंने YOLO11m नामक एक डीप लर्निंग मॉडल का उपयोग किया। इस मॉडल को एक छात्र के रूप में समझें जिसे कपास के रेशों के हजारों चित्र दिखाए गए हैं और बताया गया है, "यह फाइबर की दीवार (सियान रंग) है, और यह खोखला केंद्र (नारंगी रंग) है।" इन उदाहरणों का अध्ययन करने के बाद, मॉडल ने अपने आप पैटर्न को पहचानना सीख लिया।

उन्होंने मॉडल को कपास के क्रॉस-सेक्शन की 249 उच्च-रिज़ॉल्यूशन वाली छवियां दीं। इनमें से, 192 का उपयोग मॉडल को सिखाने के लिए किया गया, और 57 को यह परीक्षण करने के लिए अलग रखा गया कि क्या मॉडल ने सबक वास्तव में सीखा है। मॉडल को दो चीजें पहचानने के लिए प्रशिक्षित किया गया था: कपास का फाइबर और ल्यूमेन (अंदर का खाली स्थान)।

परिणाम: गति और सटीकता

जब शोधकर्ताओं ने अपने नए डिजिटल सहायक का परीक्षण किया, तो परिणाम प्रभावशाली थे। मॉडल फाइबर को खोजने में 0.984 का स्कोर (जहाँ 1.0 पूर्ण है) प्राप्त करने में सक्षम था। इसका मतलब है कि वह फाइबर खोजने में लगभग कभी गलत नहीं हुआ। वह रेशों के अंदर के छोटे, कठिन छेदों को खोजने में थोड़ा कम आश्वस्त था, जिसका स्कोर 0.789 था, लेकिन उन छोटे और अनियमित छेदों को देखते हुए यह अभी भी बहुत अच्छा है।

यह सुनिश्चित करने के लिए कि रोबोट केवल अनुमान नहीं लगा रहा है, टीम ने एडोब फोटोशॉप का उपयोग करने वाले पुराने तरीके के मुकाबले इसके परिणामों की तुलना की। उन्होंने फोटोशॉप में हाथ से लगभग 400 रेशों को मापा, जिसमें 20 घंटे से अधिक का मानव श्रम लगा। इसके विपरीत, स्वचालित वर्कफ़्लो ने उसी छवियों से एक प्रकार के 845 रेशों और दूसरे प्रकार के 1,019 रेशों का विश्लेषण बहुत ही कम समय में कर दिया।

कंप्यूटर न केवल तेज़ था, बल्कि स्मार्ट भी था। इसने जो औसत माप दिए, वे मानव विशेषज्ञों के मापों के लगभग समान थे। हालांकि कंप्यूटर ने आकारों की एक विस्तृत श्रृंखला पाई (क्योंकि इसने केवल कुछ चुनिले रेशों के बजाय हर रेशे को देखा), इसके डेटा का "केंद्र" मानव डेटा से पूरी तरह मेल खाता था।

जादुई ट्रिक: बिना स्केल के मापना

इस वर्कफ़्लो का सबसे दिलचस्प हिस्सा यह है कि यह इकाइयों (units) को कैसे संभालता है। आमतौर पर, कंप्यूटर केवल पिक्सेल देखता है। पिक्सेल को माइक्रोमीटर जैसे वास्तविक-दुनिया के मापों में बदलने के लिए, सिस्टम स्वचालित रूप से एक छोटे पीले स्केल बार (जो 40 µm लंबा है) को खोजता है जो प्रत्येक छवि में मौजूद होता है। यह उस पीले बार को ढूंढता है, मापता है कि वह कितने पिक्सेल लंबा है, और फिर उस अनुपात का उपयोग करके अन्य सभी मापों को स्वचालित रूप से परिवर्तित करता है। यह कंप्यूटर द्वारा चित्र में एक स्केल ढूँढने और तुरंत बाकी चीजों को मापने जैसा है।

यह क्यों महत्वपूर्ण है

यह केवल कंप्यूटर को तेज़ बनाने के बारे में नहीं है; यह कपास के भविष्य को अनलॉक करने के बारे में है। क्योंकि यह प्रक्रिया इतनी तेज़ और पुनरुत्पादित (reproducible) है, वैज्ञानिक अब विभिन्न कपास के पौधों से हजारों रेशों का विश्लेषण कर सकते हैं। यह ब्रीडिंग प्रोग्रामों के लिए एक गेम-चेंजर है। यह देखने के लिए वर्षों इंतजार करने के बजाय कि क्या कपास की एक नई किस्म अच्छी है, वे तेजी से हजारों उम्मीदवारों के फाइबर की गुणवत्ता को माप सकते हैं।

शोधकर्ताओं ने अपने "सुपर-आई" को सभी के लिए उपलब्ध करा दिया है। उन्होंने कोड को गिटहब (GitHub) पर डाला है और हगिंग फेस (Hugging Face) पर एक मुफ्त वेब ऐप बनाया है जहाँ कोई भी एक छवि अपलोड कर सकता है और सेकंडों में अपने माप वापस पा सकता है। इसका मतलब है कि एक छोटे लैब का छात्र या दूसरे देश का शोधकर्ता अब विशेषज्ञों की टीम या महंगे सॉफ्टवेयर की आवश्यकता के बिना उच्च-गुणवत्ता वाला कपास विश्लेषण कर सकता है।

निष्कर्ष

यह शोध पत्र सिद्ध करता है कि हम उच्च स्तर की सटीकता के साथ कपास के रेशों को मापने की उबाऊ, धीमी प्रक्रिया को स्वचालित कर सकते हैं। हालांकि मॉडल को रेशों के मुकाबले उनके अंदर के छोटे छेदों को खोजने में अभी भी थोड़ी कठिनाई होती है, लेकिन समग्र प्रणाली एक बड़ी छलांग है। यह दिनों लंबे मैनुअल काम को सेकंडों के मामले में बदल देता है, जो कपास की गुणवत्ता मापने का एक विश्वसनीय, मानकीकृत तरीका प्रदान करता है। यह टूल अब ब्रीडर्स को बेहतर कपास उगाने में मदद करने के लिए तैयार है, जिससे यह सुनिश्चित हो सके कि हमारे द्वारा पहने जाने वाले कपड़े न केवल कोमल और मजबूत हों, बल्कि अधिक कुशलता से भी उत्पादित हों।