Two-stage machine vision and near-infrared spectroscopy for grading leafhopper damage in fresh tea leaves
इस अध्ययन ने प्रारंभिक लीफहॉपर क्षति स्क्रीनिंग के लिए एक उन्नत YOLOv8s मशीन विजन मॉडल और अनिश्चित मामलों के पुनर्मूल्यांकन के लिए एक नियर-इन्फ्रारेड स्पेक्ट्रोस्कोपी मॉडल को संयोजित करने वाला एक दो-चरणीय वर्कफ़्लो विकसित किया है, जिसने ताजी चाय की पत्तियों के लिए 89.5% समग्र ग्रेडिंग सटीकता प्राप्त की जो स्टैंडअलोन दृश्य मूल्यांकन से काफी बेहतर है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
उच्च गुणवत्ता वाली चाय अक्सर क्षति की एक कहानी होती है। दक्षिण चीन की एक विशिष्ट चाय, 'ज़ीजिन चान' (Zijin Chan) के मामले में, अंतिम कप का चरित्र इस बात पर निर्भर करता है कि ताजी पत्तियों को 'टी ग्रीन लीफहॉपर' नामक एक छोटे कीट ने कितना कुतर दिया है। जैसे ही कीट भोजन करता है, यह पौधे के भीतर रासायनिक परिवर्तन शुरू कर देता है जो एक अनूठी शहद जैसी सुगंध और स्वाद पैदा करते हैं। इस भोजन की गंभीरता चाय के ग्रेड और उसके बाजार मूल्य को निर्धारित करती है। सदियों से, किसान इस क्षति का आकलन आंखों से करते आए हैं, जिसमें पत्ती के रंग, भूरे धब्बों की उपस्थिति और पत्ती के मुड़ने की मात्रा जैसे विशिष्ट संकेतों को देखा जाता है। हालांकि, मानवीय निर्णय धीमा और असंगत है; यह व्यक्ति दर व्यक्ति बदलता है और प्रकाश या देखने वाले की थकान के साथ बदल जाता है। एक सुसंगत, उच्च गुणवत्ता वाला उत्पाद बनाने के लिए, उद्योग को एक ऐसे तरीके की आवश्यकता है जिससे इस क्षति को मानव विशेषज्ञ की व्यक्तिपरक दृष्टि पर निर्भर किए बिना, तेजी से और वस्तुनिष्ठ रूप से मापा जा सके।
यहीं पर दुनिया को देखने के दो अलग-अलग तरीकों का संगम होता है। एक तरीका 'मशीन विजन' है, जहाँ एक कैमरा किसी वस्तु के बाहरी स्वरूप को कैप्चर करता है, जो बिल्कुल मानवीय आंख की तरह है लेकिन इसमें सेकंडों में हजारों छवियों को संसाधित करने की क्षमता होती है। दूसरा तरीका 'नियर-इन्फ्रारेड स्पेक्ट्रोस्कोपी' (near-infrared spectroscopy) है, एक ऐसी तकनीक जो प्रकाश को अवशोषित करने के तरीके का विश्लेषण करके सामग्री के भीतर की रासायनिक संरचना को पढ़ने के लिए अंदर तक देखती है। जबकि एक कैमरा भूरे धब्बे को देख सकता है, वह उस चीनी या अमीनो एसिड को नहीं देख सकता जो पत्ती के भीतर बदल रहे हैं और चाय को स्वाद देते हैं। इन दोनों विधियों को मिलाकर, जियांगनान विश्वविद्यालय के शोधकर्ताओं ने एक नई प्रणाली विकसित की है जो एक दो-चरणीय फिल्टर की तरह कार्य करती है, जिसमें कैमरे की गति का उपयोग अधिकांश पत्तियों की छंटनी करने के लिए किया जाता है और स्पेक्ट्रोस्कोपी की रासायनिक अंतर्दृष्टि का उपयोग उन पत्तियों की दोबारा जांच करने के लिए किया जाता है जिन्हें कैमरा भ्रमित कर देता है।
शोधकर्ताओं ने सबसे पहले एक कंप्यूटर मॉडल को प्रशिक्षित किया ताकि वह कीट के नुकसान की गंभीरता के आधार पर ताजी चाय की पत्तियों को पहचान सके और वर्गीकृत कर सके। उन्होंने एक परिष्कृत इमेज-रिकग्निशन सिस्टम का उपयोग किया, जो 'YOLO' नामक तकनीक का एक उन्नत संस्करण है, जिसे छवियों में वस्तुओं को खोजने और उन्हें तुरंत वर्गीकृत करने के लिए डिज़ाइन किया गया है। टीम ने सिस्टम को चाय की पत्तियों की हजारों छवियां खिलाईं, जिससे इसे क्षति के तीन स्तरों: मामूली, मध्यम और गंभीर के बीच अंतर करना सिखाया गया। उन्होंने मॉडल को पत्तियों के ढेर की अव्यवस्थित वास्तविकता को अनदेखा करना भी सिखाया, जहाँ पत्तियां एक-दूसरे के ऊपर होती हैं, मुड़ जाती हैं और एक-दूसरे के हिस्सों को छिपा देती हैं। उन्नत मॉडल ने उन विशिष्ट दृश्य संकेतों पर ध्यान केंद्रित करना सीखा जो महत्वपूर्ण हैं, जैसे कि चाय की कली का रंग, पत्ती के किनारों पर भूरे रंग के झुलसेपन का विस्तार और मुड़ने की डिग्री।
जब चार हजार व्यक्तिगत पत्ती लक्ष्यों वाली छवियों के एक बड़े बैच पर परीक्षण किया गया, तो इस उन्नत कैमरा सिस्टम ने प्रभावशाली प्रदर्शन किया। इसने सफलतापूर्वक उन अधिकांश पत्तियों की पहचान की और वर्गीकरण किया जिन्हें यह स्पष्ट रूप से देख सकता था। हालांकि, दृष्टि पर आधारित किसी भी प्रणाली की तरह, जब दृश्य जानकारी बहुत अस्पष्ट थी, तो यह रुक गया। लगभग बारह प्रतिशत मामलों में, कैमरा एक निश्चित निर्णय लेने में असमर्थ रहा। ये "नो-रिजल्ट" (no-result) लक्ष्य थे: वे पत्तियां जो बहुत अधिक मुड़ी हुई थीं, पड़ोसियों द्वारा बहुत अधिक ढकी हुई थीं, या दिखने में इतनी समान थीं कि मामूली और मध्यम क्षति के बीच अंतर करना कठिन था। यदि प्रक्रिया यहीं रुक जाती, तो ये कठिन पत्तियां बिना ग्रेड वाली रह जातीं, या इससे भी बुरा, गलत वर्गीकृत हो जातीं, जिससे अंतिम चाय के बैच की गुणवत्ता खराब होने की संभावना रहती।
इस समस्या को हल करने के लिए, शोधकर्ताओं ने इन जिद्दी नमूनों के लिए दूसरा चरण पेश किया। केवल कैमरे को बेहतर देखने के लिए मजबूर करने के बजाय, उन्होंने पत्ती के भीतर छिपे रासायनिक हस्ताक्षर की ओर रुख किया। उन्होंने उन पत्तियों से संबंधित भौतिक नमूनों को लिया जिन्हें कैमरा वर्गीकृत नहीं कर सका और उन्हें नियर-इन्फ्रारेड स्पेक्ट्रोस्कोपी के अधीन किया। इस प्रक्रिया में पत्तियों को फ्रीज करना, सुखाना और पीसकर एक समान पाउडर बनाना शामिल था, जिसे फिर प्रकाश के साथ स्कैन किया गया। प्रकाश ने पत्ती के भीतर के रासायनिक यौगिकों—जैसे कि चाय पॉलीफेनोल्स, शर्करा और अमीनो एसिड—के साथ परस्पर क्रिया की, जिससे एक अद्वितीय स्पेक्ट्रल फिंगरप्रिंट बना। शोधकर्ताओं ने पाया कि अलग-अलग स्तर की कीट क्षति वाली पत्तियों के रासायनिक प्रोफाइल अलग होते हैं। उदाहरण के लिए, मध्यम क्षति वाली पत्तियों में कुछ विशेष पॉलीफेनोल्स का स्तर अधिक होता है, जबकि गंभीर रूप से क्षतिग्रस्त पत्तियों में मुक्त अमीनो एसिड में वृद्धि देखी जाती है।
इन रासायनिक फिंगरप्रिंट्स का उपयोग करते हुए, टीम ने एक दूसरा मॉडल बनाया जो एक रेफरी के रूप में कार्य करेगा। इस मॉडल को दो सौ और चौसौ नमूनों के एक अलग सेट पर प्रशिक्षित किया गया था ताकि यह शुद्ध रूप से आंतरिक रसायन के आधार पर मामूली, मध्यम और गंभीर वर्गों के बीच अंतर करना सीख सके। जब इस रासायनिक मॉडल को उन कठिन नम लोगों पर लागू किया गया जिन्हें कैमरे ने अस्वीकार कर दिया था, तो यह उल्लेखनीय रूप से सटीक साबित हुआ। इसने समस्याग्रस्त पत्तियों में से लगभग छियानवे प्रतिशत को सही ढंग से वर्गीकृत किया। कैमरे की गति और स्पेक्ट्रोस्कोपी की रासायनिक अंतर्दृष्टि को जोड़कर, शोधकर्ताओं ने एक ऐसा वर्कफ़्लो बनाया जो पत्तियों के पूरे बैच को संभाल सकता था। कैमरे ने भारी काम किया, आसान मामलों को तुरंत छाँटा, जबकि स्पेक्ट्रोस्कोपी ने केवल आवश्यक होने पर कठिन मामलों को सुलझाने के लिए हस्तक्षेप किया।
इस दो-चरणीय दृष्टिकोण का परिणाम समग्र सटीकता में एक बड़ी छलांग थी। यदि शोधकर्ता केवल कैमरे पर निर्भर रहते, तो सिस्टम सभी पत्तियों को केवल लगभग अठहत्तर प्रतिशत तक सही ढंग से वर्गीकृत कर पाता। कठिन मामलों के लिए रासायनिक पुनर्मूल्यांकन को जोड़कर, कुल सटीकता बढ़कर लगभग नब्बे प्रतिशत हो गई। यह सुधार प्रदर्शित करता है कि जबकि एक कैमरा सतह को देखने में उत्कृष्ट है, यह प्रकृति की जटिलता के पार नहीं देख सकता। रासायनिक विश्लेषण एक आवश्यक बैकअप प्रदान करता है, यह सुनिश्चित करता है कि सबसे भ्रमित करने वाली पत्तियों को भी सही ढंग से वर्गीकृत किया जाए।
हालांकि, शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि यह सफलता एक नियंत्रित प्रयोगशाला सेटिंग में प्राप्त की गई थी। रासायनिक विश्लेषण के लिए पत्तियों को संसाधित करने—फ्रीज करने, सुखाने और पीसने—की आवश्यकता थी, जो वास्तविक समय की छंटनी लाइन में चाय के प्रबंधन का तरीका नहीं है। वर्तमान प्रणाली एक 'प्रूफ ऑफ कॉन्सेप्ट' (proof of concept) है, जो यह दिखाती है कि दृश्य और रासायनिक डेटा का संयोजन सिद्धांत रूप में काम करता है। अगला कदम, जिसे लेखक आवश्यक बताते हैं, इस पद्धति को ताजी पत्तियों के लिए अनुकूलित करना है जो बिना पीसने या फ्रीज किए, एक कन्वेयर बेल्ट पर चलती हैं। जब तक ऐसा नहीं होता, यह प्रणाली प्रयोगशाला ग्रेडिंग के लिए एक शक्तिशाली उपकरण और भविष्य की ऑनलाइन निरीक्षण प्रणालियों के लिए एक ब्लूप्रिंट बनी हुई है, जो अधिक सुसंगत और उच्च गुणवत्ता वाले चाय उत्पादन की ओर एक मार्ग प्रदान करती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।