Explainable Deep Learning-Based Potato Leaf Disease Detection and Severity Assessment for Smart Agriculture in Bangladesh

बांग्लादेश के उपजाऊ खेतों में, आलू केवल एक फसल नहीं है; यह राष्ट्रीय खाद्य सुरक्षा का एक आधार स्तंभ और ग्रामीण परिवारों के लिए एक महत्वपूर्ण जीवन रेखा है। फिर भी, यह आवश्यक पौधा फंगल रोगों के निरंतर, मौन खतरे का सामना करता है जो यदि समय रहते न पकड़े जाएं, तो पूरी फसल को बर्बाद कर सकते हैं। पीढ़ियों से, किसान इन संक्रमणों को पहचानने के लिए अपनी आंखों और स्थानीय विशेषज्ञों की सलाह पर भरोसा करते आए हैं, जो कि एक ऐसी प्रक्रिया है जो धीमी, व्यक्तिपरक है और अक्सर महत्वपूर्ण नुकसान को रोकने के लिए बहुत देर हो जाती है। जब किसी बीमारी की गलत पहचान की जाती है या उसकी गंभीरता को गलत समझा जाता है, तो किसान अनावश्यक रूप से रसायनों का छिड़काव कर सकते हैं, जिससे मिट्टी और उनके अपने स्वास्थ्य को नुकसान पहुँचता है, या वे तब कार्रवाई करने में विफल हो सकते हैं जब त्वरित प्रतिक्रिया की आवश्यकता होती है। समाधान विज्ञान के उस क्षेत्र में निहित है जहाँ कंप्यूटर वह देख सकते हैं जो मानवीय आँखें शायद चूक जाएं: डीप लर्निंग (गहन शिक्षण)। यह तकनीक मशीनों को हजारों छवियों का अध्ययन करने देती है, जिससे वे बीमारी के उन जटिल पैटर्न को पहचानना सीखती हैं जो अप्रशिक्षित पर्यवेक्षकों के लिए अदृश्य होते हैं। हालाँकि, इन उपकरणों पर किसानों और कृषि विशेषज्ञों द्वारा भरोसा किए जाने के लिए, उन्हें केवल सही अनुमान ही नहीं लगाना चाहिए; उन्हें यह भी समझाना चाहिए कि उन्होंने एक निष्कर्ष क्यों निकाला, जिससे एक रहस्यमय कंप्यूटर निर्णय एक स्पष्ट, दृश्य निदान में बदल जाए।

बांग्लादेश के शोधकर्ताओं की एक टीम ने इस अवधारणा को अपनाया है और एक व्यावहारिक प्रणाली विकसित की है जिसे अभूतपूर्व स्पष्टता के साथ आलू की फसलों की रक्षा करने के लिए डिज़ाइन किया गया है। उनका कार्य एक डिजिटल नैदानिक उपकरण बनाने पर केंद्रित है जो न केवल यह पहचानता है कि आलू का पत्ता स्वस्थ है या दो सबसे विनाशकारी रोगों—अर्ली ब्लाइट (early blight) और लेट ब्लाइट (late blight)—से पीड़ित है, बल्कि यह भी बताता है कि उसका तर्क क्या है और संक्रमण कितना गंभीर है। इसे प्राप्त करने के लिए, वैज्ञानिकों ने एक विशिष्ट प्रकार के आर्टिफिशियल इंटेलिजेंस आर्किटेक्चर पर आधारित एक परिष्कृत कंप्यूटर मॉडल विकसित किया है जिसे एफिशिएंटनेट (EfficientNet) के रूप में जाना जाता है। यह मॉडल एक अत्यधिक प्रशिक्षित पर्यवेक्षक के रूप में कार्य करता है, जो एक स्वस्थ पत्ते और अर्ली ब्लाइट के गहरे, नेक्रोटिक धब्बों या लेट ब्लाइट के फैलते क्षय के बीच अंतर करने में सक्षम है। शोधकर्ताओं ने इस प्रणाली को छवियों के एक विशाल संग्रह का उपयोग करके प्रशिक्षित किया, जिसमें प्रयोगशाला की मानकीकृत तस्वीरों को बांग्लादेश के वास्तविक आलू के खेतों से ली गई वास्तविक दुनिया की तस्वीरों के साथ जोड़ा गया, जिससे यह सुनिश्चित हुआ कि उपकरण वास्तविक खेत की अव्यवस्थित और अप्रत्याशित स्थितियों को संभाल सके।

हालाँकि, इस अध्ययन का वास्तविक नवाचार केवल वर्गीकरण से कहीं आगे जाता है। शोधकर्ताओं ने ग्रेड-कैम (Grad-CAM) नामक एक तकनीक को एकीकृत किया है, जो कंप्यूटर के ध्यान के लिए एक स्पॉटलाइट (स्पॉटलाइट) के रूप में कार्य करती है। जब मॉडल निदान करता है, तो यह विशेषता एक हीट मैप (heat map) उत्पन्न करती है जो मूल पत्ते की छवि के ऊपर ओवरले (overlay) होती है, और यह उजागर करती है कि कंप्यूटर ने अपने निर्णय के लिए पत्ते के किन हिस्सों का उपयोग किया है। यदि मॉडल अर्ली ब्लाइट की पहचान करता है, तो हीट मैप विशिष्ट भूरे रंग के घावों (lesions) के ऊपर चमकता है, जो यह सिद्ध करता है कि मशीन बीमारी को ही देख रही है और छाया या पृष्ठभूमि की मिट्टी जैसे कारकों से धोखा नहीं खा रही है। यह पारदर्शिता कई उन्नत कंप्यूटर प्रणालियों की "ब्लैक बॉक्स" प्रकृति को समाप्त करती है, जिससे किसान और कृषि विशेषज्ञ स्वयं साक्ष्य देख सकते हैं। यह प्रणाली केवल पहचान तक ही सीमित नहीं है; इसमें एक मॉड्यूल भी शामिल है जो पत्ते के संक्रमित होने के प्रतिशत की गणना करता है। रोगग्रस्त ऊतकों और स्वस्थ ऊतकों के अनुपात को मापकर, यह उपकरण संक्रमण को हल्का, मध्यम या गंभीर के रूप में वर्गीकृत कर सकता है, जो सही कार्रवाई निर्धारित करने के लिए एक सटीक मीट्रिक प्रदान करता है।

इस शोध के परिणाम उल्लेखनीय स्तर की सटीकता प्रदर्शित करते हैं। जब टीम ने छवियों के एक बड़े सेट के विरुद्ध अपनी प्रणाली का परीक्षण किया, तो एफिशिएंटनेट मॉडल ने 99.37 प्रतिशत की सटीकता के साथ आलू के पत्तों के स्वास्थ्य की स्थिति को सही ढंग से पहचाना। यह प्रदर्शन उनके द्वारा परीक्षण किए गए अन्य उन्नत कंप्यूटर मॉडलों की तुलना में बेहतर था, जिनमें पुराने, प्रसिद्ध आर्किटेक्चर भी शामिल थे। यह प्रणाली दोनों प्रकार के ब्लाइट के बीच अंतर करने में विशेष रूप से प्रभावी थी, जो अपने शुरुआती चरणों में बहुत समान दिख सकते हैं, और दोनों रोगों के लिए 99 प्रतिशत से अधिक परिशुद्धता दर प्राप्त की। इससे भी महत्वपूर्ण बात यह है कि हीट मैप द्वारा प्रदान किए गए दृश्य स्पष्टीकरणों ने पुष्टि की कि मॉडल ने अप्रासंगिक पृष्ठभूमि विवरणों के बजाय, क्षय के विशिष्ट पैटर्न जैसे सही जैविक लक्षणों पर ध्यान केंद्रित किया। उच्च सटीकता और दृश्य प्रमाण का यह संयोजन सुझाव देता है कि यह प्रणाली प्रयोगशाला से खेत तक जाने के लिए तैयार है।

शोधकर्ताओं ने इस तकनीक को इस तरह से पैक किया है कि इसे मोबाइल फोन या वेब एप्लिकेशन पर आसानी से तैनात किया जा सके, जिससे विशेषज्ञ-स्तरीय निदान उन दूरदराज के क्षेत्रों के किसानों के लिए सुलभ हो सके जिनके पास पहले ऐसे संसाधन नहीं थे। रोग की गंभीरता का स्पष्ट, दृश्य और मात्रात्मक मूल्यांकन प्रदान करके, यह प्रणाली किसानों को यह निर्णय लेने के लिए सशक्त बनाती है कि कब और कितनी मात्रा में अपनी फसलों का उपचार किया जाए। यह सटीकता रासायनिक कीटनाशकों के अत्यधिक उपयोग को रोकने में मदद करती है, जिससे पर्यावरण की रक्षा होती है और लागत कम होती है, जबकि फसल की सुरक्षा भी सुनिश्चित होती है। अध्ययन का निष्कर्ष है कि यह दृष्टिकोण स्मार्ट कृषि के क्षेत्र में एक महत्वपूर्ण कदम है, जो जटिल आर्टिफिशियल इंटेलिजेंस और उन लोगों की व्यावहारिक आवश्यकताओं के बीच के अंतर को पाटता है जो देश के भोजन को उगाते हैं। भविष्य के कार्य में मृदा सेंसर और हवाई ड्रोन से डेटा को शामिल करके इस प्रणाली की पहुंच का विस्तार करने का लक्ष्य होगा, लेकिन वर्तमान ढांचा पहले से ही आलू की फसल को बीमारी के खतरों से सुरक्षित करने के लिए एक शक्तिशाली, पारदर्शी और विश्वसनीय उपकरण प्रदान करता है।