Enhancing Jute Crop Management with Hybrid EfficientNetB7 for Disease Prediction

बांग्लादेश के विशाल, धूप से सराबोर खेतों में, "सुनहरा रेशा" (गोल्डन फाइबर) नामक एक फसल राष्ट्रीय अर्थव्यवस्था की रीढ़ बनाती है। जूट, एक ऐसा पौधा जिसे इसके मजबूत, प्राकृतिक रेशों के लिए बेशकीमती माना जाता है जिसका उपयोग बोरियों से लेकर पर्यावरण के अनुकूल पैकेजिंग तक सब कुछ बनाने में किया जाता है, लाखों लोगों की आजीविका के लिए महत्वपूर्ण है। फिर भी, सभी जीवित चीजों की तरह, जूट भी बीमारियों के प्रति संवेदनशील है। पत्तियां मोज़ेक वायरस से पीली पड़ सकती हैं, तने सड़ सकते हैं, और धब्बे पत्तियों पर फैल सकते हैं, जिससे पूरी फसल नष्ट होने का खतरा बना रहता है। पीढ़ियों से, किसान इन समस्याओं को पहचानने के लिए अपनी आंखों और अनुभव पर भरोसा करते आए हैं, जो कि एक धीमी विधि है, जिसमें मानवीय त्रुटि की संभावना होती है, और अक्सर फसल को बचाने के लिए बहुत देर हो जाती है। हाल के वर्षों में, कृषि के क्षेत्र ने एक नए प्रकार के सहायक को अपनाना शुरू कर दिया है: आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता)। यह तकनीक कंप्यूटर विज़न का उपयोग करती है, जो विज्ञान की एक शाखा है जहाँ मशीनें मनुष्यों की तरह छवियों को "देखने" और उनकी व्याख्या करने के लिए सीखती हैं, ताकि उन पैटर्न की पहचान की जा सके जो नग्न आंखों के लिए अदृश्य हो सकते हैं। इन डिजिटल प्रणालियों को हजारों तस्वीरों के माध्यम से प्रशिक्षित करके, शोधकर्ता उन्हें एक स्वस्थ पत्ती और एक रोगग्रस्त पत्ती के बीच अंतर करने के लिए प्रशिक्षित कर सकते हैं, जिससे उन्हें असाधारण गति और सटीकता मिलती है, जो उन किसानों के लिए जीवन रेखा के रूप में काम करती है जिन्हें अपनी फसलों की रक्षा के लिए तेजी से कार्य करने की आवश्यकता होती है।

ढाका इंटरनेशनल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने अपने देश के जूट के खेतों में विशेष रूप से इस तकनीक को लागू करने का लक्ष्य रखा। उनका लक्ष्य एक स्वचालित प्रणाली बनाना था जो जूट के पौधे की तस्वीर देखकर तुरंत किसान को बता सके कि समस्या क्या है। ऐसा करने के लिए, उन्होंने उच्च-रिज़ॉल्यूशन वाली छवियों का एक संग्रह एकत्र किया, जिसमें स्वस्थ पत्तियों और तनों के साथ-साथ सात अलग-अलग प्रकार की बीमारियों से पीड़ित पौधों को भी कैद किया गया, जिनमें एंथ्रेक्नोज़ (anthracnose), ब्लैक बैंड (black band) और डाई-बैक (die-back) शामिल हैं। उन्होंने यह सुनिश्चित करने के लिए बांग्लादेश जूट रिसर्च इंस्टीट्यूट के विशेषज्ञों के साथ मिलकर काम किया कि प्रत्येक छवि को सही ढंग से लेबल किया गया हो, जिससे उनके कंप्यूटर के अध्ययन के लिए दृश्य उदाहरणों का एक विश्वसनीय पुस्तकालय तैयार हो सके। इसके बाद टीम ने कई अलग-अलग डिजिटल "मस्तिष्क", या मॉडलों का परीक्षण किया, यह देखने के लिए कि कौन सा मॉडल कार्य को सबसे अच्छी तरह सीख सकता है। उन्होंने शुरुआत एक स्क्रैच से बनाए गए कस्टम मॉडल से की, फिर अधिक जटिल, पूर्व-मौजूदा प्रणालियों जैसे कि VGG16 और DenseNet121 पर आगे बढ़े, जिन्होंने पहले ही छवियों के एक विशाल पुस्तकालय से सामान्य वस्तुओं को पहचानना सीख लिया था। अंत में, उन्होंने 'एफिशिएंटनेट बी7' (EfficientNetB7) नामक एक परिष्कृत आर्किटेक्चर पर आधारित एक हाइब्रिड मॉडल बनाया, जिसे उन्होंने विशेष रूप से जूट की पत्तियों की अनूठी बनावट और रंगों के लिए तैयार किया।

उनके प्रयोगों के परिणामों ने सटीकता की दौड़ में एक स्पष्ट विजेता का खुलासा किया। कस्टम-निर्मित मॉडल, जिसे सब कुछ शून्य से सीखना था, अपने निष्कर्षों को सामान्य बनाने में संघर्ष कर रहा था, और केवल लगभग 56 प्रतिशत टेस्ट छवियों को सही ढंग से पहचान सका। यह एक आशाजनक शुरुआत थी, लेकिन इसने दिखाया कि बिना किसी आधार के प्रणाली बनाना सबसे कुशल मार्ग नहीं था। प्री-ट्रेंड (पूर्व-प्रशिक्षित) मॉडल बहुत बेहतर प्रदर्शन करते थे, जिसमें VGG16 प्रणाली ने 86 प्रतिशत की सटीकता प्राप्त की और DenseNet121 प्रणाली लगभग 88 प्रतिशत तक पहुँच गई। इन नंबरों ने प्रदर्शित किया कि दुनिया को पहले से देख चुके सिस्टम का उपयोग करना एक शक्तिशाली शॉर्टकट हो सकता है। हालाँकि, वास्तविक सफलता हाइब्रिड एफिशिएंटनेट बी7 मॉडल के साथ आई। इस उन्नत आर्किटेक्चर की डीप लर्निंग क्षमताओं को दृश्य जानकारी की विभिन्न परतों को जोड़ने वाले एक कस्टम डिज़ाइन के साथ मिलाकर, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जिसने 99.7 प्रतिशत की टेस्ट सटीकता हासिल की। व्यावहारिक रूप से, इसका अर्थ यह है कि हर हज़ार छवियों में से, सिस्टम ने लगभग हर एक मामले में पौधे की स्वास्थ्य स्थिति को सही ढंग से पहचाना, और विभिन्न बीमारियों के बीच लगभग कोई भ्रम नहीं हुआ।

इस हाइब्रिड मॉडल की सफलता यह सुझाव देती है कि जूट की खेती का भविष्य ऐसे उपकरणों से जुड़ा हो सकता है जो केवल मानव अवलोकन की तुलना में कहीं अधिक विश्वसनीय हैं। यह प्रणाली पत्ती के रंग और बनावट में सूक्ष्म विविधताओं के बीच अंतर करने में सक्षम सिद्ध हुई, जो अक्सर अनुभवी किसानों को भी भ्रमित कर देती हैं, जैसे कि ब्लैक बैंड बीमारी वाली पत्ती और एंथ्रेक्नोज़ वाली पत्ती के बीच अंतर करना। शोधकर्ताओं ने पाया कि मॉडल ने प्रदान किए गए विशिष्ट टेस्ट डेटा पर असाधारण सटीकता के साथ प्रदर्शन किया, हालांकि उन्होंने चेतावनी दी कि इतनी उच्च सटीकता कभी-कभी 'ओवरफिटिंग' (overfitting) का संकेत दे सकती है यदि टेस्ट डेटा प्रशिक्षण डेटा से पूरी तरह स्वतंत्र न हो। वास्तविक दुनिया के अनुप्रयोग के लिए यह स्तर की विश्वसनीयता अत्यंत महत्वपूर्ण है, जहाँ एक गलत अलार्म अनावश्यक कीटनाशकों के उपयोग का कारण बन सकता है, और एक गलत निदान फसल के नुकसान का कारण बन सकता है। अध्ययन इंगित करता है कि इस तरह की प्रणाली को एक मोबाइल एप्लिकेशन में एकीकृत करके, किसान संघर्षरत पौधे की फोटो खींच सकते हैं और तत्काल, विशेषज्ञ-स्तरीय निदान प्राप्त कर सकते हैं, जिससे वे अपने खेतों में बीमारी फैलने से पहले निवारक उपाय कर सकें।

यद्यपि परिणाम प्रभावशाली हैं, शोधकर्ता इस वास्तविकता के प्रति जमीन से जुड़े हुए हैं कि यह कार्य एक बड़े सफर का एक कदम है। यह अध्ययन छवियों के एक विशिष्ट सेट के साथ किया गया था, और टीम स्वीकार करती है कि प्रणाली को वास्तव में सुदृढ़ होने के लिए, इसे विभिन्न क्षेत्रों, अलग-अलग प्रकाश स्थितियों और फसल के विकास के विभिन्न चरणों के डेटा पर परीक्षण करने की आवश्यकता होगी। वे एक ऐसे भविष्य की कल्पना करते हैं जहाँ यह तकनीक केवल एक प्रयोगशाला प्रयोग नहीं बल्कि स्मार्टफोन पर तैनात एक व्यावहारिक उपकरण हो और इंटरनेट से जुड़ी हो, जो कृषि समुदाय के लिए एक सुरक्षा जाल प्रदान करे। रोग पहचान के जटिल कार्य को एक सरल, स्वचालित प्रक्रिया में बदलकर, यह शोध सुनहरे रेशे की रक्षा करने और उन किसानों की आर्थिक सुरक्षा सुनिश्चित करने की दिशा में एक ठोस मार्ग प्रदान करता है जो इस पर निर्भर हैं। यह कार्य प्रदर्शित करता है कि जब उन्नत कंप्यूटर विज्ञान पारंपरिक कृषि से मिलता है, तो परिणाम फसल रोग के विरुद्ध लड़ाई में एक शक्तिशाली सहयोगी होता है।