Integrating UAV-Based Remote Sensing and Deep Learning for Early Detection of Bacterial Leaf Blight in Rice

चावल दुनिया की आधी आबादी का मुख्य आहार है, लेकिन इसकी कटाई लगातार अदृश्य शत्रुओं के घेरे में रहती है। सबसे विनाशकारी रोगों में से एक है बैक्टीरियल लीफ ब्लाइट (जीवाणु पत्ता झुलसा रोग), जो एक सूक्ष्म जीव के कारण होने वाली बीमारी है जो चावल की पत्तियों पर आक्रमण करती है, उन्हें पीला और सफेद कर देती है और फिर वे मुरझाकर मर जाती हैं। यदि किसान संक्रमण को जल्दी नहीं पहचान पाते हैं, तो यह बीमारी खेतों में तेजी से फैल जाती है, जिससे पैदावार घट जाती है और आजीविका को खतरा होता है। पारंपरिक रूप से, इस बीमारी को पहचानना एक धीमा और श्रमसाध्य कार्य रहा है। किसानों और शोधकर्ताओं को कीचड़ भरे धान के खेतों में घूमना पड़ता है, और यह मापने के लिए कि पत्ती कितनी क्षतिग्रस्त है, व्यक्तिगत पौधों का हाथ से निरीक्षण करना पड़ता है। यह तरीका न केवल थकाऊ है बल्कि प्रतिक्रियात्मक भी है; क्योंकि जब तक क्षति नग्न आंखों से दिखाई देती है, तब तक संक्रमण अक्सर इतनी दूर तक फैल चुका होता है जिसे आसानी से रोकना मुश्किल हो जाता है।

हाल के वर्षों में, फसलों की निगरानी करने वाले उपकरण बदल गए हैं। मानव आंख जो विवरण छोड़ सकती है, उसे पकड़ने के लिए अब अनमैन्ड एरियल व्हीकल (ड्रोन) खेतों के ऊपर उड़कर उच्च-रिज़ॉल्यूशन वाली तस्वीरें लेते हैं। जब इन छवियों को डीप लर्निंग (गहन शिक्षण) के साथ जोड़ा जाता है, जो कि एक प्रकार की कंप्यूटर बुद्धिमत्ता है जो डेटा की विशाल मात्रा से पैटर्न पहचानना सीखती है, तो परिणाम एक ऐसी प्रणाली होती है जो मिनटों में हजारों पौधों को स्कैन करने में सक्षम है। यह दृष्टिकोण रोग प्रबंधन को एक प्रतिक्रियात्मक संघर्ष से बदलकर एक सक्रिय रणनीति में बदलने का वादा करता है, जिससे किसानों को एक छोटे से संक्रमण को खेत-व्यापी आपदा बनने से पहले हस्तक्षेप करने की अनुमति मिलती है। हालांकि, सवाल यह बना हुआ है कि क्या ये हाई-टेक आंखें बीमारी को उतनी स्पष्टता से देख सकती हैं जितनी एक प्रशिक्षित मानव देख सकता है, और लक्षण स्पष्ट होने से पहले वे इसे कितनी जल्दी पहचान सकती हैं।

फिलीपींस में इंटरनेशनल राइस रिसर्च इंस्टीट्यूट के शोधकर्ताओं की एक टीम ने वास्तविक दुनिया के चावल के खेतों में बैक्टीरियल लीफ ब्लाइट के खिलाफ एक विशिष्ट डीप लर्निंग मॉडल का परीक्षण करके इन सवालों के जवाब देने का फैसला किया। उन्होंने YOLOv26 नामक एक मॉडल को चुना, जो एक परिष्कृत कंप्यूटर प्रोग्राम है जिसे उल्लेखनीय गति और सटीकता के साथ छवियों में वस्तुओं को खोजने और पहचानने के लिए डिज़ाइन किया गया है। इस डिजिटल आंख को प्रशिक्षित करने के लिए, शोधकर्ताओं ने एक नियंत्रित वातावरण बनाया जहाँ वे बीमारी के प्रसार को सटीक रूप से नियंत्रित कर सकते थे। उन्होंने चावल की दो अलग-अलग किस्में लगाईं, एक मध्यम संवेदनशील और एक अत्यधिक संवेदनशील, बड़े भूखंडों में। इसके बाद उन्होंने इन पौधों को कृत्रिम रूप से संक्रमित किया, जिसमें ब्लेइट बैक्टीरिया के सस्पेंशन (निलंबन) में डूबी कैंची से उनकी पत्तियों के सिरों को काटा, जबकि अन्य पौधों को स्वस्थ नियंत्रण के रूप में अछूता छोड़ दिया।

दो बढ़ते मौसमों, शुष्क और गीले मौसम के दौरान, टीम ने इन भूखंडों की बारीकी से निगरानी की। उन्होंने बीस मीटर की ऊंचाई से एक मानक रंगीन कैमरे से लैस ड्रोन को खेतों के ऊपर उड़ाया, जिससे ऐसी तीक्ष्ण रिज़ॉल्यूशन वाली छवियां मिलीं जिनसे व्यक्तिगत पत्तियों को देखा जा सके। ये उड़ानें उन्हीं दिनों हुई जब शोधकर्ताओं ने मैन्युअल रूप से रोग का स्कोर करने के लिए खेतों का दौरा किया, जिससे कंप्यूटर द्वारा देखे गए दृश्य और मनुष्यों द्वारा मापे गए माप के बीच एक सटीक मिलान स्थापित हुआ। ड्रोन ने हजारों छवियां कैप्चर कीं, जिन्हें बाद में खेत का एक पूर्ण दृश्य बनाने के लिए जोड़ने (स्टिच करने) के लिए संसाधित किया गया। शोधकर्ताओं ने इन छवियों को YOLOv26 मॉडल में डाला, जिससे इसे स्वस्थ हरी पत्तियों और ब्लाइट के शुरुआती, सूक्ष्म संकेतों वाली पत्तियों के बीच अंतर करना सिखाया गया।

परिणामों ने दिखाया कि कंप्यूटर मॉडल वास्तव में बीमारी को देख सकता था, और कुछ मामलों में, यह मानव आंख से भी पहले इसे देख सकता है। गीले मौसम में, मॉडल ने अत्यधिक संवेदनशील चावल की किस्म में बैक्टीरिया के प्रवेश के केवल बारह दिन बाद ही संक्रमण की सफलतापूर्वक पहचान कर ली। इस प्रारंभिक अवस्था में, मॉडल ने नब्बे प्रतिशत से अधिक की भविष्यवाणी सटीकता प्राप्त की, जो एक प्रदर्शन स्तर है जो बताता है कि यह वास्तविक दुनिया की निगरानी में सहायता के लिए तैयार है। दूसरी चावल की किस्म के लिए, मॉडल ने संक्रमण के पंद्रह दिनों के बाद लगभग छियानवे प्रतिशत की अपनी उच्चतम सटीकता प्राप्त की। ये निष्कर्ष संकेत देते हैं कि प्रणाली न केवल बीमारी की उपस्थिति का पता लगा रही है, बल्कि यह भी बता सकती है कि संक्रमण कितना गंभीर है, जो उच्च विश्वास के साथ हल्के, मध्यम और भारी संक्रमणों के बीच अंतर करती है।

हालांकि, अध्ययन ने यह भी खुलासा किया कि तकनीक कितनी अच्छी तरह काम करती है, इसमें पर्यावरण महत्वपूर्ण भूमिका निभाता है। मॉडल शुष्क मौसम के दौरान काफी बेहतर प्रदर्शन करता है, जहाँ स्वस्थ और रोगग्रस्त पौधों के बीच का अंतर छवियों में अधिक स्पष्ट था। गीले मौसम के दौरान, बारिश, नमी और गीली पत्तियों की उपस्थिति ने छवियों को व्याख्या करने में कठिन बना दिया, जिससे मॉडल का आत्मविश्वास थोड़ा कम हो गया। शोधकर्ताओं ने नोट किया कि हालांकि यह प्रणाली शक्तिशाली है, यह पूर्ण नहीं है; यह कभी-कभी एक थोड़े संक्रमित पौधे और एक मध्यम संक्रमित पौधे के बीच अंतर करने में संघर्ष करती है, विशेष रूप से प्रतिकूल मौसम में। यह सुझाव देता है कि हालांकि यह तकनीक एक बड़ी प्रगति है, यह अपनी पूरी क्षमता तक पहुँचने के लिए अभी भी अच्छी छवि गुणवत्ता और अनुकूल परिस्थितियों पर निर्भर करती है।

शोधकर्ताओं ने निष्कर्ष निकाला कि ड्रोन इमेजरी को डीप लर्निंग के साथ एकीकृत करना चावल में रोग के शीघ्र पता लगाने के लिए एक आशाजनक मार्ग प्रदान करता है। संक्रमण शुरू होने के बारह दिन के भीतर ही इसे पकड़कर, किसान फसल के फैलने से पहले उपचार लागू कर सकते हैं, जिससे संभावित रूप से फसल के एक बड़े हिस्से को बचाया जा सकता है। अध्ययन ने प्रदर्शित किया कि यह दृष्टिकोण न केवल एक सैद्धांतिक संभावना है बल्कि एक व्यावहारिक उपकरण भी है जो खेत में काम करता है, बशर्ते कि छवियां स्पष्ट हों और मॉडल को ठीक से प्रशिक्षित किया गया हो। हालांकि यह प्रणाली अभी मानव निर्णय का स्थान लेने वाली नहीं है, लेकिन यह एक शक्तिशाली सहायक के रूप में कार्य करती है, जो विशाल क्षेत्रों को तेजी से स्कैन करने और उन स्थानों को चिह्नित करने में सक्षम है जिन्हें तत्काल ध्यान देने की आवश्यकता है। जैसे-जैसे ये तकनीकें बेहतर होती रहेंगी, वे खेती का एक मानक हिस्सा बन सकती हैं, जो बीमारी के अदृश्य खतरे को देखने योग्य, मापने योग्य और प्रबंधित करने योग्य चीज़ में बदलकर लाखों लोगों की खाद्य आपूर्ति को सुरक्षित करने में मदद कर सकती हैं।