Towards Real-Time and Resource-Efficient Maize Disease Detection Using Lightweight CNN Architectures for the Irrigated Zones of North India

उत्तर भारत के विशाल, धूप से सराबोर खेतों में, जहाँ मक्का खाद्य सुरक्षा और आर्थिक स्थिरता के एक महत्वपूर्ण स्तंभ के रूप में खड़ा है, वहाँ अक्सर अदृश्य शत्रुओं के विरुद्ध एक मौन युद्ध लड़ा जाता है। ये शत्रु पारंपरिक अर्थों में कीट नहीं हैं, बल्कि फंगल (कवक) रोग हैं जो एक स्वस्थ, हरी पत्ती को मुरझाई हुई, भूरी सतह में बदल सकते हैं, जिससे फसल शुरू होने से पहले ही कटाई छिन जाती है। पीढ़ियों से, किसान इन बीमारियों को पहचानने के लिए अपनी आँखों और स्थानीय विशेषज्ञों की सलाह पर भरोसा करते आए हैं, जो कि एक ऐसी प्रक्रिया है जो धीमी है, श्रम-साध्य है, और अक्सर फसल बचाने के लिए बहुत देर हो चुकी होती है। हाल के वर्षों में, वैज्ञानिकों ने मदद के लिए एक शक्तिशाली उपकरण की ओर रुख किया है: आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता)। विशेष रूप से, उन्होंने ऐसे कंप्यूटर प्रोग्राम विकसित किए हैं जो पौधों की छवियों को "देख" सकते हैं और एक मशीन की गति और निरंतरता के साथ बीमारियों की पहचान कर सकते हैं। हालाँकि, चुनौती इन स्मार्ट प्रोग्रामों को इतना छोटा और तेज़ बनाने की रही है कि वे उन साधारण, बैटरी से चलने वाले उपकरणों पर चल सकें जिन्हें वास्तव में किसान खेत में साथ रखते हैं, न कि किसी दूर स्थित प्रयोगशाला में रखे विशाल, महंगे कंप्यूटरों की आवश्यकता हो।

भारतीय सूचना प्रौद्योगिकी संस्थान इलाहाबाद सहित कई संस्थानों के शोधकर्ताओं की एक टीम ने इसी सटीक समस्या को हल करने का बीड़ा उठाया। वे यह जानना चाहते थे कि क्या हल्के, कुशल कंप्यूटर मॉडल, सीधे खेत से ली गई छवियों का उपयोग करके—जिसमें ड्रोन द्वारा ली गई तस्वीरें भी शामिल हैं—चार विशिष्ट मक्का रोगों (कॉमन रस्ट, नॉर्दर्न लीफ ब्लाइट, ग्रे लीफ स्पॉट और एक स्वस्थ अवस्था) का सटीक निदान कर सकते हैं। इसके लिए, उन्होंने 1,432 वास्तविक दुनिया की छवियों का एक संग्रह एकत्र किया। ये कोई आदर्श, स्टूडियो-रोशनी वाली तस्वीरें नहीं थीं; इन्हें विभिन्न मौसमों में, असमान रोशनी और बिखरे हुए बैकग्राउंड के साथ लिया गया था, ठीक वैसा ही जैसा एक किसान को सामना करना पड़ता है। इसके बाद शोधकर्ताओं ने इस डेटासेट के विरुद्ध पांच अलग-अलग प्रकार के उन्नत इमेज-रिकग्निशन सिस्टम, जिन्हें 'कन्वोल्यूशनल न्यूरल नेटवर्क' कहा जाता है, का परीक्षण किया। ये सिस्टम छवियों से पैटर्न सीखना डिज़ाइन किए गए हैं, ठीक वैसे ही जैसे एक बच्चा कई अलग-अलग कुत्तों को देखकर कुत्ते को पहचानना सीखता है, लेकिन वे छवियों के भीतर आकारों और रंगों का गणितीय विश्लेषण करके ऐसा करते हैं।

शोधकर्ताओं ने बहुत जटिल और भारी से लेकर विशेष रूप से छोटे और तेज़ डिज़ाइन किए गए मॉडलों तक, पांच अलग-अलग मॉडलों की तुलना की। उन्होंने मक्का की पत्तियों की छवियों को प्रत्येक मॉडल में डाला यह देखने के लिए कि कंप्यूटर कितनी अच्छी तरह एक स्वस्थ पत्ती और एक विशिष्ट बीमारी से पीड़ित पत्ती के बीच अंतर कर सकता है। परिणाम आश्चर्यजनक थे। परीक्षण किए गए प्रत्येक मॉडल ने उच्च स्तर की सफलता के साथ प्रदर्शन किया, और 94 प्रतिशत से अधिक बार पत्तियों की स्थिति की सही पहचान की। हालाँकि, व्यावहारिक उपयोग के लिए एक मॉडल स्पष्ट विजेता के रूप में उभरा। 'मोबाइलनेटवी2' (MobileNetV2) नामक एक सिस्टम, जो हल्का और कुशल होने के लिए बनाया गया है, ने उच्चतम सटीकता प्राप्त की, जिसने परीक्षण और सत्यापन दोनों चरणों में लगभग 99 प्रतिशत बार पत्तियों को सही ढंग से वर्गीकृत किया। एक अन्य मॉडल, 'एक्ससेप्शन' (Xception) ने भी असाधारण प्रदर्शन किया, और लगभग 98.5 प्रतिशत की सटीकता तक पहुँचा। अन्य मॉडल, हालांकि सटीक थे, या तो थोड़े कम सटीक थे या अपने निष्कर्षों तक पहुँचने के लिए उन्हें काफी अधिक कंप्यूटिंग शक्ति की आवश्यकता थी।

अध्ययन से पता चला कि जबकि सभी मॉडल सबसे स्पष्ट बीमारियों को पहचानने में अच्छे थे, उन्हें 'ग्रे लीफ स्पॉट' के साथ थोड़ी कठिन चुनौती का सामना करना पड़ा। यह विशेष बीमारी कठिन है क्योंकि इसके लक्षण अन्य स्थितियों के समान दिख सकते हैं, जिससे कंप्यूटर के लिए बिना भ्रम के उनके बीच अंतर करना कठिन हो जाता है। इस मामूली बाधा के बावजूद, शीर्ष प्रदर्शन करने वाले मॉडलों ने उल्लेखनीय निरंतरता के साथ बीमारियों के बीच सूक्ष्म अंतर को सीखने की क्षमता दिखाई। मोबाइलनेटवी2 की सफलता इसके अद्वितीय डिज़ाइन के कारण थी, जो इमेज विश्लेषण के जटिल कार्य को छोटे, अधिक प्रबंधनीय चरणों में विभाजित करता है। यह दृष्टिकोण सिस्टम को मेमोरी या प्रोसेसिंग पावर की भारी मात्रा की आवश्यकता के बिना, पत्ती की छवियों से आवश्यक विवरण निकालने की अनुमति देता है। इसके विपरीत, अधिक जटिल मॉडल, हालांकि शक्तिशाली थे, उन्हें उन संसाधन-सीमित वातावरणों के लिए कम उपयुक्त पाया गया जहाँ किसान वास्तव में काम करते हैं।

इस कार्य के निहितार्थ केवल कंप्यूटर लैब में एक एकल परीक्षण से कहीं आगे तक विस्तृत हैं। शोधकर्ताओं ने प्रदर्शित किया है कि गति या दक्षता से समझौता किए बिना रोग पहचान में अत्याधुनिक सटीकता प्राप्त करना संभव है। इसका अर्थ यह है कि निकट भविष्य में, एक किसान स्मार्टफोन या एक छोटे ड्रोन को मक्के के पौधे की ओर लक्षित कर सकता है और मौजूद किसी भी बीमारी का तत्काल, विश्वसनीय निदान प्राप्त कर सकता है। यह क्षमता भारत और समान क्षेत्रों में कृषि प्रबंधन को बदल सकती है, जिससे प्रारंभिक हस्तक्षेप संभव होगा जो फसलों को बचाता है और खाद्य आपूर्ति को सुरक्षित करता है। अध्ययन पुष्टि करता है कि सटीक कृषि (प्रिसिजन एग्रीकल्चर) का भविष्य सुपरकंप्यूटरों की आवश्यकता नहीं रखता; इसके लिए स्मार्ट, कुशल उपकरणों की आवश्यकता है जो सीधे वहीं काम कर सकें जहाँ फसलें उगती हैं, और जटिल डेटा को उन लोगों के लिए सरल, कार्रवाई योग्य सलाह में बदल सकें जो दुनिया का पेट भरते हैं।