कम डेटा परिदृश्य में कुछ-शॉट लर्निंग का उपयोग करते हुए पौधों की बीमारी की पहचान

पौधों की बीमारी कृषि में एक प्रमुख समस्या है। बीमारियाँ पौधों को क्षति पहुँचाती हैं, उपज को कम करती हैं और उत्पाद की गुणवत्ता को घटाती हैं। पौधों की बीमारियों का पता लगाने के पारंपरिक दृष्टिकोण आमतौर पर दृश्य निरीक्षण और प्रयोगशाला परीक्षण पर आधारित होते हैं, जो महंगे और समय लेने वाले होते हैं। ये प्रशिक्षित पौधों के रोगविशेषज्ञों और विशेष उपकरणों की आवश्यकता होती है। कई अध्ययन यह दर्शाते हैं कि कृत्रिम बुद्धिमत्ता (AI) विधियाँ आशाजनक परिणाम उत्पन्न कर सकती हैं। हालाँकि, AI विधियाँ सामान्यतः डेटा-हॉंसी होती हैं और बड़े एनोटेटेड डेटासेट की आवश्यकता होती है, और ऐसे डेटासेट का संग्रहण और एनोटेशन एक सीमित कारक हो सकता है। ऐसा अक्सर प्रतीत होता है कि किन्हीं विशेष बीमारी के प्रकारों के लिए केवल एक छोटी मात्रा में डेटा उपलब्ध है। जबकि सामान्य AI विधियों का प्रदर्शन जब उन्हें अपर्याप्त डेटा के साथ प्रशिक्षित किया जाता है तो काफी हद तक गिर जाता है। यह पेपर पौधों की बीमारियों का पता लगाने और डेटा की कमी की समस्या को हल करने के लिए एक नवीन कुछ-शॉट लर्निंग (FSL) विधि का प्रस्ताव करता है। प्रस्तावित विधि मशीन लर्निंग प्रक्रिया में प्रति श्रेणी पांच चित्रों तक का उपयोग करती है। हमारी विधि एक अत्याधुनिक FSL पाइपलाइन पर आधारित है जिसे प्री-ट्रेनिंग, मेटा-लर्निंग, और फाइन-ट्यूनिंग (PMF) कहा जाता है, जिसे एक नवीन विशेषता ध्यान (FA) मॉड्यूल के साथ एकीकृत किया गया है; हम संपूर्ण विधि को PMF+FA कहते हैं। FA मॉड्यूल छवि में वर्णात्मक भागों पर जोर देता है और जटिल पृष्ठभूमियों और अवांछित वस्तुओं के प्रभाव को कम करता है। हमने विशेषता शिक्षार्थी के रूप में ResNet50 और विज़न ट्रांसफार्मर (ViT) का उपयोग किया। FSL आवश्यकताओं को पूरा करने के लिए दो सार्वजनिक रूप से उपलब्ध पौधों की बीमारी डेटासेट को पुनः प्रयोजित किया गया। हमने PlantDoc डेटासेट पर प्रस्तावित विधि का पूरी तरह से मूल्यांकन किया, जिसमें जटिल पृष्ठभूमियों और अवांछित वस्तुओं के साथ क्षेत्रीय वातावरण में बीमारी के नमूने शामिल हैं। PMF+FA विधि ने बीमारी की पहचान में 90.12% की औसत सटीकता प्राप्त की। परिणाम दर्शाते हैं कि PMF+FA पाइपलाइन लगातार बुनियादी PMF से बेहतर प्रदर्शन करती है। परिणाम यह भी बताते हैं कि ViT का उपयोग करने वाली विधि जटिल डेटा का निदान करने के लिए ResNet50 की तुलना में बेहतर परिणाम उत्पन्न करती है। ViT और ResNet50 कार्यान्वयन कंप्यूटेशनल रूप से कुशल हैं, जो औसतन प्रत्येक छवि के लिए क्रमशः 1.11 और 0.57 मिलीसेकंड समय लेते हैं। केवल एक छोटी प्रशिक्षण डेटा सेट के साथ उच्च थ्रूपुट और उच्च गुणवत्ता प्रदर्शन यह दर्शाता है कि प्रस्तावित तकनीक डिजिटल कृषि प्रणालियों में वास्तविक समय में बीमारी का पता लगाने के लिए उपयोग की जा सकती है।