Reis ist eine der wichtigsten Nahrungspflanzen für Milliarden von Menschen, aber die Pflanzen sind anfällig für eine Vielzahl von Krankheiten, die auf dem Feld nicht immer leicht zu erkennen sind. Neues Werk im Internationale Zeitschrift für Modellierung und Simulation von Ingenieursystemen hat untersucht, ob eine Anwendung, die auf einem Convolution Neural Network-Algorithmus basiert, verwendet werden könnte, um schnell und effektiv zu bestimmen, was eine Kultur befällt, insbesondere in den frühen Stadien, wenn Anzeichen und Symptome durchaus mehrdeutig sein können.
Manoj Agrawal und Shweta Agrawal von der Sage University in Indore, Madhya Pradesh, schlagen vor, dass eine automatisierte Methode zur Identifizierung von Reiskrankheiten dringend benötigt wird. Sie haben nun verschiedene maschinelle Lernwerkzeuge mit mehr als 4.000 Bildern von gesundem und krankem Reis trainiert und sie mit Krankheitsdaten aus verschiedenen Quellen getestet. Sie zeigten, dass die ResNet50-Architektur mit 97,5 % die größte Genauigkeit bietet.
Das System kann anhand eines Fotos einer Probe der Ernte feststellen, ob sie krank ist oder nicht, und wenn ja, kann dann identifizieren, welche der folgenden häufigen Krankheiten, die Reis befallen, die Pflanze hat: Blattbrand, Braunfleckigkeit, Scheidenfäule, Blattbrühe , Bakterieller Blattbrand, Reisbrand, Nackenbrand, Falscher Brand, Tungro, Stängelbohrer, Hispa und Scheidenfäule.
Insgesamt ist der Ansatz des Teams bei unabhängigen Testbildern zu 98,2 % genau. Diese Genauigkeit reicht aus, um Landwirte anzuleiten, auf eine bestimmte Infektion in ihrer Kultur angemessen zu reagieren und so sowohl ihre Kultur als auch ihre Ressourcen zu schonen, anstatt Produkte oder Geld für unwirksame Behandlungen zu verschwenden.
Das Team betont, dass das System unabhängig von den Lichtverhältnissen bei der Aufnahme oder dem Hintergrund des Fotos gut funktioniert. Sie fügen hinzu, dass die Genauigkeit noch verbessert werden könnte, indem dem Trainingsdatensatz mehr Bilder hinzugefügt werden, um der Anwendung zu helfen, Vorhersagen aus Fotos zu treffen, die unter unterschiedlichen Bedingungen aufgenommen wurden.
Mehr Informationen:
Shweta Agrawal et al, Erkennung von Reispflanzenkrankheiten unter Verwendung von Convolutional Neural Networks, Internationale Zeitschrift für Modellierung und Simulation von Ingenieursystemen (2022). DOI: 10.1504/IJESMS.2022.10044308