भारतीय शोधकर्ताओं ने अंगूर की पत्तियों में रोग पहचानने वाली एआई प्रणाली का अनावरण किया

भारत के शोधकर्ताओं ने छवियों से अंगूर की पत्तियों में रोगों की पहचान करने के लिए तैयार की गई एक नई कृत्रिम बुद्धिमत्ता प्रणाली की रिपोर्ट दी है, जिसे वे ऐसा उपकरण बताते हैं जो उत्पादकों को समस्याओं का पहले पता लगाने और नुकसान के दाखबागानों में फैलने से पहले कार्रवाई करने में मदद कर सकता है।

यह अध्ययन सोमवार को Scientific Reports में प्रकाशित हुआ। इसमें HASFT-Net नामक एक मॉडल का वर्णन है, जिसका पूरा नाम Deep High Attention Stage-by-Stage Forward Taylor Network है। इसे छवि विश्लेषण और कंप्यूटर विज़न की कई परतों का उपयोग करके अंगूर की पत्तियों के रोगों का वर्गीकरण करने के लिए विकसित किया गया है।

पेपर के अनुसार, अंगूर की पत्तियों का रोग विभिन्न रोगजनकों के कारण हो सकता है, जो पत्तियों में रंग बदलने या विकृतियाँ पैदा करते हैं। लेखकों ने कहा कि कई मौजूदा तरीके रोग का पता केवल तब लगाते हैं जब दृश्य लक्षण दिखाई देने लगते हैं, जिससे उपचार में देरी हो सकती है और उपज घट सकती है। उनका लक्ष्य अंतिम रोग-पूर्वानुमान चरण से पहले छवि सफाई, प्रभावित क्षेत्रों के विभाजन और फीचर निष्कर्षण को जोड़कर वर्गीकरण प्रदर्शन में सुधार करना था।

शोध दल में चेन्नई स्थित Rajalakshmi Institute of Technology की Lalitha R, आंध्र प्रदेश स्थित GMR Institute of Technology की Sivasangari Ayyappan, चेन्नई स्थित Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology की Saranya K, और आंध्र प्रदेश स्थित Aditya University की A. S. Malleswari शामिल थीं। संबंधित लेखिका Malleswari हैं। पेपर में कहा गया है कि लेखकों ने किसी भी प्रतिस्पर्धी हित की घोषणा नहीं की।

शोधकर्ताओं द्वारा वर्णित प्रणाली में, अंगूर की पत्तियों की छवियाँ इस अध्ययन के लिए सीधे दाखबागानों से एकत्र करने के बजाय एक मौजूदा डेटाबेस से ली गईं। छवियाँ पहले एक डीनॉइज़िंग चरण से गुज़रीं, जिसमें पेपर के अनुसार Attention-Guided Convolutional Neural Network, या ADNet, का उपयोग किया गया। इसके बाद, रोगग्रस्त क्षेत्रों का विभाजन Spatial Pyramid-oriented Encoder-Decoder Cascade Convolutional Neural Network, जिसे पेपर में SPEDCCNN कहा गया है, के माध्यम से Tversky loss function का उपयोग करते हुए किया गया। फिर विभाजित आउटपुट को Siberian Tiger Optimization नामक विधि से परिष्कृत किया गया।

मॉडल ने पत्ती की छवियों से कई दृश्य विशेषताएँ भी निकालीं, जिनमें Opponent Color Local Binary Pattern, Scale Invariant Feature Transform और rectangularity, eccentricity तथा circularity जैसे आकार-संबंधी माप शामिल थे। इन इनपुट्स का उपयोग फिर HASFT-Net द्वारा वर्गीकरण के लिए किया गया। लेखकों ने कहा कि यह संरचना NASNet, Taylor series methods और Deep High-order Attention Neural Network के तत्वों को जोड़ने के लिए बनाई गई थी।

पेपर में रिपोर्ट किए गए परिणामों के अनुसार, HASFT-Net ने सीखने के डेटा के 90% के साथ प्रशिक्षण देने पर 92.172% सटीकता हासिल की। अध्ययन में 92.883% true positive rate, 91.993% true negative rate, 90.887% precision और 91.874% F1-score भी दर्ज किया गया।

ये आंकड़े संकेत देते हैं कि परीक्षण की गई परिस्थितियों में मॉडल ने अच्छा प्रदर्शन किया, हालांकि पेपर यह स्थापित नहीं करता कि यह सभी दाखबागान परिवेशों, प्रकाश स्थितियों या व्यावसायिक उपयोग में अंगूर की किस्मों के बीच कैसा प्रदर्शन करेगा। क्योंकि यह कार्य छवियों के एक डेटाबेस पर आधारित था, इसलिए संभवतः क्षेत्रीय परिस्थितियों में आगे सत्यापन की आवश्यकता होगी, इससे पहले कि उत्पादक इसे नियमित प्रबंधन उपकरण के रूप में भरोसेमंद मान सकें।

यह पेय क्षेत्र के लिए महत्वपूर्ण है क्योंकि अंगूर वाइन उत्पादन का कच्चा माल हैं, और रोग का दबाव उपज और फल की गुणवत्ता दोनों को प्रभावित कर सकता है। यदि इस तरह की प्रणालियाँ प्रयोगशाला-जैसी परीक्षण स्थितियों के बाहर विश्वसनीय साबित होती हैं, तो वे अधिक सटीक दाखबागान प्रबंधन में मदद कर सकती हैं, उत्पादकों को जल्दी हस्तक्षेप करने में सहारा दे सकती हैं और संभावित रूप से फसल नुकसान कम कर सकती हैं। पहले पहचान से यह भी बेहतर निर्णय लेने में मदद मिल सकती है कि पौध संरक्षण उपचार कब और कहाँ लागू किए जाएँ, जिसका वाइनग्रोइंग में लागत और स्थिरता पर सीधा प्रभाव पड़ता है।

पेपर 2 अप्रैल को प्राप्त हुआ, 6 जुलाई को स्वीकार किया गया और 27 जुलाई को प्रकाशित हुआ। यह Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License के तहत ओपन एक्सेस के रूप में उपलब्ध है।

यह अध्ययन कृषि में मशीन लर्निंग लागू करने वाले बढ़ते कार्य-समूह में एक और योगदान जोड़ता है, खासकर छवि पहचान के माध्यम से फसल स्वास्थ्य निगरानी में। विटीकल्चर में, इस प्रवृत्ति ने ध्यान आकर्षित किया है क्योंकि रोग प्रकोप तेज़ी से फैल सकते हैं और बड़े दाखबागान क्षेत्रों में दृश्य निरीक्षण श्रम-साध्य होता है। तस्वीरों से संदिग्ध पत्तियों को चिह्नित करने वाली प्रणाली अंततः ड्रोन, मोबाइल फोन या स्थिर कैमरों के साथ मिलकर इस्तेमाल की जा सकती है, हालांकि इन अनुप्रयोगों का इस पेपर में परीक्षण नहीं किया गया।

दाखबागान संचालकों और वाइन उत्पादकों के लिए व्यावहारिक प्रश्न केवल यह नहीं है कि कोई एल्गोरिद्म शोध परिवेश में रोगग्रस्त पत्तियों का वर्गीकरण कर सकता है या नहीं, बल्कि यह भी है कि क्या वह इतना जल्दी और इतनी निरंतरता से ऐसा कर सकता है कि क्षेत्रीय निर्णय बदल सकें। यह अध्ययन अपने आप में उस व्यापक परिचालन प्रश्न का उत्तर नहीं देता, लेकिन यह इस बात का एक और उदाहरण प्रस्तुत करता है कि एआई उपकरण विटीकल्चर की सबसे लगातार चुनौतियों में से एक के इर्द-गिर्द कैसे बनाए जा रहे हैं: रोग को उस समय पहचानना, जब वह कटाई की मात्रा या अंगूर की गुणवत्ता को प्रभावित करना शुरू करे।