داستان از این قراره که این روزها تکنولوژی واقعاً داره وارد کشاورزی میشه و هوشمند شدن وسایل و دستگاه‌های مختلف باعث شده حتی تو مزرعه هم بشه از قدرت AI یا همون هوش مصنوعی استفاده کرد. مخصوصاً وقتی حرف از تشخیص بیماری گیاه‌ها وسط باشه، این موضوع بیشتر اهمیت پیدا می‌کنه چون گیاه سالم یعنی محصول بیشتر و ضرر کمتر.
حالا مشکلی که قبلاً وجود داشت این بود که خیلی از مدل‌های هوش مصنوعی یا عمق یادگیری (Deep Learning) که ساخته بودن، یا دقت کافی نداشتن، یا خیلی بزرگ و کند بودن و نمی‌شد راحت رو گوشی یا وسایل ساده استفاده‌شون کرد، یا اگر لازم بود چند تا بیماری همزمان تشخیص بدن، قاطی می‌کردن! (مثلاً Multi-label classification یعنی همزمان بتونه چند برچسب یا بیماری رو روی یه برگ تشخیص بده)
اینجاست که این تحقیق جدید میاد وسط و کلی تکنیک خفن رو روی هم گذاشته. اسم مدلی که ساختن CNN-SEEIB هست که خب یه کم پیچیده‌ست ولی توضیحش بدم میفهمیش: CNN مخفف Convolutional Neural Network هست، یعنی شبکه عصبی کانولوشنی که برای پردازش تصویر عالیه. توی این مدل از چیزی به اسم بلوک‌های هویتی با «Squeeze and Excitation» استفاده کردن. این Squeeze & Excitation مکانیسمی هست که کمک می‌کنه مدل بتونه بفهمه کدوم بخش تصویر مهم‌تره و بیشتر باید بهش توجه کنه (یعنی Attention mechanism، همون مکانیزم توجه، که الان تو خیلی از مدرن‌ترین مدل‌های AI هست).
متخصص‌ها این مدلشون رو روی دیتاست PlantVillage امتحان کردن. یه مجموعه دیتاست خیلی معروف توی این حوزه که شامل 38 نوع مختلف برگ گیاه با بیماری‌های متنوعه و برگ سالم هم داره. جمعاً 54,305 تصویر! بعد مدل ما اومده تقریباً همه‌ی این عکس‌ها رو با دقت باورنکردنی تشخیص داده: دقت کلی 99.79 درصد! یعنی تقریباً هیچ‌چیز از دستش در نمی‌ره. به جز دقت، امتیازهایی مثل پرسیژن (Precision)، ریکال (Recall) و F1 Score چیزی نزدیک یا بالای 99.7 درصد رو زده. این معیارها نشون میده که مدل هم می‌تونه درست بیماری رو تشخیص بده (نه اینکه الکی مثبت بده)، هم حساسیتش بالاست و هم تعادل خوبی داره.
خب این فقط اول داستانه! سرعت مدل هم عالیه. برای هر تصویر فقط 64 میلی‌ثانیه وقت می‌ذاره تا نتیجه بده، یعنی تقریباً در لحظه می‌تونه بگه برگ مورد نظر بیماری داره یا نه؛ خیلی ایده‌آل برای اینکه بتونی مستقیم رو موبایل یا یه دستگاه ساده توی مزرعه ازش استفاده کنی و نیاز نباشه عکس رو بفرستی سرورهای بزرگ.
اومدن این مدل رو با مدل‌های معروف و شاخص دیپ لرنینگ هم مقایسه کردن. از نظر مصرف منابع مثل CPU/GPU و مصرف برق هم واقعاً بهینه‌ست. یعنی اگر کشاورزی بخواد ازش استفاده کنه، نه نگران هنگ کردن موبایلشه، نه خالی شدن سریع باتری دستگاهش!
یه بخش جالب دیگه این بود که محقق‌ها فقط به یه دیتاست قانع نشدن. یه دیتاست مخصوص تشخیص بیماری برگ سیب‌زمینی از پنجاب پاکستان هم تست کردن که 4,062 عکس داشته (سه تا کلاس: Healthy یعنی سالم، Early Blight و Late Blight که دو مدل بیماری سیب‌زمینی هستن). اینجا هم مدل با دقت 97.77 درصد زده تو هدف!
در کل با این روش جدید و استفاده از مدل CNN به همراه Attention و تکنیک Squeeze & Excitation، تشخیص بیماری گیاهی رو آوردن به سطحی که واقعاً به‌درد دنیای واقعی و استفاده تو گوشی و مزرعه می‌خوره. دیگه قرار نیست کشاورزها فقط با چشم غیرمسلح دنبال لکه‌ها و نشونه‌های بیماری بگردن! حالا هوش مصنوعی نه تنها سریع‌تر، دقیق‌تر و بهینه‌تر عمل می‌کنه، بلکه کلی از مشکلات قدیمی رو هم حل کرده. واقعاً آینده کشاورزی با این جور مدل‌ها روشن‌تر میشه!
منبع: +
