జర్నల్ ఆఫ్ ప్లాంట్ ఫిజియాలజీ & పాథాలజీ

ఒరిజా సాటివాలో సాధారణ వ్యాధులను నిర్ధారించడానికి కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌ను ఉపయోగించడం

గ్రేస్ జాంగ్

వరి మొక్కలను ప్రభావితం చేసే వ్యాధులు పంటల సాగుకు ప్రధాన నిరోధకంగా మారాయి, దీని ఫలితంగా ఏటా 20-40% వరి పంటలు నష్టపోతున్నాయి. ఇది ఇతర పంటలపై ఆధారపడటం మరియు అభివృద్ధి చెందుతున్న దేశాలలో ఆహార అభద్రత పెరుగుదలకు కారణమైంది. ఇంకా, చాలా మంది రైతులకు రోగకారక క్రిములు వరి మొక్కలపై చూపే తీవ్ర ప్రభావాన్ని అరికట్టడానికి జ్ఞానం మరియు వనరులు లేవు. ఈ ప్రభావాన్ని తగ్గించడంలో ఒక ముఖ్య దశ సమర్థవంతమైన మరియు నమ్మదగిన రోగనిర్ధారణను అందించడం. గత దశాబ్దంలో, కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లు (CNN) రోగనిర్ధారణ సాంకేతికతలో సాధించిన విజయం కారణంగా జనాదరణ పొందాయి. వ్యాధిగ్రస్తులైన వరి మొక్కల చిత్రాలను నిర్ధారించడానికి ఇమేజ్ వర్గీకరణను ఉపయోగించే సమర్థవంతమైన CNN మోడల్‌ను రూపొందించడం ఈ ప్రాజెక్ట్ యొక్క ఉద్దేశ్యం. ప్రయోగంలో బియ్యం పేలుడు, కోశం ముడత మరియు బ్రౌన్ స్పాట్ వ్యాధులు సహా నాలుగు తరగతులు గుర్తించబడ్డాయి. ఆరోగ్యకరమైన వరి మొక్కల డేటాసెట్ CNNలో నియంత్రణ వేరియబుల్‌గా కూడా ఉపయోగించబడింది. టెస్టింగ్ డేటాసెట్‌లో 499 చిత్రాలు లేదా దాదాపు 15% ఉపయోగించబడిన వరి మొక్కల యొక్క 3000 చిత్రాలు నాడీ నెట్‌వర్క్‌లో శిక్షణ పొందాయి. టెస్టింగ్ డేటాసెట్‌లో అత్యుత్తమ CNN మోడల్‌తో 97.39% ఖచ్చితత్వం సాధించబడింది. రోగనిర్ధారణ సాంకేతికతలకు ప్రాప్యత పరిమితంగా ఉన్న పేద గ్రామీణ ప్రాంతాల్లో ఈ ప్రాజెక్ట్ వర్తిస్తుంది మరియు ప్లాంట్ పాథాలజీ రంగంలో మెషిన్ లెర్నింగ్ యొక్క ఉపయోగం ఎంత ఆశాజనకంగా ఉందో చూపిస్తుంది.