कम लागत वाला प्लांट-स्कैनर मक्का हार्डवेयर को AI से जोड़ता है

ज़्यादातर AI डेमो चाहते हैं कि आप किसी लीडरबोर्ड की तारीफ़ करें। यह वाला एक मक्का पौधे से कहता है कि वह घूमते हुए कैमरे के सामने चुपचाप बैठा रहे, जो थोड़ा अशिष्ट है लेकिन काम का है। Scientific Reports में प्रकाशित एक पेपर मक्का में Ustilago maydis संक्रमण की स्वचालित पहचान के लिए डीप लर्निंग का उपयोग करने वाला कम-लागत वाला प्लांट-स्कैनर प्लेटफ़ॉर्म पेश करता है। दिलचस्प बात यह नहीं है कि एक न्यूरल नेट बीमार हरियाली को पहचान सकता है। दिलचस्प यह है कि शोधकर्ताओं ने सेंसिंग सेटअप को जीवविज्ञान के इर्द-गिर्द बनाया, क्योंकि असली पौधों में गीली स्पेगेटी जैसी एर्गोनॉमिक अनुशासनशीलता होती है।

स्कैनर मॉडल का सहकर्मी है Scientific Reports के अनुसार, Ustilago maydis एक

बायोट्रॉफिक फफूंद है जो मक्का में स्मट रोग पैदा करता है, जिससे पौधे के जमीन से ऊपर वाले हिस्सों पर ट्यूमर बनते हैं। पत्रिका U. maydis को पौधा-फफूंद अंतःक्रिया अध्ययनों के लिए एक मॉडल बताती है, लेकिन कहती है कि डीप लर्निंग विश्लेषण के लिए प्रयोगशाला स्थितियों में संक्रमण के लक्षणों को अपने-आप मापने वाला कोई उपकरण मौजूद नहीं था। इस कमी को पूरा करने के लिए, लेखकों ने एक घूमने वाली कैमरा प्रणाली विकसित की जो पौधों के वीडियो कैप्चर करती है। दूसरे शब्दों में, कैमरा रिग कोई साइड क्वेस्ट नहीं है। यह मशीन लर्निंग सिस्टम का हिस्सा है। यह डिज़ाइन चुनाव बनाने वालों के लिए उपयोगी सीख है। कई लागू विज़न प्रोजेक्ट प्रशिक्षण शुरू होने से पहले ही चुपचाप असफल हो जाते हैं, क्योंकि डेटा संग्रह प्रक्रिया को बस बेहतर रोशनी वाला दफ़्तरी काम मान लिया जाता है। Scientific Reports स्कैनर को प्रयोगशाला में लक्षणों की मात्रा निर्धारित करने के काम के इर्द-गिर्द रखता है, जिसका मतलब है कि हार्डवेयर, कार्य और मॉडल—तीनों एक ही प्रश्न की ओर लक्षित हैं। यह किसी विशाल मॉडल की घोषणा करने जितना चमकदार नहीं है, लेकिन प्लंबिंग भी नहीं है, और सभ्यता को शौचालय काफ़ी पसंद लगते हैं।

यह सिर्फ़ एक और पत्ती वर्गीकारक क्यों नहीं है Frontiers in Plant Science ने 15

मई 2023 को डीप लर्निंग का उपयोग करके मक्का पौधे की पत्ती रोग पहचान और वर्गीकरण के लिए मोबाइल-आधारित प्रणाली प्रकाशित की। वह काम कृषि AI की एक परिचित शाखा से जुड़ा है: कैमरा को पत्ती की ओर करें, जो दिखे उसे वर्गीकृत करें, और मोबाइल कैप्चर के ज़रिए उपकरण को सुलभ बनाएं। Scientific Reports का स्कैनर उसी परंपरा के साथ खड़ा है, लेकिन यह एक संकरे प्रयोगशाला-समस्या को हल करता है: मक्का पौधों में U. maydis संक्रमण के लक्षणों का स्वचालित विश्लेषण। व्यापक टूलबॉक्स वही है, मापन समस्या अलग है। यह अंतर मायने रखता है क्योंकि पौध रोग पहचान अलग-अलग टोपी पहनने वाला एक ही काम नहीं है। Journal of Big Data नोट करता है कि गेहूं और मक्का वैश्विक खाद्य सुरक्षा के लिए आवश्यक फसलें हैं, और कहता है कि पारंपरिक तरीके रोग की गंभीरता के आकलन के लिए प्रभावी ढंग से काम नहीं करते। यह मौजूदा डीप लर्निंग मॉडलों की सीमाओं को भी रेखांकित करता है, जिनमें गंभीरता आकलन पर बहुत कम ध्यान, एक ही फसल या रोग तक उपयोग, और छोटे डेटासेट पर निर्भरता शामिल हैं। एक लैब स्कैनर हर फील्ड टूल की जगह नहीं लेगा, और एक मोबाइल ऐप हर नियंत्रित फीनोटाइपिंग सेटअप की जगह नहीं लेगा। एक से दूसरे का काम करवाना ऐसा है जैसे टोस्टर से मौसम स्टेशन बनने को कहना, क्योंकि दोनों में बटन होते हैं।

बिल्डर वाली सीख सबसे अच्छे अर्थ में उबाऊ है Scientific Reports लागू AI टीमों को

एक ठोस पैटर्न देता है: जैविक संकेत को परिभाषित करें, कैप्चर प्रक्रिया को नियंत्रित करें, फिर उस संकेत के लिए बनाए गए डेटा पर मॉडल को प्रशिक्षित करें। यह स्पष्ट लगता है, और इसी से पता चलता है कि दोपहर के भोजन से पहले कम-से-कम तीन पिच डेक इसे नज़रअंदाज़ कर देंगे। प्लांट-स्कैनर पेपर मूल्यवान है क्योंकि यह सेंसिंग को प्रथम-श्रेणी का ढांचा मानता है, न कि अकादमिक गॉब्लिन खदानों से रहस्यमय ढंग से आए चित्रों के फ़ोल्डर की तरह। ML इंजीनियरों के लिए, यह याद दिलाने वाली बात है कि सटीकता मापन के बाद आती है। अगर कैमरा कोण, रोशनी, पौधे की ज्यामिति, या लक्षणों की दृश्यता असंगत है, तो मॉडल उस अव्यवस्था को विरासत में लेता है और उसे रिप्रेज़ेंटेशन लर्निंग कहता है। डोमेन-विशिष्ट हार्डवेयर GPU के शामिल होने से पहले एंट्रॉपी कम कर सकता है। यह मॉडल-विरोधी नहीं है। यह इस बात के पक्ष में है कि मॉडल से वह अनुमान न लगवाया जाए जो आपके उपकरण को मापना चाहिए था।

कृषि AI आगे कहाँ जाती है Journal of Big Data इस क्षेत्र की एक और दिशा बताता है,

जिसमें WY-CN-NASNetLarge पेश किया गया है—NASNetLarge आर्किटेक्चर पर आधारित एक डीप-लर्निंग मॉडल, जिसे ट्रांसफ़र लर्निंग, फ़ाइन-ट्यूनिंग और कई डेटासेट के साथ प्रशिक्षित किया गया है। Frontiers in Plant Science मक्का पत्ती रोग पहचान और वर्गीकरण के लिए मोबाइल प्रणालियों की ओर इशारा करता है। Scientific Reports तीसरी लेन जोड़ता है: प्रयोगशाला स्थितियों में स्वचालित लक्षण मात्रा-निर्धारण के लिए नियंत्रित प्लांट-स्कैनर। यह पैटर्न उत्साहजनक है क्योंकि क्षेत्र अलग-थलग मॉडल डेमो से आगे बढ़कर उन प्रणालियों की ओर जा रहा है जो इस बात से मेल खाती हैं कि डेटा वास्तव में कहाँ से आता है। लागू कंप्यूटर विज़न बनाने वाले पाठकों के लिए निष्कर्ष सरल है: हार्डवेयर को इंटर्न और मॉडल को जीनियस मानना बंद करें। देखें कि भविष्य की पौध रोग प्रणालियाँ केवल मॉडल विवरण ही नहीं, बल्कि कैप्चर प्रोटोकॉल, डेटासेट निर्माण के चुनाव और डिप्लॉयमेंट सीमाएँ भी प्रकाशित करती हैं या नहीं। पुनरुत्पादकता वहीं रहती है—सबके सामने छिपी हुई, एक रिंग लाइट और बहुत धैर्यवान मक्का पौधे के साथ। कभी-कभी सबसे समझदार AI सिस्टम वही होता है जो कैमरे के लिए एक कुर्सी खरीदता है।