Fortschritte bei der Reiskrankheitsdiagnose in Ägypten

Reis ist eine wichtige Nahrungsquelle in Ägypten und ein essenzieller Teil der Ernährung vieler Leute. Obwohl Ägypten der grösste Reisproduzent in Afrika ist, importiert das Land trotzdem Reis, um die lokale Nachfrage zu decken, weil es Produktionsverluste gibt. Ein grosser Grund für diese Verluste sind Reiskrankheiten, besonders die Reisbrandkrankheit, die bis zu 30% der globalen Reisproduktion reduzieren kann. Eine frühe Erkennung dieser Krankheiten ist entscheidend, um weitere Verluste zu verhindern. In diesem Artikel wird eine neue Methode vorgestellt, die fortschrittliche Bildgebung und Deep Learning nutzt, um Reisplantagenkrankheiten zu erkennen.

#Bedeutung von Reis in Ägypten

Reis spielt eine entscheidende Rolle in der ägyptischen Landwirtschaft. Das Land baut etwa 600.000 Hektar Reis an, was etwa 22% der gesamten landwirtschaftlichen Fläche im Sommer ausmacht. Die Ursachen für die Produktionsverluste im Reis anzusprechen, ist wichtig, um die Lücke zwischen Angebot und Nachfrage zu schliessen. Reiskrankheiten sind eine der Hauptursachen für diese Verluste, und die Reisbrandkrankheit ist besonders problematisch.

#Herausforderungen bei der frühen Erkennung

Die frühzeitige Erkennung von Reiskrankheiten kann eine Herausforderung sein. Manchmal verwirren unerfahrene Landwirtschaftsmitarbeiter die Reisbrandkrankheit mit der Braunfleckenkrankheit, da beide in ihren frühen Stadien ähnlich aussehen. Das kann zu falschen Behandlungen führen. Angesichts des Mangels an erfahrenen Beratern in Ägypten wächst der Bedarf, moderne Technologien wie Bildgebung und künstliche Intelligenz zur Verbesserung der Krankheitsdiagnose zu nutzen.

#Rolle der multispektralen Bildgebung

Multispektrale Bildgebung ist ein starkes Werkzeug in der Landwirtschaft. Sie erfasst Bilder in verschiedenen Lichtwellenlängen, die mit blossem Auge nicht sichtbar sind. Diese Bilder können wertvolle Informationen über den Gesundheitszustand der Pflanzen liefern. Durch die Kombination von multispektraler Bildgebung mit Deep Learning können Forscher ihre Fähigkeit verbessern, Krankheiten bei Reispflanzen zu identifizieren und zu diagnostizieren. Um das zu erreichen, müssen eine grosse Anzahl an multispektralen Bildern gesammelt werden.

#Vorgeschlagene Lösung

Um diese Probleme anzugehen, wurde ein neuer Datensatz aus multispektralen und RGB-Bildern erstellt, zusammen mit einer Deep-Learning-Pipeline zur Erkennung von Reisplantagenkrankheiten. Der Datensatz umfasst 3.815 Bildpaare, die drei Zustände zeigen: Reisbrand, Braunflecken und gesunde Blätter. Die Kombination von multispektralen und RGB-Bildern kann zu einer grösseren Genauigkeit bei der Krankheitsentdeckung führen.

#Datensammlung

Der Datensatz wurde mit einer MAPIR Survey3N-Kamera gesammelt, die multispektrale Bilder in roten, grünen und nahen Infrarotwellenlängen aufnimmt. Ausserdem wurde eine Smartphone-Kamera genutzt, um RGB-Bilder zu machen. Um die Datenerfassung zu erleichtern, wurde ein speziell entwickelter Halter entworfen, der beide Kameras und eine Powerbank kombiniert.

Eine Android-Anwendung wurde entwickelt, um Landwirten zu helfen, Bilder aufzunehmen und ihre Daten zu verwalten. Mit dieser App können Nutzer Fotos machen, sie beschriften und Sitzungen verwalten, während die Informationen mit einer Datenbank synchronisiert werden.

#Deep Learning Modell

Das für dieses Projekt entwickelte Deep Learning Modell basiert auf der ResNet18-Architektur, die hilft, das Problem des verschwindenden Gradienten, das oft beim Training von neuronalen Netzen auftritt, anzugehen. Das Modell nimmt multispektrale Daten und RGB-Bilder als Eingabe, verarbeitet sie durch mehrere Schichten und gibt Krankheitsklassifikationen aus.

#Datenvorbereitung

Bevor das Modell trainiert wurde, durchliefen die gesammelten Daten mehrere Vorbereitungsschritte. Dazu gehörte das Registrieren von RGB-Bildern, um sicherzustellen, dass sie mit den multispektralen Bildern übereinstimmen. Da beide Kameras unterschiedliche Sichtfelder haben, mussten die Bilder sorgfältig ausgerichtet werden. Auch die Kalibrierung der multispektralen Kamera wurde durchgeführt, um die Genauigkeit der Bilder zu gewährleisten.

#Training des Modells

Der Trainingsprozess bestand darin, den gesammelten Datensatz über 50 Epochen mit einer Batch-Grösse von 16 zu verwenden. Ein Optimierer wurde eingesetzt, um das Lernen des Modells basierend auf Verlustfunktionen anzupassen. Das Training umfasste die Erstellung eines speziellen Index, der multispektrale und RGB-Daten kombiniert. Dadurch wurde die Genauigkeit bei der Identifizierung von Reisplantagenkrankheiten verbessert.

#Ergebnisse des Experiments

Nach dem Training des Modells zeigten die Ergebnisse, dass die Kombination aus RGB und dem neu erstellten Index die Genauigkeit des Modells um 1% verbesserte im Vergleich zur Verwendung von nur RGB-Bildern. Das Modell erreichte mit der kombinierten Eingabe eine F1-Genauigkeit von 84,9%, verglichen mit 83,9% nur mit RGB-Bildern.

#Fazit

Diese Arbeit stellt einen neuen Datensatz und eine Deep Learning-Pipeline zur Erkennung von Reisplantagenkrankheiten vor. Durch die Integration von multispektraler Bildgebung mit RGB-Daten können Forscher die Identifizierung von Pflanzenkrankheiten verbessern. Zukünftige Verbesserungen könnten durch die Sammlung zusätzlicher Bilder und das Ausprobieren unterschiedlicher Möglichkeiten zur Datenverarbeitung erreicht werden. Dieser Ansatz bietet eine vielversprechende Lösung, um die Reisproduktion in Ägypten zu schützen, indem eine schnellere und genauere Krankheitsdetektion ermöglicht wird.