बिना नए हार्डवेयर के जड़ी बूटी पहचान एआई की सटीकता बढ़ाएं: MASC विधि
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
कृषि प्रौद्योगिकी में क्रांतिकारी बदलाव आ रहा है। कृत्रिम बुद्धिमत्ता मॉडल अब पर्यावरणीय परिवर्तनों के प्रति अधिक सहनशील हो गए हैं। एक नई अध्ययन ने 'मेटाडेटा-गाइडेड अपियरेंस-शिफ्ट कॉन्सिस्टेंसी' या MASC का परिचय दिया है। यह एक ट्रेनिंग फ्रेमवर्क है जो बिना किसी हार्डवेयर अपग्रेड के बाहरी छवियों में जड़ी बूटियों की पहचान को बेहतर बनाता है। यह दृष्टिकोण सटीक खेती की एक पुरानी चुनौती को सुलझाता है। मिट्टी की नमी, रोशनी और पृष्ठभूमि के दृश्य में उतार-चढ़ाव के बावजूद उच्च सटीकता बनाए रखना इसका मुख्य लक्ष्य है।
MASC सिस्टम मिट्टी की नमी और रोशनी के सांख्यिकीय डेटा जैसे पर्यावरणीय मेटाडेटा का उपयोग करता है। यह अतिरिक्त ट्रेनिंग दृश्य तैयार करता है। CIELAB रंग स्थान में मिट्टी के रंग वितरण का विश्लेषण करके, सिस्टम दिशात्मक रूप से दिखावटी बदलाव उत्पन्न करता है। ये बदलाव अलग-अलग मौसम की स्थितियों की नकल करते हैं। संशोधित छवियों को मूल फोटोग्राफ्स के साथ एक साझा YOLO11n डिटेक्टर द्वारा प्रोसेस किया जाता है। मॉडल दोनों दृश्यों में भविष्यवाणियों को स्थिर रखना सीखता है। यह नेटवर्क को सामान्य बनाने में मदद करता है ताकि वह सतही दृश्य परिवर्तनों को नजरअंदाज कर सके। फिर भी, यह जड़ी बूटियों को सटीक रूप से खोजने और वर्गीकृत करने में सक्षम रहता है।
MASC विधि का मूल्यांकन CropAndWeed डेटासेट पर किया गया। इसमें 8,000 से अधिक छवियां शामिल हैं जिन्हें कठोर परीक्षण के लिए डिजाइन किया गया है। परिणामों में बाहरी जड़ी बूटियों की रिकॉल में उल्लेखनीय सुधार देखा गया। मानक आत्मविश्वास सीमा पर यह 45.05% से बढ़कर 49.97% हो गई। इसके अलावा, 0.5 के इंटरसेक्शन-ओवर-यूनियन थ्रेशोल्ड पर जड़ी बूटियों की औसत सटीकता 41.62% से बढ़कर 44.21% हो गई। जब मॉडल को 3SeasonWeedDet10 डेटासेट पर लागू किया गया तो कोई टारगेट-डोमेन ट्रेनिंग या ट्यूनिंग नहीं की गई। फिर भी इन लाभों को हासिल किया गया। इससे क्रॉस-डेटासेट सामान्यीकरण की शक्ति प्रमाणित होती है।
कार्यक्षमता MASC की एक प्रमुख विशेषता है। इनफरेंस नेटवर्क अपरिवर्तित रहता है। बेसलाइन कंप्यूटेशनल जटिलता 2,583,907 पैरामीटर और 6.3 GFLOPs पर बनी रहती है। इसका मतलब है कि किसान और कृषि ऑपरेटर महंगे हार्डवेयर अपग्रेड के बिना मौजूदा एंबेडेड डिवाइस पर उन्नत AI-आधारित जड़ी बूटी पहचान प्रणाली तैनात कर सकते हैं। यह विधि सामान्य डेटा ऑगमेंटेशन से अलग है। यह मापे गए स्रोत दिखावटी अंतरों का उपयोग उपयोगी विक्षोभ (perturbations) को परिभाषित करने के लिए करता है। इससे ट्रेनिंग में आए परिवर्तन वास्तविक दुनिया के पर्यावरणीय बदलावों को दर्शाते हैं, न कि यादृच्छिक शोर को।
अध्ययन ने मिट्टी-दिखावट दूरी और रिकॉल अंतर के बीच न्यूनतम संबंधों का उल्लेख किया है। फिर भी, स्थिरता नियमितीकरण के एल्गोरिदमिक लाभ स्पष्ट थे। फ्रेमवर्क ने सकारात्मक वास्तविक पुनर्प्राप्ति और प्रबंधनीय गलत धनात्मक दरों के बीच संतुलन स्थापित करके पहचान व्यापार-व्यवस्था में सुधार किया। जैसे-जैसे सटीक खेती स्थान-विशिष्ट हस्तक्षेपों की ओर बढ़ रही है, MASC जैसे उपकरण रासायनिक बर्बादी कम करने और फसलों की स्वास्थ्य को सुरक्षित रखने का व्यावहारिक तरीका प्रदान करते हैं। वे सिस्टम को त्रुटियों से ओवरलोड किए बिना गुम हुई जड़ी बूटियों को कम करते हैं। भविष्य का शोध क्षेत्र-उपकरण लेटेंसी मूल्यांकन और व्यापक टारगेट कवरेज पर केंद्रित होगा। इसका उद्देश्य विविध वैश्विक कृषि संदर्भों में इन निष्कर्षों की पुष्टि करना है।