Macro Micro News Global Pulse. Local Truth.

نئے ہارڈ ویئر کے بغیر کیڑے مار ادویات کی شناخت میں مصنوعی ذہانت کی درستگی بڑھائیں: MASC طریقہ

16 November 2026 · 1 min read

We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.

Article image by Filip Živaljić
Image by Filip Živaljić

زرعی ٹیکنالوجی میں ایک بڑا تبدیلی آ رہی ہے۔ مصنوعی ذہانت کے ماڈلز ماحولیاتی تبدیلیوں کے لیے زیادہ پائیدار ہو چکے ہیں۔ ایک نئی تحقیق نے میٹا ڈیٹا گائیڈڈ اپیئرنس شفٹ کنسسٹنسی (MASC) کا تعارف کرایا ہے۔ یہ ایک ٹریننگ فریم ورک ہے جو بیرونی تصاویر میں کیڑے مار ادویات کی شناخت کو بہتر بناتا ہے۔ اس کے لیے کسی بھی ہارڈ ویئر اپ گریڈ کی ضرورت نہیں ہے۔ یہ طریقہ پریسیژن فارمنگ میں ایک پرانی مشکل کا حل پیش کرتا ہے۔ مٹی کی نمی، روشنی اور پس منظر کی بصری تبدیلیوں کے باوجود اعلیٰ درستگی برقرار رکھنا۔

MASC سسٹم مٹی کی نمی اور روشنی جیسے ماحولیاتی میٹا ڈیٹا کا استعمال کرتا ہے۔ یہ اضافی ٹریننگ نظارے تیار کرتا ہے۔ نظام CIELAB رنگ کی جگہ میں مٹی کے رنگ کی تقسیم کا تجزیہ کرتا ہے۔ اس سے مختلف موسمی حالات کی نقل کرنے والی مخصوص بصری تبدیلیاں پیدا ہوتی ہیں۔ ان تبدیل شدہ تصاویر کو اصل تصاویر کے ساتھ مشترکہ YOLO11n ڈیٹیکٹر کے ذریعے پروسیس کیا جاتا ہے۔ ماڈل دونوں نظاروں پر پیش گوئیوں کو مستقل رکھنا سیکھتا ہے۔ یہ نیٹ ورک کو باقاعدہ بناتا ہے تاکہ وہ ظاہری بصری تبدیلیوں کو نظر انداز کر سکے۔ اس کے باوجود یہ کیڑے مار ادویات کو درستگی سے تلاش اور درجہ بندی کرتا ہے۔

MASC طریقے کا جائزہ CropAndWeed ڈیٹا سیٹ پر لیا گیا۔ اس میں 8,000 سے زائد تصاویر شامل ہیں۔ تقسیم ایسی کی گئی ہے کہ سخت ٹیسٹنگ ممکن ہو۔ نتائج میں بیرونی کیڑے مار ادویات کی ری کال میں نمایاں بہتری آئی۔ یہ معیاری اعتماد کی حد پر 45.05 فیصد سے بڑھ کر 49.97 فیصد ہو گئی۔ نیز، یونین آف انٹر سیکنشن کے 0.5 حد پر کیڑے مار ادویات کی اوسط درستگی 41.62 فیصد سے بڑھ کر 44.21 فیصد ہو گئی۔ یہ فائدے 3SeasonWeedDet10 ڈیٹا سیٹ پر لاگو کرتے وقت حاصل ہوئے۔ اس دوران کسی ٹارگٹ ڈومین ٹریننگ یا ٹیوننگ کی ضرورت نہیں پڑی۔ اس سے واضح ہوتا ہے کہ ماڈل مختلف ڈیٹا سیٹس پر مضبوطی سے کام کرتا ہے۔

MASC کی کارکردگی اس کی ایک کلیدی خوبی ہے۔ انفارنس نیٹ ورک میں کوئی تبدیلی نہیں کی گئی۔ بنیادی کمپیوٹیشنل پیچیدگی 2,583,907 پیرامیٹرز اور 6.3 GFLOPs پر ہی رہتی ہے۔ اس سے کسان اور زرعی آپریٹرز موجودہ اینبیڈڈ ڈیوائسز پر جدید AI پر مبنی کیڑے مار ادویات کی شناخت کے نظام کو لگا سکتے ہیں۔ اس کے لیے مہنگے ہارڈ ویئر اپ گریڈ کی ضرورت نہیں۔ یہ طریقہ عمومی ڈیٹا اوگمنٹیشن سے مختلف ہے۔ یہ ناپے گئے ذرائع کی بصری اختلافات کا استعمال کرتا ہے۔ اس سے مفید خلل اندازی کی تعریف ہوتی ہے۔ اس بات کو یقینی بنایا جاتا ہے کہ ٹریننگ کی تبدیلیاں بے ترتیب شور کے بجائے حقیقی ماحولیاتی تبدیلیوں کی عکاسی کریں۔

تحقیق میں مٹی کی بصری دوری اور ری کال کے فرق کے درمیان کم ترین تشریحی ربط نوٹ کیا گیا۔ تاہم، کنسسٹنسی ریگولرائزیشن کے الگورتھمک فوائد واضح تھے۔ فریم ورک نے درست مثبت بازیافت اور قابل انتظام غلط مثبت شرح کے توازن سے تشخیصی معاوضے کو بہتر بنا دیا۔ جیسے جیسے پریسیژن ایگریکلچر مقامی مداخلتوں کی طرف بڑھ رہا ہے، MASC جیسے ٹولز کیمیائی فضلے کو کم کرنے اور فصلوں کی صحت کو محفوظ بنانے کا عملی طریقہ فراہم کرتے ہیں۔ یہ نظام کو غلطیوں سے بوجھل کیے بغیر کیڑے مار ادویات کی غلطیوں کو کم کرتے ہیں۔ مستقبل کی تحقیق میں فیلڈ ڈیوائس لیٹنسی کی جانچ اور وسیع تر ٹارگٹ کوریج پر توجہ دی جائے گی۔ اس سے مختلف عالمی زرعی تناظرات میں ان نتائج کی تصدیق ہو سکے گی۔