بنگلہ دیش میں بیٹل لیف کے امراض کی شناخت میں مصنوعی ذہانت اور ڈیٹا کا بڑا کردار، درستگی 98 فیصد تک پہنچ گئی

ڈھاکہ، بنگلہ دیش

جنوب اور جنوب مشرقی ایشیا میں روایتی ادویات اور دیہی معیشت کے لیے پان کے پتے انتہائی اہم ہیں۔ تاہم، اس ضروری فصل کو بار بار آنے والے امراض جیسے کہ پتوں کا سڑنا اور داغ لگنے سے شدید خطرہ ہے۔ یہ بیماریاں پیداوار میں نمایاں کمی اور معاشی نقصان کا سبب بنتی ہیں۔ خاص طور پر بنگلہ دیش میں چھوٹے کسان زیادہ متاثر ہوتے ہیں۔ خودکار بیماری کی تشخیص کے لیے ڈیپ لرننگ ایک امید افزا راستہ پیش کرتی ہے۔ لیکن عملی نفاذ میں تربیتی ڈیٹا کی کمی اور کلاسز کے عدم توازن جیسی رکاوٹیں سامنے آتی ہیں۔

روایتی دستی معائنہ کے طریقے محنت طلب اور ذاتی رائے پر مبنی رہتے ہیں۔ انسانی مشاہدے پر انحصار اکثر تشخیص میں تاخیر اور کیمیائی ادویات کی غیر مستقل استعمال کا باعث بنتا ہے۔ ڈیپ لرننگ کے سابقہ تجربات چھوٹے ڈیٹا سیٹس کے ساتھ مشکلات کا شکار رہے۔ ان ماڈلز نے فکسڈ آگمنٹیشن ٹیکنیکس پر انحصار کیا جو تربیت کے دوران ماڈل کی کارکردگی کے مطابق ڈھل نہیں سکے۔ نئے طریقہ کار میں آگمنٹیشن پالیسی کا انتخاب ملٹی آرمد بینڈٹ مسئلے کے طور پر دیکھا گیا ہے۔ یو سی بی کنٹرولر ولیڈیشن کی کارکردگی کی بنیاد پر مختلف رینڈ آگمنٹ میگنیٹیوڈز اور مکس اپ ایکیویوشنز کے درمیان انتخاب کرتا ہے۔ یہ حکمت عملی دریافت اور استحصال کے درمیان توازن قائم کرکے سب سے مؤثر ڈیٹا تبدیلی کی حکمت عملی تلاش کرتی ہے۔

اس مطالعے میں سخت جانچ کے اصولوں پر عمل کیا گیا۔ ڈیٹا سیٹ کی تقسیم کے لیے صرف اصل تصاویر استعمال کی گئیں۔ اس طریقہ کار سے ڈیٹا لیکیج کو روکا گیا جس سے مصنوعی طور پر کارکردگی کے اعداد و شمار میں اضافہ ہو سکتا تھا۔ ConvNeXt-Tiny بیک بون کو اس کی کارکردگی اور درستگی کی وجہ سے منتخب کیا گیا۔ اس کا موازنہ ResNet، DenseNet اور EfficientNet جیسے دیگر ماڈلز سے کیا گیا۔ نتائج سے ظاہر ہوتا ہے کہ 12-آرم UCB کی رہنمائی والی آگمنٹیشن کے ساتھ ConvNeXt-Tiny نے 98.04 فیصد کی شاندار درستگی حاصل کی۔ میکرو-F1 اسکور 97.87 فیصد رہا۔ یہ کارکردگی فکسڈ آگمنٹیشن طریقوں اور دیگر بیک بونز سے بہتر ثابت ہوئی۔

تحقیق میں کلاس کے عدم توازن میں اضافے کے باوجود ماڈل کی مضبوطی بھی دکھائی گئی۔ ماڈل نے جبکہ اقلیت کی کلاس کے نمونے کم کیے گئے تب بھی اعلیٰ کارکردگی برقرار رکھی۔ Grad-CAM جیسے قابل وضاحت مصنوعی ذہانت کے تکنیکیات کا انضمام ماڈل کو متعلقہ پتے کی خصوصیات پر توجہ مرکوز کرنے کا بصری ثبوت فراہم کرتا ہے۔ یہ فریم ورک تشخیصی درستگی کو بہتر بناتا ہے۔ یہ وسائل کی کمی والے زرعی ماحول کے لیے پیمانے پر پھیلنے والا اور موثر حل پیش کرتا ہے۔ جدید مصنوعی ذہانت کے ذریعے یہ مزید ہوشیار اور مستحکم کاشتکاری کے طریقوں کی راہ ہموار کرتا ہے۔