Hiện nay, nhiều loại dịch bệnh ảnh hưởng đến việc nuôi trồng và dẫn đến thiệt hại kinh tế đáng kể do làm giảm năng suất và giảm chất lượng sản phẩm. Trong nhiều trường hợp, tình trạng sức khỏe của cây trồng hoặc thực vật thường được đánh giá bằng tình trạng của lá. Đối với người chăn nuôi, điều tối quan trọng là phải xác định sớm các triệu chứng này. Nhận biết sớm là chìa khóa để kiểm soát dịch bệnh trước khi chúng lây lan quá xa. Tuy nhiên, việc xác định một cách thủ công lá có bị nhiễm bệnh hay không, loại nhiễm trùng và giải pháp kiểm soát bệnh cần thiết là một vấn đề khó giải quyết. Các phương pháp hiện tại có thể dễ bị lỗi và rất tốn kém. Đây là nơi giải pháp máy học tự động (ML) cho thị giác máy tính (CV) có thể giúp ích. Thông thường, việc xây dựng các mô hình học máy phức tạp đòi hỏi hàng trăm nghìn hình ảnh được dán nhãn, cùng với kiến ​​thức chuyên môn về khoa học dữ liệu. Trong bài đăng này, chúng tôi giới thiệu cách bạn có thể xây dựng giải pháp phát hiện, xác định và giải quyết bệnh giai đoạn cuối bằng cách sử dụng Nhãn tùy chỉnh Rekognition của Amazon.

Nhận thức lại Amazon là một dịch vụ được quản lý hoàn toàn cung cấp khả năng CV để phân tích hình ảnh và video trên quy mô lớn, sử dụng công nghệ học sâu mà không yêu cầu chuyên môn về ML. Amazon Rekognition Custom Labels, một tính năng ML tự động của Amazon Rekognition, cho phép bạn nhanh chóng đào tạo các mẫu CV tùy chỉnh cụ thể cho nhu cầu kinh doanh của bạn, chỉ đơn giản bằng cách đưa các hình ảnh được gắn nhãn.

Tổng quan về giải pháp

Chúng tôi tạo một mô hình tùy chỉnh để phát hiện bệnh trên lá cây. Để tạo mô hình tùy chỉnh của chúng tôi, chúng tôi làm theo các bước sau:

1. Tạo một dự án trong Amazon Rekognition Custom Labels.
2. Tạo một tập dữ liệu với các hình ảnh có chứa nhiều loại bệnh trên lá cây.
3. Huấn luyện mô hình và đánh giá hoạt động.
4. Kiểm tra mô hình tùy chỉnh mới bằng cách sử dụng điểm cuối API được tạo tự động.

Amazon Rekognition Custom Labels cho phép bạn quản lý quy trình đào tạo mô hình ML trên Bảng điều khiển Amazon Rekognition, giúp đơn giản hóa quá trình suy luận và phát triển mô hình end-to-end.

Tạo dự án của bạn

Để tạo dự án phát hiện bệnh trên lá cây của bạn, hãy hoàn thành các bước sau:

1. Trên bảng điều khiển Amazon Rekognition, chọn Nhãn tùy chỉnh.
2. Chọn Bắt Đầu.
3. Trong Tên dự án, nhập cây-lá-bệnh-phát hiện.
4. Chọn Tạo dự án.

Bạn cũng có thể tạo một dự án trên Dự án trang. Bạn có thể truy cập vào Dự án trang thông qua ngăn điều hướng.

Tạo tập dữ liệu của bạn

Để tạo mô hình phát hiện bệnh trên lá, trước tiên bạn cần tạo một bộ dữ liệu để huấn luyện mô hình. Đối với bài đăng này, bộ dữ liệu của chúng tôi bao gồm ba loại hình ảnh bệnh lá cây: bệnh cháy lá do vi khuẩn, đốm nâu và bệnh đốm lá.

Các hình ảnh sau đây cho thấy các ví dụ về bệnh cháy lá do vi khuẩn.

Các hình ảnh sau đây cho thấy các ví dụ về đốm nâu.

Các hình ảnh sau đây cho thấy các ví dụ về bệnh xì mủ lá.

Chúng tôi lấy nguồn hình ảnh của mình từ UCI, Citation (Prajapati HB, Shah JP, Dabhi VK. Phát hiện và phân loại bệnh hại cây lúa. Công nghệ Quyết định Thông minh. 2017 Jan 1; 11 (3): 357-73, doi: 10.3233 / IDT-170301) (Dua, D. and Graff , C. (2019). Kho lưu trữ Máy học UCI [http://archive.ics.uci.edu/ml]. Irvine, CA: Đại học California, Trường Khoa học Máy tính và Thông tin.)

Để tạo tập dữ liệu của bạn, hãy hoàn thành các bước sau:

1. tạo một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) xô.

Đối với bài đăng này, tôi tạo một nhóm S3 có tên là plan-leaf-disease-data.

2. Tạo ba thư mục bên trong thùng này có tên Bacte-Leaf-Blight, Brown-Spot và Leaf-Smut để lưu trữ hình ảnh của từng loại bệnh.

3. Tải lên từng danh mục tệp hình ảnh trong nhóm tương ứng của chúng.
4. Trên bảng điều khiển Amazon Rekognition, dưới Bộ dữ liệu, chọn Tạo tập dữ liệu.
5. Chọn Nhập hình ảnh từ nhóm Amazon S3.

6. Trong Vị trí thư mục S3, nhập đường dẫn thùng S3.
7. Để ghi nhãn tự động, hãy chọn Tự động đính kèm nhãn cho hình ảnh của tôi dựa trên thư mục chúng được lưu trữ trong.

Điều này tạo ra nhãn dữ liệu của hình ảnh dưới dạng tên thư mục.

Bây giờ bạn có thể thấy chính sách quyền của nhóm S3 đã tạo.

8. Sao chép chính sách JSON.

9. Điều hướng đến nhóm S3.
10. trên Sự cho phép tab, dưới Chính sách nhóm, chọn Chỉnh sửa.
11. Nhập chính sách JSON mà bạn đã sao chép.
12. Lựa chọn Lưu các thay đổi.

13. Chọn Gửi.

Bạn có thể thấy rằng việc gắn nhãn hình ảnh được sắp xếp dựa trên tên thư mục.

Đào tạo mô hình của bạn

Sau khi bạn gắn nhãn hình ảnh của mình, bạn đã sẵn sàng đào tạo mô hình của mình.

1. Chọn Mô hình xe lửa.
2. Trong Chọn dự án, chọn cây-lá-bệnh-phát hiện dự án của bạn.
3. Trong Chọn tập dữ liệu đào tạo, chọn bộ dữ liệu cây-lá-bệnh-bộ dữ liệu của bạn.

Là một phần của đào tạo mô hình, Amazon Rekognition Custom Labels yêu cầu tập dữ liệu thử nghiệm được gắn nhãn. Amazon Rekognition Custom Labels sử dụng tập dữ liệu thử nghiệm để xác minh mức độ tốt mà mô hình được đào tạo của bạn dự đoán các nhãn chính xác và tạo các chỉ số đánh giá. Hình ảnh trong tập dữ liệu thử nghiệm không được sử dụng để đào tạo mô hình của bạn và phải đại diện cho cùng loại hình ảnh mà bạn sử dụng với mô hình của mình để phân tích.

4. Trong Tạo bộ thử nghiệm, chọn cách bạn muốn tạo tập dữ liệu thử nghiệm của mình.

Amazon Rekognition Custom Labels cung cấp ba tùy chọn:

• Chọn một tập dữ liệu thử nghiệm hiện có
• Tạo tập dữ liệu thử nghiệm mới
• Tách tập dữ liệu đào tạo

Đối với bài đăng này, chúng tôi chọn Tách tập dữ liệu đào tạo và để Amazon Rekognition giữ lại 20% hình ảnh để thử nghiệm và sử dụng 80% hình ảnh còn lại để huấn luyện mô hình.

Mô hình của chúng tôi mất khoảng 1 giờ để đào tạo. Thời gian đào tạo cần thiết cho mô hình của bạn phụ thuộc vào nhiều yếu tố, bao gồm số lượng hình ảnh được cung cấp trong tập dữ liệu và độ phức tạp của mô hình.

Khi quá trình đào tạo hoàn tất, Amazon Rekognition Custom Labels xuất các chỉ số chất lượng chính, bao gồm điểm F1, độ chính xác, thu hồi và ngưỡng giả định cho mỗi nhãn. Để biết thêm thông tin về các chỉ số, hãy xem Các chỉ số để đánh giá mô hình của bạn.

Kết quả đánh giá của chúng tôi cho thấy mô hình của chúng tôi có độ chính xác là 1.0 đối với vi khuẩn-lá-bệnh và đốm nâu, có nghĩa là không có vật thể nào bị xác định nhầm (dương tính giả) trong bộ thử nghiệm của chúng tôi. Mô hình của chúng tôi cũng không bỏ sót bất kỳ đối tượng nào trong bộ thử nghiệm của chúng tôi (âm tính giả), được phản ánh trong điểm thu hồi của chúng tôi là 1. Bạn thường có thể sử dụng điểm F1 làm điểm chất lượng tổng thể vì nó tính đến cả độ chính xác và thu hồi. Cuối cùng, chúng tôi thấy rằng ngưỡng giả định của chúng tôi để tạo ra điểm F1, độ chính xác và chỉ số thu hồi cho mỗi danh mục lần lượt là 0.62, 0.69 và 0.54 đối với vi khuẩn-lá-bệnh, đốm nâu và lá-bệnh. Theo mặc định, mô hình của chúng tôi trả về các dự đoán trên ngưỡng giả định này.

Chúng tôi cũng có thể chọn Xem kết quả kiểm tra để xem mô hình của chúng tôi hoạt động như thế nào trên mỗi hình ảnh thử nghiệm. Ảnh chụp màn hình sau đây cho thấy một ví dụ về hình ảnh được xác định chính xác của bệnh cháy lá do vi khuẩn trong quá trình thử nghiệm mô hình (dương tính thực sự).

Kiểm tra mô hình của bạn

Mô hình phát hiện bệnh hại cây trồng của bạn hiện đã sẵn sàng để sử dụng. Amazon Rekognition Custom Labels cung cấp các lệnh gọi API để bắt đầu, sử dụng và dừng mô hình của bạn; bạn không cần quản lý bất kỳ cơ sở hạ tầng nào. Để biết thêm thông tin, hãy xem Bắt đầu hoặc Dừng mô hình nhãn tùy chỉnh nhận lại của Amazon (Bảng điều khiển).

Ngoài việc sử dụng API, bạn cũng có thể sử dụng Trình diễn Nhãn Tùy chỉnh. Mẫu CloudFormation này cho phép bạn thiết lập giao diện người dùng tùy chỉnh, được bảo vệ bằng mật khẩu, nơi bạn có thể bắt đầu và dừng các mô hình của mình và chạy các suy luận trình diễn.

Sau khi được triển khai, ứng dụng có thể được truy cập bằng trình duyệt web sử dụng địa chỉ được chỉ định trong đầu ra url từ ngăn xếp CloudFormation được tạo trong triển khai của giải pháp.

1. Chọn Bắt đầu mô hình.

2. Cung cấp đơn vị suy luận được yêu cầu. Đối với ví dụ này, hãy đưa ra giá trị là 1.

Bạn bị tính phí cho khoảng thời gian, tính bằng phút, mô hình đang chạy. Để biết thêm thông tin, hãy xem Giờ suy luận.

Có thể mất một lúc để bắt đầu.

3. Chọn tên mô hình.

4. Chọn Tải lên.

Một cửa sổ mở ra để bạn chọn hình ảnh lá cây từ ổ đĩa cục bộ của bạn.

Mô hình phát hiện bệnh trong hình ảnh chiếc lá được tải lên cùng với điểm tin cậy. Nó cũng đưa ra khuyến cáo kiểm soát dịch hại dựa trên loại bệnh.

Dọn dẹp

Để tránh phát sinh các khoản phí không cần thiết, hãy xóa các tài nguyên được sử dụng trong hướng dẫn này khi không sử dụng. Để biết hướng dẫn, hãy xem phần sau:

Kết luận

Trong bài đăng này, chúng tôi đã hướng dẫn bạn cách tạo mô hình phát hiện đối tượng với Nhãn tùy chỉnh Rekognition của Amazon. Tính năng này giúp dễ dàng đào tạo một mô hình tùy chỉnh có thể phát hiện một lớp đối tượng mà không cần chỉ định các đối tượng khác hoặc làm mất độ chính xác trong kết quả của nó.

Để biết thêm thông tin về cách sử dụng nhãn tùy chỉnh, hãy xem Nhãn tùy chỉnh Rekognition của Amazon là gì?

Về các tác giả

Dhiraj Thakur là Kiến trúc sư Giải pháp với Dịch vụ Web của Amazon. Anh làm việc với các khách hàng và đối tác của AWS để cung cấp hướng dẫn về chiến lược, di chuyển và áp dụng đám mây dành cho doanh nghiệp. Anh ấy đam mê công nghệ và thích xây dựng và thử nghiệm trong không gian phân tích và AI / ML.

Goel Sameer là Kiến trúc sư Giải pháp ở Seattle, người thúc đẩy thành công của khách hàng bằng cách xây dựng các nguyên mẫu dựa trên các sáng kiến ​​tiên tiến. Trước khi gia nhập AWS, Sameer đã tốt nghiệp thạc sĩ tại NEU Boston, chuyên ngành khoa học dữ liệu. Anh ấy thích xây dựng và thử nghiệm các dự án AI / ML trên Raspberry Pi.

Coinsmart. Đặt cạnh Bitcoin-Börse ở Europa
Nguồn: https://aws.amazon.com/blogs/machine-learning/plant-leaf-disease-detection-with-amazon-rekognition-custom-labels/