चूंकि पौधे की बीमारियां वैश्विक खाद्य सुरक्षा को खतरे में डालती रहती हैं, एआई-संचालित ड्रोन और उन्नत मशीन लर्निंग मॉडल आधुनिक कृषि के लिए स्केलेबल, कुशल और सटीक समाधान प्रदान करते हुए, शुरुआती पहचान के तरीकों में क्रांति ला रहे हैं। Dronelife प्रौद्योगिकी नवाचार संस्थान के एक रोबोटिक्स इंजीनियर खावला अल्माज़्रौई से इस अतिथि पोस्ट को प्रकाशित करने की कृपा कर रहा है। Dronelife न तो गेस्ट पोस्ट के लिए भुगतान करता है और न ही भुगतान करता है।
क्यों एआई और ड्रोन पौधे की बीमारी का पता लगाने और वैश्विक खाद्य सुरक्षा के भविष्य को आकार देंगे
खावला अल्माज़्रौई, रोबोटिक्स इंजीनियर, प्रौद्योगिकी नवाचार संस्थान द्वारा
एक स्थिर और टिकाऊ खाद्य आपूर्ति सुनिश्चित करना 21 वीं सदी की सबसे अधिक दबाव वाली चुनौतियों में से एक है, लेकिन पौधे की बीमारी का पता लगाने में नवाचार कृषि लचीलापन को मजबूत करने के लिए समाधान प्रदान कर सकता है।
चूंकि वैश्विक आबादी को 2100 तक 10.3 बिलियन तक पहुंचने का अनुमान है, खाद्य सुरक्षा पौधों की बीमारियों से लगातार खतरे में बनी हुई है, जो फसल के नुकसान का कारण बनता है, आपूर्ति श्रृंखलाओं को बाधित करता है, और कृषि स्थिरता को कम करता है।
खाद्य और कृषि संगठन के अनुसार, हर साल 40% तक वैश्विक फसल उत्पादन पौधे कीटों और बीमारियों के कारण खो जाता है, वैश्विक अर्थव्यवस्था की अनुमानित $ 220 बिलियन की लागत होती है।
ऐसे राष्ट्र जो खाद्य आयात पर बहुत अधिक भरोसा करते हैं, जैसे कि यूएई, विशेष रूप से श्रृंखला के व्यवधानों की आपूर्ति करने के लिए असुरक्षित हैं जो पौधों के रोगों के कारण हो सकते हैं। इन जोखिमों को कम करने और खाद्य सुरक्षा सुनिश्चित करने के लिए पता लगाने के तरीकों को आगे बढ़ाना महत्वपूर्ण है।
पारंपरिक तरीकों की कमियां
पारंपरिक संयंत्र रोग का पता लगाने के तरीके आमतौर पर अनुभवी किसानों और कृषि विशेषज्ञों द्वारा दृश्य निरीक्षण पर निर्भर करते हैं, विश्लेषण जो स्वस्थ और संक्रमित पौधों के प्रकाश परावर्तन की तुलना करता है, और आणविक तरीकों की तुलना करता है जो पौधे के ऊतकों के भीतर रोगज़नक़ डीएनए के प्रवर्धन और मात्रा का ठहराव की अनुमति देता है।
जबकि ये तरीके प्रभावी हो सकते हैं, वे अक्सर अक्षम, महंगा और श्रम गहन होते हैं।
जैसे -जैसे अनुसंधान आगे बढ़ता है, पता लगाने के तरीकों को अधिक सुलभ, सटीक और स्केलेबल बनने की आवश्यकता होती है।
टेक्नोलॉजी इनोवेशन इंस्टीट्यूट के ऑटोनॉमस रोबोटिक्स रिसर्च सेंटर और अबू धाबी में शारजाह विश्वविद्यालय के हालिया शोध में पता लगाने में सुधार करने के लिए एआई-आधारित तरीकों की क्षमता पर प्रकाश डाला गया है।
द स्टडी, प्लांट रोग का पता लगाने और वर्गीकरण के लिए मशीन सीखने की प्रगति पर एक व्यापक समीक्षामशीन लर्निंग, विशेष रूप से गहरी सीखने, सबसे आशाजनक दृष्टिकोण के रूप में, विशेष रूप से गहरी सीख का उपयोग करके छवि-आधारित विश्लेषण की पहचान करता है।
अधिक कुशल मॉडल
मशीन लर्निंग मॉडल रंग, बनावट और आकार जैसी विशेषताओं के आधार पर बीमारियों को स्पॉट करने के लिए पत्ती, फल या स्टेम छवियों का विश्लेषण कर सकते हैं। सबसे व्यापक रूप से उपयोग की जाने वाली तकनीकों में, उच्च सटीकता के साथ विजुअल फीचर्स को कन्व्यूशनल न्यूरल नेटवर्क (सीएनएन) ने रोग वर्गीकरण में काफी सुधार किया।
कुछ मॉडल विभिन्न तकनीकों को जोड़ते हैं, जैसे कि यादृच्छिक वन और उन्मुख ग्रेडिएंट्स (HOG) के हिस्टोग्राम, सटीकता को और बढ़ाने के लिए। हालांकि, सीएनएन को व्यापक लेबल डेटा के साथ कृषि सेटिंग्स के लिए एक चुनौती के लिए व्यापक डेटासेट की आवश्यकता होती है।
जैसे -जैसे नवाचार आगे बढ़ता है, विज़न ट्रांसफॉर्मर (VITs) जैसी नई तकनीकों ने और भी अधिक क्षमता दिखाई है। मूल रूप से प्राकृतिक भाषा प्रसंस्करण के लिए डिज़ाइन किया गया है, विट छवियों के लिए स्व-परिग्रहण तंत्र लागू करते हैं, जिससे उन्हें पैच के अनुक्रम के रूप में संपूर्ण छवियों को संसाधित करने की अनुमति मिलती है। CNNs के विपरीत, जो स्थानीय छवि सुविधाओं पर ध्यान केंद्रित करते हैं, VITS एक पूरी छवि में वैश्विक संबंधों को कैप्चर कर सकता है।
विट कई फायदे प्रस्तुत करते हैं। वे अत्यधिक सटीक हैं, वे स्केलेबल हैं क्योंकि वे विशाल डेटासेट का विश्लेषण कर सकते हैं, और पारंपरिक गहरे शिक्षण मॉडल के विपरीत, वे अपनी निर्णय लेने की प्रक्रियाओं में अधिक पारदर्शिता प्रदान करते हैं।
सीएनएन और वीआईटीएस के संयोजन से हाइब्रिड मॉडल ने यह भी दिखाया है कि वे प्रदर्शन और सटीकता को काफी बढ़ा सकते हैं। उदाहरण के लिए, क्रॉपविट एक हल्का ट्रांसफार्मर मॉडल है जो पौधे की बीमारी के वर्गीकरण में 98.64% की उल्लेखनीय सटीकता प्राप्त कर सकता है।
बड़े पैमाने पर निगरानी को बढ़ाने के लिए, एआई-संचालित कैमरों से लैस ड्रोन वास्तविक समय की बीमारी का पता लगाने के लिए एक आशाजनक समाधान प्रस्तुत करते हैं। उच्च-रिज़ॉल्यूशन छवियों को कैप्चर करने और मशीन लर्निंग का उपयोग करके उनका विश्लेषण करके, ड्रोन जल्दी बीमारियों का पता लगा सकते हैं, मैनुअल निरीक्षणों पर निर्भरता को कम कर सकते हैं और प्रतिक्रिया समय में सुधार कर सकते हैं।
अनुसंधान से लेकर वास्तविक दुनिया के प्रभाव तक
प्रगति और नवाचार के बावजूद, कई चुनौतियां एआई-आधारित पौधे की बीमारी का पता लगाने में व्यापक रूप से अपनाने के लिए बनी हुई हैं।
कई एआई मॉडल सीमित डेटासेट पर प्रशिक्षित होते हैं जो वास्तविक दुनिया के कृषि स्थितियों को पूरी तरह से प्रतिबिंबित नहीं करते हैं।
नियंत्रित प्रयोगशाला वातावरण के विपरीत, वास्तविक दुनिया की कृषि सेटिंग्स अलग-अलग प्रकाश की स्थिति, मिट्टी की गुणवत्ता और मौसम के पैटर्न जैसे अप्रत्याशित कारकों का परिचय देती हैं, जो एआई मॉडल सटीकता को प्रभावित कर सकती हैं।
एआई मॉडल को और बेहतर बनाने के लिए, उन्हें विभिन्न पौधों की प्रजातियों, रोग प्रकारों और पर्यावरण की स्थिति को शामिल करने वाले विविध डेटासेट पर प्रशिक्षित किया जाना चाहिए और विविध भौगोलिक, फसल प्रकारों और खेती प्रथाओं में मज़बूती से प्रदर्शन करने के लिए अनुकूलित किया जाना चाहिए।
इन प्रगति को पूरी तरह से महसूस करने और वैश्विक खाद्य सुरक्षा में योगदान करने के लिए, शोधकर्ताओं, एग्रीटेक कंपनियों और नीति निर्माताओं सहित सभी हितधारकों को एआई प्रशिक्षण के लिए मानकीकृत डेटासेट विकसित करने, एआई मॉडल को परिष्कृत करने और स्केलेबल समाधानों को एकीकृत करने के लिए सहयोग करना चाहिए।
अभिनव तरीकों को बढ़ावा देने और मौजूदा चुनौतियों को संबोधित करके, एआई-चालित पौधे की बीमारी का पता लगाने से वादा करने वाले अनुसंधान से वास्तविक दुनिया के प्रभाव में संक्रमण हो सकता है, वैश्विक कृषि की लचीलापन को मजबूत कर सकता है और खाद्य उत्पादन के भविष्य को सुरक्षित कर सकता है।
Eng। खावला अल्माज़्रौई अबू धाबी में टेक्नोलॉजी इनोवेशन इंस्टीट्यूट (TII) के तहत स्वायत्त रोबोटिक्स रिसर्च सेंटर (ARRC) में एक रोबोटिक्स इंजीनियर हैं, जो मानवरहित ग्राउंड वाहनों के लिए धारणा, सेंसर फ्यूजन और एआई में विशेषज्ञता रखते हैं। संयुक्त अरब अमीरात विश्वविद्यालय से कंप्यूटर इंजीनियरिंग और एआई में एक पृष्ठभूमि के साथ और शारजाह विश्वविद्यालय से एक मास्टर की, वह गतिशील बाधा से बचाव, पथ योजना के लिए सुदृढीकरण सीखने और सेंसर वास्तुकला पर ध्यान केंद्रित करती है। उनके शोध, शीर्ष पत्रिकाओं और सम्मेलनों में प्रकाशित, एडवांस हार्डवेयर त्वरण, धारणा एल्गोरिदम और वास्तविक समय सेंसर एकीकरण, चुनौतीपूर्ण वातावरण में यूजीवी प्रदर्शन में सुधार करते हैं।
मिरियम मैकनाब ड्रोनलाइफ के एडिटर-इन-चीफ और जॉबफोर्ड्रोन्स के सीईओ, एक पेशेवर ड्रोन सर्विसेज मार्केटप्लेस और उभरते ड्रोन उद्योग के एक मोहित पर्यवेक्षक और ड्रोन के लिए नियामक वातावरण हैं। मिरियम ने 3,000 से अधिक लेखों को वाणिज्यिक ड्रोन स्पेस पर केंद्रित किया है और यह उद्योग में एक अंतरराष्ट्रीय वक्ता और मान्यता प्राप्त आंकड़ा है। मिरियम के पास शिकागो विश्वविद्यालय से डिग्री है और नई प्रौद्योगिकियों के लिए उच्च तकनीक बिक्री और विपणन में 20 से अधिक वर्षों का अनुभव है।
ड्रोन उद्योग परामर्श या लेखन के लिए, ईमेल मिरियम।
ट्विटर:@spaldingbarker
यहाँ Dronelife की सदस्यता लें।
(टैगस्टोट्रांसलेट) कृषि एआई (टी) एआई एग्रीटेक (टी) एआई-संचालित प्लांट डिजीज डिटेक्शन (टी) फसल रोग का पता लगाने (टी) कृषि में डीप लर्निंग (टी) ड्रोन एग्रीकल्चर (टी) फूड सिक्योरिटी टेक्नोलॉजी (टी) मशीन लर्निंग इन फार्मिंग (टी) सटीक खेती (टी) स्मार्ट फार्मिंग सॉल्यूशंस
