खेती के लिए AIशुरुआतीपाठ 1207 मिनट का पाठ

फ़ोटो देखकर फ़सल की बीमारी पहचानना

पत्ती की फ़ोटो लेने वाले ऐप इमेज क्लासिफ़ायर का इस्तेमाल करते हैं, जिन्होंने लेबल की गई कई फ़ोटो से सीखा है। जानें कि वे फ़ैसला कैसे लेते हैं, रोशनी, बैकग्राउंड और स्थानीय किस्में उन्हें कैसे चकमा दे सकती हैं, और किसी एक्सपर्ट से पुष्टि कराना क्यों ज़रूरी है।

✦ ट्यूटर से पूछें 🧪 लैब · 20 min 📝 पाठ का टेस्ट

स्पीड

पाठ वीडियो में

60 सेकंड में

फ़ोटो देखकर फ़सल की बीमारी पहचानना

पत्ती की फ़ोटो लेने वाले ऐप इमेज क्लासिफ़ायर का इस्तेमाल करते हैं, जिन्होंने लेबल की गई कई फ़ोटो से सीखा है। जानें कि वे फ़ैसला कैसे लेते हैं, रोशनी, बैकग्राउंड और स्थानीय किस्में…

1/5

आसान शब्दों में

सोचिए कि आप किसी बच्चे को सड़ा हुआ आम पहचानना सिखा रहे हैं। आप उसे बहुत सारे अच्छे आम और बहुत सारे सड़े हुए आम दिखाते हैं। जल्द ही बच्चा काले और नरम धब्बों को नोटिस करने लगता है। लेकिन अगर आपने उसे हमेशा धूप में सफ़ेद प्लेट पर रखे आम ही दिखाए हों, तो शाम के समय गहरे रंग के कपड़े पर रखे आम को देखकर बच्चा उलझन में पड़ सकता है। फ़ोटो ऐप भी इसी तरह सीखते हैं, और इसी तरह उलझन में पड़ जाते हैं।

फ़सल की बीमारी पहचानने वाला ऐप एक इमेज क्लासिफ़ायर का इस्तेमाल करता है। यह एक ऐसा प्रोग्राम है जो किसी फ़ोटो को देखता है और एक लिस्ट में से कोई एक लेबल चुनता है, जैसे "स्वस्थ", "पत्ती पर धब्बे" या "पीलापन"। यह एक स्कोर देता है जो बताता है कि फ़ोटो हर लेबल से कितनी मिलती-जुलती है।

एक क्लासिफ़ायर कैसे सीखता है

1
फ़ोटो जुटाना
पत्तियों की हज़ारों फ़ोटो इकट्ठा की जाती हैं।
2
उन्हें लेबल करना
एक्सपर्ट हर फ़ोटो पर सही लेबल लगाते हैं: स्वस्थ, या कौन सी बीमारी है।
3
ट्रेन करना
प्रोग्राम फ़ोटो को बार-बार देखता है, और लेबलों से बेहतर मेल खाने के लिए खुद को एडजस्ट करता है।
4
टेस्ट करना
इसे ऐसी फ़ोटो पर परखा जाता है जो इसने पहले कभी नहीं देखीं, ताकि यह मापा जा सके कि यह कितनी बार सही होता है।
5
इस्तेमाल करना
किसान की नई फ़ोटो इसमें डाली जाती है, और ऐप स्कोर के साथ अपना सबसे अच्छा अंदाज़ा बताता है।

अंदर ही अंदर, प्रोग्राम फ़ीचर्स सीखता है: रंग, आकार और बनावट के पैटर्न। भूरे गोल धब्बे, पीले किनारे या सफ़ेद पाउडर, ये सभी फ़ीचर्स हो सकते हैं। आधुनिक ऐप इन फ़ीचर्स को फ़ोटो से खुद ही सीख लेते हैं।

ऐप से गलती क्यों हो सकती है

समस्या	क्या होता है	क्या मदद करता है
रोशनी	शाम की रोशनी या तेज़ धूप रंगों को बदल देती है। एक स्वस्थ पत्ती भी पीली दिख सकती है।	हल्की दिन की रोशनी में फ़ोटो लें, जहाँ गहरी परछाईं न हो
बैकग्राउंड	अगर ट्रेनिंग वाली फ़ोटो सादे बैकग्राउंड पर थीं, तो पौधे पर लगी पत्ती जिसके पीछे मिट्टी हो, ऐप को उलझन में डाल सकती है।	फ़ोटो में ज़्यादातर हिस्सा पत्ती का ही रखें; कई फ़ोटो लें
स्थानीय किस्में	हो सकता है कि ऐप ने आपकी स्थानीय किस्म कभी न देखी हो, जिसकी स्वस्थ पत्तियों का रंग या आकार अलग होता है।	ऐसे ऐप चुनें जिन्हें आपके इलाके की फ़सलों पर ट्रेन या टेस्ट किया गया हो
ऐसी बीमारियाँ जो उसकी लिस्ट में नहीं हैं	ऐप सिर्फ़ उन्हीं लेबलों में से चुन सकता है जिन्हें वह जानता है। भले ही असली समस्या उसके लिए नई हो, फिर भी वह कोई न कोई जवाब दे देगा।	अजीब नतीजे को एक्सपर्ट से सलाह लेने की वजह मानें
एक जैसी दिखने वाली समस्याएँ	पोषक तत्वों की कमी, ज़रूरत से ज़्यादा पानी और कुछ बीमारियाँ फ़ोटो में एक जैसी दिख सकती हैं।	कोई एक्सपर्ट मिट्टी, जड़ों और पूरे पौधे की जाँच कर सकता है

नोट

कई रिसर्च प्रोजेक्ट पौधों की पत्तियों की फ़ोटो के एक जाने-माने पब्लिक डेटासेट का इस्तेमाल करते हैं। ऐसी फ़ोटो अक्सर एक बार में एक पत्ती रखकर सादे बैकग्राउंड पर ली जाती हैं। कोई मॉडल ऐसी फ़ोटो पर बहुत अच्छा स्कोर ला सकता है, फिर भी असली खेत में ली गई उलझी हुई फ़ोटो पर उसका प्रदर्शन बहुत खराब हो सकता है। हमेशा पूछें: क्या इसे मेरी जैसी फ़ोटो पर टेस्ट किया गया था?

एक छोटा क्लासिफ़ायर जिसे आप चला सकते हैं

असली ऐप लाखों पिक्सेल वैल्यू को देखते हैं। इस बात को समझने के लिए, हम हर पत्ती को सिर्फ़ तीन काल्पनिक नंबरों से समझा सकते हैं: उसका कितना हिस्सा हरा है, कितना हिस्सा पीला है, और कितना हिस्सा भूरे धब्बों से ढका है। फिर हम यह पता लगाकर एक नई पत्ती को छाँटते हैं कि वह किस ग्रुप के सबसे करीब है।

Python: which group is this leaf closest to?python

import numpy as np

# Made-up "average leaf" for each group: [green share, yellow share, brown-spot share]
groups = {
    "healthy":   np.array([0.85, 0.10, 0.02]),
    "leaf spot": np.array([0.60, 0.10, 0.25]),
    "yellowing": np.array([0.40, 0.50, 0.03]),
}

new_leaf = np.array([0.62, 0.12, 0.20])

for name, centre in groups.items():
    distance = np.linalg.norm(new_leaf - centre)
    print(f"{name:10s} distance {distance:.3f}")
print("Closest group is the app's guess. A smaller distance means more similar.")

सावधान रहें

"92% लीफ़ स्पॉट" जैसा स्कोर इस बात की संभावना नहीं है कि आपको कीटनाशक छिड़कना ही चाहिए। यह सिर्फ़ यह बताता है कि यह फ़ोटो उस लेबल की ट्रेनिंग वाली फ़ोटो से कितनी मिलती-जुलती है। ऐप पूरे भरोसे के साथ भी गलत हो सकते हैं।

ख़तरा

सिर्फ़ किसी ऐप के फ़ोटो नतीजे के आधार पर कभी भी कीटनाशक या उसकी मात्रा तय न करें। समस्या और इलाज की पुष्टि अपने KVK (कृषि विज्ञान केंद्र) या कृषि अधिकारी से करें, और प्रॉडक्ट के लेबल तथा सुरक्षा निर्देशों का पालन करें।

यह आज़माएँ। ऊपर दिए गए कोड में, new_leaf को बदलकर [0.45, 0.42, 0.05] करें। अब कौन सा ग्रुप सबसे करीब है? फिर सोचिए कि उसी पत्ती की फ़ोटो शाम की रोशनी में ली गई है, जिससे सब कुछ ज़्यादा पीला दिखता है। इससे जवाब कैसे बदल सकता है?

और देखें और पढ़ें

लैब

काल्पनिक रंगों के नंबरों पर काम करने वाला एक नीयरेस्ट-सेंटर लीफ़ क्लासिफ़ायर, और खराब रोशनी में क्या बदलता है इस पर एक नोट।

~20 min

समस्या

यह आपके ब्राउज़र में चलता है। सभी नंबर काल्पनिक हैं: हर पत्ती को [हरे का हिस्सा, पीले का हिस्सा, भूरे धब्बों का हिस्सा] के रूप में दिखाया गया है।

शुरुआती कोड रन करें। classify फ़ंक्शन "आलसी" है: यह हमेशा "स्वस्थ" ही कहता है। इसकी सटीकता (accuracy) देखें।
classify(features) को दोबारा लिखें ताकि यह वह लेबल दे जिसका सेंटर (centres डिक्शनरी में) पत्ती के सबसे करीब हो। पाठ में दिए गए उदाहरण कोड से दूरी (distance) का इस्तेमाल करें।
इसे फिर से रन करें। अब test_leaves पर सटीकता बहुत ज़्यादा होनी चाहिए।
evening_leaves के प्रिंटआउट को देखें: उसी तरह की स्वस्थ पत्तियाँ, जिनकी फ़ोटो शाम की पीली रोशनी में ली गई है। क्या हुआ और क्यों हुआ, इस पर दो लाइनें लिखें।

प्रैक्टिस लैब

कोड में बदलाव करें और इसे रन करें। Python आपके ब्राउज़र में चलता है — हमारे सर्वर पर कुछ नहीं भेजा जाता।

रन करने के लिए Ctrl + Enter दबाएं

import numpy as np

# Made-up training leaves: [green share, yellow share, brown-spot share]
train = [
    ([0.86, 0.09, 0.02], "healthy"),   ([0.82, 0.12, 0.03], "healthy"),
    ([0.88, 0.08, 0.01], "healthy"),   ([0.62, 0.10, 0.24], "leaf spot"),
    ([0.58, 0.12, 0.27], "leaf spot"), ([0.64, 0.08, 0.22], "leaf spot"),
    ([0.42, 0.48, 0.04], "yellowing"), ([0.38, 0.52, 0.03], "yellowing"),
    ([0.45, 0.45, 0.05], "yellowing"),
]
labels = sorted(set(label for _, label in train))
# The centre of each group = the average of its training leaves
centres = {lab: np.mean([f for f, l in train if l == lab], axis=0) for lab in labels}

def classify(features):
    # TODO: return the label whose centre is closest to features.
    # Hint: np.linalg.norm(np.array(features) - centre) gives the distance.
    return "healthy"   # lazy answer: always the same

test_leaves = [
    ([0.84, 0.11, 0.02], "healthy"),   ([0.80, 0.13, 0.04], "healthy"),
    ([0.60, 0.11, 0.25], "leaf spot"), ([0.66, 0.09, 0.20], "leaf spot"),
    ([0.40, 0.50, 0.05], "yellowing"), ([0.47, 0.44, 0.04], "yellowing"),
]
# Healthy leaves photographed in yellow evening light (made up)
evening_leaves = [([0.55, 0.40, 0.03], "healthy"), ([0.58, 0.37, 0.02], "healthy")]

def accuracy(rows):
    right = sum(1 for f, label in rows if classify(f) == label)
    return right / len(rows)

print("Centres:")
for lab, c in centres.items():
    print(f"  {lab:10s}", np.round(c, 3))
print(f"Accuracy on test leaves:    {accuracy(test_leaves):.2f}")
print(f"Accuracy on evening leaves: {accuracy(evening_leaves):.2f}")
for f, label in evening_leaves:
    print(f"  true {label:8s} -> guess {classify(f)}")

आउटपुट

कोई आउटपुट नहीं। वैल्यूज़ देखने के लिए print(...) जोड़ें।

आपका काम तब पूरा होगा जब

classify वह लेबल लौटाता है जिसकी दूरी पत्ती से सबसे कम हो
आलसी वर्शन की तुलना में test_leaves पर सटीकता बढ़ जाती है
नोट समझाता है कि शाम की रोशनी ने स्वस्थ पत्तियों को 'पीलापन' जैसा दिखा दिया
नोट कहता है कि किसी भी इलाज से पहले असली नतीजे की पुष्टि किसी एक्सपर्ट से की जानी चाहिए

कठिन सवाल

उत्तर देखने से पहले ख़ुद जवाब देने की कोशिश करें। अगर आप इनके जवाब दे सकते हैं, तो आप पाठ समझ गए हैं।

Q1क्लासिफ़ायर को test_leaves पर 100% मिलता है लेकिन evening_leaves पर फ़ेल हो जाता है। यहाँ टेस्ट सेट पर 100% नतीजा भ्रामक क्यों है?दिखाएं

टेस्ट वाली पत्तियाँ उसी तरह और उसी "रोशनी" में बनाई गई थीं जैसे ट्रेनिंग वाली पत्तियाँ, इसलिए वे आसान थीं। शाम वाली पत्तियाँ अलग परिस्थितियों से आती हैं, और मॉडल ने उन्हें कभी नहीं देखा है। सटीकता का मतलब सिर्फ़ टेस्ट फ़ोटो जैसी फ़ोटो के लिए ही होता है। किसी असली ऐप पर भरोसा करने के लिए, उसे असली खेतों की, अलग-अलग रोशनी में, स्थानीय किस्मों वाली फ़ोटो पर टेस्ट किया जाना चाहिए।

Q2आप किसी क्लासिफ़ायर को अलग-अलग रोशनी को बेहतर तरीके से संभालने लायक कैसे बना सकते हैं?दिखाएं

कई तरह की रोशनी, दिन के अलग-अलग समय और अलग-अलग बैकग्राउंड में ली गई फ़ोटो ट्रेनिंग में जोड़ें, और उन सभी को सही ढंग से लेबल करें। कुछ सिस्टम क्लासिफ़ाई करने से पहले रंगों को एडजस्ट भी करते हैं, या ट्रेनिंग के दौरान फ़ोटो की बदली हुई कॉपियाँ (ज़्यादा चमकीली, गहरी, गर्म रंगत वाली) जोड़ते हैं। ऐप को यह कहना भी सिखाएँ कि जब कोई फ़ोटो हर ग्रुप से बहुत दूर हो तो वह "पक्का नहीं पता" कहे, और बेहतर फ़ोटो की माँग करे।

जारी रखने के लिए कृपया साइन इन करें।

अक्सर पूछे जाने वाले सवाल

ये ऐप असली खेतों में कितने अच्छे होते हैं?

यह ऐप, फ़सल और फ़ोटो पर निर्भर करता है। कुछ ऐप आम फ़सलों की आम समस्याओं पर अच्छा काम करते हैं। रिसर्च पेपर्स के नतीजे अक्सर साफ़-सुथरी फ़ोटो पर मापे जाते हैं और वे खेत में मिलने वाले नतीजों से बेहतर हो सकते हैं। किसी ऐप पर भरोसा करने से पहले, उसे उन समस्याओं पर टेस्ट करें जिनकी पुष्टि आपके KVK ने पहले ही कर दी हो।

ऐप एक ही पत्ती की दो फ़ोटो के लिए अलग-अलग जवाब क्यों देता है?

रोशनी, ऐंगल, फ़ोकस या बैकग्राउंड में थोड़ा सा बदलाव भी पिक्सेल वैल्यू को बदल देता है। अगर मॉडल दो लेबलों के बीच तय नहीं कर पा रहा है, तो एक छोटा सा बदलाव भी जवाब को पूरी तरह बदल सकता है। यह किसी एक्सपर्ट की राय लेने का संकेत है।

क्या मैं इन ऐप को बेहतर बनाने में मदद कर सकता हूँ?

हाँ। कुछ प्रोजेक्ट स्थानीय किस्मों और खेत की असली परिस्थितियों को शामिल करने के लिए किसानों से फ़ोटो इकट्ठा करते हैं, जिन्हें एक्सपर्ट लेबल करते हैं। शेयर करने से पहले पूछें कि आपकी फ़ोटो और लोकेशन का इस्तेमाल कैसे किया जाएगा, और क्या आप मना कर सकते हैं।

एक अच्छे ऐप को अपने अंदाज़े के अलावा और क्या दिखाना चाहिए?

उसे कितना भरोसा है, फ़ोटो साफ़ न होने पर "पक्का नहीं पता" वाला जवाब, बेहतर फ़ोटो लेने के टिप्स, और इलाज से पहले किसी एक्सपर्ट से पुष्टि करने का एक साफ़ संदेश।

पाठ का टेस्ट

5 सवाल। पास होने और इस पाठ को पूरा करने के लिए 3 सही होने चाहिए (60%)।

टेस्ट देने और अपनी प्रोग्रेस सेव करने के लिए साइन इन करें

फ़ोटो देखकर फ़सल की बीमारी पहचानना

फ़ोटो देखकर फ़सल की बीमारी पहचानना

एक क्लासिफ़ायर कैसे सीखता है

फ़ोटो जुटाना

उन्हें लेबल करना

ट्रेन करना

टेस्ट करना

इस्तेमाल करना

ऐप से गलती क्यों हो सकती है

एक छोटा क्लासिफ़ायर जिसे आप चला सकते हैं

और देखें और पढ़ें

समस्या

प्रैक्टिस लैब

आपका काम तब पूरा होगा जब

कठिन सवाल

अक्सर पूछे जाने वाले सवाल