Phân loại bệnh lá lúa bằng phương pháp chưng cất kiến thức
Abstract
Lúa đóng vai trò thiết yếu đối với an ninh lương thực toàn cầu, đặc biệt tại các quốc gia châu Á, nơi lúa là thực phẩm chính và nguồn kinh tế quan trọng. Việc trồng lúa đối mặt với nhiều thách thức, bao gồm các loại bệnh có thể gây ảnh hưởng nghiêm trọng đến năng suất và chất lượng mùa màng. Các phương pháp phát hiện bệnh truyền thống thường chậm, tốn nhiều công sức và dễ xảy ra sai sót, do đó cần thiết phải có các giải pháp tự động hóa. Nghiên cứu này tìm hiểu việc áp dụng phương pháp chưng cất kiến thức– phương pháp chuyển giao kiến thức từ các mô hình phức tạp sang các mô hình đơn giản hơn– nhằm nhận diện bệnh trong cây lúa. Chúng tôi đã tối giản hóa kiến thức từ các mô hình phức tạp bằng cách huấn luyện chuyên sâu, tạo ra một mô hình hiệu quả và gọn nhẹ. DenseNet121 được sử dụng làm mô hình giáo viên, và mô hình học sinh được trang bị hệ thống đường dẫn kép để giảm thiểu tình trạng quá khớp. Cả hai mô hình đều trải qua quá trình huấn luyện nhận thức lượng tử (QAT). Mô hình hợp tác giữa giáo viên và học sinh đạt độ chính xác 98,47%, với số lượng tham số ít hơn đáng kể (5,9 triệu) so với mô hình chỉ dùng giáo viên. Cuối cùng, toàn bộ mô hình được lượng tử hóa từ số thực 32-bit sang số nguyên 8-bit, tạo ra một phương pháp hiệu quả hơn để tách biệt các đặc tính nhỏ và phức tạp một cách chính xác. Mô hình nhỏ gọn này lý tưởng cho các thiết bị di động trong môi trường hạn chế tài nguyên, giúp nông dân nhận diện bệnh nhanh chóng, hỗ trợ quản lý cây
trồng tốt hơn và tăng cường an ninh lương thực toàn cầu.
References
S. Sen, R. Chakraborty, and P. Kalita, “Rice-not just a staple food: A comprehensive review on its phytochemicals and therapeutic potential,” Trends in Food Science & Technology, vol. 97, pp. 265–285, 2020.
“What is bangladesh? the kernel importance description,” of rice accessed: 03-17. [Online]. Available: https://typeset.io/questions/ what-is-the-importance-of-rice-in-bangladesh-4ibrf6r1us
R. Reinke, S. Kim, and B. Kim, “Developing japonica rice introgression lines with multiple resistance genes for
brown planthopper, bacterial blight, rice blast, and rice stripe virus using molecular breeding,” Molecular Genetics and Genomics, vol. 293, no. 6, pp. 1565–1575, 2018.
M. Agrawal and S. Agrawal, “Rice plant diseases detection & classification using deep learning models: A systematic review,” Journal of Critical Reviews, vol. 7, no. 11, pp. 4376–4390, 2020.
J. Chen, D. Zhang, Y. Nanehkaran, and D. Li, “Detection of rice plant diseases based on deep transfer learning,” Journal of the Science of Food and Agriculture, vol. 100, no. 7, pp. 3246–3256, 2020.
S. Jadhav, V. Udupi, and S. Patil, “Identification of plant diseases using convolutional neural networks,” International Journal of Information Technology, vol. 13, no. 6, pp. 24612470, 2021.
T. Daniya and S. Vigneshwari, “Deep neural network for disease detection in rice plant using the texture and deep features,” The Computer Journal, vol. 65, no. 7, pp. 1812 1825, 2022.
J. Li, X. Zhao, H. Xu, L. Zhang, B. Xie, J. Yan, L. Zhang, D. Fan, and L. Li, “An interpretable high-accuracy method
for rice disease detection based on multisource data and transfer learning,” Plants, vol. 12, no. 18, p. 3273, 2023.
A. Sharma, A. Jain, P. Gupta, and V. Chowdary, “Machine learning applications for precision agriculture: A comprehensive review,” IEEE Access, vol. 9, pp. 4843–4873, 2020.
G. Hinton, O. Vinyals, and J. Dean, “Distilling the knowledge in a neural network,” 2015. [Online]. Available:
https://arxiv.org/abs/1503.02531
A. Musa, M. Hassan, M. Hamada, and F. Aliyu, “Low power deep learning model for plant disease detection for smart-hydroponics using knowledge distillation techniques,” Journal of Low Power Electronics and Applications, vol. 12, no. 2, p. 24, 2022.
Y. Hu, G. Liu, Z. Chen, J. Liu, and J. Guo, “Lightweight one-stage maize leaf disease detection model with knowledge distillation,” Agriculture, vol. 13, no. 9, p. 1664, 2023.
B. Petchiammal, Kiruba and P. Murugan, Arjunan, “Paddy doctor: A visual image dataset for automated paddy disease classification and benchmarking,” in CODS-COMAD ’23. Association for Computing Machinery, New York, NY, USA, 2023, pp. 203–207.
S. Lamba, A. Baliyan, and V. Kukreja, “A novel gcl hybrid classification model for paddy diseases,” International Journal of Information Technology, 2022.
W. Chen, J. Chen, R. Duan, Y. Fang, Q. Ruan, and D. Zhang, “Ms-dnet: A mobile neural network for
plant disease identification,” Computers and Electronics in Agriculture, vol. 199, p. 107175, 2022. [Online].
Available: https://www.sciencedirect.com/science/article/pii/ S0168169922004926
S. Nalini, N. Krishnaraj, J. Thangaiyan, K. Vinothkumar, A. Britto, K. Subramaniam, and C. Bharatiraja, “Paddy leaf disease detection using an optimized deep neural network,” Computers, Materials & Continua, vol. 680, pp. 1117–1128, 2021.
M. Niaz, L. Tarin, T. Shabonty, M. Saad, and D. Farid, “Paddy leaf disease detection employing transfer learning,” in 2023 26th International Conference on Computer and Information Technology (ICCIT), 2023, pp. 1–6. in 2024
C. Simhadri and H. Kondaveeti, “Automatic recognition of rice leaf diseases using transfer learning,” Agronomy, vol. 13, no. 4, 2023. [Online]. Available: https://www.mdpi. com/2073-4395/13/4/961
R. Narmadha, N. Sengottaiyan, and R.J.K., “Deep transfer learning based rice plant disease detection model,” Intelligent Automation & Soft Computing, vol. 31, no. 2, pp. 1257–1271, 2022. [Online]. Available: http://www. techscience.com/iasc/v31n2/44553
V. Gautam, N. Trivedi, A. Singh, H. Mohamed, I. Noya, P. Kaur, and N. Goyal, “A transfer learning-based
artificial intelligence model for leaf disease assessment,” Sustainability, vol. 14, no. 20, 2022. [Online]. Available:
https://www.mdpi.com/2071-1050/14/20/13610
M. Islam, M. Shuvo, M. Shamsojjaman, S. Hasan, M. Hossain, and T. Khatun, “An automated convolutional neural network based approach for paddy leaf disease detection,” International Journal of Advanced Computer Science and Applications, vol. 12, no. 1, 2021.
A. Ghofrani and R. Mahdian Toroghi, “Knowledge distillation in plant disease recognition,” Neural Computing and Applications, vol. 34, no. 17, pp. 14287–14296, 2022. [Online]. Available: https: //doi.org/10.1007/s00521-021-06882-y
Y. Hu, G. Liu, Z. Chen, J. Liu, and J. Guo, “Lightweight one-stage maize leaf disease detection model with knowledge distillation,” Agriculture, vol. 13, no. 9, 2023. [Online]. Available: https://www.mdpi.com/2077-0472/13/9/1664
A. Musa, M. Hassan, M. Hamada, and F. Aliyu, “Low power deep learning model for plant disease detection for smart-hydroponics using knowledge distillation techniques,” Journal of Low Power Electronics and Applications, vol. 12, no. 2, 2022. [Online]. Available: https://www.mdpi.com/ 2079-9268/12/2/24
“Rice leaf disease detection obj dataset,” visited on 2024 03-18. [Online]. Available: https://universe.roboflow.com/ project-khcjh/rice-leaf-disease-detection-obj
“Rice leaf diseases dataset kernel description,” accessed: 2023-08-14. [Online]. Available: https://www.kaggle.com/datasets/vbookshelf/rice-leaf-diseases
“Rice diseases image dataset,” accessed: 2023-08.14. [Online]. Available: https://www.kaggle.com/datasets/
minhhuy2810/rice-diseases-imagedataset/data
