ڈرون اور گہری تعلیم

چاول، ایک اہم غذائی فصل ہے، دنیا بھر میں تقریباً 162 ملین ہیکٹر زمین پر کاشت کی جاتی ہے۔ چاول کی پیداوار کی مقدار معلوم کرنے کے لیے سب سے زیادہ استعمال ہونے والے طریقوں میں سے ایک چاول کے پودوں کی گنتی ہے۔ اس تکنیک کا استعمال پیداوار کا تخمینہ لگانے، ترقی کی تشخیص کرنے اور دھان کے کھیتوں میں ہونے والے نقصانات کا اندازہ لگانے کے لیے کیا جاتا ہے۔ دنیا بھر میں چاول کی گنتی کے زیادہ تر عمل اب بھی دستی طور پر کیے جاتے ہیں۔ تاہم، یہ انتہائی تھکا دینے والا، محنت طلب اور وقت طلب ہے، جو تیز تر اور زیادہ موثر مشین پر مبنی حل کی ضرورت کو ظاہر کرتا ہے۔

چین اور سنگاپور کے محققین نے حال ہی میں چاول کی دستی گنتی کو ایک بہت زیادہ نفیس طریقہ سے تبدیل کرنے کا ایک طریقہ تیار کیا ہے، جس میں بغیر پائلٹ کے فضائی گاڑیاں (UAVs) یا ڈرون کا استعمال شامل ہے۔

چین کی نانجنگ یونیورسٹی آف پوسٹس اینڈ ٹیلی کمیونیکیشنز کے پروفیسر جیانگو یاؤ کے مطابق، جنہوں نے اس تحقیق کی قیادت کی، "نئی تکنیک میں دھان کے کھیت کی RGB تصاویر — بنیادی طور پر سرخ، سبز اور نیلی روشنی سے بنی تصاویر — حاصل کرنے کے لیے UAVs کا استعمال کیا گیا ہے۔ ان تصاویر کو پھر ایک کا استعمال کرتے ہوئے پروسیس کیا جاتا ہے۔ گہری سیکھنے کا نیٹ ورک جسے ہم نے تیار کیا ہے، جسے رائس نیٹ کہا جاتا ہے، جو کھیت میں چاول کے پودوں کی کثافت کو درست طریقے سے پہچان سکتا ہے، اور ساتھ ہی اعلیٰ درجے کی معنوی خصوصیات فراہم کرتا ہے، جیسے کہ فصل کا مقام اور سائز۔"

ان کا مقالہ شائع ہو چکا ہے۔ پلانٹ فینومکس.

رائس نیٹ نیٹ ورک آرکیٹیکچر ایک فیچر ایکسٹریکٹر پر مشتمل ہے، سامنے کے آخر میں، جو ان پٹ امیجز کا تجزیہ کرتا ہے، اور تین فیچر ڈیکوڈر ماڈیولز جو دھان کے کھیت میں پودوں کی کثافت، دھان کے کھیت میں پودوں کی جگہ، اور پودوں کا سائز بالترتیب۔ مؤخر الذکر دو خصوصیات خاص طور پر خودکار فصل کے انتظام کی تکنیکوں پر مستقبل کی تحقیق کے لیے خاص طور پر اہم ہیں، جیسے کھاد کا چھڑکاؤ۔

مطالعہ کے ایک حصے کے طور پر، تحقیقی ٹیم نے چین کے شہر نانچانگ میں چاول کے کھیتوں پر کیمرے سے لیس یو اے وی کو تعینات کیا اور اس کے بعد حاصل کردہ ڈیٹا کا تجزیہ کیا۔ تصویری تجزیہ تکنیک اگلا، محققین نے ایک تربیتی ڈیٹاسیٹ اور ایک ٹیسٹ ڈیٹاسیٹ کا استعمال کیا۔ سابقہ ​​کو نظام کی تربیت کے لیے ایک حوالہ کے طور پر استعمال کیا گیا تھا اور مؤخر الذکر کو تجزیاتی نتائج کی توثیق کے لیے استعمال کیا گیا تھا۔

مزید خاص طور پر، 355 دستی طور پر لیبل والے پوائنٹس والی 257,793 تصاویر میں سے، 246 کو تصادفی طور پر منتخب کیا گیا اور تربیتی تصاویر کے طور پر استعمال کیا گیا، جبکہ باقی 109 کو ٹیسٹ امیجز کے طور پر استعمال کیا گیا۔ ہر تصویر میں چاول کے اوسطاً 726 پودے تھے۔

ٹیم کے مطابق، تصویری تجزیہ کے لیے استعمال ہونے والی رائس نیٹ تکنیک میں سگنل ٹو شور کا تناسب اچھا ہے۔ دوسرے الفاظ میں، یہ چاول کے پودوں کو پس منظر سے مؤثر طریقے سے ممتاز کرنے کے قابل ہے، اس طرح پیدا ہونے والے پودوں کی کثافت کے نقشوں کے معیار کو بہتر بناتا ہے۔

مطالعہ کے نتائج سے پتہ چلتا ہے کہ RiceNet تکنیک کی اوسط مطلق غلطی اور جڑ کا مطلب مربع غلطی بالترتیب 8.6 اور 11.2 تھی۔ دوسرے لفظوں میں، رائس نیٹ کا استعمال کرتے ہوئے تیار کیے گئے کثافت کے نقشے دستی طریقوں سے تیار کیے گئے نقشوں کے ساتھ اچھے معاہدے میں تھے۔

مزید یہ کہ، اپنے مشاہدات کی بنیاد پر، ٹیم نے چند اہم سفارشات بھی شیئر کیں۔ مثال کے طور پر، ٹیم بارش کے دنوں میں تصاویر حاصل کرنے کی سفارش نہیں کرتی ہے۔ یہ طلوع آفتاب کے بعد 4 گھنٹے کے اندر UAV پر مبنی تصاویر جمع کرنے کا مشورہ بھی دیتا ہے، تاکہ دھند کے وقت کے ساتھ ساتھ چاول کے پتوں کے کرل کی موجودگی کو بھی کم کیا جا سکے، یہ دونوں ہی آؤٹ پٹ کے معیار کو بری طرح متاثر کرتے ہیں۔

"اس کے علاوہ، ہم نے دو دیگر مشہور کراپ ڈیٹا سیٹس کا استعمال کرتے ہوئے اپنی تکنیک کی کارکردگی کو مزید درست کیا۔ نتائج سے ظاہر ہوا کہ ہمارا طریقہ کار دیگر جدید ترین تکنیکوں کو نمایاں طور پر پیچھے چھوڑ دیتا ہے۔ یہ رائس نیٹ کی چاول کی دستی گنتی کے روایتی طریقہ کو تبدیل کرنے کی صلاحیت کو واضح کرتا ہے،" پروفیسر یاؤ نے نتیجہ اخذ کیا۔

رائس نیٹ دیگر UAV- اور گہری سیکھنے پر مبنی فصلوں کے تجزیہ کی تکنیکوں کی طرف مزید راہ ہموار کرتا ہے، جو دنیا بھر میں خوراک اور نقد فصلوں کی پیداوار کو بہتر بنانے کے لیے فیصلوں اور حکمت عملیوں کی رہنمائی کر سکتی ہے۔