Από το Πολυτεχνείο του Πανεπιστημίου της Βαλένθια, ένα έξυπνο, αυτόνομο και χαμηλού κόστους σύστημα για να ανιχνεύσει τρεις από τις πιο επίφοβες ασθένειες των εσπεριδοειδών..
Μαύρη κηλίδωση, μελανή κηλίδωση και βακτηριακό έλκος: τρεις ασθένειες γνωστές στους καλλιεργητές εσπεριδοειδών, τις οποίες φοβούνται για την ταχύτητα με την οποία μπορούν να θέσουν σε κίνδυνο ολόκληρες καλλιέργειες. Μύκητες και βακτήρια, μεταδίδονται εύκολα με τη βροχή και τον άνεμο, και στους πιο εκτεθειμένους οπωρώνες μπορούν να επηρεάσουν εκατοντάδες δέντρα μέσα σε λίγες ημέρες. Η παρουσία τους, που συχνά αρχικά είναι αόρατη με γυμνό μάτι, εκδηλώνεται με κηλίδες και αλλοιώσεις στην επιδερμίδα και αποτελεί συγκεκριμένη απειλή για την κερδοφορία της γεωργίας, ειδικά σε μια αγορά όπου η αισθητική ποιότητα του προϊόντος είναι ζωτικής σημασίας. Η έγκαιρη διάγνωση, σε αυτό το πλαίσιο, δεν είναι μόνο ένα πλεονέκτημα: είναι μια απαραίτητη προϋπόθεση για την προστασία των φυτών, τον περιορισμό των θεραπειών και τη διατήρηση της απόδοσης. Σε αυτό το επιχειρησιακό σενάριο, όπου κάθε χαμένη μέρα μπορεί να μεταφραστεί σε μόνιμη ζημιά, η τεχνητή νοημοσύνη αποδεικνύεται στρατηγικός πόρος, ικανός να μετατρέψει τη φυτοϋγειονομική διάγνωση από μια περιστασιακή πρακτική σε μια συνεχή, αυτοματοποιημένη και υψηλής ακρίβειας διαδικασία. Όχι πλέον απλώς εργαλεία στα χέρια ειδικών, αλλά έξυπνα κατανεμημένα συστήματα, ικανά να παρατηρούν, να αναλύουν και να ειδοποιούν σε πραγματικό χρόνο, χωρίς την ανάγκη συνεχούς ανθρώπινης παρουσίας.
Με αυτόν τον στόχο, μια ερευνητική ομάδα από το Πολυτεχνείο της Βαλένθια ανέπτυξε και δοκίμασε ένα πλήρες σύστημα για την αυτόματη ανίχνευση των κύριων ασθενειών των εσπεριδοειδών. Ένα δίκτυο έξυπνων κόμβων που βασίζονται στο Raspberry Pi, σε νευρωνικά δίκτυα βαθιάς μάθησης, περιβαλλοντικούς αισθητήρες και αλγόριθμους υπολογιστικής όρασης , σχεδιασμένο να λειτουργεί αυτόνομα μέσα σε οπωρώνες και να αναφέρει με ακρίβεια την παρουσία μολύνσεων, απευθείας στον παραγωγό, μέσω email. Μια συγκεκριμένη και ήδη διαθέσιμη τεχνολογία, με ακρίβεια 92,2% και με χαμηλό κόστος που μπορεί να αναπαραχθεί ακόμη και σε γεωργικά περιβάλλοντα χωρίς σταθερή σύνδεση.
Τεχνητή νοημοσύνη στην υπηρεσία της καλλιέργειας εσπεριδοειδών: ένα δίκτυο που παρατηρεί και κατανοεί
Το σύστημα βασίζεται σε ένα ασύρματο δίκτυο που αποτελείται από έξυπνους κόμβους – Raspberry Pi συνδεδεμένους με περιστρεφόμενες κάμερες – και μια δομή μετάδοσης χαμηλής ισχύος και μεγάλης εμβέλειας (Zigbee και LoRa). Η αρχιτεκτονική είναι edge computing: όλες οι επεξεργασίες πραγματοποιούνται τοπικά, στον κόμβο, μειώνοντας την φόρτωση του δικτύου, την κατανάλωση ενέργειας και την συνδεσιμότητα. Κάθε Raspberry επεξεργάζεται τις εικόνες, διαγιγνώσκει την παρουσία ή απουσία ασθενειών και – εάν εντοπίσει κάποιο πρόβλημα – στέλνει μια ειδοποίηση μέσω email στον αγρότη.
Οι κάμερες που είναι εγκατεστημένες στους οπωρώνες περιστρέφονται έως και 330°, τραβώντας φωτογραφίες κάθε 60° περιστροφής, έτσι ώστε να καλύπτουν μια μεγάλη περιοχή με μόλις έξι λήψεις την ημέρα, οι οποίες λαμβάνονται το μεσημέρι για να αξιοποιούνται οι καλύτερες συνθήκες φωτισμού. Ο αλγόριθμος, που αναπτύχθηκε σε Python, διαχειρίζεται ολόκληρο τον κύκλο: από τη λήψη εικόνας έως την ταξινόμηση, έως τη διαγραφή αρχείων για την αποφυγή κορεσμού μνήμης.
Η ασθένεια απεικονίζεται με χρώμα
Η κύρια ιδέα του έργου είναι ότι κάθε ασθένεια έχει μια χρωματική υπογραφή : έναν συγκεκριμένο συνδυασμό αποχρώσεων που μπορούν να ανιχνευθούν στα pixel του καρπού. Για να το αναγνωρίσει, το σύστημα χρησιμοποιεί μια διπλή στρατηγική. Καταρχάς, το μοντέλο βαθιάς μάθησης YOLOv8 (μία από τις τελευταίες εξελίξεις του γνωστού συστήματος ανίχνευσης αντικειμένων) εντοπίζει με ακρίβεια τα φρούτα στην εικόνα, εξαιρουμένου του φόντου. Στη συνέχεια, ένας αλγόριθμος επεξεργασίας εικόνας που βασίζεται στο χρωματικό μοντέλο HSL αναλύει τον αναγνωρισμένο καρπό, μετρά τα pixel των ανώμαλων χρωμάτων και προσδιορίζει εάν υπάρχει ή όχι κάποια ασθένεια.
Το σύστημα όχι μόνο λέει «αυτό το πορτοκάλι είναι άρρωστο», αλλά ταξινομεί τον τύπο της λοίμωξης με βάση τις χρωματικές διαφορές: ο βακτηριακός καρκίνος τείνει να σχηματίζει καφέ κηλίδες με κιτρινωπό φωτοστέφανο, η μαύρη κηλίδωση εμφανίζονται ως μικρές, εκτεταμένες μαύρες κουκκίδες, η μελανή κηλίδωση έχει ευρύτερη και πιο ακανόνιστη κατανομή.
Υψηλή ακρίβεια, χαμηλό κόστος: Η τεχνητή νοημοσύνη είναι προσβάσιμη σε όλους;
Οι δοκιμές πραγματοποιήθηκαν σε έναν πραγματικό πορτοκαλεώνα, με 97 εικόνες να χαρακτηρίζονται ως υγιείς και μολυσμένοι καρποί. Τα αποτελέσματα είναι πολύ ελπιδοφόρα: συνολική ακρίβεια 92,2% , με εξαιρετική απόδοση σε υγιή φρούτα (μηδέν ψευδώς θετικά σε 33 περιπτώσεις) και καλά αποτελέσματα και στις τρεις παθολογίες (οριακά σφάλματα σε 64 εικόνες).
Αλλά ίσως τα πιο ενδιαφέροντα δεδομένα αφορούν την επεκτασιμότητα και το κόστος . Σε μια εγκατάσταση 23 εκταρίων, 16 Raspberry Pis και 400 κάμερες ήταν αρκετές για να επιτευχθεί πλήρης κάλυψη. Κάθε κόμβος καλύπτει περίπου 1,44 εκτάρια και είναι υπολογιστικά αυτόνομος.
Όχι μόνο αυτό. Σε αντίθεση με πολλές «έξυπνες» λύσεις, αυτό το σύστημα έχει σχεδιαστεί με βάση τις πραγματικές ανάγκες του κατασκευαστή . Στην πραγματικότητα, λειτουργεί ακόμη και σε περιοχές με χαμηλή συνδεσιμότητα, ελαχιστοποιεί την κατανάλωση ενέργειας και δεν απαιτεί cloud computing ή εξειδικευμένους τεχνικούς για συντήρηση. Επιπλέον, η διεπαφή είναι ένα απλό email, τα αρχεία δεν συσσωρεύονται και οι πόροι δεν σπαταλώνται. Με άλλα λόγια: είναι ένα σπάνιο παράδειγμα τεχνολογίας που έχει σχεδιαστεί για να προσαρμόζεται στο περιβάλλον και όχι το αντίστροφο.
Μετρώνται επίσης οι υπολογιστικές επιλογές: αντί να χρησιμοποιούνται υπερβολικά βαριά μοντέλα, η βαθιά μάθηση λειτουργεί μόνο για την αναγνώριση αντικειμένων, ενώ η ταξινόμηση ασθενειών εμπιστεύεται έναν κλασικό αλγόριθμο, αλλά βελτιστοποιημένο για την εργασία. Αυτό μειώνει τους χρόνους επεξεργασίας και επιτρέπει την εργασία σε ελαφρύ και φθηνό υλικό.
Πραγματικά όρια και συγκεκριμένες προοπτικές
Από την άλλη πλευρά, όπως αναγνωρίζουν οι ίδιοι οι ερευνητές, το σύστημα έχει και ορισμένους περιορισμούς. Σε συννεφιασμένες ημέρες ή με έντονο άμεσο φως, η ποιότητα της εικόνας ενδέχεται να μειωθεί. Το Raspberry Pi, αν και ευέλικτο, δεν έχει σχεδιαστεί για εργασίες που απαιτούν μεγάλη υπολογιστική ισχύ και ενδέχεται να δυσκολεύεται με πιο σύνθετα σύνολα δεδομένων. Υπάρχουν όμως πολλές προοπτικές βελτίωσης: από πολυφασματικούς αισθητήρες έως πιο εξελιγμένες κάμερες, από τη σμίκρυνση υλικού έως τη χρήση πιο αποδοτικών μοντέλων.
Το σημαντικό είναι ότι αυτή η αρχιτεκτονική είναι αναπαραγώγιμη και προσαρμόσιμη. Ο κώδικας είναι διαθέσιμος στο GitHub. Το σύνολο δεδομένων είναι δημόσιο. Το σύστημα είναι αρθρωτό. Και ολόκληρη η διαδικασία, από την απόκτηση έως τη διάγνωση, είναι σαφώς καταγεγραμμένη. Εν ολίγοις, αποτελεί ένα άξιο παράδειγμα ανοιχτής έρευνας στην υπηρεσία της γεωργίας. Και τελικά, αντιπροσωπεύει ένα μικρό σημάδι του πώς η γεωργική καινοτομία μπορεί να είναι συγκεκριμένη, χρήσιμη και στοχευμένη.
Δεν χρειάζεται όλα να είναι έξυπνα για να είναι έξυπνα. Μερικές φορές το μόνο που χρειάζεται είναι μια φωτογραφία, ένας αλγόριθμος και ένα email. Και ένα πορτοκάλι ή ένα λεμόνι μπορεί να σας προειδοποιήσει για ένα πρόβλημα πριν να είναι πολύ αργά.
Ilaria De Marinis
© fruitjournal.com
