Χάρη σε ένα έξυπνο σύστημα, ικανό να αναγνωρίζει άμεσα τυχόν αντιξοότητες, οι παραγωγοί και οι τεχνικοί θα μπορούν να παρεμβαίνουν με πιο γρήγορο και στοχευμένο τρόπο.
Η έγκαιρη αναγνώριση ασθενειών, η προστασία των καλλιεργειών και η διασφάλιση ποιοτικών συγκομιδών: αυτοί είναι οι καθημερινοί στόχοι κάθε αγρότη, ειδικά όταν πρόκειται για καλλιέργειες υψηλής αξίας όπως οι πατάτες. Σε έναν τομέα που είναι ολοένα και πιο εκτεθειμένος σε κινδύνους, η χρήση τεχνολογικών συσκευών για την πρόληψη ασθενειών της πατάτας αποτελεί θεμελιώδες στοιχείο.
Χάρη στην αυτόματη ανάλυση εικόνας, σήμερα είναι δυνατό να εντοπιστούν πολλές ασθένειες των φυτών γρήγορα και αποτελεσματικά, μειώνοντας τις απώλειες και βελτιώνοντας την παραγωγικότητα. Μεταξύ των πιο καινοτόμων λύσεων των τελευταίων ετών, ξεχωρίζουν τα συνελικτικά νευρωνικά δίκτυα (CNN), μοντέλα βαθιάς μάθησης ικανά να διακρίνουν τα υγιή φύλλα από τα προσβεβλημένα, με μεγάλη ακρίβεια, ξεπερνώντας συχνά τις ανθρώπινες δυνατότητες όσον αφορά την ταχύτητα και την ακρίβεια. Ωστόσο, ενώ αυτά τα μοντέλα διακρίνονται για την αποτελεσματικότητά τους, έχουν έναν σημαντικό περιορισμό: δεν εξηγούν τους λόγους για τις αποφάσεις τους, γεγονός που καθιστά δύσκολη την πλήρη εμπιστοσύνη στα αποτελέσματα.
Για να ξεπεραστεί αυτό το εμπόδιο, μια πρόσφατη μελέτη προτείνει μια καινοτόμο προσέγγιση, η οποία συνδυάζει τη βαθιά μάθηση και την τεχνητή νοημοσύνη (XAI). Ο στόχος; Όχι μόνο να ταξινομήσει με ακρίβεια τις ασθένειες των φύλλων της πατάτας, αλλά και να εξηγήσει με σαφήνεια και διαφάνεια τους λόγους για τις προβλέψεις του μοντέλου.
Ευφυής διάγνωση: ένα μοντέλο τεχνητής νοημοσύνης για ασθένειες πατάτας
Για να αναπτυχθεί ένα σύστημα που μπορεί να αναγνωρίζει ασθένειες των φύλλων της πατάτας, οι ερευνητές χρησιμοποίησαν ένα δημόσιο, τυποποιημένο σύνολο δεδομένων. Η βάση δεδομένων περιλαμβάνει 2.152 εικόνες που χωρίζονται σε τρεις κατηγορίες: υγιή φύλλα , φύλλα που έχουν προσβληθεί από πρώιμο περονόσπορο και φύλλα που έχουν προσβληθεί από όψιμο περονόσπορο. Για να βελτιωθεί η αποτελεσματικότητα του μοντέλου, η ομάδα χρησιμοποίησε τεχνικές αύξησης δεδομένων, δηλαδή ψηφιακούς μετασχηματισμούς όπως περιστροφές, κλιμακώσεις, αναστροφές και μεταφράσεις των εικόνων, με στόχο την τεχνητή επέκταση του αριθμού των παραδειγμάτων, διατηρώντας παράλληλα αμετάβλητα τα βιολογικά χαρακτηριστικά. Το σύνολο δεδομένων χωρίστηκε σε 80% για την εκπαίδευση του μοντέλου και 20% για την τελική δοκιμή. Ένα μέρος του συνόλου εκπαίδευσης (15%) κρατήθηκε για επικύρωση, για να αποτραπεί η απομνημόνευση των δεδομένων από το μοντέλο, με αποτέλεσμα να διακυβεύεται η ικανότητά του να αναγνωρίζει νέες περιπτώσεις.
Ένα έξυπνο και διαφανές μοντέλο
Στην καρδιά του συστήματος βρίσκεται μια υβριδική αρχιτεκτονική που συνδυάζει την αξιοπιστία της βαθιάς μάθησης με τη διαφάνεια της τεχνητής νοημοσύνης (XAI). Το νευρωνικό δίκτυο που χρησιμοποιείται βασίζεται στο VGG16, ένα από τα πιο γνωστά και αποδεδειγμένα μοντέλα για την ανάλυση εικόνας. Γεννημένο στα εργαστήρια του Πανεπιστημίου της Οξφόρδης, το VGG16 έχει επιτύχει εξαιρετικά αποτελέσματα στην οπτική αναγνώριση, αποδεικνύοντας ικανό να αποτυπώνει ακόμη και πολύπλοκες λεπτομέρειες. Στο έργο, το VGG16 προσαρμόστηκε στο συγκεκριμένο έργο της ταξινόμησης φύλλων πατάτας. Οι ερευνητές χρησιμοποίησαν μια προ-εκπαιδευμένη έκδοση του μοντέλου – αρχικά εκπαιδευμένη σε εκατομμύρια γενικές εικόνες – και την «προσάρμοσαν» απορρίπτοντας τα αρχικά τελικά επίπεδα και αντικαθιστώντας τα με νέα επίπεδα ειδικά για τις τρεις κατηγορίες ασθενειών.
Κατανόηση του τρόπου με τον οποίο ο αλγόριθμος αποφασίζει
Όπως αναφέρθηκε, ένας από τους κύριους περιορισμούς των μοντέλων βαθιάς μάθησης είναι η αδιαφάνειά τους: συχνά, δεν είναι σαφές πώς καταλήγουν σε μια συγκεκριμένη απόφαση. Για να ξεπεραστεί αυτό το πρόβλημα, ενσωματώθηκε η τεχνική Grad-CAM , μια παραλλαγή της Χαρτογράφησης Ενεργοποίησης Κλάσης, μιας τεχνικής που επιτρέπει την επισήμανση των περιοχών της εικόνας που έχουν επηρεάσει περισσότερο την απόφαση του μοντέλου, επιτρέποντας την οπτική απεικόνιση των περιοχών της εικόνας στις οποίες το δίκτυο έχει εστιάσει την προσοχή του. Με άλλα λόγια, το σύστημα όχι μόνο σας λέει εάν ένα φύλλο είναι άρρωστο, αλλά σας δείχνει και το σημείο προσβολής.
Αυτοί οι χάρτες ενεργοποίησης δημιουργούνται χρησιμοποιώντας διαβαθμίσεις που διέρχονται από τα τελευταία επίπεδα του νευρωνικού δικτύου και επιτρέπουν την επισήμανση των περιοχών που επηρεάζουν περισσότερο κάθε πρόβλεψη. Ένας αποτελεσματικός τρόπος για την επικύρωση όχι μόνο της ακρίβειας αλλά και της αξιοπιστίας του συστήματος.
Ένα νέο σύνορο για την αυτόματη διάγνωση ασθενειών πατάτας
Κατά τη διάρκεια της πειραματικής φάσης του έργου, οι ερευνητές δοκίμασαν τέσσερα από τα πιο προηγμένα μοντέλα βαθιάς μάθησης που είναι διαθέσιμα αυτήν τη στιγμή: VGG16, InceptionResNetV2, GoogleNet και AlexNet. Όλα υποβλήθηκαν σε αυστηρή σύγκριση, χρησιμοποιώντας τις ίδιες συνθήκες λειτουργίας. Η ομάδα που ξεχώρισε ήταν η VGG16 , η οποία ξεπέρασε τους ανταγωνιστές της σε κάθε παράμετρο αξιολόγησης: ακρίβεια, επαναληψιμότητα, ανάκληση και βαθμολογία F1.
Ακριβώς χάρη σε αυτές τις επιδόσεις, το VGG16 έχει επιλεγεί ως η καρδιά του νέου πλαισίου τεχνητής νοημοσύνης (XAI). Όχι μόνο επέδειξε ανώτερη ακρίβεια, αλλά ήταν και το μόνο μοντέλο που δοκιμάστηκε για να προσφέρει διαφανείς εξηγήσεις των προβλέψεών του, έναν βασικό παράγοντα για τη διασφάλιση της εμπιστοσύνης και της εφαρμοσιμότητας στη γεωργία. Τα αποτελέσματα μιλούν από μόνα τους: ακρίβεια 97% στη φάση επικύρωσης και 98% στις τελικές δοκιμές .
Κοιτάζοντας προς το μέλλον, οι ερευνητές προτείνουν να επεκτείνουν το εύρος των ολοκληρωμένων εργαλείων XAI εξερευνώντας προηγμένες τεχνικές. Στόχος είναι η περαιτέρω βελτίωση της ικανότητας του μοντέλου να παρέχει λεπτομερείς και κατανοητές εξηγήσεις, ακόμη και στις πιο σύνθετες περιπτώσεις. Με λίγα λόγια, οι πειραματισμοί δεν σταματούν εδώ. Άλλες πολλά υποσχόμενες κατευθύνσεις περιλαμβάνουν την επέκταση του συνόλου δεδομένων με εικόνες από πιο ποικίλα γεωγραφικά, εποχιακά και ποικιλιακά περιβάλλοντα, αυξάνοντας έτσι την ικανότητα του συστήματος να προσαρμόζεται στις πραγματικές συνθήκες. Τέλος, η ενσωμάτωση με τεχνολογίες συλλογής δεδομένων σε πραγματικό χρόνο, όπως τα δίκτυα IoT/Internet Of Things, θα μπορούσε να μετατρέψει αυτό το μοντέλο σε ένα λειτουργικό εργαλείο για τη γεωργία ακριβείας, ικανό να προσφέρει γρήγορες διαγνώσεις και να υποστηρίζει έγκαιρες αποφάσεις απευθείας στο πεδίο.
Federica Del Vecchio
© fruitjournal.com
