Χρησιμοποιώντας τεχνητή νοημοσύνη και εικόνες υψηλής ευκρίνειας, μια ομάδα ερευνητών ανέπτυξε ένα γρήγορο, ακριβές και προσβάσιμο σύστημα για την προστασία των καλλιεργειών μελιτζάνας.
Βελτίωση της παραγωγικότητας των καλλιεργειών και προώθηση της εφαρμογής της τεχνητής νοημοσύνης στη γεωργία. Αυτός είναι ο στόχος ενός νέου έργου που πραγματοποιείται από μια ομάδα ερευνητών στο Μπαγκλαντές, το οποίο στοχεύει να φέρει επανάσταση στον τρόπο με τον οποίο ανιχνεύονται οι αντιξοότητες της μελιτζάνας . Στο επίκεντρο της μελέτης, η δημιουργία ενός καινοτόμου συνόλου δεδομένων , που αποσκοπεί στη βελτίωση των συστημάτων αυτόματης αναγνώρισης αντιξοοτήτων χάρη στην τεχνητή νοημοσύνη και τη μηχανική μάθηση.
Γιατί είναι σημαντικό; Οι ασθένειες των φύλλων αποτελούν μία από τις κύριες απειλές για τη γεωργία: θέτουν σε κίνδυνο την υγεία των φυτών, μειώνουν δραστικά τις αποδόσεις των καλλιεργειών και, κατά συνέπεια, επηρεάζουν σοβαρά το εισόδημα των αγροτών. Η έγκαιρη αναγνώρισή τους είναι απαραίτητη, αλλά όχι πάντα εύκολη. Για το λόγο αυτό, η μελέτη στοχεύει στην ανάπτυξη ολοένα και πιο ακριβών, γρήγορων και προσβάσιμων συστημάτων αυτόματης διάγνωσης, ικανών να εντοπίζουν τα συμπτώματα έγκαιρα και να συμβάλλουν στη διατήρηση της υγείας των καλλιεργειών και της βιωσιμότητας της γεωργικής παραγωγής.
Ένα οπτικό αρχείο για την αναγνώριση των αντιξοοτήτων της μελιτζάνας
Το νέο σύνολο δεδομένων αφιερωμένο στις ασθένειες της μελιτζάνας συλλέγει συνολικά 4.089 εικόνες υψηλής ανάλυσης, χωρισμένες σε έξι κατηγορίες που προσδιορίζουν υγιή φύλλα και φύλλα που έχουν προσβληθεί από τις κύριες ασθένειες των φυτών: βλάβη από έντομα, κηλίδες στα φύλλα, μωσαϊκό ιό, λευκή μούχλα και μαρασμό. Όλες οι εικόνες συλλέχθηκαν μεταξύ Σεπτεμβρίου και Οκτωβρίου 2024, σε διαφορετικές γεωργικές περιοχές του Μπαγκλαντές, επιλεγμένες προσεκτικά για να διασφαλιστεί η περιβαλλοντική ποικιλομορφία. Οι εικόνες τραβήχτηκαν σε διαφορετικές ώρες της ημέρας και σε μεταβαλλόμενες καιρικές συνθήκες, καταγράφοντας με ακρίβεια δεδομένα όπως ο χρόνος, η θερμοκρασία, η υγρασία και η θέση, για να εμπλουτίσουν περαιτέρω την επιστημονική αξία του συνόλου δεδομένων. Για να διασφαλιστεί η ομοιομορφία και η οπτική ποιότητα, οι φωτογραφίες τραβήχτηκαν σε ελεγχόμενες συνθήκες, χρησιμοποιώντας κάμερες υψηλής ευκρίνειας και ομοιόμορφο λευκό φόντο, βασικά χαρακτηριστικά που καθιστούν το σύνολο δεδομένων κατάλληλο για την ανάπτυξη συστημάτων αναγνώρισης που βασίζονται στην τεχνητή νοημοσύνη.
Το σύνολο δεδομένων δημιουργήθηκε με τη μέγιστη επιστημονική φροντίδα: κάθε εικόνα εξετάστηκε και ταξινομήθηκε προσεκτικά από έμπειρους γεωπόνους, διασφαλίζοντας την αξιοπιστία των δεδομένων και διευκολύνοντας την ανάπτυξη μοντέλων αυτόματης αναγνώρισης αντιξοοτήτων.
Ένα μεγαλύτερο και ακριβέστερο σύνολο δεδομένων από τα προηγούμενα
Μια άμεση σύγκριση με τα κύρια υπάρχοντα σύνολα δεδομένων επιβεβαιώνει την προστιθέμενη αξία της νέας συλλογής εικόνων αφιερωμένης στις αντιξοότητες της μελιτζάνας. Η κύρια αναφορά ήταν η μελέτη των Hasan et al. από το 2023, η οποία είχε δημιουργήσει ένα πρώτο σύνολο δεδομένων για την αυτόματη ταξινόμηση αντιξοοτήτων, ωστόσο περιείχε μόνο 392 εικόνες. Το νέο σύνολο δεδομένων, ωστόσο, αντιπροσωπεύει ένα άλμα στην ποιότητα: όχι μόνο στον αριθμό των εικόνων που συλλέχθηκαν , αλλά και στην ποιότητα και τη μεθοδολογία . Σε αυτήν τη βάση δεδομένων, στην πραγματικότητα, οι εικόνες είναι πιο ευκρινείς, πιο ομοιογενείς και απαλλαγμένες από οπτικές διαταραχές, όπως μη ομοιόμορφα φυσικά φόντα, στοιχεία που υπήρχαν στο σύνολο δεδομένων του Hasan και θα μπορούσαν να επηρεάσουν αρνητικά την εκπαίδευση των μοντέλων.
Η κατανομή των εικόνων στις διαφορετικές κατηγορίες ανταμείβει επίσης το νέο σύνολο δεδομένων. Απλώς σκεφτείτε ότι στην κατηγορία των υγιών φύλλων αυξάνεται από 67 σε 1.451 εικόνες. για τον ιό του μωσαϊκού αυξάνεται από 36 σε 1.362, ενώ στην κατηγορία της λευκής μούχλας βελτιώνεται από μόλις 8 εικόνες σε 63. Αυτοί οι αριθμοί καθιστούν το σύνολο δεδομένων πιο ισορροπημένο και αξιόπιστο, ιδανικό για την ανάπτυξη αυτόματων συστημάτων για τη διάγνωση αντιξοοτήτων.
Περιορισμοί και μελλοντικές προοπτικές
Παρά τη σημασία αυτού του νέου εργαλείου, οι ερευνητές επισημαίνουν ορισμένους περιορισμούς. Οι εικόνες προέρχονται αποκλειστικά από συγκεκριμένες περιοχές του Μπαγκλαντές, γεγονός που ενδέχεται να περιορίζει την εφαρμογή του σε γεωργικά περιβάλλοντα με διαφορετικές κλιματικές ή περιβαλλοντικές συνθήκες. Επιπλέον, το σύνολο δεδομένων εστιάζει σε έξι κύριες αντιξοότητες , αλλά δεν καλύπτει ολόκληρο το φάσμα των ασθενειών που μπορούν να επηρεάσουν τη μελιτζάνα, ειδικά σε περιοχές με υψηλή περιβαλλοντική μεταβλητότητα. Επιπλέον, ορισμένες κατηγορίες, όπως η λευκή μούχλα και ο μαρασμός, έχουν λιγότερα δείγματα, δημιουργώντας πιθανές ανισορροπίες στην κατανομή των δεδομένων.
Μια άλλη πτυχή που πρέπει να ληφθεί υπόψη είναι τα όργανα : οι εικόνες λήφθηκαν με κάμερες smartphone, ένας καλός συμβιβασμός ως προς την πρακτικότητα και την ποιότητα, αλλά λιγότερο εξελιγμένος από τον επαγγελματικό εξοπλισμό. Τέλος, το σύνολο δεδομένων περιορίζεται σε ορατά συμπτώματα, εξαιρουμένων των πρώιμων σημάτων που δεν είναι ακόμη ανιχνεύσιμα με γυμνό μάτι.
Προς το παρόν, δεν έχουν συλλεχθεί πληροφορίες σχετικά με την εξέλιξη των αντιξοοτήτων με την πάροδο του χρόνου, ένα στοιχείο που θα ήταν πολύτιμο για την πρόβλεψη και την προληπτική διαχείριση των παθολογιών, αλλά οι προοπτικές που ανοίγει η έρευνα υποδηλώνουν ενδιαφέρουσες εξελίξεις. Αλλά πάνω απ 'όλα, σημαντικές ευκαιρίες για τη διαχείριση των αντιξοοτήτων της μελιτζάνας στο πεδίο.
Federica Del Vecchio
©fruitjournal.com
