Από το Δημοκρίτειο Πανεπιστήμιο Θράκης στην Ελλάδα προέρχεται το AgriVision-Kiwi, το πρώτο δημόσιο σύνολο δεδομένων για την αναγνώριση ασθενειών των ακτινιδίων.
Υποψήφια για πολύτιμο σύμμαχο στην προστασία των καλλιεργειών, η τεχνητή νοημοσύνη προσφέρει ολοένα και πιο ακριβείς και αποτελεσματικές λύσεις για τη διασφάλιση των αποδόσεων και της ποιότητας . Μεταξύ των πιο πολλά υποσχόμενων εφαρμογών της είναι η αυτόματη αναγνώριση ασθενειών, η οποία πλέον χρησιμοποιείται και σε μια ευαίσθητη και στρατηγική καλλιέργεια όπως το ακτινίδιο . Μια ομάδα ερευνητών από το Δημοκρίτειο Πανεπιστήμιο Θράκης στην Ελλάδα διερεύνησε τις δυνατότητες της τεχνητής νοημοσύνης σε αυτόν τον τομέα, εστιάζοντας σε τρεις από τις κύριες ασθένειες που επηρεάζουν το ακτινίδιο: την Αλτερνάρια , τη Φυτοφθόρα και τα Νηματώδη . Αυτό που έχουν κοινό είναι ότι μπορούν να αναγνωριστούν νωρίς χάρη στα ορατά συμπτώματα που εμφανίζονται στα φύλλα, τα οποία είναι διαφορετικά για κάθε ασθένεια. Για το λόγο αυτό, οι ερευνητές ανέπτυξαν το AgriVision-Kiwi Dataset , το πρώτο δημόσιο αρχείο αφιερωμένο στην αυτόματη αναγνώριση ασθενειών των φύλλων του ακτινιδίου. Με την υποστήριξη έξι προηγμένων μοντέλων τεχνητής νοημοσύνης, το σύστημα όχι μόνο αναγνωρίζει τα φύλλα μέσα σε μια φωτογραφία, αλλά είναι επίσης σε θέση να τα ταξινομήσει με βάση την ασθένεια. Πώς όμως δημιουργήθηκε αυτό το καινοτόμο εργαλείο;
Ένα εργαστηριακό σύνολο δεδομένων: kiwi για την εκπαίδευση τεχνητής νοημοσύνης
Η έρευνα ξεκίνησε με επιτόπια έρευνα. Οι ερευνητές συνέλεξαν 152 φωτογραφίες φύλλων ακτινιδίου, χωρίζοντάς τες προσεκτικά σε τέσσερις κατηγορίες: υγιή φύλλα και φύλλα που έχουν προσβληθεί από Αλτερνάρια , Φυτόφθορα και Νηματώδη. Για την επέκταση και την εξισορρόπηση του συνόλου δεδομένων, οι εικόνες στη συνέχεια βελτιώθηκαν ψηφιακά χρησιμοποιώντας τεχνικές αύξησης δεδομένων - όπως περιστροφές, αλλαγές χρώματος και μεγεθύνσεις - για να λάβουν ένα τελικό αρχείο 5.832 εικόνων.
Σε αυτό το σημείο, το έργο εισήλθε στη φάση λειτουργίας, η οποία χωρίστηκε σε δύο διακριτές φάσεις. Η πρώτη αφορούσε την αυτόματη ανίχνευση φύλλων μέσα στις εικόνες, η οποία ανατέθηκε στο YOLOv11, ένα μοντέλο εξειδικευμένο στην οπτική αναγνώριση. Αυτό το σύστημα επέτρεψε την ακριβή αναγνώριση και περικοπή των φύλλων, αφαιρώντας στοιχεία φόντου και βελτιώνοντας έτσι την ποιότητα των δεδομένων που προορίζονταν για ανάλυση.
Ακριβής διάγνωση: τα καλύτερα μοντέλα τεχνητής νοημοσύνης μπαίνουν σε δράση
Στη συνέχεια, η εστίαση μετατοπίστηκε στην αναγνώριση αντιξοοτήτων. Κάθε φύλλο αναλύθηκε από έξι διαφορετικά μοντέλα βαθιάς μάθησης —AlexNet, VGG-16, ResNet-50, DenseNet-121, EfficientNet-B3 και MobileNet-V3—μεταξύ των πιο έγκυρων στον τομέα της υπολογιστικής όρασης. Μερικά ξεχωρίζουν για την υψηλή ακρίβειά τους, άλλα για την ταχύτητά τους και την ελαφρότητά τους, ιδανικά χαρακτηριστικά για εφαρμογές κινητών ή πραγματικού χρόνου.
Αλλά γιατί να μην χρησιμοποιήσουμε απλώς το YOLOv11; Παρά την εξαιρετική του απόδοση στην ανίχνευση φύλλων μέσα σε εικόνες, αυτό το μοντέλο δεν είναι αρκετά ακριβές στη διάκριση παρόμοιων συμπτωμάτων μεταξύ τους, μια πρόκληση γνωστή ως «λεπτομερής ταξινόμηση». Ως εκ τούτου, η διάγνωση ανατέθηκε σε πιο προηγμένα μοντέλα, ικανά να καταγράψουν ακόμη και τις παραμικρές διαφορές μεταξύ ενός υγιούς και ενός άρρωστου φύλλου.
Εξαιρετική απόδοση: Η DenseNet και η ResNet πρωτοπορούν
Τα αποτελέσματα που ελήφθησαν από το ελληνικό έργο είναι εξαιρετικά ελπιδοφόρα. Μόλις εκπαιδεύτηκε, το σύστημα επέδειξε υψηλή ικανότητα να ανιχνεύει και να διακρίνει σωστά τα φύλλα ακτινιδίου, επιτυγχάνοντας τιμές ακρίβειας 0,995 και ανάκληση 0,990. Με άλλα λόγια, όχι μόνο είναι σε θέση να αναγνωρίζει φύλλα με εξαιρετική ακρίβεια, αλλά αναγνωρίζει επίσης αξιόπιστα την υπάρχουσα ασθένεια. Αυτή η καλή απόδοση επιβεβαιώθηκε επίσης κατά τη διάρκεια δοκιμών σε εικόνες που δεν είχαν δημοσιευτεί προηγουμένως, αποδεικνύοντας την ανθεκτικότητα του μοντέλου. Η ποιότητα του συνόλου δεδομένων, καλά δομημένου και ισορροπημένου, που δημιουργήθηκε από εικόνες που συλλέχθηκαν απευθείας από χωράφια ακτινιδίου στη βόρεια Ελλάδα, έπαιξε βασικό ρόλο. Όσον αφορά την αναγνώριση συγκεκριμένων ασθενειών, τα DenseNet-121 και ResNet-50 ξεχώρισαν ως τα μοντέλα με την καλύτερη απόδοση, επιτυγχάνοντας ακρίβεια περίπου 99% . Το MobileNet-V3 , ένα ελαφρύτερο αλλά ακόμα αποτελεσματικό μοντέλο, πέτυχε επίσης εξαιρετικά αποτελέσματα , ιδιαίτερα κατάλληλα για εφαρμογές smartphone ή περιβάλλοντα με περιορισμένους υπολογιστικούς πόρους.
Ωστόσο, υπήρχαν προκλήσεις. Το κύριο εμπόδιο αναδείχθηκε στην αναγνώριση των συμπτωμάτων που προκαλούνται από νηματώδη, τα οποία συχνά είναι ανεπαίσθητα και συγχέονται εύκολα με εκείνα των υγιών φύλλων ή εκείνων που έχουν προσβληθεί από άλλες ασθένειες, όπως η Αλτερνάρια. Τα νηματώδη, στην πραγματικότητα, προκαλούν ανεπαίσθητα σημάδια όπως το τσαλάκωμα των φύλλων χωρίς να αλλοιώνουν το χρώμα τους, καθιστώντας τη διάγνωση πολύ πιο περίπλοκη. Σε αυτό το πλαίσιο, η χρήση εικόνων υψηλής ανάλυσης και η υποστήριξη της αγρονομικής εμπειρογνωμοσύνης μπορούν να αποδειχθούν κρίσιμες για την περαιτέρω βελτίωση της αποτελεσματικότητας των μοντέλων.
Ταχύτητα και ακρίβεια: Η τεχνητή νοημοσύνη είναι έτοιμη για το πεδίο
Παρά τις προκλήσεις, το σύστημα έχει επιδείξει αξιοσημείωτη αξιοπιστία και ταχεία απόκριση : οι χρόνοι επεξεργασίας για κάθε εικόνα μειώνονται σε λίγα χιλιοστά του δευτερολέπτου, καθιστώντας τα μοντέλα εύκολα εφαρμόσιμα τόσο σε σενάρια που απαιτούν υψηλή ακρίβεια όσο και σε περιβάλλοντα όπου η διάγνωση σε πραγματικό χρόνο είναι απαραίτητη . Με την εισαγωγή του συνόλου δεδομένων AgriVision-Kiwi , η τεχνητή νοημοσύνη σηματοδοτεί ένα νέο σημαντικό ορόσημο στον γεωργικό τομέα. Όχι μόνο βελτιώνει την ικανότητα πρόληψης και διαχείρισης αντιξοοτήτων, αλλά προσφέρει επίσης εργαλεία ανοιχτού κώδικα, τα οποία διατίθενται στην επιστημονική κοινότητα και στον κόσμο της αγροτεχνολογίας.
Federica Del Vecchio
© fruitjournal.com
