Σύμφωνα με πρόχειρους υπολογισμούς, κάθε χρόνο καλλιεργούνται στην Ελλάδα περίπου 1,5 εκατομμύριο στρέμματα γης. Καθ’ όλη την διάρκεια της καλλιεργητικής περιόδου οι αγρότες αγωνίζονται να προστατέψουν την υγεία των φυτών τους και να σώσουν τη σοδειά τους. Σε ένα snapshot από το μέλλον οι ίδιοι ή γεωπόνοι, θα μπορούν με μια εφαρμογή στο κινητό τους να κάνουν μια γρήγορη και ακριβή διάγνωση της ασθένειας μέσω απλής οπτικής παρατήρησης!
Ακριβώς αυτό επιδιώκουν ερευνητές από το τμήμα Γεωργικής Μηχανικής του Ινστιτούτου Εδαφοϋδατικών Πόρων του ΕΛΓΟ-ΔΗΜΗΤΡΑ, οι οποίοι ανέπτυξαν ένα πρότυπο μοντέλο βαθιάς μάθησης (ενός υποτομέα της τεχνητής νοημοσύνης) για την αυτοματοποιημένη διάγνωση ασθενειών φυτών, μέσω της οπτικής παρατήρησης του φυλλώματός τους.
«Το μοντέλο βασίστηκε σε συγκεκριμένες αρχιτεκτονικές συνελικτικών νευρωνικών δικτύων, οι οποίες έχουν δοκιμαστεί με μεγάλη επιτυχία στην αναγνώριση αντικειμένων σε εικόνες», εξηγεί ο Δρ. Κωνσταντίνος Φερεντίνος που υλοποίησε την έρευνα, ο οποίος, από το 2019 έως σήμερα, συμπεριλαμβάνεται στην ετήσια λίστα του Πανεπιστημίου Stanford με τους κορυφαίους επιστήμονες παγκοσμίως.
Ο Δρ.Κωνσταντίνος Φερεντίνος
Ο έγκαιρος εντοπισμός και η επιτυχής αναγνώριση των προσβολών μιας καλλιέργειας από παθογόνα, αποτελούν βασικές προϋποθέσεις για την αντιμετώπιση των φυτοπαθολογικών προβλημάτων και τη μεγιστοποίηση της ποιότητας και ποσότητας του παραγόμενου προϊόντος. Ωστόσο, η διαδικασία της διάγνωσης φυτικών ασθενειών μέσω οπτικής παρατήρησης των συμπτωμάτων του φυλλώματος αποτελεί πρόκληση με μεγάλες πιθανότητες σφάλματος ακόμα και για τους έμπειρους γεωπόνους, λόγω της μεγάλης ποικιλομορφίας των συμπτωμάτων των φυτοπαθολογικών προβλημάτων που παρουσιάζονται σε όλη τη γκάμα της τεράστιας ποικιλίας των καλλιεργούμενων φυτών.
Τα νευρωνικά δίκτυα είναι μαθηματικά μοντέλα τα οποία μιμούνται κατά κάποιον τρόπο τη λειτουργία του εγκεφάλου και τα οποία εκπαιδεύονται σε συγκεκριμένες διεργασίες μέσω μεγάλου όγκου δεδομένων που έχουν συλλεχθεί από την πραγματική διεργασία την οποία καλούνται να μοντελοποιήσουν. Στη συγκεκριμένη περίπτωση, εκπαιδεύονται στην αναγνώριση ασθενειών με μεγάλο πλήθος φωτογραφιών προσβεβλημένων και υγιών φυτών.
«Για την εκπαίδευση και δοκιμή του μοντέλου χρησιμοποιήθηκε μία ανοιχτή βάση δεδομένων που περιέχει σχεδόν 88 χιλιάδες φωτογραφίες φύλλων από υγιή και από προσβεβλημένα φυτά. Το φωτογραφικό αυτό υλικό αφορά 58 διαφορετικούς συνδυασμούς φυτού/ασθένειας και υγιών φυτών και περιλαμβάνει 25 διαφορετικά είδη υγιών και προσβεβλημένων φυτών, με 35 διαφορετικές ασθένειες. Το 63% περίπου αυτών των φωτογραφιών έχουν ληφθεί σε εργαστηριακές συνθήκες ενώ το 37% έχουν ληφθεί στον αγρό, σε πραγματικές συνθήκες καλλιέργειας», περιγράφει ο Δρ. Φερεντίνος.
Η ύπαρξη ενός αυτοματοποιημένου, υπολογιστικού συστήματος διάγνωσης ασθενειών θα μπορούσε να αποτελέσει έναν πολύτιμο αρωγό για τον γεωπόνο που καλείται να πραγματοποιήσει αντίστοιχες διαγνώσεις ασθενειών φυτών μέσω οπτικής παρατήρησης των φύλλων τους.
Εάν μάλιστα το σύστημα είναι απλό στη χρήση του και εύκολα προσβάσιμο, όπως π.χ. μια απλή εφαρμογή κινητού τηλεφώνου, θα μπορούσε να αποτελέσει πολύτιμο εργαλείο, ειδικά για την υποστήριξη παραγωγών σε μέρη του κόσμου που στερούνται των κατάλληλων υποδομών ως προς τις γεωπονικές παροχές και την προσφορά φυτοπαθολογικών συμβουλών.
«Εκτός από την έγκαιρη ανίχνευση μιας πιθανής απειλής για την καλλιέργεια, ένας γεωπόνος μελλοντικά θα μπορούσε να έχει στη διάθεσή του ένα πολύτιμο συμβουλευτικό εργαλείο, ένα σύστημα αυτοματοποιημένης συνταγογράφησης των κατάλληλων φυτοφαρμάκων για την ασθένεια που έχει επιβεβαιωθεί από το μοντέλο τεχνητής νοημοσύνης. Αυτό θα περιόριζε δραστικά την ανεξέλεγκτη αγορά και την υπερβολική χρήση φυτοφαρμάκων που έχει καταστροφικές επιπτώσεις στο περιβάλλον. Όλα αυτά φυσικά προϋποθέτουν την υψηλή απόδοση του συστήματος και την ευκολία χρήσης του σε πραγματικές συνθήκες καλλιέργειας», συμπληρώνει ο Έλληνας ερευνητής, διευκρινίζοντας ότι το πιλοτικό μοντέλο που αναπτύχθηκε έχει ποσοστό επιτυχίας πάνω από 99%. «Ωστόσο, απαιτείται ακόμα πολλή έρευνα ώστε να είναι εφικτή η ανάπτυξη μοντέλων που στην πράξη, δηλαδή σε πραγματικές συνθήκες στο πεδίο, θα έχουν ανάλογα ποσοστά επιτυχίας με το πολύ υψηλό αυτό ποσοστό του πειραματικού μοντέλου», επισημαίνει ο Δρ. Φερεντίνος.
Ειδικά, σε μεγάλες καλλιεργήσιμες εκτάσεις, το σύστημα θα μπορούσε να λειτουργήσει ενσωματωμένο σε αυτόνομα ή μη γεωργικά οχήματα ή σε drones ώστε να μπορεί να ανιχνεύει φυτοπαθολογικά προβλήματα σε συγκεκριμένα σημεία της καλλιέργειας μέσω συνεχών λήψεων φωτογραφιών, έγκαιρα, σε πραγματικό χρόνο και με υψηλή χωρική ακρίβεια.
Σύμφωνα με τον ίδιο, η συμπερίληψη 58 διαφορετικών κατηγοριών συνδυασμών 25 διαφορετικών φυτών με ασθένειες αποτελεί μέχρι στιγμής το μεγαλύτερο μοντέλο τεχνητής νοημοσύνης που έχει δημιουργηθεί για την αναγνώριση φυτικών ασθενειών. Το επόμενο βήμα είναι η αύξηση της ποσότητας και ποικιλομορφίας των διαθέσιμων δεδομένων εκπαίδευσης, ώστε να δημιουργηθούν βελτιωμένα μοντέλα που θα λειτουργούν ικανοποιητικά σε μεγάλο εύρος συνθηκών και που θα περιλαμβάνουν ακόμα περισσότερα είδη φυτών και προσβολών από παθογόνα ή άλλων προβλημάτων της καλλιέργειας.
Τα μέχρι τώρα αποτελέσματα είναι ενδεικτικά των δυνατοτήτων που έχουν οι τεχνικές βαθιάς μάθησης στον τομέα της αυτοματοποιημένης αναγνώρισης φυτικών ασθενειών, καθιστώντας σαφές ότι η τεχνητή νοημοσύνη αποτελεί το μέλλον και για τη γεωργία.
Φυσικά, αυτό που τονίζει ο Δρ. Φερεντίνος είναι ότι η τεχνητή νοημοσύνη δεν είναι πανάκεια. «Είναι απαραίτητος ο συνδυασμός των ευφυών μοντέλων με την εξειδικευμένη γνώση των γεωπόνων. Επιπρόσθετα, για να υλοποιηθεί η λεγόμενη «ευφυής γεωργία», πολύ σημαντική είναι η εκπαίδευση των γεωπόνων σε βασικά θέματα πληροφορικής, ώστε να είναι σε θέση όχι μόνο να χρησιμοποιούν οι ίδιοι και να εκπαιδεύουν τους παραγωγούς στη χρήση των νέων τεχνολογιών και των προηγμένων αυτών συστημάτων, αλλά κυρίως να μπορούν να συνεργάζονται εποικοδομητικά με τους επιστήμονες της πληροφορικής για τον σχεδιασμό και την ανάπτυξη τέτοιων συστημάτων».
