1. Συνοπτική Περιγραφή

Η εργασία επιδιώκει να αξιοποιήσει τις δυνατότητες που προσφέρει ο ραγδαία εξελισσόμενος τομέας της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης σε συνδυασμό με την αξιοποίηση Τεχνολογιών Ανοιχτής Αρχιτεκτονικής με στόχο τον εντοπισμό των βασικότερων ασθενειών και παρασίτων της καλλιέργειας της ελιάς.

Ειδικότερα, στο πλαίσιο σχετικού εκπαιδευτικού προγράμματος που υλοποιήθηκε στο Πειραματικό Σχολείο του Πανεπιστημίου Θεσσαλονίκης αξιοποιήθηκε η πλατφόρμα Google Teachable Machine για την δημιουργία και εκπαίδευση μοντέλου μηχανικής μάθησης με δυνατότητα αναγνώρισης ασθενειών της ελιάς. Παράλληλα κατασκευάστηκε χαμηλού κόστους φορητή διάταξη βασισμένη σε τεχνολογίες ανοιχτής αρχιτεκτονικής (Raspberry Pi) με δυνατότητα τροφοδότησης του μοντέλου Μηχανικής Μάθησης με δεδομένα πεδίου με την αξιοποίηση ενσωματωμένης κάμερας.

Ο πρώτος κύκλος εκπαίδευσης του μοντέλου πραγματοποιήθηκε στο εργαστήριο πληροφορικής του σχολείου με την αξιοποίηση φωτογραφιών που απεικονίζουν ασθένειες της ελιάς. Ακολούθησε ένας δεύτερος κύκλος εκπαίδευσης στο πεδίο (χωράφι) με πραγματικά δεδομένα και την αξιοποίηση της φορητής διάταξης ενώ στα μελλοντικά μας σχέδια είναι η περαιτέρω εκπαίδευσης του μοντέλου με αξιοποίηση φωτογραφιών από σχετικές βάσεις δεδομένων.

Τα μέχρι τώρα αποτελέσματα της εργασίας μας δείχνουν ότι η αξιοποίησης της τεχνητής νοημοσύνης για τον έλεγχο παρασίτων και ασθενειών στην καλλιέργεια της ελιάς είναι σε μεγάλο βαθμό αποτελεσματική και πολλά υποσχόμενη.

Ιδιαίτερη έμφαση δόθηκε στη δυνατότητα επαναχρησιμοποίησης από την εκπαιδευτική κοινότητα του υλικού που παράχθηκε στο πλαίσιο του εκπαιδευτικού προγράμματος.

Εμπλεκόμενοι Μαθητές/τριες: Καράτσης Φίλιππος, Κύρινα Ανδριάννα, Λειβαδιώτη Ειρήνη, Λυκοκώστα Μαρία-Ευαγγελία, Μέρκος Γεώργιος, Μουντουρλή Λουκία (Β Λυκείου)

Εμπλεκόμενοι Εκπαιδευτικοί: Κουτσάκας Φίλιππος (Πληροφορικός), Φωτιάδου Σαπφώ (Φυσικός)

Πειραματικό Σχολείο Πανεπιστημίου Θεσσαλονίκης

2. Εισαγωγή – Αφόρμηση

Η κακοκαιρία Daniel που έπληξε την περιοχή της Θεσσαλίας τον Σεπτέμβρη του 2023 και οι καταστροφικές συνέπειες της για την αγροτική παραγωγή αποτέλεσαν την αφορμή για να αναζητήσουμε και να μελετήσουμε τρόπους με τους οποίους η τεχνητή νοημοσύνη είναι δυνατόν να υποστηρίξει τον αγροτικό τομέα της χώρας μας. Για τον σκοπό αυτό στο πλαίσιο του μαθήματος «Εισαγωγή στις Αρχές της Επιστήμης των ΗΥ» της Β Λυκείου, στην ενότητα «Τεχνητή Νοημοσύνη» αποφασίσαμε να υλοποιήσουμε σχετική εργασία, συμμετέχοντας παράλληλα στον 6ο Πανελλήνιο Διαγωνισμό Ανοιχτών Τεχνολογιών που φέτος επικεντρώνεται στη θεματική ενότητα της Τεχνητής Νοημοσύνης. Ειδικότερα επιλέξαμε να μελετήσουμε και να ασχοληθούμε με τις δυνατότητες και τις προοπτικές του Precision Agriculture / Farming (γεωργία ακρίβειας) η οποία αξιοποιεί τεχνολογίες αιχμής για τη βελτίωση της αποδοτικότητας και της βιωσιμότητας των γεωργικών εκμεταλλεύσεων.

3. Αναλυτική περιγραφή της Ιδέας και Υλοποίησης

Η εργασία μας εστιάσει στην αξιοποίηση της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης για τον εντοπισμό ασθενειών και παρασίτων των αγροτικών καλλιεργειών και πιο συγκεκριμένα της ελιάς, μεγάλες καλλιέργειες της οποίας υπάρχουν στον νομό Μαγνησίας που επλήγη ιδιαίτερα από την κακοκαιρία Daniel, αλλά και σε πολλές ακόμη περιοχές της χώρας μας.

Ειδικότερα, με σκοπό τον έγκαιρο και έγκυρο εντοπισμό ασθενειών και παρασίτων της καλλιέργειας της ελιάς, στο πλαίσιο της εργασίας μας

• αξιοποιήσαμε την πλατφόρμα Google Teachable Machine για τη δημιουργία και εκπαίδευση μοντέλου Μηχανικής Μάθησης με δυνατότητα αναγνώρισης ασθενειών της ελιάς
• σχεδιάσαμε και υλοποιήσαμε μία χαμηλού κόστους φορητή διάταξη βασισμένη σε υπολογιστική συσκευή μικρού μεγέθους και ανοιχτής αρχιτεκτονικής (Raspberry Pi) που λόγω της φορητότητας της έχει τη δυνατότητα καταγραφής και τροφοδοσίας του παραπάνω μοντέλου με δεδομένα πεδίου (αγροτικές καλλιέργειες) με τη χρήση κάμερας και αισθητήρων (θερμοκρασία, υγρασία, ατμοσφαιρική πίεση, κλπ)
• για την αρχική εκπαίδευση του παραπάνω μοντέλου αξιοποιήσαμε δεδομένα (φωτογραφίες) που απεικονίζουν ασθένειες της ελιάς
• ακολούθησε ένας δεύτερος κύκλος εκπαίδευσης του μοντέλου στην αναγνώριση ασθενειών της ελιάς με την χρήση της φορητής διάταξης στο πεδίο (αγροτικές καλλιέργειες και αστικές φυτεύσεις ελιάς).

Για την υλοποίηση της φορητής διάταξης επιλέξαμε να χρησιμοποιήσουμε τον παρακάτω εξοπλισμό:

• Υπολογιστή ανοιχτής αρχιτεκτονικής (Raspberry Pi 5)
• Οθόνη αφής (Waveshare 7inch capacitive touch screen LCD)
• Κάμερα υψηλής ανάλυσης για Raspberry Pi (Camera Module V3)
• Αισθητήρες θερμοκρασίας, υγρασίας, ατμοσφαιρικής πίεσης (BME280)
• Φορητή πηγή ενέργειας για για Raspberry Pi

Μετά την συναρμολόγηση της διάταξης και την εγκατάσταση του σχετικού λειτουργικού συστήματος (Raspberry Pi OS), προχωρήσαμε στην παραμετροποίηση του εξοπλισμού.

Ιδιαίτερα χρήσιμη σε αυτό το στάδιο ήταν η εμπειρία που έχουμε αποκομίσει από σχετικές εργασίες που έχουμε υλοποιήσει τα προηγούμενα χρόνια στο πλαίσιο προηγούμενων Διαγωνισμών Ανοιχτών Τεχνολογιών, όπως για παράδειγμα τα “Ακραία Καιρικά Φαινόμενα“, ο “Άλλος Αέρας με Ανοιχτές Τεχνολογίες“, Ο Τελευταίος να Σβήσει τα Φώτα, κλπ.

Όσον αφορά την εκπαίδευση της φορητής διάταξης στην αναγνώριση ασθενειών της ελιάς, επιλέξαμε να χρησιμοποιήσουμε το web-based εργαλείο Teachable Machine της Google (διαθέσιμο ΕΔΩ) το οποία προσφέρει δυνατότητα εκπαίδευσης μοντέλων στην αναγνώριση εικόνων, ήχων ή κινήσεων με βάση τα δεδομένα που της παρέχονται. Πρόκειται για είναι ένα εξαιρετικά εύχρηστο εργαλείο που αναπτύχθηκε από την Google και επιτρέπει στους χρήστες να δημιουργήσουν και να εκπαιδεύσουν δικά τους μοντέλα μηχανικής μάθησης χωρίς απαραίτητα να διαθέτουν εξειδικευμένες γνώσεις προγραμματισμού ή αλγορίθμων μηχανικής μάθησης.

Η λειτουργία της Teachable Machine είναι ιδιαίτερα απλή. Ο χρήστης έχει τη δυνατότητα, αφού ορίσει τις ομάδες / κατηγορίες / κλάσεις δεδομένων του μοντέλου που θέλει να δημιουργήσει / εκπαιδεύσει, να το τροφοδοτήσει με σχετικά δεδομένα, είτε μέσω κάποιας συσκευής εισόδου (κάμερα ή μικρόφωνο), είτε με την ανάρτηση αρχείων (εικόνες, ήχους, βίντεο). Στη συνέχεια, μετά από μία αρκετά απλή διαδικασία παραμετροποίησης το μοντέλο “μελετάει” τα δεδομένα που έχει δεχθεί ως είσοδο (εικόνες, ήχους, βίντεο) και “εκπαιδεύεται” εντοπίζοντας μοτίβα και σχέσεις σε αυτά.

Στην περίπτωση μας, επιλέξαμε τη δημιουργία και εκπαίδευση σχετικού μοντέλου αναγνώρισης εικόνων.  Το μοντέλο που δημιουργήσαμε αρχικά περιελάμβανε τρεις κατηγορίες ασθενειών τις ελιάς (Καρκίνωση, Δάκος, Καπνιά). Αφού δημιουργήσαμε τις τρεις κατηγορίες / κλάσεις, στη συνέχεια αναρτήσαμε σχετικές εικόνες σε κάθε κατηγορία και πραγματοποιήσαμε μία πρώτη εκπαίδευση του μοντέλου με τις φωτογραφίες αυτές.

4. Πρώτα Αποτελέσματα και Αρχικά Συμπεράσματα

Μετά την ολοκλήρωση της εκπαίδευσης ελέγξαμε την αποτελεσματικότητα του μοντέλου στην αναγνώριση των σχετικών ασθενειών, δίνοντας ως είσοδο τρεις διαφορετικές κατηγορίες φωτογραφιών: 

1. Κατηγορία Α: φωτογραφίες με άρρωστα ελαιόδεντρα από τις ασθένειες για τις οποίες έχει εκπαιδευτεί το μοντέλο
2. Κατηγορία Β: φωτογραφίες με άρρωστα ελαιόδεντρα από άλλες ασθένειες, για τις οποίες το μοντέλο δεν έχει εκπαιδευτεί
3. Κατηγορία Γ: φωτογραφίες με υγιή ελαιόδεντρα

Στην πρώτη κατηγορία φωτογραφιών το μοντέλο ανταποκρίθηκε σε ικανοποιητικό βαθμό στην αναγνώριση εικόνων των τριών ασθενειών της ελιάς μιας και αναγνώρισε με μεγάλο ποσοστό επιτυχίας (>70%) φωτογραφίες που απεικόνιζαν κάποια από τις τρεις ασθένειες για τις οποίες είχε εκπαιδευτεί.

Στην δεύτερη κατηγορία φωτογραφιών, όπως ήταν αναμενόμενο, το μοντέλο δεν μπόρεσε να αναγνωρίσει ασθένειες για τις οποίες δεν είχε εκπαιδευτεί. Παρόλα αυτά εντόπισε τις ομοιότητες στα κοινά χαρακτηριστικά των συμπτωμάτων των άγνωστων ασθενειών και των ασθενειών για τις οποίες είχε εκπαιδευτεί όπου αυτά υπήρχαν.

Στην τρίτη κατηγορία φωτογραφιών, παρά το γεγονός ότι οι φωτογραφίες απεικόνιζαν υγιή φυτά ελιάς το μοντέλο υποδείκνυε πιθανότητα ασθένειας σε ποσοστό 30-40%.

Παρά τις όποιες αδυναμίες τα πρώτα αποτελέσματα της εργασίας μας είναι ιδιαίτερα ενθαρρυντικά μιας το μοντέλο μηχανικής μάθησης που δημιουργήσαμε, εκπαιδεύσαμε και έχουμε τη δυνατότητα να αξιοποιήσουμε στο πεδίο (χωράφι) ανταποκρίνεται με μεγάλο βαθμό επιτυχίας στην αναγνώριση των ασθενειών της ελιάς για τις οποίες εκπαιδεύτηκε. Η ικανότητα του μοντέλου να αναγνωρίσει εγκαίρως και με υψηλή εγκυρότητα πιθανές ασθένειες της ελιάς συνιστά κρίσιμο πλεονέκτημα για την προληπτική διαχείριση των ασθενειώνα αυτών. Συνεπώς, η αξιοποίηση της τεχνητής νοημοσύνης για τον έλεγχο παρασίτων και ασθενειών στην καλλιέργεια της ελιάς είναι πολλά υποσχόμενη.

Ιδιαίτερη χρησιμότητα και αξία έχει το γεγονός ότι για την δημιουργία και εκπαίδευση του μοντέλου μας δεν απαιτούνται ιδιαίτερες γνώσεις προγραμματισμού η τεχνητής νοημοσύνης / μηχανικής μάθησης και κατά συνέπεια είναι κάτι που μπορεί να υλοποιηθεί με σχετική ευκολία από οποιονδήποτε.

5. Προκλήσεις, Δυσκολίες και Επόμενα Βήματα

Πέραν της δυσκολίας εύρεσης αξιόπιστων, καλής ποιότητας φωτογραφιών για ορισμένες ασθένειες της ελιάς δεν αντιμετωπίσαμε κάποια άλλη ιδιαίτερη δυσκολία. Μέσα από αυτή τη δυσκολία αναδεικνύεται η ανάγκη και η αξία των αποθετηρίων ανοιχτών συνόλων δεδομένων.

Λαμβάνοντας υπόψη μας τα αποτελέσματα του πρώτου κύκλου δοκιμών με φωτογραφίες τριών διαφορετικών κατηγοριών (Α, Β, Γ), την επόμενη σχολική χρονιά σκοπεύουμε να προβούμε στις παρακάτω ενέργειες βελτιστοποίησης:

1. Για να αυξήσουμε το ποσοστό επιτυχίας και την ακρίβεια του μοντέλου στον εντοπισμό των τριών ασθενειών της ελιάς θα αναζητήσουμε και θα αναρτήσουμε περισσότερες σχετικές φωτογραφίες από βάσεις ανοιχτών συνόλων δεδομένων. Παράλληλα θα επιδιώξουμε την περεταίρω εκπαίδευση του μοντέλου με δεδομένα πεδίου (αγροτικές εκτάσεις αλλά και αστικές φυτεύσεις ελαιόδεντρων) αξιοποιώντας την κάμερα της φορητής διάταξης.
2. Για να δώσουμε στο μοντέλο μηχανικής μάθησης τη δυνατότητα αναγνώρισης και άλλων ασθενειών της ελιάς θα δημιουργήσουμε νέες κατηγορίες / ομάδες και θα αναρτήσουμε σχετικές φωτογραφίες που απεικονίζουν τρεις ακόμη διαδεδομένες ασθένειες της ελιάς, ενώ θα προβούμε στη σχετική εκπαίδευση του νέου μοντέλου.
3. Για να εκπαιδεύσουμε το μοντέλο στην αναγνώριση των υγιών φυτών της ελιάς θα δημιουργήσουμε μία επιπλέον κατηγορία με φωτογραφίες που απεικονίζουν υγιή ελαιόδεντρα και θα προβούμε στη σχετική εκπαίδευση.
4. Παράλληλα έχουμε σκοπό να πειραματιστούμε και με τις «προχωρημένες» (advanced) λειτουργίες που προσφέρει η Google Teachable Machine ώστε να επιτύχουμε ακόμη καλύτερα αποτελέσματα στην αναγνώριση των ασθενειών της ελιάς.

Στα απώτερα σχέδια μας είναι

1. η δημιουργία συνόλων ανοιχτών δεδομένων που θα περιλαμβάνουν φωτογραφίες ασθενειών της ελιάς και η ανάρτηση τους σε σχετικές βάσεις δεδομένων (Kaggle, UCI Machine Learning Repository, EarthData, κλπ)
2. η δημιουργία ανοιχτού / επεκτασιμου διδακτικού σεναρίου το οποίο θα παρουσιάζεται αναλυτικά τη διαδικασία σχεδίασης, υλοποίησης, παραμετροποίησης, εκπαίδευσης της φορητής διάταξης αναγνώρισης των ασθενειών της ελιάς για την αξιοποίηση του από τους ενδιαφερόμενους εκπαιδευτικούς
3. η καλύτερη τεκμηρίωση της διάταξης και του μοντέλου μηχανικής μάθησης και η διερεύνηση πιθανής εμπορικής του αξιοποίησης από επαγγελματίες του κλάδου των αγροτικών καλλιεργειών.
4. η συλλογή και αξιοποίηση δεδομένων από τους αισθητήρες της διάταξης (θερμοκρασία, υγρασία, ατμοσφαιρική πίεση) σε σχετικά μοντέλα μηχανικής μάθησης.

6. Παραδοτέα

Τα παραδοτέα της εργασίας περιλαμβάνουν

• Φορητή διάταξη βασισμένη σε τεχνολογίες ανοιχτής αρχιτεκτονικής (Raspberry Pi) με δυνατότητα συλλογής δεδομένων πεδίου με τη χρήση κάμερας και αισθητήρων
• Εκπαιδεύσιμο μοντέλο μηχανικής μάθησης βασισμένο στην Google Teachable Machine με δυνατότητα αναγνώρισης επτά διαφορετικών ασθενειών της ελιάς
• Αποθετήριο ανάρτησης όλων των δεδομένων του προγράμματος στην πλατφόρμα GitHub, διαθέσιμο ΕΔΩ
• Εισήγηση (διαθέσιμη ΕΔΩ) και Παρουσίαση (διαθέσιμη ΕΔΩ) της εργασίας μας για το 16ο Μαθητικό Συνέδριο Πληροφορικής Κεντρικής Μακεδονίας, σχετική ανάρτηση ΕΔΩ 
• Βίντεο εισήγησης στο 16ο Μαθητικό Συνέδριο Πληροφορικης: https://youtu.be/fQAfex9MOTk 
• Εκδήλωση παρουσίασης / διάχυσης στο πλαίσιο του 16ου Μαθητικού Συνεδρίου Πληροφορικής, φωτογραφίες εδώ: https://photos.app.goo.gl/5ZrCVbTDvHbX3q3W7 
• Αφισάκι και σχετικά φυλλάδια, ανάρτηση στην ιστοσελίδα του σχολείου

7. Δράσεις Διάχυσης

Ανακοίνωση στο 16ο Μαθητικό Συνέδριο Πληροφορικής Κεντρικής Μακεδονία

 

Παρουσίαση στον εκθεσιακό χώρο του Μαθητικού Συνεδρίου

Αφισάκι

6. Βιβλιογραφία

A.I. Experiments, Teachable Machine, Ανακτήθηκε από https://www.youtube.com/watch?v=3BhkeY974Rg 

Navrozidis I, Pantazi XE, Lagopodi A, Bochtis D, Alexandridis TK. Application of Machine Learning for Disease Detection Tasks in Olive Trees Using Hyperspectral Data. Remote Sensing. 2023; 15(24):5683. https://doi.org/10.3390/rs15245683

Google Teachable Machine, https://teachablemachine.withgoogle.com/ 

Γκατζιλάκης, Χ., Γούτος, Δ. Ασθένειες της Ελιάς, Ανακτήθηκε από ΕΔΏ

Έντομα και ασθένειες που προσβάλλουν τους καρπούς της ελιάς, Ανακτήθηκε από
https://blog.farmacon.gr/katigories/texniki-arthrografia/fytoprostasia/item/3402-entoma-kai-astheneies-pou-prosvalloun-tous-karpoys-tis-elias 

Καϊναδάς, Φ. (2024). Οι κυριότερες ασθένειες της ελιάς (Doctoral dissertation, Πανεπιστήμιο Δυτικής Μακεδονίας. Σχολή Γεωπονικών Επιστημών. Τμήμα Γεωπονίας). Ανακτήθηκε από ΕΔΩ

Οι ασθένειες της ελιάς, Ανακτήθηκε από https://agravia.gr/asthenies-elias/