Ανίχνευση ασθενειών σε καλλιέργειες με χρήση Τεχνητής Νοημοσύνης_Pal.A.I.ros

“Ανίχνευση ασθενειών σε καλλιέργειες με χρήση Τεχνητής Νοημοσύνης”

Γυμνάσιο Παλαίρου

Το πρόβλημα που κληθήκαμε να αντιμετωπίσουμε είναι αυτό της ανίχνευση ασθενειών σε καλλιέργειες με χρήση Τεχνητής Νοημοσύνης. Πρόκειται για ένα πραγματικό πρόβλημα που απασχολεί τους αγρότες στην προσπάθειά τους για αύξηση της παραγωγής τους και ταυτόχρονη μείωση των φυτοφαρμάκων.

Έρευνα:

Αναζητήσαμε λύσεις που ήδη εφαρμόζονται ή σχεδιάζετε να εφαρμοστούν στα επόμενα χρόνια.

Ανακαλύψαμε ότι οι λύσεις αυτές χωρίζονται κυρίως σε τρεις κατηγορίες, ανάλογα με τον τρόπο συλλογής των δεδομένων και την κλίμακα της εφαρμογής.

Εφαρμογές για Smartphones
Χρήση Drones
Χρήση Ρομποτικών Συστημάτων και IoT

Αποφασίσαμε να δημιουργήσουμε ένα σύστημα που θα βασίζετε στην τρίτη λύση (ρομποτικό σύστημα). Είναι πολύ πιο προσιτό για να κατασκευαστεί στα πλαίσια ενός διαγωνισμού χωρίς να υστερεί σε αποτελεσματικότητα.

Σχεδιασμός:

Οι βασικοί άξονες της ιδέας μας είναι οι εξής:

Δημιουργία μακέτας.

Δημιουργήσαμε μια μακέτα όπου υπάρχουν οι καλλιέργειες της ελιάς και του καλαμποκιού, διαχωριστικός φράχτης καθώς και θέσεις όπου τοποθετούνται τα δείγματα για έλεγχο. Τα δείγματα είναι εκτυπωμένα και πλαστικοποιημένα φύλλα ελιάς και καλαμποκιού, τόσο υγιή όσο και ασθενή διαφόρων ασθενειών.

Διάταξη κύλισης.

Πάνω στη μακέτα τοποθετούμε μια διάταξη κύλισης (slider). Βασικό στοιχείο εδώ είναι ένα μοτέρ που κινεί μια πλατφόρμα μέσω ενός συστήματος τροχαλιών – ιμάντα.

Κάμερα WI-FI.

Πάνω στην πλατφόρμα έχουμε τοποθετήσει μια κάμερα esp32cam η οποία «σκανάρει» όλη την καλλιέργεια. Έχει προγραμματιστεί μέσω Arduino IDE ώστε να λειτουργεί ως web server και να στέλνει μέσω wifi την εικόνα σε IP address που θα γνωρίζουμε.

Μοντέλο μηχανικής μάθησης.

Χρησιμοποιήσαμε το εργαλείο teachable machine της Google για να δημιουργήσουμε το μοντέλο μας. Χρησιμοποιήσαμε ένα αρκετά μεγάλο αριθμό φωτογραφιών (datasets) – από το Kaggle.com – για να το εκπαιδεύσουμε και το τεστάραμε με διαφορετικές φωτογραφίες για να σιγουρευτούμε ότι αναγνωρίζει με μεγάλη επιτυχία τα υγιή και άρρωστα φύλα καθώς και τη συγκεκριμένη ασθένεια στην δεύτερη περίπτωση.

Κώδικας

Συνδυάζουμε όλα τα παραπάνω χρησιμοποιώντας το Virtual Studio Code ώστε μέσου ενός απλού αρχείου html (index.html) να δημιουργείτε τοπικά μια ιστοσελίδα στην οποία τρέχει ο έτοιμος κώδικας σε JavaScript που μας παρέχει το teachable machine. Με αυτόν τον τρόπο έχουμε στην οθόνη του υπολογιστή μας την εικόνα της κάμερας καθώς και την αναγνώριση (και με ποσοστό) υγιούς ή ασθενούς φύλλου.

Λειτουργία:

Αρχικά τοποθετούμε την κάμερα πάνω στην πλατφόρμα. Την συνδέουμε με μια σταθερή πηγή 5V. Τόσο η πλατφόρμα όσο και η θήκη της κάμερας έχουν εκτυπωθεί από δικό μας τρισδιάστατο εκτυπωτή.

Τρέχουμε το αρχείο index.html και σιγουρευόμαστε ότι η κάμερα δουλεύει και στέλνει την εικόνα στην ιστοσελίδα.

Συνδέουμε την τροφοδοσία 12V στο L298N bridge. Ο μηχανισμός που χρησιμοποιούμε έχει προδιαγραφές για 12V αν και όπως είδαμε από δοκιμές λειτουργεί και με 9V. Και εδώ η θήκη έχει εκτυπωθεί από εμάς σε 3d-printer.

Τέλος συνδέουμε το Arduino uno με εξωτερική πηγή 9V.

Η πλατφόρμα αρχίζει να κινείτε. Σε συγκεκριμένες θέσεις σταματά για να κάνει αναγνώριση των φύλλων. Παραμένει στη θέση ανίχνευσης για 2 δευτερόλεπτα.

Η εικόνα ελέγχεται από τον υπολογιστή μας. Παρέχεται το είδος της ασθένειας καθώς και το ποσοστό αναγνώρισης. Όταν φτάσει στο τέρμα του διαδρόμου κάνει μια παύση 5 δευτερολέπτων ώστε να αντικαταστήσουμε τις κάρτες των φύλλων με άλλες. Συνεχίζει το σκανάρισμα καθώς επιστρέφει.