Μια ομάδα Κινέζων ερευνητών ανέπτυξε ένα σύστημα παρακολούθησης ικανό να μετατρέπει την κίνηση των φύλλων σε συγκεκριμένα δεδομένα, μειώνοντας τα απόβλητα και τις περιβαλλοντικές επιπτώσεις.
Η κατανόηση του τρόπου με τον οποίο κινούνται τα φύλλα - πόσο γρήγορα δονούνται, πόσο λυγίζουν, πόσο συχνά ταλαντώνονται - είναι κάτι περισσότερο από μια απλή βοτανική περιέργεια. Είναι το κλειδί για την καλύτερη κατανομή των θεραπειών με φυτοφάρμακα, τη χρήση λιγότερων χημικών ουσιών, τη μείωση της ρύπανσης και την αύξηση της αποδοτικότητας των καλλιεργειών. Αλλά η μέτρηση των κινήσεών τους δεν είναι εύκολη. Τα φύλλα είναι ελαφριά, εύκαμπτα και ακανόνιστα: η απευθείας σύνδεση αισθητήρων σε αυτά ενέχει τον κίνδυνο να αλλάξει τη συμπεριφορά τους. Οι οπτικές τεχνικές χωρίς επαφή προσφέρουν μια πιο κομψή λύση, αλλά κατά τον ψεκασμό, τα σταγονίδια μπορούν να καλύψουν τα σημεία αναφοράς, να αντανακλούν το φως και να κάνουν την παρακολούθηση ασταθή. Εδώ έρχεται η τεχνητή νοημοσύνη.
Μια ομάδα Κινέζων ερευνητών ανέπτυξε μια μέθοδο ικανή να καταγράφει αξιόπιστα τις παραμέτρους κίνησης των φύλλων ακόμη και υπό πολύπλοκες συνθήκες: όταν αυτές καλύπτονται εν μέρει από σταγόνες, όταν ταλαντώνονται γρήγορα ή όταν η εικόνα διαταράσσεται από αντανακλάσεις και παρεμβολές. Η λύση βασίζεται στο μοντέλο YOLOv8 , το οποίο έχει ενισχυθεί περαιτέρω με μια ενότητα βελτιστοποίησης ειδικά σχεδιασμένη για την παρακολούθηση φύλλων, ανοίγοντας το δρόμο για πιο ακριβή, ισχυρή και σε πραγματικό χρόνο παρακολούθηση. Αλλά τι είναι;
Πώς λειτουργεί η μέθοδος
Για να κατανοήσουν πώς αντιδρά ένα φύλλο στην επίδραση μιας βροχής φυτοφαρμάκων, οι ερευνητές χρησιμοποίησαν φυτά πιπεριάς Tianshuai101, που καλλιεργούνται υπό ελεγχόμενες συνθήκες. Μικροσκοπικοί, ελαφριοί λευκοί μαρκαδόροι εφαρμόστηκαν στην επιφάνεια των φύλλων , σχεδιασμένοι όχι για να αλλοιώνουν τη φυσική τους συμπεριφορά αλλά για να κάνουν ορατές ακόμη και τις παραμικρές δονήσεις. Ολόκληρη η διαδικασία καταγράφηκε από δύο κάμερες εξαιρετικά υψηλής ταχύτητας, ικανές να καταγράφουν 3.000 καρέ ανά δευτερόλεπτο και να ανασυνθέτουν την κίνηση σε τρεις διαστάσεις.
Φύλλο πιπεριάς με κηλίδες στόχους
Εδώ μπαίνει στο παιχνίδι η τεχνητή νοημοσύνη. Το σύστημα λειτουργεί σε τρεις κύριες φάσεις: πρώτον, εντοπίζει σημεία στα φύλλα χρησιμοποιώντας ένα μοντέλο τεχνητής νοημοσύνης (YOLOv8), κατάλληλα ενισχυμένο με μια μονάδα χωρικής προσοχής (SAM) , η οποία του επιτρέπει να εστιάζει στα πιο σχετικά μέρη της εικόνας, να μειώνει τις παρεμβολές από τις αντανακλάσεις των σταγονιδίων και να αναγνωρίζει σωστά σημεία ακόμη και αν είναι μερικώς κρυμμένα. Στη συνέχεια, ένας δεύτερος αλγόριθμος, ο DeepSORT, συνδέει τα σημεία μεταξύ των καρέ, αντιστοιχίζοντας σε κάθε καρέ μια ταυτότητα (ID) και προβλέποντας τη θέση του ακόμη και όταν προσωρινά κρυμμένα από ψεκασμό. Τέλος, η ταχύτητα, η μετατόπιση και η τροχιά των φύλλων υπολογίζονται από τις θέσεις που καταγράφονται με την πάροδο του χρόνου.
Αλλά πόσο αποτελεσματική είναι στην πραγματικότητα η νέα βελτιωμένη έκδοση του YOLOv8;
Για να το διαπιστώσουν, οι ερευνητές δοκίμασαν το μοντέλο σε τρία σενάρια αυξανόμενης δυσκολίας: καθόλου απόφραξη , ελαφριά κάλυψη φύλλων (2%) και μέτρια απόφραξη (5%), παρόμοια με αυτή που συμβαίνει κατά τον πραγματικό ψεκασμό. Υπό ιδανικές συνθήκες, και τα δύο μοντέλα αποδίδουν πολύ καλά, με το βελτιωμένο σύστημα να παρουσιάζει μόνο ένα μικρό πλεονέκτημα, αποδεικνύοντας ότι δεν εισάγει περιττή πολυπλοκότητα όταν δεν χρειάζεται. Η πραγματική διαφορά αναδύεται όταν τα πράγματα περιπλέκονται. Με λίγες μόνο σταγόνες, το βελτιωμένο μοντέλο αναγνωρίζει καλύτερα τα ορόσημα, μειώνει τα σφάλματα και χειρίζεται τις αντανακλάσεις πιο αποτελεσματικά, αυξάνοντας την ακρίβεια κατά περίπου 4%. Με πιο σοβαρή απόφραξη, ωστόσο, το πραγματικό άλμα στην ποιότητα είναι αισθητό: ενώ το βασικό μοντέλο χάνει πολλά σημεία παρακολούθησης, η βελτιωμένη έκδοση διατηρεί ακρίβεια άνω του 80% , με αύξηση σχεδόν 20%, χωρίς ψευδώς θετικά και μειωμένο σφάλμα τοποθέτησης κατά περισσότερο από το μισό. Μεγάλο μέρος της εύνοιας αποδίδεται στην ενσωματωμένη μονάδα προσοχής, η οποία επιτρέπει στο δίκτυο να "εστιάζει" στις πραγματικά σχετικές πληροφορίες ακόμη και εν μέσω αντανακλάσεων και οπτικών διαταραχών.
Αποτελέσματα αναγνώρισης υπό διαφορετικές συνθήκες απόφραξης. Α. Αποτέσματα όταν ο λόγος απόφραξης YOLOv8 είναι 0%. Β. Βελτιωμένο αποτέλεσμα αναγνώρισης όταν ο λόγος απόφραξης YOLOv8 είναι 0%. C. Αποτέσματα όταν ο λόγος απόφραξης YOLOv8 είναι 5%. D.Βελτιωμένο αποτέλεσμα αναγνώρισης όταν ο λόγος απόφραξης YOLOv8 είναι 5%
Επιπλέον, σε δοκιμές σε ακολουθίες διάρκειας έως και ενός λεπτού, το σύστημα επιδεικνύει επίσης σημαντικά βελτιωμένη σταθερότητα. Αλλάζει την ταυτότητα των σημείων που παρακολουθούνται λιγότερο συχνά, διακόπτει τις τροχιές πολύ λιγότερο συχνά και συνεχίζει να παρακολουθεί τα φύλλα ακόμα και όταν επικαλύπτονται, αλλάζει το φως ή αυξάνονται οι σταγόνες. Το αποτέλεσμα είναι ομαλή και ακριβής παρακολούθηση, ικανή να μετατρέπει σχεδόν ανεπαίσθητες ταλαντώσεις σε συγκεκριμένα δεδομένα σχετικά με την ταχύτητα, τη μετατόπιση και την παραμόρφωση - απαραίτητες πληροφορίες για να γίνει ο ψεκασμός πιο αποτελεσματικός, να μειωθούν τα απόβλητα και να καταστεί η γεωργία πιο βιώσιμη.
Federica Del Vecchio
© fruitjournal.com
