Οι 61 διαφορετικές κατηγορίες φυτικών ασθενειών που μπορεί να αναγνωρίσουν
τα 7 εκπαιδευμένα μοντέλα Βαθιάς Μηχανικής Μάθησης.

1. EfficientNetB0,
2. EfficientNetB1
3. EfficientNetB7
4. ResNet50
5. VGG15
6. MobileNet
7. Custom SerresCNN

dataset με  61 κατηγορίες (38 VillagePlant Dataset +23 SerresPlant Dataset)

• 1 Αμπέλι Ερινώση
  2 Αμπέλι Ιαπωνικό σκαθάρι
  3 Αμπέλι Περονόσπορος
  4 Αμπέλι Φύλλα Υγιές
  5 Αμυγδαλιά εξοάσκος
  6 Αμυγδαλιά μονίλια
  7 Αμυγδαλιά υγιές
  8 Αμυγδαλιά φουζικόκο
  9 Αχλαδιά σκωρίασιAxladia Skoriash
  10 Βακκίνιο υγιές
  11 Βαμβάκη Αφίδες
  12 Βαμβάκη πράσινο σκουλίκι
  13 Βαμβάκη Τερτάνυξος
  14 Βαμβάκη Υγιές
  15 Βατόμουρο υγιές
  16 Βερυκοκιά σκαθάρη
  17 Γαρυφαλλιά Θύπας
  18 Ελιά Κυκλώνιο
  19 Ηλία άκαρη
  20 Ηλία υγιές
  21 Ιός μπούκλας κίτρινων φύλλων ντομάτας
  22 Καλαμπόκη Ανθράκας
  23 Καλαμπόκη Σεζαμία
  24 Καλαμπόκη υγιές
  25 Καλαμπόκι (αραβόσιτος) Βόρειος Φύλλος
  26 Καλαμπόκι (καλαμπόκι) Κηλίδα φύλλου Cercospora Γκρι κηλίδα φύλλου
  27 Καλαμπόκι (καλαμπόκι) Κοινή σκουριά
  28 Καλαμπόκι (καλαμπόκι) υγιές
  29 Καρύδια Ανθρακός
  30 Καψάλισμα φύλλων φράουλας
  31 Κεράσι (συμπεριλαμβανομένου του ξινιού) υγιές
  32 Κεράσι (συμπεριλαμβανομένου του ξινού) Ερυσίδι
  33 Κηλίδα σε φύλλα ντομάτας Septoria
  34 Κηλίδα φύλλων σταφυλιού (Isariopsis Leaf Spot)
  35 Κολοκυθάκι ωίδιο
  36 Μαύρη σήψη σταφυλιού
  37 Μήλο Cedar σκουριά μήλων
  38 Μήλο Septoriosh
  39 Μήλο Μαύρη σήψη
  40 Μήλο μήλο ψώρα
  41 Μήλο υγιές
  42 Μούχλα φύλλων όψιμης ντομάτας
  43 Μχλια Μχλολονθη
  44 Ντομάτα Ακάρεα αράχνης με δύο κηλίδες
  45 Ντομάτα Βακτηριδιακό σημείο
  46 Ντομάτα Ιός μωσαϊκού ντομάτας
  47 Ντομάτα Πρώιμη μάστιγα
  48 Ντομάτα υγιής
  49 Πατάτα όψιμο μόσχο
  50 Πατάτα Πρώιμη μάστιγα
  51 Πατάτα υγιής
  52 Πιπέρι υγιές
  53 Πιπεριά καμπάνα Βακτηριδιακό σημείο
  54 Πορτοκαλί Haunglongbing (πρασίνισμα εσπεριδοειδών)
  55 Ροδάκινο Βακτηριδιακό σημείο
  56 Ροδάκινο υγιές
  57 Σημείο στόχου ντομάτας
  58 Σόγια υγιής
  59 Σταφύλι esca (Μαύρη Ιλαρά)
  60 Σταφύλι υγιές
  61 Φράουλα υγιής

• Η Έξυπνη Γεωργία (ή Ευφυής γεωργία ) αποτελεί εξέλιξη της κλασικής γεωργίας που συνδυάζει σύγχρονες τεχνολογίες, αισθητήρες και δεδομένα για να βελτιστοποιήσει υπάρχουσες αγροτικές δραστηριότητες, μειώνοντας το ρίσκο και παράλληλα αυξάνοντας την ποιότητα και την απόδοση των αγροτικών προϊόντων.
• Επιπλέον δίνει νέες και καινοτόμες δυνατότητες στους αγρότες όπως η παρακολούθηση δεδομένων σχετικά με τον αγρό τους σε πραγματικό χρόνο με την χρήση της επιστήμης για την άμεση και αποτελεσματική λήψη αποφάσεων.

Ευφυής γεωργία σημαίνει ορθές γεωργικές πρακτικές, που συμβάλλουν
στην εξοικονόμηση διαθέσιμων φυσικών πόρων και στη βέλτιστη χρήση
των εισροών στη γεωργία.

Οι εχθροί και ασθένειες των φυτών θεωρούνται από τους κύριους παράγοντες
που επηρεάζουν την παραγωγή τροφίμων και ευθύνονται για τη σημαντική
μείωση της φυσικής ή οικονομικής παραγωγικότητας των καλλιεργειών.

Κύρια πρόκληση της γεωργίας είναι ο σωστός εντοπισμός των συμπτωμάτων των εχθρών και ασθενειών που επηρεάζουν τις καλλιέργειες και η ακριβής και έγκαιρη διάγνωση τους ώστε να ακολουθηθούν οι κατάλληλες πρακτικές αντιμετώπισης.

• Συγκεκριμένα σε αυτό το έργο αναπτύσσουμε καινοτόμες εφαρμογές βαθιάς μάθησης και μοντέλα για την εκτίμηση της ανάπτυξης των φυτών χρησιμοποιώντας δεδομένα εικόνας.
• Τα δεδομένα λαμβάνονται με διάφορους τρόπους: Εικόνες α) από έξυπνες κινητές συσκευές (smart phones, tablet, camera) β) λήψεις εικόνων από drones γ) λήψεις σημείων των καλλιεργειών με συσκευή lidar από drone.
• Αναπτύσσεται μια διαδικτυακή εφαρμογή όπου ο αγρότης μπορεί να ανεβάσει φωτογραφία ενός φυτού ή της καλλιέργειας και θα λάβει ως απάντηση από το εκπαιδευμένο μοντέλο βαθιάς μάθησης την αντίστοιχη διάταξη για τη λήψη αποφάσεων.
• Με τη χρήση drone α) θα γίνεται σάρωση της καλλιέργειες με lidar ή φωτογραμμετρία β) θα εντοπίζονται τα σημεία (x,y) με ανωμαλίες στην εξέλιξη της καλλιέργειας, γ) θα λαμβάνονται φωτογραφίες υψηλής ανάλυσης, δ) θα αποστέλλονται στο μοντέλο διάγνωσης και ε) θα ενημερώνεται ο γεωπόνος ή ο αγρότης με οδηγίες για την αντιμετώπισης της ανωμαλίας αυτής
• Για την προτεινόμενη εφαρμογή απαιτείται ο κατάλληλος σχεδιασμός και ανάπτυξη αλγορίθμων καθώς και η δημιουργία σχετικού λογισμικού για την αυτόματη αξιολόγηση της αγροτικής καλλιέργειας από την ψηφιακή εικόνα.
• Αναπτύχθηκε μια πλατφόρμα ασύγχρονης εκπαίδευσης για την εξ αποστάσεως εκπαίδευση των αγροτών σε νέες τεχνολογίες για βιώσιμη γεωργία, ορθολογική χρήση φυτοφαρμάκων-λιπασμάτων και συντήρηση μηχανημάτων, ψεκαστήρες κ.λπ.

Για την αποτύπωση της ανάπτυξης μιας καλλιέργειας προτείνονται στο έργο δυο τεχνικές υλοποίησης

• Μέσω εικόνων με τεχνικές τηλεπισκόπησης και μηχανικής μάθησης
• Μέσω μετρήσεων με αισθητήρα Lidar με υπολογιστικές τεχνικές

Σε μια καλλιέργεια εφόσον έχει υλοποιηθεί η αποτύπωσή της, μπορούμε εύκολα να εντοπίσουμε τις προβληματικές περιοχές

• Περιοχές με μεγαλύτερο ύψος από το μέσο όρο του ύψους της καλλιέργειας
• Περιοχές με μικρότερο ύψος από το μέσο όρο του ύψους της καλλιέργειας

Τις προβληματικές περιοχές τις προσεγγίζουμε είτε με drone είτε ο γεωργός ο ίδιος για να φωτογραφήσει το φυτό

• Εισάγουμε τη φωτογραφία στο μοντέλο μηχανικής μάθησης το οποίο μας επιστρέφει τη διάγνωση

Σύγκριση με υπάρχοντα μοντέλα όπως το EfficientNet B0-Β7

• με τα μοντέλα Deep Learning μπορούμε να κάνουμε transfer learning (να μεταφέρουμε τη γνώση που έχει στα δικά μας δεδομένα) και να το ξαναεκπαιδεύσουμε
• καταλήξαμε ότι για τα πραγματικά δεδομένα που αφορούν τα υγιή φυτά και τα φυτά που έχουν προσβολή από ασθένειες, η εκπαίδευση είχε αποτελέσματα της τάξης του 88%, το validation ανήλθε στο 85%

Παράδειγμα

Βαμβάκι Αφίδα 82%

Η ανάπτυξη μοντέλου βαθιάς μηχανικής μάθησης είναι μια πολύ καλή τεχνική η οποία μπορεί να χρησιμοποιηθεί ευρύτερα και για την πρόγνωση περισσότερων εχθρών και ασθενειών με την υπάρχουσα εκπαίδευση, ενσωματώνοντας περισσότερες εικόνες, ώστε να υλοποιηθεί μια εφαρμογή για κινητές συσκευές, προκειμένου να διευκολυνθούν οι αγρότες στην αναγνώριση και αντιμετώπιση των προσβολών στο χωράφι