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 μελετήσουμε τρόπους με τους οποίους η τεχνητή νοημοσύνη είναι δυνατόν να υποστηρίξει τον αγροτικό τομέα της χώρας μας. Ειδικότερα η έρευνα μας εστιάζει στην αξιοποίηση της τεχνητής νοημοσύνης για τον έγκαιρο και έγκυρο εντοπισμό ασθενειών και παρασίτων των αγροτικών καλλιεργειών και πιό συγκεκριμένα της ελίας, μεγάλες καλλιέργειες της οποίας υπάρχουν στον νομό Μαγνησίας που επλήγει ιδιαίτερα από την κακοκαιρία Daniel, αλλά και σε πολλές ακόμη περιοχές της χώρας μας. Η έρευνα μας ασχολήθηκε με τις βασικότερες ασθένειες που αντιμετωπίζουν οι καλλιεργητές της ελιάς στην χώρα μας, όπως είναι για παράδειγμα το κυκλώνιο, την καρκίνωση, την καπνιά, τις λειχήνες, τον δάκο, κλπ.
Με σκοπό τον έγκαιρο και έγκυρο εντοπισμό ασθενειών και παρασίτων της καλλιέργειας της ελιάς, στο πλαίσιο του έργου μας
- θα σχεδιάσουμε και θα υλοποιήσουμε μία χαμηλού κόστους φορητή διάταξη βασισμένη σε υπολογιστική συσκευή μικρού μεγέθους και ανοιχτής αρχιτεκτονικής (Raspberry Pi) που θα έχει τη δυνατότητα καταγραφής δεδομένων πεδίου (χωράφι) με τη χρήση κάμερας και αισθητήρων (θερμοκρασία, υγρασία, ατμοσφαιρική πίεση, κλπ)
- θα εγκαταστήσουμε στην παραπάνω διάταξη, θα προγραμματίσουμε και θα εκπαιδεύσουμε μοντέλα μηχανικής μάθησης ανοιχτής αρχιτεκτονικής με δυνατότητα αναγνώρισης εικόνων (πχ TensorFlow, Google Teachable Machine, Machine, κλπ)
- θα αξιοποιήσουμε δεδομένα (φωτογραφίες) από βάσεις ανοικτών συνόλων δεδομένων που απεικονίζουν ασθένειες της ελιάς για την εκπαίδευση του παραπάνω μοντέλου
Μετά τον πρώτο κύκλο εκπαίδευσης της, η παραπάνω διάταξη θα δίνει τη δυνατότητα αξιοποίησης της στο πεδίο (χωράφι) για τον έγκαιρο και έγκυρο εντοπισμό ασθενειών της ελιάς, ενώ παράλληλα θα εκπαιδεύεται…
Ιδιαίτερη έμφαση θα δοθεί στη δυνατότητα επαναχρησιμοποίησης από την εκπαιδευτική κοινότητα του εκπαιδευτικού υλικού που θα παραχθεί στο πλαίσιο του συγκεκριμένου έργου
Η προτεινόμενη φορητή διάταξη ελέγχου ασθενειών της ελιάς αποτελείται από
- υπολογιστή μικρού μεγέθους (Raspberry Pi 5)
- οθόνη αφής μικρού μεγέλθους (7 inch)
- φορητή πηγή ενέργειας
- κάμερα υψηλής ανάλυσης
- αισθητήρες θερμοκρασίας, υγρασίας, ατμοσφαιρικής πίεσης,
Στην παραπάνω διάταξη θα εγκατασταθεί μοντέλο / αλγόριθμος μηχανικής μάθησης αναγνώρισης εικόνων το οποίο θα βασίζεται σε λύση ανοιχτής αρχιτεκτονικής (πχ TensorFlow, Google Teachable Machine, Machine)
Μέσα από την ενεργή συμμετοχή τους στο εκπαιδευτικό πρόγραμμα οι μαθητές/τριες αναμένεται: να είναι σε θέση να δημιουργήσουν με μαστόρεμα (tinkering) ένα φορητό υπολογιστικό σύστημα ελέγχου ασθενειών της καλλιέργειας της ελιάς με κάμερα και αισθητήρες, αξιοποιώντας τεχνολογίες ανοιχτής αρχιτεκτονικής να είναι σε θέση να εγκαταστήσουν μοντέλο / αλγόριθμο μηχανικής μάθησης στην παραπάνω διάταξη με δυνατότητα αναγνώρισης μοτίβων σε εικόνες και ταξινόμησης τους και να το εκπαιδεύσουν κατάλληλα ώστε να αναγνωρίζει με επιτυχία ασθένειες της καλλιέργειας της ελιάς να είναι σε θέση να εξηγούν τις βασικές έννοιες της τεχνητής νοημοσύνης, όπως η μηχανική μάθηση, οι αλγόριθμοι, τα νευρωνικά δίκτυα, και ο τρόπος λειτουργίας τους. να είναι σε θέση να περιγράφουν τον τρόπο εφαρμογής αλγορίθμων τεχνητής νοημοσύνης σε πραγματικά προβλήματα να είναι σε θέση να αναπτύξουν πρωτοβουλίες, να καλλιεργήσουν δεξιότητες συνεργασίας και να αξιοποιούν την υπολογιστική σκέψη ως εργαλείο επίλυσης και εμβάθυνσης πραγματικών προβλημάτων της καθημερινής ζωής.