Η τεχνητή νοημοσύνη (AI) αναφέρεται στην προσομοίωση της ανθρώπινης νοημοσύνης μέσω υπολογιστικών συστημάτων και εφαρμόζεται ευρέως σε ποικίλους τομείς, συμπεριλαμβανομένου του αγροτικού. Οι εφαρμογές της στον αγροτικό τομέα έχουν αποδειχθεί εποικοδομητικές, συμβάλλοντας σημαντικά στη βελτιστοποίηση των γεωργικών διεργασιών και στην αύξηση της ποιότητας και ποσότητας των αγροτικών προϊόντων.
Ποια είναι τα πεδία εφαρμογής της τεχνητής νοημοσύνης στη γεωργία;
Η τεχνητή νοημοσύνη στο γεωργικό κλάδο αναδιαμορφώνει τον τρόπο διαχείρισης των καλλιεργειών μέσω προηγμένων αλγορίθμων και συστημάτων μηχανικής μάθησης, ώστε να παρακολουθούνται ακριβέστερα οι γεωργικές διαδικασίες. Στον παρακάτω πίνακα παρατίθενται οι τεχνολογίες τεχνητής νοημοσύνης στη γεωργία και το αντίστοιχο πεδίο εφαρμογής τους:
Ποια είναι τα χαρακτηριστικά παραδείγματα εφαρμογής της τεχνητής νοημοσύνης στο χωράφι και στις εκτροφές;
Η αυτοματοποίηση των τεχνικών επιθεώρησης της καλλιέργειας και η εξέλιξή της στα διαφορετικά στάδια ανάπτυξης αποτέλεσε σημαντικό ζήτημα ειδικά για τις καλλιέργειες των σιτηρών. Η αξιοποίηση τεχνικών και αλγορίθμων που βασίζονται στην τεχνητή νοημοσύνη μπορεί να βοηθήσει σημαντικά στην ακριβή και γρήγορη ανάλυση μεγάλου όγκου δεδομένων και τελικά να συμβάλει στην αύξηση της παραγωγικότητας και της αποδοτικότητας της διαχείρισης της εκμετάλλευσης από τον παραγωγό. Αποτελεί κλάδος ο οποίος βρίσκεται ακόμα υπό μελέτη, με πολλές έρευνες να έχουν διεξαχθεί και να συνεχίζουν να διεξάγονται. Οι πρώτοι μελετητές που ασχολήθηκαν με το συγκεκριμένο ζήτημα αξιοποίησαν εικόνες που είχαν συλλέξει σε διάστημα 3 ετών από καλλιέργειες σιταριού σε διαφορετικά στάδια ανάπτυξης, υπό διαφορετικές συνθήκες φωτισμού. Αυτό τους επέτρεψε να καταφέρουν να δημιουργήσουν έναν μηχανισμό που μπορούσε να κάνει αυτόματη αναγνώριση του στάχυ του σιταριού.
Αξίζει να σημειωθεί πως το συγκεκριμένο μοντέλο μηχανικής όρασης όχι μόνο μπόρεσε να ανταγωνιστεί την ανθρώπινη παρατήρηση, αλλά να την ξεπεράσει, επιτυγχάνοντας να αναγνωρίσει με ακρίβεια και να προσδιορίσει το στάδιο ανάπτυξης της καλλιέργειας με αυτόματο τρόπο. Επομένως, η πίεση στους παραγωγούς για συχνές επιθεωρήσεις με στόχο τον καθορισμό του ρυθμού ανάπτυξης της καλλιέργειας μπορούσε να μειωθεί δραστικά μέσω της υιοθέτησης του εν λόγω συστήματος τεχνητής νοημοσύνης.
Μια άλλη μελέτη εξέτασε την ικανότητα που έχει η όραση υπολογιστή να ανιχνεύσει, σε υψηλό ποσοστό, το βαθμό ωριμότητας σε καρπούς ντομάτας. Οι ερευνητές δημιούργησαν έναν αλγόριθμο που ανέλυσε το χρώμα από πέντε διαφορετικά μέρη της ντομάτας και στη συνέχεια έκαναν εκτιμήσεις ωριμότητας με βάση αυτά τα δεδομένα. Ο αλγόριθμος κατάφερε να πετύχει ένα ποσοστό ανίχνευσης και ταξινόμησης με ακρίβεια 99,31%.
Αναγνώριση του σταδίου ωρίμανσης της φράουλας με τη χρήση τεχνολογιών τεχνητής νοημοσύνης
Χρησιμοποιώντας τεχνολογίες αναγνώρισης και ανάλυσης εικόνων που βασίζονται στη βαθιά μάθηση (deep learning), μπορεί εύκολα να αυτοματοποιηθεί η ανίχνευση ύπαρξης προσβολών από ασθένειες και εχθρούς στην καλλιέργεια. Η συγκεκριμένη τεχνολογία αξιοποιεί μεθόδους ταξινόμησης, ανίχνευσης και τμηματοποίησης εικόνων για τη δημιουργία μοντέλων που μπορούν να «παρακολουθούν» και να εκτιμούν την υγεία των φυτών. Χαρακτηριστικό παράδειγμα είναι η χρήση της τεχνητής νοημοσύνης για την αναγνώριση των ζιζανίων με στόχο την εφαρμογή στοχευμένης ζιζανιοκτονίας.
Aναγνώριση περονόσπορου σε αμπέλι μέσω χρήσης συσκευής παρακολούθησης Viewer από την Eden Library
Αναγνώριση της παρουσίας ζιζανίων σε καλλιέργεια μπρόκολου
Η μηχανική όραση στην κτηνοτροφία μπορεί να βοηθήσει στην καταμέτρηση των ζώων, στην ανίχνευση ασθενειών, στον εντοπισμό ασυνήθιστων συμπεριφορών και στην παρακολούθηση διαφόρων δραστηριοτήτων, όπως ο τοκετός. Στην παροχή αυτών των δυνατοτήτων συντελεί και η χρήση των drones στις κτηνοτροφικές μονάδες και τα συστήματα IoT, ώστε να παρέχονται στον κτηνοτρόφο δεδομένα σε πραγματικό χρόνο.
Συνεπώς, οι πολύπλοκες ή επικίνδυνες καλλιεργητικές εργασίες και αντίστοιχα οι επίπονες εργασίες που χρειάζεται να εφαρμόζονται στις κτηνοτροφικές μονάδες αποδεικνύουν πως υπάρχει ακόμα μεγάλη ανάγκη για την ανάπτυξη, κατά το δυνατόν περισσότερο, αυτοματοποιημένων μεθοδολογιών για την εκτέλεσή τους. Η τεχνητή νοημοσύνη σήμερα μπορεί να βοηθήσει σημαντικά σε αυτό το σκοπό καθώς έχει αποδείξει πως χαρακτηρίζεται από υψηλή ικανότητα διαχείρισης μεγάλου όγκου δεδομένων και επίπονων εργασιών με ευκολία και ακρίβεια.
Ποιες είναι οι προκλήσεις της εφαρμογής τεχνητής νοημοσύνης στον γεωργικό κλάδο;
Με την αύξηση της ψηφιοποίησης και της ανάγκης για διαχείριση μεγάλου όγκου δεδομένων, η αύξηση των εφαρμογών τεχνητής νοημοσύνης στη γεωργία είναι αναμενόμενη, αφού επιτρέπει με μεγαλύτερη ευκολία τη χρήση έξυπνων τεχνικών για τη βελτιστοποίηση της διαχείρισης και τον καλύτερο προγραμματισμό των παραγωγικών μονάδων. Έτσι, όμως, δημιουργείται μια μεγάλη πρόκληση, ειδικά για τις μικρές και μεσαίες αγροτικές μονάδες, η οποία σχετίζεται κυρίως με το αυξημένο κόστος υιοθέτησης αυτών των τεχνολογιών, καθώς και με τη χαρτογράφηση και την ψηφιοποίηση των παραγωγικών διαδικασιών που εκτελούνται στην εκμετάλλευση.
Τα τελευταία χρόνια, το απαιτούμενο κόστος αγοράς εξοπλισμού και λογισμικού σημείωσε σημαντική μείωση, ωστόσο, αυτά τα κόστη εξακολουθούν να βρίσκονται σε απαγορευτικό επίπεδο για την πλειοψηφία των παραγωγών. Επιπλέον, ο περιορισμένος αριθμός ατόμων που έχουν την εξειδικευμένη γνώση της μεθόδου εφαρμογής και λειτουργίας των νέων τεχνολογιών, συμπεριλαμβανομένης και της τεχνητής νοημοσύνης, αποτελεί σημαντική πρόκληση. Ωστόσο, και οι υπόλοιπες νέες τεχνολογίες, όπως τα ψηφιακά αντίγραφα, είναι πολλά υποσχόμενα και αναμένεται να διαδραματίσουν σημαντικό ρόλο στη βελτιστοποίηση των γεωργικών διαδικασιών.
