Η ομάδα Έρευνας και Ανάπτυξης της farmB σε συνεργασία με τους επιστήμονες του IBO/ΕΚΕΤΑ δημιούργησαν μια πρωτοποριακή προσέγγιση τεχνητής νοημοσύνης (AI) για τον εντοπισμό δέντρων με φύλλα που έχουν προσβληθεί από ασθένειες, εκμεταλλευόμενοι τις τελευταίες εξελίξεις στη βαθιά μάθηση και την ανίχνευση αντικειμένων. Ο πρώτος τύπος ασθένειας που δοκιμάστηκε ήταν η ανθράκωση. Μέχρι στιγμής, η ανίχνευση της ανθράκωσης με τη χρήση μηχανικής μάθησης πραγματοποιήθηκε μόνο σε επίπεδο μονάδας φύλλου και σε εικόνες που λήφθηκαν σε ελεγχόμενο περιβάλλον όσον αφορά τον φωτισμό και την καθαρότητα του φόντου. Η καινοτόμος προσέγγιση βασίζεται σε έναν ανιχνευτή αντικειμένων, δηλαδή έναν προηγμένο Single Shot Detector (SSD), που εκπαιδεύτηκε να ανιχνεύει φύλλα που έχουν προβληθεί από ανθράκωση σε εικόνες με πλούσια χαρακτηριστικά από τα φύλλα καρυδιών, κάτων από μεταβλητές συνθήκες περιβάλλοντος και σε ανοιχτά υπαίθρια πεδία καλλιέργειας.

Στο επίκεντρο αυτής της έρευνας ήταν η δημιουργία ενός λεπτομερούς και γρήγορου συστήματος ανίχνευσης αντικειμένων που μπορεί να αναγνωρίζει τα μολυσμένα φύλλα καρυδιάς που έχουν προσβληθεί από ανθράκωση προκειμένου να χρησιμοποιηθεί σε πραγματικά γεωργικά περιβάλλοντα. Τα ενθαρρυντικά αποτελέσματα υποδεικνύουν ότι ο ανιχνευτής έχει μεγάλη προοπτική για άμεση εφαρμογή σε εμπορικές καλλιέργειες, για την ανίχνευση προσβεβλημένων φύλλων σε επίπεδο δέντρου σε πραγματικές συνθήκες στον αγρό, και την κατηγοριοποίηση των δέντρων σε προσβεβλημένα ή υγιή σε πραγματικό χρόνο. Κατά συνέπεια, το σύστημα μπορεί να αποτελέσει μια εφαρμόσιμη λύση για την πραγματική άντληση δεδομένων, την παρακολούθηση και τη λήψη αποφάσεων σε πραγματικό χρόνο.

Αναπτύχθηκε μια ολιστική προσέγγιση για την αναγνώριση δέντρων που έχουν προσβληθεί από ασθένειες σε οπωρώνες. Βασισμένη σε νέους αλγορίθμους τεχνητής νοημοσύνης, η προσέγγιση αυτή ταξινομεί εικόνες μεμονωμένων προσβεβλημένων φύλλων, ενώ μπορεί να τις εντοπίζει σε επίπεδο δέντρου, σε περιβάλλον ανοιχτού αγροκτήματος κάτω από μεταβλητές συνθήκες.
Χρησιμοποιούνται προηγμένοι αλγόριθμοι βαθιάς μάθησης όπως τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks-CNN) για εργασίες ταξινόμησης και ένας Single Shot Detector (SSD) για την ανίχνευση αντικειμένων, προκειμένου να παρέχουν ακρίβεια στις προβλέψεις και υψηλή ταχύτητα εκτέλεσης.
Βασική περίπτωση χρήσης της προσέγγισης είναι ο εντοπισμός δέντρων καρυδιάς που έχουν προσβληθεί από ανθράκωση. Ο στόχος της μελέτης ήταν να δημιουργηθεί ένα ισχυρό σύστημα που μπορεί να λειτουργεί με ακρίβεια σε επιχειρησιακά περιβάλλοντα, στοχεύοντας σε ένα σύστημα, που μπορεί να έχει άμεση εφαρμογή σε εμπορικούς οπωρώνες.
Τα ενθαρρυντικά αποτελέσματα έδειξαν ότι ένα τέτοιο σύστημα είναι όχι μόνο αποτελεσματικό, αλλά μπορεί να παράγει προβλέψεις με υψηλό επίπεδο ακρίβειας. Ένα τέτοιο σύστημα μπορεί να χρησιμοποιηθεί για ανίχνευση και παρακολούθηση, καθώς και για την παροχή εισροών στα Συστήματα Υποστήριξης Λήψης Αποφάσεων (DSS) σχετικά με το αν και πού απαιτείται εφαρμογή φυτοφαρμάκων.