Η αντιμετώπιση των ζιζανίων αποτελεί μια από τις μεγαλύτερες προκλήσεις στην καλλιέργεια του ρυζιού. Είδη όπως το κόκκινο ρύζι (Oryza sativa), η μουχρίτσα (Echinochloa spp.) και η μοσχοκύπερη (Cyperus difformis) είναι ιδιαίτερα ανταγωνιστικά και μπορούν να μειώσουν σημαντικά τόσο την απόδοση όσο και την ποιότητα του παραγόμενου ρυζιού. Για να μπορέσει ο παραγωγός να τα ελέγξει αποτελεσματικά, είναι κρίσιμη η έγκαιρη και ακριβής αναγνώρισή τους μέσα στο χωράφι.
Τα τελευταία χρόνια, η τεχνολογία κάνει σημαντικά βήματα στον τομέα της γεωργίας. Μια από τις πιο ελπιδοφόρες εφαρμογές είναι η αξιοποίηση των Τεχνητών Νευρωνικών Δικτύων (Artificial Neural Networks – ANNs) και των μεθόδων Μηχανικής Μάθησης (Machine Learning – ML) για την αυτόματη αναγνώριση ζιζανίων μέσα από ψηφιακές εικόνες.
Στο πλαίσιο μιας πρόσφατης μελέτης από το Μπενάκειο Φυτοπαθολογικό Ινστιτούτο, τον ΕΛΓΟ “ΔΗΜΗΤΡΑ” και το Διεθνές Πανεπιστήμιο της Ελλάδος, ερευνητές εγκατέστησαν 30 δοχεία φύτευσης για κάθε είδος ζιζανίου και για το καλλιεργούμενο ρύζι (ποικιλία Indica long sperm / CL111) σε ελεγχόμενες συνθήκες θερμοκηπίου.
Κατά τη διάρκεια της ανάπτυξης των φυτών, τραβήχτηκαν υψηλής ανάλυσης φωτογραφίες σε διάφορα στάδια, δημιουργώντας ένα εκτενές σύνολο δεδομένων εικόνων. Αυτές οι εικόνες αποτέλεσαν τη βάση για την εκπαίδευση και δοκιμή των συστημάτων αναγνώρισης.
Ποιες ήταν οι προσεγγίσεις της μηχανικής μάθησης;
Για την ταξινόμηση των ζιζανίων εφαρμόστηκαν δύο διαφορετικά μοντέλα:
-
Support Vector Machines (SVM)
Εργάστηκε πάνω σε φωτογραφίες με βάση τον χρωματικό χώρο HSV (Απόχρωση – Κορεσμός – Τιμή), προσπαθώντας να ξεχωρίσει τα φυτά του ρυζιού από τα ζιζάνια. -
YOLOv8 (You Only Look Once)
Ένα προηγμένο συνελικτικό νευρωνικό δίκτυο (CNN) που λειτουργεί στον χρωματικό χώρο RGB (Κόκκινο – Πράσινο – Μπλε). Το YOLO μπορεί όχι μόνο να εντοπίζει τα ζιζάνια μέσα στην εικόνα, αλλά και να τα αναγνωρίζει με βάση το είδος τους.
Τι έδειξαν τα αποτελέσματα;
Τα αποτελέσματα έδειξαν ότι και οι δύο προσεγγίσεις είχαν ικανοποιητική απόδοση στην αναγνώριση του κόκκινου ρυζιού και της μουχρίτσας. Ωστόσο, το YOLOv8 έδωσε ανώτερα αποτελέσματα, αποδεικνύοντας τη δύναμη των νευρωνικών δικτύων στη γεωργία ακριβείας.
Η αναγνώριση της μοσχοκύπερης, ωστόσο, αποδείχτηκε πιο δύσκολη, γεγονός που δείχνει ότι χρειάζεται περαιτέρω βελτίωση στα μοντέλα ή εμπλουτισμός των δεδομένων.
Η χρήση τέτοιων τεχνολογιών μπορεί να αλλάξει ριζικά τον τρόπο με τον οποίο ανιχνεύουμε και διαχειριζόμαστε τα ζιζάνια στο ρύζι. Με τη βοήθεια καμερών ή drones, στο μέλλον θα είναι εφικτός ο αυτόματος εντοπισμός των ζιζανίων μέσα στο χωράφι, επιτρέποντας:
-
στοχευμένους ψεκασμούς,
-
μείωση της χρήσης φυτοπροστατευτικών,
-
και βελτίωση της παραγωγικότητας και της βιωσιμότητας των καλλιεργειών.
Η αξιοποίηση των Τεχνητών Νευρωνικών Δικτύων αποτελεί ένα σημαντικό βήμα προς τη γεωργία ακριβείας. Με την εξέλιξη των εργαλείων αυτών, οι παραγωγοί θα μπορούν να έχουν στα χέρια τους πιο «έξυπνα» συστήματα αναγνώρισης και λήψης αποφάσεων, οδηγώντας σε πιο αποδοτικές και φιλικές προς το περιβάλλον καλλιέργειες.
Πηγή: Tserioni, Z. M., Van-Esdonk, R. J., Chahalis, D., Ferentinos, K., & Petinatos, G. G. (n.d.). Αξιοποίηση Τεχνητών Νευρωνικών Δικτύων (ANNs) για την Ακριβή Αναγνώριση Ζιζανίων στην Καλλιέργεια Ρυζιού.2024. Μπενάκειο Φυτοπαθολογικό Ινστιτούτο, ΕΛΓΟ–“ΔΗΜΗΤΡΑ”, Διεθνές Πανεπιστήμιο της Ελλάδος.
