Η εκπαίδευση των γεωργικών ρομπότ απαιτούσε μέχρι σήμερα εξαντλητική χειρωνακτική εργασία σε πραγματικές συνθήκες αγρού. Μια νέα μέθοδος αλλάζει αυτή την εξίσωση.
Η συγκομιδή στη γεωργία παραμένει μια από τις πιο δαπανηρές και χρονοβόρες διαδικασίες, και η αυτοματοποίησή της εξαρτάται άμεσα από την ικανότητα των ρομπότ να αναγνωρίζουν με ακρίβεια τους καρπούς μέσα σε συνθήκες που αλλάζουν συνεχώς. Η εκπαίδευση τέτοιων συστημάτων τεχνητής νοημοσύνης έχει ωστόσο παραμείνει σημαντικό εμπόδιο, καθώς απαιτεί τεράστιες ποσότητες εικόνων από πραγματικές φάρμες, χειροκίνητα επισημειωμένων μία προς μία, με ορισμό ωριμότητας και ακριβείς συντεταγμένες για κάθε ντομάτα ξεχωριστά.
Ερευνητική ομάδα από το Πανεπιστήμιο του Όσακα ανέπτυξε μια μέθοδο που δημιουργεί εικονικές γεωργικές φάρμες σε ψηφιακό περιβάλλον, ικανές να παράγουν αυτόματα δεδομένα εκπαίδευσης για συστήματα τεχνητής νοημοσύνης. Τα αποτελέσματα δημοσιεύτηκαν στο επιστημονικό περιοδικό Smart Agricultural Technology.
Εικονικός κόσμος, πραγματικά δεδομένα
Η μέθοδος βασίζεται σε πραγματικές εικόνες που συλλέγονται από κάμερες γεωργικών ρομπότ, οι οποίες στη συνέχεια χρησιμοποιούνται για να κατασκευαστεί ένα λεπτομερές τρισδιάστατο ψηφιακό αντίγραφο της φάρμας. Για την ανακατασκευή αυτή χρησιμοποιήθηκε το λογισμικό Unreal Engine 5 σε συνδυασμό με μια σύγχρονη τεχνική που ονομάζεται 3D Gaussian Splatting, η οποία αναπαράγει με υψηλή πιστότητα τον φωτισμό, τις υφές και τη γεωμετρία των φυτών. Το αποτέλεσμα είναι ένα εικονικό περιβάλλον που αναπαράγει τις δυσκολίες των πραγματικών συνθηκών, όπως τα φύλλα που επικαλύπτουν τους καρπούς, τις αλλαγές στο φως, τις σκιές και τα μερικώς κρυμμένα φρούτα.
Αυτό που κάνει τη μέθοδο ιδιαίτερα χρήσιμη είναι η αυτόματη παραγωγή ετικετών για κάθε εικόνα, με πληροφορίες για τη θέση και την ωριμότητα κάθε ντομάτας, σε μορφή συμβατή με το ευρέως χρησιμοποιούμενο πρότυπο YOLO για την εκπαίδευση συστημάτων ανίχνευσης αντικειμένων. Η διαδικασία που χρειαζόταν εβδομάδες χειρωνακτικής εργασίας γίνεται πλέον αυτόματα και σε κλίμακα.
Φωτισμός, σχήμα και μέγεθος δεδομένων ως μεταβλητές απόδοσης
Τα πειράματα έδειξαν ότι τα μοντέλα τεχνητής νοημοσύνης που εκπαιδεύτηκαν στα συνθετικά δεδομένα μπορούσαν να εντοπίζουν αποτελεσματικά ντομάτες σε πραγματικές εικόνες. Εξίσου σημαντικό, η έρευνα εντόπισε με ποσοτικό τρόπο ποιοι παράγοντες επηρεάζουν την ακρίβεια του μοντέλου. Ο φωτισμός, το σχήμα των τρισδιάστατων μοντέλων των καρπών και το μέγεθος του συνόλου εκπαίδευσης βρέθηκαν να είναι καθοριστικές μεταβλητές, ανοίγοντας έτσι έναν σαφή δρόμο για μελλοντικές βελτιστοποιήσεις του συστήματος.
Οι ερευνητές υπογραμμίζουν ότι η μεθοδολογία δεν περιορίζεται στις ντομάτες. Παρόμοιοι παράγοντες επηρεάζουν την ακρίβεια της ανίχνευσης και σε άλλα γεωργικά προϊόντα, από μήλα και πορτοκάλια έως κολοκυθάκια και φράουλες, κάνοντας τη συγκεκριμένη προσέγγιση δυνητικά εφαρμόσιμη σε ένα ευρύ φάσμα καλλιεργειών. Η μεταφορά αυτής της τεχνολογίας σε διαφορετικά είδη και γεωγραφικές συνθήκες αποτελεί το επόμενο βήμα της έρευνας, με στόχο τη μείωση του κόστους και του χρόνου ανάπτυξης ρομποτικών συστημάτων στη γεωργία.
