Μπορείς να βοηθήσεις:
ΒΕΤΑ
EARLY ACCESS
PhytoEpignosi
ΦυτοΕπίγνωση (PhytoEpignosi): Εστιάζει στην ικανότητα αναγνώρισης και γνώσης των φυτών.
Το PhytoEpignosi είναι η πρώτη Ελληνική δωρεάν πλατφόρμα τυπικής ανάλυσης-αναγνώρισης υγείας των Ελληνικών καλλιεργειών μέσω φωτογραφιών που μπορούν να βγάλουν μόνοι τους οι αγρότες μέσω τηλεφώνου.
Πώς μπορεί να φαίνεται η υψηλής παραγωγής βιώσιμη γεωργία; Το PhytoEpignosi εξετάζει τον τρόπο με τον οποίο η ανάλυση των εικόνων που προέρχονται από χωράφια μπορεί να βοηθήσει τους αγρότες να αντιληφθούν την τυπική απάντηση στις καλλιέργειές τους(Σχετικά υγιής-Σχετικά μη-υγιής). Οι αγρότες μπορούν να εκμεταλλευτούν αυτές τις πληροφορίες για να βελτιστοποιήσουν τις γεωργικές τεχνικές τους.
Πόσες φορές έχει χρησιμοποιηθεί η πλατφόρμα:
Οδηγίες χρήσης
1
Λήψη εικόνων
Λήψη εικόνων: Πάρτε φωτογραφίες της καλλιέργειας χρησιμοποιώντας μια κάμερα ή ένα κινητό. Βεβαιωθείτε ότι οι εικόνες αντιπροσωπεύουν διάφορες περιοχές του χωραφιού σας και βρίσκονται στο στάδιο ανάπτυξης της άνθισης-ανάπτυξης φύλλων. Γενικά προτείνεται το πρόγραμμα να χρησιμοποιηθεί την περίοδο με την καλλιέργεια να έχει 85-95% ανάπτυξη φυλλώματος. Δίνονται δείγματα στο κάτω μέρος για το πως πρέπει να τραβηχτούν οι φωτογραφίες. Οι φωτογραφίες πρέπει να περιλαμβάνουν λεπτομέρειες της καλλιέργειας και όχι τον ορίζοντα. Πρέπει ξεκάθαρα οι φωτογραφίες να δείχνουν μέρη της καλλιέργειας, όσο μεγαλύτερα τόσο το καλύτερο.
2
Ανέβασε τις φωτογραφίες στην πλατφόρμα παραγωγής χρωματικού ιστογράμματος από την καλλιέργεια σου
3
Δώσε ερμηνεία στα αποτελέσματα σου
Ανάλυση των ιστογραμμάτων
α. Κανονικοποιημένη Διανομή: Ελέγξτε εάν τα ιστογράμματα δείχνουν μια σχετικά ομοιόμορφη κατανομή σε όλη την έκταση των τιμών έντασης. Μια υγιής καλλιέργεια θα πρέπει να έχει ισορροπημένη κατανομή χρωμάτων και να μην είναι υπερβολικά προκλιμακωμένη προς ένα συγκεκριμένο χρώμα.
β. Κανάλι Κόκκινου: Εξετάστε το ιστόγραμμα του κόκκινου καναλιού. Μια υγιής καλλιέργεια θα έχει συνήθως σημαντική ποσότητα κόκκινου στα φύλλα της, που υποδηλώνει καλή περιεκτικότητα χλωροφύλλης. Ωστόσο, υπερβολική ποσότητα κόκκινου μπορεί να υποδεικνύει ένταση ή υπερέκθεση.
γ. Κανάλι Πράσινου: Ελέγξτε το ιστόγραμμα του πράσινου καναλιού. Μια υγιής καλλιέργεια θα πρέπει να έχει σχετικά υψηλή ποσότητα πράσινου, καθώς αυτό υποδηλώνει καλή περιεκτικότητα χλωροφύλλης και ενεργή φωτοσύνθεση.
δ. Κανάλι Μπλε: Αναλύστε το ιστόγραμμα του μπλε καναλιού. Μια υγιής καλλιέργεια μπορεί να έχει μέτρια ποσότητα μπλε, αλλά υπερβολικό μπλε μπορεί να υποδεικνύει ένταση ή προβλήματα με το νερό.
ε. Ισορροπία Χρωμάτων: Λάβετε υπόψη την ισορροπία μεταξύ των τριών καναλιών. Μια ισορροπημένη αναπαράσταση όλων των τριών χρωμάτων υποδηλώνει συνήθως μια υγιή καλλιέργεια.
Οι συνήθεις υγιής καλλιέργειες δίνουν τα εξής ιστογράμματα:
Οι συνήθεις μη-υγιής καλλιέργειες δίνουν τα εξής ιστογράμματα:
Σχόλια
Μερικές πληροφορίες σε σχέση με το πρόγραμμα PhytoEpignosi
Για να επωφεληθούν οι αγρότες από τη γεωργία ακριβείας ή τη διαχείριση των καλλιεργειών για συγκεκριμένες τοποθεσίες, απαιτείται η ικανότητα των υπολογιστών να αντλήσουν χρήσιμες πληροφορίες από ακατέργαστα δεδομένα. Οι υπολογιστές αντιλαμβάνονται μια ψηφιακή εικόνα ως μια σειρά τιμών έντασης φωτός για τα χρώματα κόκκινο, πράσινο και μπλε. Κάθε pixel στην εικόνα αποθηκεύει τις τιμές έντασης των τριών αυτών χρωμάτων, μεταξύ 0 (σκοτάδι) και 255 (μέγιστη ένταση φωτός). Η συνδυασμένη τιμή των τριών χρωμάτων καθορίζει το χρώμα του κάθε pixel. Αξιοποιώντας τα ιστογράμματα των εικόνων, μπορούμε να αναλύσουμε και να εξάγουμε πολύτιμες πληροφορίες.
Τα ιστογράμματα των εικόνων αναφέρονται στη στατιστική κατανομή των τιμών έντασης φωτός σε μια εικόνα. Παρουσιάζουν πόσα pixel έχουν μια συγκεκριμένη τιμή έντασης. Μπορούμε να χρησιμοποιήσουμε ιστογράμματα για τα μεμονωμένα χρώματα προκειμένου να αναλύσουμε εικόνες από αγροτικές περιοχές και καλλιέργειες. Η ανάλυση των ιστογραμμάτων μπορεί να παρέχει πληροφορίες για την αξιολόγηση και την παρακολούθηση των εδαφών και των καλλιεργειών. Αναλύοντας το "χρώμα" των εδαφών και των καλλιεργειών μέσω της ανάλυσης των ιστογραμμάτων, μπορούμε να πάρουμε πληροφορίες σχετικά με την κατάσταση και την υγεία των φυτών, το επίπεδο θρέψης του εδάφους και την ποσότητα του "πράσινου" σε μια περιοχή. Με αυτές τις πληροφορίες, οι αγρότες μπορούν να παρακολουθούν την ανάπτυξη των καλλιεργειών, να ανιχνεύουν τυχόν προβλήματα ή ασθένειες και να λαμβάνουν αποφάσεις για την περαιτέρω φροντίδα και διαχείριση των καλλιεργειών τους. Με τη χρήση αλγορίθμων μηχανικής μάθησης και εκπαίδευσης μεγάλου όγκου δεδομένων, δημιουργούμε ένα μοντέλο να αναγνωρίζει τα συμπεράσματα που μπορούν να εξαχθούν από τα ιστογράμματα και να παρέχει αυτές τις πληροφορίες στον αγρότη. Ένας υπολογιστής μπορεί να εκτιμήσει την ποσότητα της κάλυψης "πράσινου" σε μια περιοχή εξετάζοντας την κατανομή της έντασης φωτός σε συγκεκριμένες περιοχές του χρωματικού φάσματος που αντιστοιχούν στο χρώμα του "πράσινου" και να δώσει αποτελέσματα είτε για την μη-υγιή κατάσταση σε ένα χωράφι αλλά ακόμα και για την αναγνώριση ζιζανίων σε ένα χωράφι.
Ένα ιστόγραμμα εικόνας RGB παρουσιάζεται με τρία ξεχωριστά ιστογράμματα, ένα για κάθε κανάλι του χρωματικού χώρου RGB (R, G και B).
-
Άξονας X (οριζόντιος άξονας): Συνήθως, ο άξονας X αντιπροσωπεύει τις διάφορες τιμές των επιμέρους καναλιών R, G και B. Ανάλογα με τον εικονοστοιχείο (pixel) που εξετάζουμε, οι τιμές R, G και B είναι από το 0 έως το 255. Έτσι, οι τιμές των καναλιών απεικονίζονται κατά μήκος του άξονα X.
-
Άξονας Y (κατακόρυφος άξονας): Ο άξονας Y αντιπροσωπεύει τη συχνότητα εμφάνισης των επιμέρους τιμών των καναλιών R, G και B στην εικόνα. Κάθετα προς τον άξονα X, οι τιμές του άξονα Y αντιστοιχούν στον αριθμό των εικονοστοιχείων (pixels) που έχουν αυτές τις συγκεκριμένες τιμές. Έτσι, το ιστόγραμμα μας δείχνει πόσες φορές εμφανίζεται κάθε τιμή R, G και B στην εικόνα.
Τα ιστογράμματα RGB μας βοηθούν να κατανοήσουμε την κατανομή των χρωμάτων στην εικόνα και μας επιτρέπουν να εξάγουμε πληροφορίες για την απεικόνιση και την αντίθεση των χρωμάτων.
Ένα πρόγραμμα ανάλυσης ιστογραμμάτων εικόνων από καλλιέργειες έχει πολλά πλεονεκτήματα για την αναγνώριση υγιούς και μη υγιούς καλλιέργειας:
-
Χαμηλότερο κόστος: Το πρόγραμμα ανάλυσης ιστογραμμάτων μπορεί να υλοποιηθεί σε οποιαδήποτε συσκευή με φωτογραφική κάμερα, όπως smartphone ή απλή κάμερα. Δεν απαιτεί τη χρήση ακριβών drones ή εξειδικευμένου εξοπλισμού, μειώνοντας έτσι το κόστος υλοποίησης.
-
Ευκολία και πρακτικότητα: Η ανάλυση ιστογραμμάτων μπορεί να γίνει αυτόματα ή ημι-αυτόματα μέσω ειδικών του προγράμματος PhytoEpignosi, κάνοντας τη διαδικασία πολύ πιο εύκολη και πρακτική.
-
Ευρεία κάλυψη και υψηλή επαναληψιμότητα: Το πρόγραμμα μπορεί να εκτελεί ανάλυση ιστογραμμάτων σε μεγάλες περιοχές καλλιέργειας σε σύντομο χρονικό διάστημα, επαναλαμβάνοντας τον έλεγχο τακτικά χωρίς περιορισμούς.
Φυσικά, η χρήση drones και άλλων μεθόδων μπορεί να είναι συμπληρωματική και όχι ανταγωνιστική, ανάλογα με τις ανάγκες και τους περιορισμούς του κάθε αγρότη ή παραγωγού.
***Disclaimer: Το πρόγραμμα δίνει μια τυπική μορφή απάντησης (Σχετικά υγιής-Σχετικά μη-υγιής) αφότου ερμηνεύσετε οι ίδιοι τα αποτελέσματα σας με βάση τους μάρτυρες που έχουν τοποθετηθεί σε αυτό το βήμα. Ο κάθε χρήστης χρησιμοποιεί με δικιά του ευθύνη αυτό το επικουρικό εργαλείο και αν μη τι άλλο δεν αντικαθιστά τον γεωπόνο, αντιθέτως είναι ένα αναγνωριστικό εργαλείο που βοηθά τους αγρότες να αντιληφθούν μια πολύ γενική εικόνα της καλλιέργειας τους και να δράσουν άμεσα, με την βοήθεια γεωπόνου, σε περίπτωση προβλήματος. Το πρόγραμμα είναι σε μορφή beta & early access, που σημαίνει ότι θα πραγματοποιηθούν πολλές ενημέρωσες & βελτιώσεις για το μέγιστο αποτέλεσμα, καθώς και ότι το αποτέλεσμα που δίνει δεν είναι πάντα σίγουρο και απόλυτο.***
ΠΑΝΤΑ είναι καλό να συμβουλεύεστε ΕΓΚΕΚΡΙΜΕΝΟ ΓΕΩΠΟΝΟ.
Βιβλιογραφία:
-
Ranganathan, J (2013, Dec 3) The Global Food Challenge Explained in 18 Graphics World Resources Institute. Retrieved April 20, 2017.
-
Broughton, J (2015, July 6) How Farmers Are Harvesting Big Data Inc. Retrieved April 18, 2017.
-
Rutter, A (2016, March 31) Case Study: Why This Farmer Says FarmLogs Will Save Him $16,000 A Year FarmLogs. Retrieved May 8, 2017.
-
Lukina,E.V. et al (1999) Estimating Vegetation Coverage in Wheat Using Digital Images Journal Of Plant Nutrition, volume 22. Retrieved April 18, 2017.
-
McHugh, S (n.a.) Camera Histograms: Luminosity & Color Cambridge Colour. Retrieved April 18, 2017.