Ανάπτυξη μεθόδων υπολογιστικής νοημοσύνης και σύντηξης δεδομένων με εφαρμογή στο πεδίο της μηχανικής βιοσυστημάτων

Abstract

The main objective of the presented thesis is to develop methods of Computational Intelligence and Data Fusion with application in the Biosystems Engineering area for the non-destructive testing of agricultural products and crop condition monitoring. The developed methods are related to the combination of sensors with Artificial Intelligence architectures in Precision Agriculture. The developed Artificial Intelligence algorithms included Bio-inspired Hierarchical Neural Maps and Novelty Detection algorithms that are capable of detecting sudden changes in different conditions of Biosystems Engineering area. In this thesis, Hierarchical models of Self-Organizing Maps (SOMs) in two different applications of Biosystems Engineering area are presented which included wheat yield prediction by data fusion from ground sensors and satellite images and harvesting stage detection in lettuce plants. Moreover, it is already known that in many cases of Biosystems Engineering applications, the condition of crops is not already known through Data Mining approaches. For this reason, it is necessary to determine their position by intelligent sensors which are capable of detecting whether any features are already memorized by a learning structure or an entirely new situation. In this thesis, Novelty Detection algorithms were utilized for the detection of new situations such as: i) weed species detection based on spectral characteristics, ii) Septoria and water stress detection based on spectral data and yellow rust, and iii) nitrogen stress detection based on spectral characteristics. Finally, this thesis presents an intelligent multi-disease plant identification system which was developed by utilizing leaf images. This smart system used the Support Vector Machine entsemple compared to the Active Learning approximation for plant diseases identification. By this method it is concluded that the first approach is particularly based on Support Vector Machines and the Active Learning approach is capable of using any One Class Classifier. The proposed methods were able to overcome all the above problems by presenting an over 90 % high yield depending on the application. The presented methods have managed to solve several key problems that are related to Precision Agriculture and act as useful tools for future use in larger scale practices.

Βασικός στόχος της παρούσας διδακτορικής διατριβής, είναι η ανάπτυξη μεθόδων Υπολογιστικής Νοημοσύνης και Σύντηξης Δεδομένων με εφαρμογή στο πεδίο της Μηχανικής Βιοσυστημάτων για το μη καταστροφικό έλεγχο αγροτικών προϊόντων καθώς και την παρακολούθηση της κατάστασης των καλλιεργειών. Οι μέθοδοι που αναπτύχθηκαν αφορούν το συνδυασμό αισθητήρων στη Γεωργία Ακριβείας με Τεχνητή Νοημοσύνη. Οι αλγόριθμοι Τεχνητής Νοημοσύνης που αναπτύχθηκαν περιλαμβάνουν Βιο-εμπνευσμένους Ιεραρχικούς Νευρωνικούς Χάρτες καθώς και αλγόριθμους Ανίχνευσης Καινοτομίας που ανιχνεύουν απότομες αλλαγές καταστάσεων το πεδίο της Μηχανικής Βιοσυστημάτων. Στην παρούσα διατριβή παρουσιάστηκαν ιεραρχικά μοντέλα Αυτό-Οργανούμενων Χαρτών σε δυο διαφορετικές εφαρμογές της Μηχανικής Βιοσυστημάτων οι οποίες περιελάμβαναν :την πρόβλεψη απόδοσης μιας καλλιέργειας σιταριού με βάση τη σύντηξη η οποία πραγματοποιείται από αισθητήρες εδάφους και εικόνες οι οποίες προέρχονται από δορυφόρο και την ανίχνευση του σταδίου συγκομιδής σε φυτά καλλιέργειας μαρουλιού. Επιπλέον, είναι ήδη γνωστό ότι σε πολλές εφαρμογές της Μηχανικής Βιοσυστημάτων, η κατάσταση των καλλιεργειών δεν είναι γνωστή εκ των προτέρων μέσω της Εξόρυξης Δεδομένων. Για το λόγο αυτό κρίνεται απαραίτητος ο προσδιορισμός της κατάσταση τους με τη βοήθεια έξυπνων αισθητήρων οι οποίοι μπορούν να ανιχνεύσουν εάν κάποια χαρακτηριστικά έχουν ήδη απομνημονευτεί από μια δομή εκμάθησης ή αποτελούν εξ’ολοκλήρου μια νέα κατάσταση. Για την ανίχνευση νέων καταστάσεων χρησιμοποιήθηκαν στην παρούσα διατριβή Αλγόριθμοι Ανίχνευσης Καινοτομίας σε διαφορετικές καταστάσεις όπως: την ανίχνευση ειδών ζιζανίων με βάση φασματικά χαρακτηριστικά, την ανίχνευση Σεπτόριας και υδατικής καταπόνησης με βάση φασματικά χαρακτηριστικά καθώς και την ανίχνευση Κίτρινης Σκωρίασης και καταπόνησης λόγω ελλείψεως αζώτου με βάση φασματικά χαρακτηριστικά. Τέλος, στην παρούσα διατριβή παρουσιάζεται ένα έξυπνο σύστημα αναγνώρισης πολλαπλών ασθενειών σε φυτά το οποίο αναπτύχθηκε κάνοντας χρήση εικόνων των φύλλων τους. Το συγκεκριμένο έξυπνο σύστημα χρησιμοποιώντας το σμήνος των Μηχανών Διανυσματικής Υποστήριξης σε σχέση με την προσέγγιση της Ενεργούς Εκμάθησης για την αναγνώριση ασθενειών σε φύλλα φυτών, ήταν δυνατό να εξάγει το συμπέρασμα ότι η πρώτη προσέγγιση είναι ιδιαιτέρως βασισμένη στις Μηχανές Διανυσματικής Υποστήριξης ενώ η προσέγγιση της Ενεργούς Εκμάθησης μπορεί να χρησιμοποιήσει κάθε Ταξινομητή μιας Τάξης. Οι προτεινόμενες μέθοδοι ήταν δυνατόν να επιλύσουν όλα τα παραπάνω προβλήματα παρουσιάζοντας υψηλή απόδοση της τάξεως άνω του 90% ανάλογα με την εφαρμογή. Με τη βοήθεια των μεθόδων αυτών, επιλύονται πολλαπλά βασικά προβλήματα που αφορούν τη Γεωργία Ακριβείας και επιπλέον τίθενται οι βάσεις για μελλοντική εκμετάλλευση των πρακτικών αυτών σε μεγαλύτερη κλίμακα.