AgriMind-PestGuard: An Explainable and Blockchain-Secured Pest Management System for Paddy Farming

Rijst is het dagelijkse brood voor miljarden mensen, maar de velden waar het wordt verbouwd, staan bloot aan een constante, stille oorlog. Kleine insecten, van plovloppers tot stengelboorders, kunnen een aanzienlijk deel van de wereldwijde oogst verteren nog voordat een boer zelfs merkt dat ze aanwezig zijn. Generaties lang was de oplossing een combinatie van zorgvuldige observatie en de zware hand van chemische sprays. Boeren spuiten vaak hele velden om veilig te zijn, een praktijk die kostbaar is, schadelijk voor het milieu en vaak onnodig omdat de plagen er eigenlijk niet zijn. In de afgelopen jaren hebben wetenschappers geprobeerd kunstmatige intelligentie te gebruiken om te helpen, door computers te leren plagen te herkennen aan de hand van foto's. Deze digitale hulpmiddelen voelden echter vaak als 'black boxes'; ze geven een antwoord maar geen reden, waardoor boeren er niet zeker van zijn of ze de machine wel kunnen vertrouwen. Bovendien wordt de data die deze systemen verzamelen vaak opgeslagen op centrale servers waar het gewijzigd of verloren kan gaan, wat een kloof in vertrouwen creëert tussen de technologie en de mensen die er afhankelijk van zijn.

Een team van onderzoekers heeft nu een nieuw systeem gebouwd genaamd AgriMind-PestGuard om deze kloven te overbruggen. Hun werk combineert drie verschillende technologieën tot één samenhangend instrument, specifiek ontworpen voor de rijstteelt. Ten eerste hebben ze een geavanceerd computervisionsysteem ontwikkeld dat niet alleen naar een afbeelding kijkt, maar ook de specifieke vormen en patronen van plagen begrijpt over verschillende formaten heen. Ten tweede voegden ze een laag van transparantie toe die uitlegt waarom de computer een beslissing nam, door te wijzen op specifieke kenmerken, zoals vleugelpatronen of lichaamsvormen, die hebben geleid tot de identificatie. Ten slotte hebben ze het hele proces beveiligd met een digitale grootboektechnologie die fungeert als een onveranderlijk register, wat ervoor zorgt dat elke detectie en elke aanbeveling permanent en eerlijk wordt vastgelegd.

De kern van dit systeem is een deep learning-model dat is getraind op een enorme collectie van 58.400 real-world afbeeldingen genomen van twaalf verschillende boerderijen. In tegen_gestelde van eerdere systemen die wellicht moeite zouden hebben wanneer een plaag erg klein is of er zeer veel op een andere soort lijkt, gebruikt dit nieuwe model een multi-scale benadering. Het onderzoekt de afbeelding op vijf verschillende detailniveaus tegelijkertijd, waardoor het de fijne kenmerken van een klein insect net zo effectief kan opsporen als de brede vorm van een groter exemplaar. In tests bleek deze aanpak opmerkelijk accuraat. Het systeem identificeerde correct veertien verschillende belangrijke plaagsoorten met een nauwkeurigheid van 97,83 procent. Het onderscheidde succesvol tussen plagen die bijna identiek lijken, zoals de bruine planthopper en de witgerugde planthopper, een taak die historisch gezien zowel mensen als machines in verwarring heeft gebracht.

Wat dit systeem onderscheidt van andere kunstmatige intelligentietools is het vermogen om zichzelf uit te leggen. In veel geavanceerde computersystemen is het besluitvormingsproces verborgen, waardoor het voor een boer moeilijk is om te weten of het resultaat betrouwbaar is. De onderzoekers losten dit op door een module te creëren die een visuele kaart genereert die precies de delen van het insect markeert waar de computer zich op concentreerde. Belangrijker nog, het vertaalt deze visuele aanwijzingen naar biologische concepten die een entomoloog zou herkennen. In plaats van bijvoorbeeld alleen een rode stip op een vleugel te tonen, kan het systeem uitleggen dat het de plaag heeft geïdentificeerd op basis van het specifieke patroon van de aders op die vleugel of de vorm van de antennes. Wanneer experts deze verklaringen beoordeelden, stemden zij in 93,7 procent van de gevallen in met de redenering van de computer. Dit niveau van transparantie verandert het systeem van een mysterieuze orakel in een vertrouwde partner die boeren kunnen begrijpen en verifiëren.

Om ervoor te zorgen dat de gegenereerde data van dit systeem niet gemanipuleerd kan worden, hebben de onderzoekers elke detectie verankerd aan een blockchain-netwerk. Deze technologie functioneert als een gedeeld, digitaal grootboek waar elke invoer op een manier wordt vastgelegd dat het onmogelijk is om eerdere records aan te passen zonder dat iedereen het merkt. In dit systeem wordt telkens wanneer een plaag wordt gedetecteerd, de afbeelding-hash, de locatie, de tijd en de aanbevolen actie direct geregistreerd. Dit creëert een permanente, onveranderlijke geschiedenis van plaagactiviteit en pesticidengebruik. Het systeem is snel genoeg om meer dan 1.200 van deze records per seconde te verwerken, wat ervoor zorgt dat er tijdens een druk landbouwseizoen geen data verloren gaat of vertraging oploopt. Deze laag van beveiliging bouwt een keten van vertrouwen op tussen boeren, regelgevers en onderzoekers, waardoor zij de data kunnen gebruiken voor het nemen van cruciale beslissingen.

De echte test van het systeem kwam tijdens praktijktests verspreid over twaalf boerderijen in drie verschillende klimaatzones. De resultaten toonden aan dat het systeem meer deed dan alleen plagen identificeren; het veranderde de manier waarop boeren hun gewassen beheren. Door gebruik te maken van de precieze aanbevelingen van het systeem, verminderden boeren hun gebruik van pesticiden met 34,2 procent vergeleken met hun gebruikelijke praktijken. Deze reductie werd niet bereikt door te gokken, maar door alleen de gebieden te targeten waar plagen daadwerkelijk werden gedetecteerd. Gevolgelijklijk leden de gewassen minder schade en zagen de boeren hun rijstoogsten met 8,7 procent toenemen. Het systeem verlaagde ook de totale landbouwkosten per hectare, wat bewijst dat hoogtechnologische precisie zowel economisch als milieutechnisch voordelig kan zijn.

Dit werk vormt een belangrijke stap voorwaarts in de manier waarop technologie de landbouw kan ondersteunen. Door hoog-nauwkeurige detectie te combineren met heldere verklaringen en veilige verslaglegging, hebben de onderzoekers een hulpmiddel gecreëerd dat de intelligentie van de boer respecteert terwijl het de kracht van moderne computing benut. Het systeem vervangt de kennis van de boer niet, maar versterkt deze, door een betrouwbare, transparante en veilige manier te bieden om een van de belangrijkste voedselbronnen van de wereld te beschermen. Het succes van deze proeven suggereert dat wanneer kunstmatige intelligentie wordt ontworpen met menselijk vertrouwen en dataintegriteit in gedachten, het tastbare verbeteringen in het veld kan leveren, waarbij de complexe uitdaging van plaagbeheer wordt omgezet in een beheersbare, precieze en duurzame praktijk.