Mesterséges intelligencia alapú növényhatározók

 

A 9.A rajzosainak biológia projektje

 Így kezdődött (növénygyűjtés)

Az első biológia órán, a nagy meleg miatt kimentünk a Millenárisra, hogy bemutatkozzunk. Kis társalgás után leszedtünk egy páfrányfenyő levelet, és elkezdtünk beszélgetni róla. Sok érdekességet megtudtunk a növényről, és felmerült a gondolat, hogy több növényt is megismerjünk. Amikor második órán folytattuk a levélgyűjtést, úgy döntöttünk, csinálunk egy növényhatározót mesterséges intelligenciával. Az ihletet egy ˝Pl@ntNet˝ nevű applikáció adta, ezzel határoztuk meg a növényeinket. Ehhez a programhoz hasonlót szerettünk volna létrehozni.

Csoportokra bomlottunk, úgy, hogy egy párra jusson 1-1 növény. Szerencsés módon olyan növények leveleit választottunk, amelyek jelentősen különböznek egymástól. Mintegy kihívásként bevettük az eperfát is, melynek levelei sokfélék lehetnek (1. kép).

1. kép A meghatározott fajok gyűjteménye

(A tölgy levél a fonákkal felfelé szerepel a képen mert így jobban kivehető.)

 A növények meghatározása

A levelek meghatározásához a Pl@ntNet növényhatározó alkalmazást használtuk (2. kép) A határozó úgy működik, hogy fel kell tölteni egy képet a növényünkről és ki kell választani, hogy a növényt melyik szerve alapján szeretnénk meghatározni. Ezután az AI meghatározta a növényt.

2. kép: Képernyőkép a Pl@ntNet alkalmazás használatáról

Miután megkaptuk ezt az információt, küldhetünk felhasználói visszajelzést (amely egy ellenőrzésen megy át) ami alapján a cég az AI-t fejleszti (3. kép).

3. kép A Pl@ntNet növényhatározó alkalmazás működési elve (forrás)

Fajaink

Az alábbi fajokat gyűjtöttük és határoztuk meg (1. kép).

1. Kőris - Fraxinus pennsylvanica

2. Hárs - Tilia cordata

3. Eperfa - Morus alba

4. Juhar - Acer platanoides

5. Borostyán - Hedera colchica

6. Páfrányfenyő - Ginkgo biloba

7. Füge - Ficus carica

8. Tölgy - Quercus robur

A fajok tudományos nevét azért adtuk meg mert, ezek használatával tudjuk a fajokat egyértelműen megkülönböztetni és meghatározni.

 Képgyűjtés

A növényhatározó elkészítéséhez képeket gyűjtöttünk az internetről. A képek keresésénél több kritériumot is figyelemben kellett venni:

·         Egy darab levél legyen a képen látható

·         A levél színe (ne a fonákja) legyen a képen

·         Egyszínű háttér legyen

·         Jó minőségű, legalább 300x300 pixel legyen a kép

A képekre a növény tudományos, latin neve alapján kerestünk rá. Legalább öt, a kritériumoknak megfelelő képet kellett gyűjteni növényenként. Ebből átlagosan 5-6 kép lett csoportonként. A képek keresésénél arra kellett még odafigyelni, hogy véletlenül ne egy hasonló fajról töltsünk fel képet, mert akkor lehetséges, hogy a mesterséges intelligencia rossz választ fog adni.

Mesterséges intelligencia

A növényhatározó elkészítéséhez a Teachable Machine mesterséges intelligencia programot használtuk (4. kép). A program a betáplált információk alapján ismeri fel és kategorizálja a mutatott képeket (és hangokat).

A program felületén egy új projekt kezdése után fajok szerint mappákat hoztunk létre (4.kép), majd ezekbe töltöttük fel a korábban leírt szempontok szerint gyűjtött képeket. A programot utána egy gombra kattintva betanítottuk (Training), hogy a képeket az adott mappa elemeivel asszociálja. Ezek után a mesterséges intelligencia minden mutatott képet analizál, majd kimutatja, hogy hány százalékos azonosságot lát a különböző kategóriák képei (vagyis a betanított fajok) és az éppen mutatott kép között. Az azonosítás eredményeit a program egy grafikonon jeleníti meg.

 Növényhatározónk tesztelése

Növényeink meghatározása során viszonylag jó eredményeket kaptunk. A 4. képen látható a juhar meghatározása. A program a növényeket az alábbi százalékos pontossággal határozta meg:

Kőris: 70%,

Füge: 80%-90%,

Juhar: 100%,

Tölgy: 97%,

Eperfa: egyik levél 95%, másik levél 70%,

Borostyán: 70%,

Páfrányfenyő: 70%

Hárs: 60%-70%.

4. kép: A Teachable Machine növényhatározónk a juhar meghatározása közben

A program láthatóan nehezebben határozta meg azon növényeket, amelyek levelei hasonlítottak egymásra. Ez történt az eperfa levelével, a borostyánnal és a hárssal is. Láthatólag javította a meghatározás pontosságát a semleges háttér, amit egy papírlappal biztosítottunk. A tölgy esetében, pedig állítva alig ismerte fel a levelet, viszont fektetve már 97%-ban biztos volt benne, hiszen a feltöltött képek is fektetve voltak. Továbbá, az is segítette a programot, ha a növény részleteit is mutattuk a kamerába, vagyis közelebb és távolabb is vittük a növényt a kamerától.

A saját növényhatározónkat úgy fejlesztenénk tovább, hogy minél részletesebb képeket töltenénk fel. Emellett, a növényhatározóba betennénk egy “nincs ilyen” opciót, hiszen e nélkül akár az arcunkat, vagy kezünket a megadott információk alapján meghatározza, hogy melyik növényre hasonlítanak. De ilyen lehetőség nincs a programban.

A növényhatározónk ezen a linken elérhető és kipróbálható. A programnak a képet webkamerán vagy fájl feltöltéssel lehet megmutatni.

 További tevékenységek

A projekt során extra érdekességeket gyűjtöttünk a növényekről, például: Az eperfa kérgének infúzióját egyes indián törzsek hashajtóként vagy tisztítószerként használták. A hársfa a germánoknál szent fa volt.

Ezeket az információkat a projekt vége felé kezdtük el gyűjteni, mert ezzel a fő cél a növények részletesebb megismerése volt. Ez maradt a végére, mivel először magát a növényhatározót akartuk elkészíteni.

 A beszámoló elkészítése

Már a projekt elején csoportokra osztott minket a tanár, és a csoportok elosztása alapján minden csapat kapott egy szempontot a projektből, amiről írnia kellett a beszámolónkba. 8 pár 1-1 feladatot kapott. Egyik csapatnak a növényekről és érdekességeiről, míg másoknak a növényhatározó működéséről és a mesterséges intelligenciáról kellett írnia. Ezt egy megosztott Word dokumentumban hoztuk létre, minden pár egy laptopnál dolgozott, és írt a saját szempontjáról. Egy óra elteltével a tanár úr minden félkész szöveget megnézett, és javítási tippeket adott mindegyikhez. Ezután a következő órán mindenki folytathatta a munkáját a javaslatokat fölhasználva.

 Mit tanultunk?

A projekt során betekintést nyerhettünk a mesterséges intelligencia világába és működésébe, ezen belül a Teachable Machine és a Pl@ntNet-ről tanulhattunk. Mindezek mellett a vizsgált növényekről is sokat megtudhattunk. Például a latin nevüket, kinézetüket, származásukat és még sok mindent.

A projekt végére sikerült egy többnyire pontos, mesterséges intelligenciával működő növény határozót elkészíteni. Emellett még minden csoport a saját növényéről érdekes tulajdonságokat gyűjtött össze az internetről.

Összességben mindenki élvezte ezt a feladatot és mindenki elégedett a végeredménnyel.

Szöveg és kép: A 9.A osztály rajzos diákjai és Dr. Havassy András