FRESQO POC

Ξεκινώντας από συνεργασία και φιλία χρόνων και αποδεικνύοντας πόσα αποτελέσματα μπορεί να φέρει η διαθεματικότητα στην επιστήμη,  8 βασικά στελέχη από το ΕΚ ‘Αθηνά’, το ΙΠ-ΙΤΕ, ΕΛΚΕΘΕ και  το Τμήμα Αλιείας και Υδατοκαλλιεργειών και με την αιτία ενός datathon για την Γαλάζια Οικονομία στην Κρήτη τον Ιούνιο του 2017, με βάση αποτελέσματα ευρωπαϊκών έργων έπεσε ο “σπόρος” για το FRESQO – Χρήση υπερφασματικής κάμερας, τεχνητής νοημοσύνης και επιστήμης δεδομένων για τον εντοπισμό της φρεσκάδας των ψαριών.

Βασικός στόχος του FRESQO είναι η ποσοτικοποίηση και εκτίμηση της νωπότητας των ψαριών με αντικειμενικούς όρους και περαιτέρω υποστήριξη των υπαρχουσών μεθόδων και οργάνων ελέγχου της βαθμονόμησης.  Η βαθμονόμηση (calibration) ως γνωστόν πραγματοποιείται μέχρι σήμερα στο χώρο της αλιείας και των υδατοκαλλιεργειών για συγκεκριμένα είδη ψαριών και απαιτεί μια εκτεταμένη σειρά πειραματικών μετρήσεων και επαληθεύσεων για κάθε ψάρι (είδος) και για κάθε περιοχή εξαλίευσης (προέλευση). Συνήθως, τα όργανα αποδίδουν μόνο  για περιορισμένα είδη  (species specific) ψαριών.

 

Το FRESQO αντιμετωπίζει  αποτελεσματικά  αυτή την αδυναμία και προσφέρει μία υποδομή η οποία μπορεί να μας δώσει με μεγάλη ακρίβεια ένδειξη της νωπότητας μέχρι τώρα σε 9 κύρια πιο εμπορικά είδη ανεξάρτητα από ποια περιοχή έχουν αλιευτεί.  Η μεθοδολογία και η υποδομή έτσι όπως έχει σχεδιαστεί μπορεί να εφαρμοστεί σε οποιοδήποτε είδος ψαριου χωρίς  να έρχεται σε άμεση επαφή ή να καταστρέφει το εξεταζόμενο ψάρι, ένα βασικό συγκριτικό πλεονέκτημα σε σχέση με τις υπαρχουσες μεθόδους.   

Το σύστημα FRESQO αξιοποιεί τις χρωματικές μεταβολές στους ιστούς των ψαριών χρησιμοποιώντας  εργαλεία ανάλυσης εικόνας παρέχοντας μια ασφαλή εκτίμηση του δείκτη νωπότητας των ψαριών. Για να επιτευχθεί αυτός ο στόχος, αξιοποιήθηκαν  οι τελευταίες εξελίξεις της  τεχνολογίας της υπέρ-φασματικής ανάλυσης εικόνας σε συνδυασμό με μοντέλα μηχανικής μάθησης,  πληροφορικά εργαλεία της επιστήμης δεδομένων για αποτελεσματική και πολυεπίπεδη διαχείριση δεδομένων. Τα παραπάνω  συνδυάζονται από τα αποτελέσματα έρευνας σε βιολογικό – ιχθυολογικό επίπεδο αναφορικά με τις παραμέτρους καθορισμού νωπότητας αλιευμάτων. Συγκεκριμένα, αξιοποιήθηκαν οι χρωματικές μεταβολές ορισμένων ιστών του σώματος των ψαριών (βράγχια, θολερότητα ματιών) στο σκέλος του αόρατου φάσματος με σκοπό την υπέρ-φασματική καταγραφή και ανάλυση των χρωματικών μεταβολών της εικόνας σαν συνέπεια της αλλοίωσης των ψαριών. Τα αποτελέσματα της ανάλυσης επικουρήθηκαν από παράλληλες χημικές αναλύσεις και οργανοληπτικές μετρήσεις για την πιστοποίηση της ορθότητας των εκτιμήσεων. Το σύνολο των ορθών εκτιμήσεων αξιοποιήθηκαν από εργαλεία μηχανικής μάθησης (machine learning tools) με σκοπό την βελτιστοποίηση των εκτιμήσεων. Το τελικό αποτέλεσμα είναι ένα γενικής χρήσης, φορητό, εύχρηστο και ταχύτατο, αναλυτικό εργαλείο/υποδομή το οποίο θα μας παρέχει ένα αξιόπιστο δείκτη νωπότητας για όλα τα αλιεύματα.

Το σημαντικότερο πρόβλημα που αντιμετωπίσαμε ήταν οι μεγάλοι χρόνοι παράδοσης του μηχανολογικού εξοπλισμού, ειδικά των προμηθειών εξωτερικού. Αυτό αντιμετωπίστηκε με την επιλογή προσωρινών εναλλακτικών εξαρτημάτων και την αντίστοιχη προσαρμογή τόσο της συσκευής όσο και του αλγόριθμου σε αυτά.

Το πρόγραμμα μας βοήθησε ουσιαστικά να αποδείξουμε ότι η λύση που είχαμε υλοποιήσει με το σχετικό έργο με  βάση την υποστήριξη του ΕΠΑΛ 2014-2020  μπορεί να προχωρήσει σε όρους και απαιτήσεις της αγοράς. Το SCIENCE AGORA GOOGLE POC μας έδωσε την ενθουσιώδη ώθηση και υποστήριξη λαμβάνοντας υπόψιν τις απαιτήσεις της αγοράς (φορητότητα και φιλικότητα του συστήματος) για να προχωρήσουμε με σταθερά και γοργά βήματα προς την δημιουργία τεχνοβλαστου και είσοδο στην αγορά, εθνική και διεθνή.