Применение беспилотных летательных аппаратов модульного типа и искусственного интеллекта при анализе состояния посевов лубяных культур

Полный текст

ВВЕДЕНИЕ

Учитывая требования к развитию сырьевой базы для обеспечения легкой промышленности качественным сельскохозяйственным сырьем и важность лубяных культур в сельском хозяйстве, многогранность их использования, становится ясно, что анализ состояния растений на всех стадиях роста является важным и необходимым элементом процесса выращивания качественной продукции [1]. Лубяные культуры выходят на новый уровень по значимости в сельскохозяйственном секторе, как ресурсный сегмент для легкой и тяжелой промышленности. Рассматриваемый вид растений имеет высокую экономическую и экологическую ценность и являются важным источником питания и других сфер жизнедеятельности человека и общества [2–4]. Данная категория растений также играет важную роль в улучшении почвы и повышении урожайности иных культур севооборотов, что определяет их ключевую роль и необходимость в сельском хозяйстве.

Являясь одними из наиболее многоцелевых растений, рассматриваемые культуры используются в различных отраслях промышленности, включая текстильную, пищевую, медицинскую, косметическую и другие. Например, конопля богата белком, жирными кислотами, витаминами и минералами, что делает ее ценным источником питательных веществ для человека и животных. Кроме того, конопля является одним из наиболее эффективных и экологически чистых растений для производства текстильных материалов и биотоплива. В процессе выращивания конопли не требуется большого количества удобрений и пестицидов, что позволяет сократить затраты на производство и уменьшить негативное воздействие их на окружающую среду. Цель работы – изучение применения беспилотных летательных аппаратов модульного типа и искусственного интеллекта при анализе состояния посевов лубяных культур.

МЕТОДЫ АНАЛИЗА ПОСЕВОВ ПРИ ПОМОЩИ БПЛА

На ранних этапах селекции необходимо проанализировать тысячи селекционных образцов, а иногда и отдельные растения для изучения качества волокна, поэтому метод его определения должен быть простым, доступным, что впоследствии позволит получить достоверную информацию о характеристиках волокна. О качестве лучше судить по анатомическому строению элементарных волокон и пучков луба – чем меньше толщина стенок и меньше отверстий в элементарных волокнах и чем плотнее соединение элементарных волокон в пучках луба, тем лучше качество волокна. Практический интерес для определения качества волокна на ранних стадиях развития растений представляет коэффициент корреляции между тонировкой волокна и гибкостью: чем выше коэффициент корреляции между этими показателями, тем лучше качество волокна. Сравнительное исследование технологической оценки качества волокна и анатомического строения стебля позволяет установить, что наиболее оптимальными являются три показателя: диаметр элементарных волокон, степень варьирования и площадь пучков волокон.

Традиционные методы анализа, такие как визуальный осмотр и оценка растений вручную, помимо трудоемкости и ненадежности на сегодняшний день не являются эффективными. В этой связи использование технологий машинного обучения при формировании нейронных сетей с целью анализа посевных площадей лубяных культур значительно повысит эффективность производства, а также оптимизирует затраты на анализ и уход за растениями. Одной из наиболее важных задач в рассматриваемом направлении выступает анализ стадий вегетации культур. Однако следует понимать, что для каждого типа растений необходим достаточный дата-сет обучающейся выборки, на основании которой и будет производиться анализ входных данных, в частности, поступающих в режиме реального времени, а после – последующее выявление детерминирующих признаков (какой период роста, “уровень здоровья культуры” и иные) для каждой стадии вегетации исследуемой культуры [5].

Одним из примеров применения машинного обучения для анализа посевных полей является использование нейронных сетей при исследовании входного потока данных-изображений, полученных при помощи системы видеонаблюдения и фиксации, интегрированных на модульной основе в беспилотных летательных аппаратах (БПЛА). Следует отметить, что использование технологий машинного обучения и нейронных сетей для анализа посевных площадей требует высокой квалификации специалистов в области сельского хозяйства и информационных технологий. Использование БПЛА модульного типа при изучении посевных площадей лубяных культур является одним из наиболее эффективных способов сбора и анализа значимых данных.

Эталонный тип модульного БПЛА в основном состоит из следующих основных частей, таких как корпус с комплектующими, фото- или видеокамера и система передачи данных. Например, анализ изображений, полученных с помощью дронов, позволяет определять параметры роста растений, такие как высота, плотность посева, площадь листьев и т. п.

Камера, установленная на модульном БПЛА, осуществляющая фото- и/или видеофиксацию зондируемого сектора передает полезную нагрузку в режиме реального времени по соответствующему каналу на серверную часть, оператору. В целях реализации анализа полученного потока данных используют нейронные сети сверточного типа, библиотеки которых (инструментарий) адаптированы к распознаванию объектов и их компонентов на изображении.

Процесс обучения искусственного интеллекта, направленного на точность при решении задач диагностирования динамики роста культуры в каждой фазе вегетации, выявления аномалий и отклонений в рамках анализа жизнедеятельности растений, включает в себя агрегацию ненормализованного массива больших данных: описательную часть, включающую в себя от самого названия растения до всех обозначений, свойств признаков, состояний, относящихся к нему. Наличие изображений растений с разных ракурсов и масштаба, сегментированных в периоды условных, эталонных фаз роста исследуемой культуры [6, 7]. Интеллектуальная система, построенная на основе машинного обучения (искусственный интеллект), также позволит производить анализ следующих параметров: площади листьев, количества цветков, степени повреждения растения(й), наличие вредителей и болезней и т. п.

Существует множество библиотек для машинного обучения, которые позволяют анализировать видеофрагменты. Наиболее популярная – OpenCV: это библиотека с открытым исходным кодом, которая предоставляет мощные инструменты для анализа видео, используется для извлечения информации из видеофрагментов, а также обнаружения объектов, распознавания сущностей. Данная библиотека поддерживает множество языков программирования, включая высокоуровневые, объектно-ориентированные языки программирования, такие как Python, C++, Java и др.

Разработанная Google, позволяющая создавать и обучать нейронные сети – TensorFlow аналогично может быть использована для анализа видеофрагментов при помощи инструментов машинного обучения. TensorFlow поддерживает несколько языков программирования, включая Python, C++, Java, Go и др. PyTorch – еще одна библиотека машинного обучения с открытым исходным кодом, разработанная Facebook. PyTorch также предоставляет инструмент для создания и обучения нейронных сетей.

Наряду с вышеупомянутыми библиотеками, Caffe и Keras выступают в виде высокоуровневых библиотек машинного обучения, разработанные для оперативного формирования обучения моделей нейронных сетей. Keras, помимо обработки видеофрагментов и распознавание объектов, в своем функционале содержит инструментарий по сегментации и классификации поступающих данных, поддерживает языки C++, Python и др.

Все вышеперечисленные библиотеки имеют свой собственный аутентичный набор инструментов и функций для анализа видеопотока данных. Выбор конкретной библиотеки зависит от решаемой задачи. При создании нейронной сети для анализа сельскохозяйственного сектора, а именно лубяных культур, наиболее подходящими выступают библиотеки OpenCV, PyTorch, Caffe.

После обучения системы модульный БПЛА может быть отправлен по указанным оператором координатам с заданием одного облета требуемой посевной площади, либо установив периодизацию полетов зондируемой площади.

Клиентская часть, а именно сам БПЛА с модулем фото- или видеокамеры и передающего устройства, фиксирует и передает с установленной высоты и под соответствующими углом изображения растений.

Серверная часть посредством нейронной сети проводит сравнительный анализ входного потока данных, идентифицирует объекты и элементы по соответствующим признакам, после чего присваивает идентифицированный дата-сет атрибутов каждого из фрагментов, предлагая оператору-специалисту рекомендации по уходу, зависимости по которым (наличие проблемы – предложения по ее устранению, в соответствии с установленными методиками и устанавливающими документами Министерства сельского хозяйства) были предусмотрены в рамках разработанного программного обеспечения и предварительно загружены в рамках базы данных (PostgreSQL) на серверную часть.

Преимуществом такого подхода является возможность получения данных в режиме реального времени, что позволяет быстро реагировать на изменения состояния растений и принимать своевременные меры для их защиты. Кроме того, использование БПЛА модульного типа значительно сокращает затраты на анализ посевных площадей и уменьшает количество ошибок, связанных, в частности, с уровнем компетенций.

ИСПОЛЬЗОВАНИЕ БПЛА ДЛЯ АНАЛИЗА ПОСЕВОВ ЛУБЯНЫХ КУЛЬТУР

Использование БПЛА модульного типа для анализа посевных площадей лубяных культур выступает одним из наиболее эффективных и перспективных способов оптимизации производства в сельском хозяйстве. Кроме того, БПЛА обладают высокой маневренностью и мобильностью, что позволяет быстро перемещаться с одной посевной площади на другую и собирать данные в разных полях, что особенно важно для анализа больших территорий.

Кроме того, машинное обучение также можно использовать при анализе данных, полученных с помощью датчиков, установленных на полях. Датчики могут измерять параметры температуры, влажности почвы и воздуха, освещенности и т. п. Полученные данные могут быть обработаны с помощью нейронных сетей, с последующим определением оптимального времени и способа полива, удобрения и других мероприятий, необходимых для увеличения урожайности и его качества.

Беспилотные летательные аппараты используют в качестве корпуса, к которому крепятся модули с различного рода функционалом. Ими могут выступать фото- и видеокамеры, устройства GPS-навигации, предусматривающие как установку датчиков на посевных площадях, так и ориентацию по координатам самого летательного аппарата, что позволяет собирать данные о температуре, влажности почвы, освещенности и других параметрах, которые могут влиять на рост растений. Системы GPS-навигации позволяют определять точное местоположение растений, в отношении которых требуется проведение корректировки по уходу. Газоанализаторы, позволяющие контролировать и отслеживать уровень загрязнения атмосферы по заданным оператором параметрам (в соответствие с требованиями и в зависимости от культуры). Тепловизоры, применение которых предоставляет в режиме реального времени данные об объектах (животных, людей, техники и др.), проникших или попавших на контролируемую территорию. Системы видеонаблюдения со встроенной функцией идентификацией объектов, в рамках которой распознавание входного потока данных реализовано посредством нейронных сетей обученных методами машинного обучения, с переносом нагрузки по обработке потока данных на серверную часть, позволяет с высокой точностью идентифицировать не только человека или животного, но и распознать признаки культивируемых растений: формы листьев, ствола, цветков, пигмента, а также иных параметров, позволяющих диагностировать состояние растения в той или иной фазе вегетации.

Полученные сведения оперативным путем в совокупности с автоматическими системами автоматизации сельскохозяйственной деятельности, в комплексе с современной сельскохозяйственной техникой и их комплектующими позволит повысить урожайность и улучшить качество продукции [8].

ЗАКЛЮЧЕНИЕ

Существует множество инструментов, которые могут быть использованы в сельском хозяйстве. Каждый из которых имеет свои преимущества, и выбор зависит от конкретных условий и задач. Интеграция информационных систем на основе машинного обучения представляет собой эффективное решение в сельскохозяйственном секторе.

Использование технологий машинного обучения и нейронных сетей для анализа посевных полей с лубяными волокнами может значительно улучшить эффективность сбора и анализа достаточного количества данных с датчиков, установленных как стационарно по площади (периметру), так и интегрированных модульно в БПЛА, позволяя автоматически обрабатывать поступающую информацию. Сбор и обработка большого ненормализованного количества данных, используя систему как элемент поддержки принятия решений, повышая эффективность производства и способствуя увеличению урожайности за счет своевременного принятия профилактических решений на различных стадиях вегетации, является важным фактором для обеспечения продовольственной безопасности и устойчивого развития сельского хозяйства.

С использованием технологий машинного обучения в аграрной сфере возможен процесс оптимизации ухода за растениями, что повлечет снижение затрат на каждом из этапов культивации культуры: предварительную обработку почвы, удобрение почвы, периодизацию полива, и т. д., что отражает реализацию задачи стратегического планирования – экономической целесообразности. Наиболее эффективной схемой реализации при построении системы анализа выступает клиент-серверная архитектура с обработкой полезной нагрузки в серверной части.

Об авторах

Д. Р. Аветисян

Автор, ответственный за переписку.
Email: Daviondpainter@mail.ru
Россия, Ростовская обл., Октябрьский р-н, п. Персиановский

Список литературы

Дополнительные файлы