Нейросети компьютерного зрения в системах поддержки принятия решений на умной ферме
- Авторы: Глухих И.Н.1, Прохошин А.С.1, Глухих Д.И.1, Филатова Т.А.1
-
Учреждения:
- ФГАОУ ВО «Тюменский государственный университет»
- Выпуск: № 1 (2024)
- Страницы: 53-57
- Раздел: Новые технологии
- URL: https://journals.rcsi.science/2500-2082/article/view/255807
- DOI: https://doi.org/10.31857/S2500208224010121
- ID: 255807
Цитировать
Аннотация
Создание умных ферм, в частности городских (city farm), в последние годы стало одной из тенденций развития как в агроинженерии, так и городском строительстве. Высокий уровень автоматизации существенно снижает степень участия человека в производственных процессах. В статье рассмотрены вопросы создания интеллектуальных систем поддержки принятия решений для умной сельскохозяйственной фермы, в которых искусственные нейронные сети (ИНС) компьютерного зрения используют для обработки результатов наблюдений и распознавания ситуаций, требующих вмешательства человека. На примере городской фермы для выращивания земляники сформулирован ряд прикладных задач (обнаружение плодов с классификацией по степени зрелости, диагностика болезней, выявление столонов). Приведены результаты экспериментального исследования ИНС компьютерного зрения для этих задач. Методика включала использование предобученных нейросетевых моделей с их дообучением на собственных наборах изображений и последующей оценкой показателей точности обнаружения и классификации. Настроенные на подобные задачи нейросети в системах поддержки принятия решений дополняются алгоритмами, работающими с базами знаний и расчетно-логическими моделями. Таким образом, создается программно-аппаратный комплекс, который позволяет не только автоматизировать выполнение текущих бизнес-задач, но и рекомендовать решения при возникновении сложных ситуаций, требующих в обычных условиях от персонала большого профессионального опыта и знаний. Исследование провели на базе агробиотехкомплекса Тюменского государственного университета.
Полный текст
![Доступ закрыт](https://journals.rcsi.science/lib/pkp/templates/images/icons/text_lock.png)
Об авторах
Игорь Николаевич Глухих
ФГАОУ ВО «Тюменский государственный университет»
Автор, ответственный за переписку.
Email: i.n.glukhikh@utmn.ru
доктор технических наук, профессор
Россия, ТюменьАлексей Сергеевич Прохошин
ФГАОУ ВО «Тюменский государственный университет»
Email: i.n.glukhikh@utmn.ru
руководитель проекта
Россия, ТюменьДмитрий Игоревич Глухих
ФГАОУ ВО «Тюменский государственный университет»
Email: i.n.glukhikh@utmn.ru
аспирант
Россия, ТюменьТатьяна Алексеевна Филатова
ФГАОУ ВО «Тюменский государственный университет»
Email: i.n.glukhikh@utmn.ru
лаборант
Россия, ТюменьСписок литературы
- Агробиотехкомплекс будущего создан в ТюмГУ. Электронный ресурс: [сайт]. – URL: https://www.utmn.ru/x-bio/novosti/nauka-i-innovatsii/1182531/ (дата обращения: 26.10.2023).
- Буторина Д.А., Ахтямов И.И. Объект городского фермерства как новое общественное пространство в современной России // Известия КГАСУ. 2022. № 4(62). С. 163–176. doi: 10.52409/20731523_2022_4_163. EDN: VTAGZC.
- Глухих И.Н., Прохошин А.С., Глухих Д.И. Сравнение и отбор ситуаций в системах вывода решений на прецедентах для «умной» фермы // Информатика и автоматизация. 2023. Т. 22. № 4. С. 853–879. doi: 10.15622/ia.22.4.6.
- Журавлева Л.А. Сити-фермерство как перспективное направление развития агропроизводства // Научная жизнь. 2020. Т. 15. № 4. С. 492–503. doi: 10.35679/1991-9476- 2020-15-4-492-503.
- Махмудул Хасан А., Мд Ракиб Ул Ислам Р., Авинаш К. Классификация болезней листьев яблони с использованием набора данных изображений: подход многослойной сверточной нейронной сети // Информатика и автоматизация. 2022. Т. 21. № 4. C. 710–728. doi: 10.15622/ia.21.4.3.
- Руткин Н.М., Лагуткин О.Ю., Лагуткина Л.Ю. Урбанизированное агропроизводство (сити-фермерство) как перспективное направление развития мирового агропроизводства и способ повышения продовольственной безопасности городов//Вестник Астраханского государственного технического университета. Серия: рыбное хозяйство. 2017. Т. 2017. № 4. С. 95–108.
- Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications. 2001. Vol. 7. PP. 39–59. doi: 10.3233/AIC-1994-7104.
- Afzaal U., Bhattarai B., Pandeya Y.R., Lee J. An Instance Segmentation Model for Strawberry Diseases Based on Mask R-CNN. Sensors. 2021, 21, 6565.
- Bhujel A., Kim N.-E., Arulmozhi E., Basak J.K. et al. A Lightweight Attention-Based Convolutional Neural Networks for Tomato Leaf Disease Classification. Agriculture. 2022. № 12(2). P. 228. doi: 10.3390/agriculture12020228. doi:10.3390/ agriculture12020228.
- Detection tasks / [Электронный ресурс] // Ультралитикс : [сайт]. – URL: https://docs.ultralytics.com/tasks/detect/ (дата обращения: 26.10.2023).
- Elhariri E., El-Bendary N., Saleh S.M., Strawberry-DS: Dataset of annotated strawberry fruits images with various developmental stages. Data in Brief. 2023. Vol. 48, 109165. doi: 10.1016/j.dib.2023.109165.
- Hu W.-C., Chen L.-B., Huang B.-K., Lin H.-M. A Computer Vision-Based Intelligent Fish Feeding System Using Deep Learning Techniques for Aquaculture. IEEE Sensors Journal. 2022. Vol. 22. № 7. PP. 7185–7194. doi: 10.1109/JSEN.2022.3151777.
- Juan Terven, Diana Cordova-Esparza. A Comprehensive Review of YOLO: From YOLOv1 and Beyond. 2023. URL: https://doi.org/10.48550/arXiv.2304.00501.
- Martin M., Molin E. Environmental Assessment of an Urban Vertical Hydroponic Farming System in Sweden // Sustainability. 2019. Vol. 11(15). № 4124. doi: 10.3390/su11154124.
Дополнительные файлы
![](/img/style/loading.gif)