Разработка системы точечного внесения жидких средств химизации на основе моделей сверточной нейронной сети

Показали, что одна из причин потери урожая – некачественное определение степени пораженности сельскохозяйственных культур патогенами. Предложили систему точечного внесения жидких средств химизации. Выявили возможность расчета необходимого объема удобрений и средств защиты. (Цель исследования) Разработать систему точечного внесения жидких средств для защиты и питания растений на основе модели сверточной нейронной сети. (Материалы и методы) Провели анализ существующих архитектур и методов машинного обучения. При разработке системы использовали U-net-алгоритм сверточных нейронных сетей, а также данные, отображающие заболевания озимой и яровой пшеницы – бурую ржавчину и мучнистую росу. Каждое изображение кадрировали вручную и размечали с помощью специализированной Python-библиотеки. В ходе применения архитектуры экспериментальным путем выбрали оптимальные метрики (jaccard metric), скорость обучения – 0,0001 секунды, количество эпох – 300, а также другие показатели. (Результаты и обсуждение) Установили, что при подаче алгоритму нового, ранее не доступного изображения, он за несколько секунд распознает болезнь и возвращает пользователю не только исходное изображение, но и маску поверх него. Определили точность наложения маски на больной участок – 80 процентов. Показали, что прогнозируемая ошибка на валидационных данных составила 0,18758. На практике она может отличаться от заявленной не более чем на 10-15 процентов. Предложили использовать алгоритм с системой технического зрения. (Выводы) Показали, что несовершенство технических средств для химизации растений повышает расход до 30 процентов относительно объема, необходимого для точечного внесения. Разработали нейросетевой алгоритм для определения пораженных участков растений и предложили концепцию точечного внесения средств химизации растений с целью сокращения затраты при обработке посевов. Определили, что нейросеть способна диагностировать пораженные участки растений за 1 секунду.

1. Лачуга Ю.Ф., Измайлов А.Ю., Лобачевский Я.П., Шогенов Ю.Х. Развитие интенсивных машинных технологий, роботизированной техники, эффективного энергообеспечения и цифровых систем в агропромышленном комплексе // Техника и оборудование для села. 2019. N6(264). С. 2-9.

2. Дорохов А.С., Новиков Н.Н., Митрофанов С.В. Интеллектуальная технология формирования системы удобрения // Техника и оборудование для села. 2020. N7 (277). С. 2-5.

3. Abubakar Auwal, Zin Hafiz M. Characterisation of Time-of-Flight (ToF) imaging system for application in monitoring deep inspiration breath-hold radiotherapy (DIBH-RT). Biomedical physics & engineering express. 2020.Vol. 6. Iss. 6. 065032.

4. Debrah D.A., Stewart G.A., Basnayake G. et al. Developing a camera-based 3D momentum imaging system capable of 1 Mhits/s. Review of scientific instruments. 2020. Vol. 91. Iss. 2. 023316.

5. Satorres M.S.,Sanchez G.A., Estevez E.E. 3D object recognition for anthropomorphic robots performing tracking tasks. International journal of advanced manufacturing technology. 2020. Vol. 104. N1-4. 1403-1412.

6. Chen Y.C., Weng W.C., Lin S.W. A High Reliability 3D Object Tracking Method for Robot Teaching Application. 4th International Conference on Precision Machinery and Manufacturing Technology (ICPMMT). 2019. 012007.

7. Li F., Chen H,. Pediredla A. CS-ToF: High-resolution compressive time-of-flight imaging. Optics express. 2017. Vol. 25. Iss. 25. 31096-31110.

8. Сибирeв А.В., Дорохов А.С., Аксенов А.Г. Цифровизация машинной технологии уборки лука искусственными нейронными сетями // Аграрная наука Евро-Северо-Востока. 2019. Т. 20. N1. С. 84-91.

9. Сибирeв А.В. Моделирование технологического процесса работы сельскохозяйственной машины искусственными нейронными сетями // Вестник биотехнологии. 2019. N1 (18). С. 6.

10. Watanabe S., Sumi K., Ise T. Identifying the vegetation type in Google Earth images using a convolutional neural network: a case study for Japanese bamboo forests. BMC Ecology. 2020. Vol. 20. Article 65.

11. Bagheri M., Al-Jabery K., Wunsch D., Burken J.G. Exami­ning plant uptake and translocation of emerging contaminants using machine learning: Implications to food security. Science of the total environment. 2020. Vol. 698. Article 133999.

12. Younis S., Schmidt M., Weiland C., Dressler S., Seeger B., Hickler T. Detection and annotation of plant organs from digitised herbarium scans using deep learning. Biodiversity data journal. 2020. N8(10). Article e57090.

13. Семенюк В.С., Никитин Е.А. Основные направления государственной поддержки аграрного сектора экономики // Наука без границ. 2019. N1(29). С. 5-9.

14. Лобачевский Я.П., Ценч Ю.С., Бейлис В.М. Создание и развитие систем машин и технологий для комплексной механизации технологических процессов в растениеводстве // История науки и техники. 2019. N12. С. 46-55.