Россия
Россия
УДК 631.67 Орошение (ирригация)
УДК 004.9 Прикладные информационные (компьютерные) технологии
Актуальность исследования обусловлена необходимостью создания интеллектуальной системы мониторинга состояния посевов сельскохозяйственных культур в период вегетации на значительных площадях. Научная проблема оперативного мониторинга состояния посевов сельскохозяйственных культур с последующим распознаванием их состояния по цветным изображениям, получаемым с беспилотных летательных аппаратов (БПЛА), может быть решена посредством нейросетевых алгоритмов глубокого обучения, обеспечивающих анализ и обработку графической информации. В рамках компьютерной реализации рекуррентой нейронной сети со сверточными слоями авторами сформирован датасет цветных изображений посевов сельскохозяйственных культур, полученных с использованием БПЛА. С целью решения проблемы классового дисбаланса полученного датасета, осуществлена его аугментация путем искусственного добавления новых изображений, полученных на основе уже существующих. Для обучения, реализованной на языке Python, рекуррентной нейронной сети, включающей сверточные слои, сформирована обучающая и тестовая выборки, с разметкой изображений по четырем классам: здоровая растительность («healthy»), пораженная растительность («affected»), почва, незасеянное поле («soil») и прочие объекты («other»). Полученные в ходе исследования результаты распознавания могут быть использованы для создания гибридных архитектур с последующей программной реализацией комплекса нейросетевых моделей, позволяющих выявлять закономерности роста и развития различных групп сельскохозяйственных культур.
мультиклассовое распознавание, искусственный интеллект, фитоагроценоз, продуктивность, сверточные нейронные сети
1. Kamilaris, A., Prenafeta-Boldú, F.X. (2018). Deep Learning in Agriculture: A survey. Computers and Electronics in Agriculture. Available at: www.arxiv.org/pdf/1807.11809
2. Neetu and Ray, S.S. (2019). Exploring machine learning classification algorithms for crop classification using Sentinel 2 data. ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. XLII-3/W6. Available at: www.int-arch-photogramm-remote-sens-spatial-infsci.net/XLII-3-W6/573/2019/isprs-archives-XLII-3-W6-573-2019.pdf
3. Liakos, K.G., Busato, P., Moshou, D., Pearson, S., Bochits, D. (2018). Machine Learning in Agriculture: A Review. Sensors (Special Issue "Sensors in Agriculture 2018"). Available at: www.mdpi.com/1424- 8220/18/8/2674/pdf
4. Kitonsa, H., Kruglikov, S.V. (2018). Significance of drone technology for achievement of the united nations sustainable development goals. R-Economy, vol. 4, no. 3, pp. 115-120.
5. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМК Пресс, 2018. 652 с.
6. Cheng, G., Wang, G., Han J. (2022). IS Net: Towards Improving Separability for Remote Sensing Image Change Detection. In IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1-11. Art no. 5623811. doi:https://doi.org/10.1109/TGRS.2022.3174276
7. Дубенок Н.Н., Бородычев В.В., Лытов М.Н. Алгоритм учета пространственной неоднородности исходных характеристик орошаемого участка на основе ГИС-технологий // Российская сельскохозяйственная наука. 2019. № 1. С. 66-70.
8. Михайленко И.М. и др. Управление агротехнологиями и роботизированные средства реализации // Инновации в сельском хозяйстве. 2019. № 1 (30). С. 242-258.
9. Рогачев А.Ф., Мелихова Е.В., Белоусов И.С. Исследование развития и продуктивности сельскохозяйственных культур с применением беспилотных летательных аппаратов // Известия Нижневолжского агроуниверситетского комплекса. 2020. № 3 (59). С. 397-406. doi:https://doi.org/10.32786/2071-9485-2019-04-49
10. Асадуллаев Р.Г., Кузьменко Н.И. Технология интеллектуального распознавания сельскохозяйственных культур нейронной сетью по мультиспектральным многовременным данным дистанционного зондирования Земли // Экономика. Информатика. 2022. № 49 (1). С. 159-168. doi:https://doi.org/10.52575/2687-0932-2022-49-1-159-168
11. Tokarev, K. et al. (2023). Monitoring and Intelligent Management of Agrophytocenosis Productivity Based on Deep Neural Network Algorithms. In: Vasant, P., Weber, GW., Marmolejo-Saucedo, J.A., Munapo, E., Thomas, J.J. (eds) Intelligent Computing & Optimization. ICO 2022. Lecture Notes in Networks and Systems, vol. 569. Springer, Cham. doi:https://doi.org/10.1007/978-3-031-19958-5_65
12. Токарев К.Е., Руденко А.Ю., Кузьмин В.А., Чернявский А.Н. Теория и цифровые технологии интеллектуальной поддержки принятия решений для увеличения биопродуктивности агроэкосистем на основе нейросетевых моделей // Известия Нижневолжского агроуниверситетского комплекса. 2021. № 4 (64). С. 421- 440. doi:https://doi.org/10.32786/2071-9485-2021-04-42
13. Токарев К.Е., Лебедь Н.И., Кузьмин В.А., Чернявский А.Н. Теория и технологии управления орошением сельскохозяйственных культур на основе информационных технологий поддержки принятия решений и математического моделирования // Известия Нижневолжского агроуниверситетского комплекса. 2020. № 4 (60). С. 433-448. doi:https://doi.org/10.32786/2071-9485-2020-04-41
14. Лебедь Н.И., Токарев К.Е. Повышение продуктивности агрофитоценозов в условиях точного земледелия с использованием нейросетевых алгоритмов глубокого обучения: обоснование применения и аспекты компьютерной реализации // Международный сельскохозяйственный журнал. 2022. № 6 (390). С. 662-664. doi:https://doi.org/10.55186/25876740_2022_65_6_662
