Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Проектная деятельность в сфере цифрового сельского хозяйства. Учебное пособие
.pdf
Глава 3. Цифровая трансформация
и современные технологии цифрового сельского хозяйства
Установление таких зависимостей даёт возможность находить
очень простые и интуитивно понятные правила.
- Задача фильтрации выбросов – обнаружение в обучающей выборке небольшого числа нетипичных объектов. В ряде
проектов их поиск является первоначальной целью исследования (например, обнаружение мошенничества). В других случаях
механизмы обнаружения и фильтрации выбросов используются
для повышения качества набора данных.
- Сокращение размерности заключается в том, чтобы
по исходным признакам с помощью некоторых функций преобразования перейти к наименьшему числу новых признаков,
не потеряв при этом никакой существенной информации
об объектах выборки. Наиболее известным примером является
метод главных компонент.
- Задача заполнения пропущенных значений – замена
недостающих значений в наборе данных их прогнозными значениями.
Частичное обучение занимает промежуточное поло-
жение между обучением с учителем и без него. Каждый случай
представляет собой пару «объект – ответ», но ответы известны
только для части этих случаев. Пример прикладной задачи –
автоматическое назначение рубрики для большого количества
текстов при условии, что некоторые из них уже отнесены к каким-то рубрикам.
Обучение с подкреплением – это способ машинного
обучения, при котором система обучается, взаимодействуя
с некоторой средой. В обучении с подкреплением алгоритм выбирает действие в ответ на каждую точку данных. Алгоритм
обучения также вскоре получает сигнал, оповещающий об
успехе, который даёт понять, насколько удачно было принято
решение. На основе этого алгоритм изменяет свою стратегию
для достижения лучшего результата. Здесь вместо ответа
на вопрос «Какой это класс?» или «Какое это значение?» мы
пытаемся ответить на вопрос «Что нужно сделать, чтобы достичь желаемого результата?».
Перечисленные задачи – это лишь базовая часть популярных задач машинного обучения, наиболее часто применяющихся в компаниях, использующих аналитику в своей работе.
Полный список включает в себя трансдуктивное обучение,
61
Проектная деятельность
в сфере цифрового сельского хозяйства
динамическое обучение, активное обучение, метаобучение
и некоторые другие.
Наиболее популярные алгоритмы машинного обучения,
встречающиеся в научных статьях и прикладных задачах:
линейная регрессия;
SVM (метод опорных векторов);
KNN (метод k-ближайших соседей);
логистическая регрессия;
дерево решений;
метод k-средних;
случайный лес (Random Forest);
наивный байесовский классификатор (Naive Bayes);
алгоритмы сокращения размерности (dimensional
reduction algorithms);
алгоритмы усиления градиента (gradient boosting algo-
rithms);
ансамбли моделей;
искусственные нейронные сети.
Процесс моделирования с использованием методов машинного обучения включает в себя следующие фазы:
1. Планирование показателей, подготовка данных и выбор
параметров (определение входных параметров и переменных
для модели).
2. Тренировка модели (изучение скрытых закономерностей в данных).
3. Выбор и оценка модели: на основании релевантных
метрик выбирается модель, которая даёт самый практичный
результат.
4. Применение тренированной модели к новым данным.
Искусственный интеллект в сельском хозяйстве
Использование методов искусственного интеллекта в разных задачах подразумевает работу с данными. На начальном
этапе мы имеем тренировочные данные – размеченную выборку с готовыми вопросами и ответами (метками). Алгоритм, имея
такие данные на входе, пытается «найти правило», по которому
каждому вопросу (переменной) ставится в соответствие
62
Глава 3. Цифровая трансформация
и современные технологии цифрового сельского хозяйства
конкретный ответ (метка). Когда алгоритм «обучился», мы имеем в наличии прогнозную модель, которую можем использовать
на новых данных и делать соответствующие прогнозы и выводы.
В настоящее время можно выделить четыре главных
направления развития технологий искусственного интеллекта:
интеллектуальный анализ данных (наука о данных), машинное
зрение, обработка естественного языка и машинный слух.
Все эти технологии можно использовать и в сфере сельского
хозяйства для решения реальных задач.
По мнению компании «Интел» [28; 29], использование сенсоров, беспилотных летательных аппаратов и серьёзной вычислительной мощности даёт фермерам возможность ведения более устойчивого сельскохозяйственного бизнеса. Искусственный
интеллект здесь станет важным инструментом для:
автоматизированной сельскохозяйственной техники
(в том числе беспилотные транспортные средства);
оперативного обнаружения вредителей (быстрое их обнаружение позволяет быстрее принимать меры по устранению
последствий и сокращению убытков);
идентификации болезней растений (уже сегодня алгоритмы могут идентифицировать множество болезней растений
с высокой точностью).
Можно выделить три главных направления использования
технологий искусственного интеллекта в сельском хозяйстве:
1) сельскохозяйственные роботы (сюда входят автономные роботы для решения важных сельскохозяйственных задач,
таких как сбор урожая, избавление от вредителей, анализ почвы и т. п., в гораздо больших масштабах и с большей скоростью
по сравнению с человеком);
2) мониторинг состояния почвы и урожая (технологии компьютерного зрения в сочетании с алгоритмами глубокого машинного обучения способны в автоматизированном режиме
проводить мониторинг урожая и почвы);
3) предиктивная аналитика (модели машинного обучения
способны эффективно отслеживать и предсказывать влияние
различных факторов на урожайность).
Одна из дополнительных возможностей, которые даёт искусственный интеллект в сельском хозяйстве – это рост, движимый интернетом вещей. Это важно как с точки зрения сбора
63
Проектная деятельность
в сфере цифрового сельского хозяйства
дополнительных данных (необходимых для работы алгоритмов
машинного обучения), так для автоматизации ряда процессов.
Имея в арсенале сети датчиков, анализируя и сопоставляя информацию о погоде, типах семян, качестве почвы, вероятности
заболеваний, исторических данных, тенденциях рынка и ценах,
фермеры могут принимать более обоснованные решения.
Использование технологий машинного зрения в сельском
хозяйстве является одним из самых обсуждаемых. Изображения
с беспилотных летательных аппаратов могут помочь в углублённом анализе растительности, мониторинге сельскохозяйственных культур, сканировании полей и т. п. Технологии компьютерного зрения, данные с датчиков и дронов могут быть
объединены в целях обеспечения более полной картины
для фермера с последующим принятием обоснованных решений.
Обнаружение болезней растений. Машинное зрение в со-
четании с алгоритмами машинного обучения способны по изображениям растений идентифицировать болезненные участки
и даже классифицировать их по названиям. С одной стороны,
это даёт фермеру инструмент быстрой идентификации поражённых участков, а с другой – это эффективный помощник в классификации заболеваний и поиска эффективных механизмов их
устранения. Аналогично можно идентифицировать вредителей,
которые также наносят серьёзный ущерб урожаю.
Мониторинг спелости урожая. Изображения различных
овощей и фруктов, а также установка специальных датчиков могут стать отличным ресурсом для оценки спелости урожая. Фермеры могут создавать и настраивать разные уровни готовности
в зависимости от категории овощей и фруктов и сортировать
их по уровню зрелости и готовности для отправки на продажу.
Анализ растительности и почвы. Аэроснимки полей
служат отличным источником данных для помощи фермеру.
Такие снимки могут быть получены, в частности, как со спутников, так и с помощью беспилотных летательных аппаратов.
В последнем случае беспилотный летательный аппарат (дрон)
получает траекторию облета поля и с помощью специальной
камеры собирает данные с территории облета. В зависимости
от характеристик дрона и его полезной нагрузки эти данные могут обрабатываться как в режиме реального времени, так и после окончания полёта дрона над территорией исследования.
64
Глава 3. Цифровая трансформация
и современные технологии цифрового сельского хозяйства
В результате фермер может получить карту поля, оценку состояния растительности, уровень всхожести и роста урожая, выявить
проблемные зоны на поле. Дополнительно фермер может получить карту рельефа поля, что важно для системы полива.
Функциональность дронов не ограничивается перечисленными возможностями. Так, дроны могут быть использованы
для посадки семян, особенно когда речь идёт о насаждениях
на большой территории. Такие системы стреляют стручками
с семенами и питательными веществами для более эффективного усвоения и роста. Более мощные беспилотные летательные аппараты, обладающие большей грузоподъёмностью,
уже сейчас используются для опрыскивания растений средствами защиты. Такое воздушное распыление получается
быстрее и экономнее.
Ещё один инструмент искусственного интеллекта, который
может применяться в сельском хозяйстве, – чат-бот. Такой виртуальный ассистент может стать хорошим помощником фермеру. Обученный чат-бот может отвечать на вопросы фермера,
записывать данные наблюдений в дневник, анализировать фотографии, сделанные фермером, а также давать рекомендации
из своей базы знаний.
3.4. Использование технологий компьютерного зрения
в cельском хозяйстве
Для ориентации сельскохозяйственных роботов сейчас
применяются в основном программы, жёстко определяющие
траекторию, координаты растений, собственную позицию и позицию схвата.
Системы технического зрения могут быть с успехом использованы для сельскохозяйственных роботов. Наиболее широко в робототехнике применяется открытая библиотека компьютерного зрения OpenCV. Для анализа изображений в OpenCV
применяется множество различных инструментов. Один
из них – цветовой фильтр, который поможет таким роботам
в детектировании и распознавании объектов. Этот алгоритм
используется для того, чтобы убрать из кадра всё лишнее
по цветовому признаку [7]. Предположим, что в кадре где-то
находится зелёное яблоко (рис. 4).
65
Проектная деятельность
в сфере цифрового сельского хозяйства
Рис. 4. Исходное изображение яблока
Чтобы найти на картинке яблоко, машина может сначала
найти круглый объект, а затем проверить его цвет. Это значит,
что его край представляет собой окружность. Один из способов – это найти такие места на картинке, где радикально меняется цвет. Действительно, на краю яблока цвет резко меняется
с зелёного на коричневый. Но поиск таких мест на каждом кадре видеопотока – достаточно сложная вычислительная задача,
особенно для таких слабых компьютеров, как Raspberry Pi, которые часто используются для управления мобильными роботами. Требуется как-то упростить задачу. А что если радикально упростить картинку с яблоком? Пусть всё, что было хоть немного зелёным, станет белым, а всё остальное станет чёрным.
Тогда не придётся долго анализировать каждый пиксель картинки, ведь на ней останутся только белые и чёрные точки.
Там, где за чёрной точкой следует белая и наоборот – за белой
чёрная, и есть край искомого яблока. После обнаружения границ можно выделить искомый объект (рис. 5).
При автоматизированном анализе цифровых изображений
очень часто возникает проблема определения простых фигур,
таких как прямые, круги или эллипсы. Во многих случаях используется алгоритм детектирования границ в качестве предобработки для получения точек, находящихся на кривой
в изображении. Однако либо из-за зашумлённости изображения, либо из-за несовершенства алгоритма детектирования
границ могут появиться «потерянные» точки на кривой, так же
как и небольшие отклонения от идеальной формы прямой, круга или эллипса. По этим причинам часто довольно сложно
сгруппировать выделенные границы в соответствующий набор
прямых, кругов и эллипсов.
66
Глава 3. Цифровая трансформация
и современные технологии цифрового сельского хозяйства
Рис. 5. Преобразованное изображение яблока
Для поиска границ в нашем случае необходимо использовать преобразование Хафа. Назначение преобразования Хафа
в том, чтобы разрешить проблему группировки граничных точек
путём применения определённой процедуры к набору параметризованных объектов изображения. Результат преобразования
зависит от коэффициентов фильтра, которые определяются
эмпирическим методом, качества изображения (зависит от камеры), статистических ошибок фильтра и выбора метода преобразования [20].
Ещё одним вероятным способом обнаружения плодов
с использованием технического зрения является применение
тепловизоров. Для получения информации о состоянии почвы,
растений в настоящее время широко используется термография
[14, c. 149]. Термография, тепловое изображение или тепловое
видео – это научный способ получения термограммы – изображения в инфракрасных лучах, показывающего картину распределения температурных полей. Термографические камеры обнаруживают излучение в инфракрасном диапазоне электромагнитного
спектра (примерно 0,9–14,0 мкм) и на основе этого излучения создают изображения, позволяющие определить перегретые или
переохлаждённые места. Так как инфракрасное излучение испускается всеми объектами, имеющими температуру, согласно формуле Планка для излучения чёрного тела, термография позволяет «видеть» окружающую среду с видимым светом или без него.
67
Проектная деятельность
в сфере цифрового сельского хозяйства
Интенсивность теплового излучения тела увеличивается с повышением его температуры, поэтому термография позволяет видеть распределение температуры по поверхности тела. Термография используется для подсчёта количества плодов. Обнаружение плодов с использованием термографии базируется на
предположении, что их температура существенно отличается от
температуры окружающей среды. Данное предположение верно
для многих случаев, так как термодинамические свойства плодов
отличаются от окружающих их объектов. Фрукты и окружающая
их листва содержат воду, но масса фруктов обычно больше массы листьев, поэтому их термодинамическая реакция различна.
Тем не менее, температура плодов также зависит от интенсивности поступающей радиации, окружающей температуры, относительной влажности и скорости ветра. Алгоритм обработки теплового изображения при обнаружении плодов функционирует более
эффективно, когда контраст между плодами и окружающих их
листвой максимален. Для определения наиболее благоприятного
времени для обнаружения плодов были проведены исследования с цитрусовыми насаждениями.
Нами разработан аппаратно-программный комплекс, включающий систему компьютерного зрения, способный работать
в теплицах в разных оптических диапазонах – видимом, инфракрасном и с ультрафиолетовой подсветкой. Система способна
определять спелость овощей и фруктов, наличие грибковых заболеваний, степень увлажнения почвы, параметры роста рассады, расположение тепловых зон в теплице. Комплекс дополнительно позволяет отслеживать рост рассады и размеры плодов
овощей и фруктов [19, c. 39].
Система отслеживает площадь поверхности рассады
и оповещает рабочих теплицы, в какое время нужно внести
удобрения или же собрать спелые фрукты и овощи. С помощью
алгоритма распознавания цветов и контуров можно понять, достаточно ли растению влаги, выбран ли нужный температурный
режим, соответствует ли цвет листьев здоровому растению. Когда у рассады слишком тёмные листья, это значит, что она
начинает замерзать и нужно увеличить температуру. Когда листья приобретают бледный оттенок, это значит, что он перенасыщен влагой и нужно уменьшить полив. Но в то же время, если листья с жёлтым оттенком, то нужно, наоборот, увеличить
68
Глава 3. Цифровая трансформация
и современные технологии цифрового сельского хозяйства
полив. Результаты работы алгоритма представлены на рисунке 6. Как видно, синим определяются контуры объектов, соответствующих заданному значению цвета. Но только объекты,
удовлетворяющие условию достаточной площади и формы,
выделяются красной окружностью. Затем находится их центр
и выделяется жёлтым кружком. Координаты центра объекта передаются роботу.
Рис. 6. Результаты работы системы: а) определение контуров
плодов; б) определение контуров рассады
На рисунке 7 представлен алгоритм работы системы компьютерного зрения.
69
Проектная деятельность
в сфере цифрового сельского хозяйства
Рис. 7. Алгоритм работы системы технического зрения
Разработка мобильного робота-цветовода
В университете нами разработан мобильный роботцветовод, способный работать в условиях закрытого грунта. Робот способен анализировать ситуацию и принимать решения
в соответствии с заложенными в него программами управления
под дистанционным наблюдением оператора. Набор датчиков
и моторов, подключаемых к роботу, и возможность перепрограммирования поведения робота делают набор его возможностей
70
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]