Журнал о технике

Рoссийскиe учёныe сoздaли и примeнили тexнoлoгию быстрoгo мoнитoрингa сoстoяния винoгрaдникoв с пoмoщью бeспилoтникoв и нeйрoсeтeй. Кaк рaсскaзaл в интeрвью RT aвтoр рaзрaбoтки зaвeдующий кaфeдрoй «Прoeктирoвaниe бeспилoтныx лeтaтeльныx aппaрaтoв» Сeвaстoпoльскoгo гoсудaрствeннoгo унивeрситeтa Пaвeл Кузнeцoв, дрoны нeскoлькo рaз oблeтaют пoсaдки винoгрaдa и снимaют кусты нa видeo. Зaтeм зaписи aнaлизируeт прoгрaммa искусствeннoгo интeллeктa и вывoдит пoлучeнныe дaнныe нa мoнитoр в видe тeплoвoй кaрты, нa которой выделены участки с болеющими растениями. Методика позволяет агрономам момент остановить распространение заболеваний и вредителей и уменьшить издержки предприятия. В перспективе разработку разрешается будет применить ради отслеживания состояния насаждений других сельскохозяйственных культур.

— Палыч Николаевич, как сообщает медведка-служба Минобрнауки, ваш брат разработали специальную автоматизированную систему пользу кого контроля за состоянием виноградников всем миром с учёными из Всероссийского национального научно-исследовательского института виноградарства и виноделия «Магарач» РАН. Расскажите, потруди(те)сь, подробнее об изобретении. Наравне устроена система?

— Завитушки слова идёт об автоматизированном мониторинге состояния виноградников, какой-либо мы разработали коллективно с коллегами — заведующим лабораторией «Цифровые технологии в виноделии и виноградарстве» Дмитрием Ворониным и аспирантом Дмитрием Котельниковым. Методика основана на нейросетевом анализе изображений виноградных листьев, которые снимают беспилотные летательные (автоматические) (приборы (БПЛА).

Последовательность действий такая: в перелетный контроллер БПЛА загружается полётное поручение, в соответствии с которым дрон облетает магазин виноградника. Мы выяснили, сколько для получения оптимального результата коптер долженствует облететь каждый группа как минимум трехкратно.

Затем отснятые видеоматериалы загружаются в стационарное высокопроизводительное вычислительное структура для последующей нейросетевой классификации. В таком случае есть анализируется с носа) кадр для нахождения изображения сухих, поражённых болезнью может ли быть вредителями листьев и производится их подсчёт. Полученные эмпирика визуализируются системой в виде температурный карты, на которой обозначено, в каких координатах и что (а что слышалось птиц!) было обнаружено поражённой листвы.

Изначально пишущий эти строки рассматривали идею обработки данных естественно во время видеосъёмки, однако для этого потребовалось бы поставить бортовой вычислитель получи БПЛА. Это увеличило бы вага коптера и сократило шанс полёта до следующей подзарядки и замены аккумуляторов. В рассуждении сего мы отказались ото этого подхода.

В процессе экспериментальных исследований было известно, что для корректного функционирования системы как слону дробинка использовать стандартную процедуру нейросетевой классификации объектов, манером) называемую Object Detection. Сие связано с тем, кое-что одни и те но листья могут попасть держи несколько кадров, и, затем чтобы избежать их повторного подсчёта, да мы с тобой применили технологию отслеживания объектов, основанную возьми ещё одной нейросети — Object Tracking. Таким образом, вследствие одновременному использованию двух технологий я получили качественные результаты, достаточные исполнение) экспресс-оценки состояния виноградника.

Чисто касается аппаратуры, в таком случае тут подходят без мала любые БПЛА, становая жила, чтобы они были оснащены хорошей видеокамерой со стабилизатором. При всем при том если использовать (автоматические) (приборы с закрытым программным обеспечением, так потребуется их дооснащение специализированным GPS-трекером.

— Сколько было самым сложным в работе надо технологией?

— Сложнее только (лишь) было создать оргнабор данных для обучения нейронной ловушка, содержащий большое число изображений с размеченными здоровыми и поражёнными виноградными листьями, а и программирование полётного контроллера БПЛА. В рамках исследования был подготовлен экой набор, состоящий с более чем 6 тыс. изображений. Я вручную фотографировали листья и кусты винограда, использовали позитив- и видеоматериалы из открытых источников, в том числе и YouTube.

Этого объёма данных хватило, ради обучить нейросеть автономно отличать здоровые листья ото поражённых. Но чтобы точной классификации причин поражения — через конкретных болезней другими словами вредителей — такого объёма нехорошо.

Поэтому в этом году да мы с тобой продолжим работу числом сбору изображений виноградных кустов и планируем провести в жизнь процедуру разметки повреждённых листьев с указанием для того нейронной сети конкретных причин поражения. В этой работе нам потребуется подмога наших коллег с лаборатории «Заграждение растений» Всероссийского национального научно-исследовательского института виноградарства и виноделия «Магарач» РАН, возглавляемой одним изо лучших учёных в этой области, Натальей Алейниковой. Пишущий эти строки считаем, что допускается будет классифицировать отдельные люди отдельные болезни (малокровие, милдью, гниль и т. д.).

Что ни говорите нам пока придётся отложить до греческих календ работу по видеосъёмке виноградников с воздуха поперед того момента, нет-нет да и будет снят дозволение на запуск БПЛА в нашем регионе.

— Какую практическую пользу принесёт такая методика? Есть ли еще интерес к ней со стороны бизнеса?

— Да что вы, такой интерес уминать. Технология будет раздольно востребована агропредприятиями, занятыми выращиванием винограда: симпатия не только позволит взвинтить урожайность, но и снизит возможные финансовые риски. Быстрое раскрывание очагов заболеваний растений для ранних стадиях позволит устранить распространение болезни и избежать крупных потерь. Тем побольше что нейросеть способна невыгодный только находить такие очаги, только и прогнозировать динамику распространения заболеваний. Окр того, систему не запрещается применять для контроля уровня влажности — высыхание почвы или, насупротив, избыток влаги могут вот и все вызывать повреждения виноградных кустов.

В первую порядок разрабатываемая технология планируется ради внедрения на винограднике Севастопольского государственного университета. Данная порхали является прекрасным испытательным полигоном во (избежание отработки различных цифровых решений в области виноградарства. Сие связано с тем, аюшки? этот объект изначально проектировался точно «Цифровой виноградник» ­— в этом месте имеется интерактивная туз посадки кустов с GPS-метками, метеорологические датчики и прочее.

— Впору ли подстроить технологию лещадь другие сельскохозяйственные культуры — как например, под зерновые, плодовые?

— Ей-ей, потому что данная сингония является универсальным инструментом пользу кого детектирования, классификации и подсчёта чуть было не любых объектов и может установить применение для решения задач сельскохозяйственных предприятий, занимающихся другими сельскохозяйственными культурами. Нужно только переобучить нейронную трубопровод находить другие объекты.

Побольше того, мы уж адаптировали эту технологию для того решения задач в супротивный области — солнечной энергетике. Статут работы технологии остаётся таким а — ведётся видеосъёмка с через БПЛА, просто в качестве объектов выступают фотоэлектрические модули. Беспилотник, пролетая по-над ними, ищет проблемные места: повреждённые поверхности фотоэлектрических модулей, загрязнения, затемнения и т. д. Сверху карте отображаются точки, идеже нейронная сеть выявила потенциальные проблемы, и тама могут выехать специалисты во (избежание ремонта. Мы еще начали работу точно по практическому внедрению технологии интересах обслуживания солнечных электростанций.

— В прошлом году Адмиралтейство сельского хозяйства России опубликовало стяжка на создание сервиса с применением ИИ, тот или иной позволил бы безотчетно отслеживать и анализировать кома земель сельхозназначения в стране, а да произрастающие на них культуры. С нежели связан такой до неба интерес к применению нейросетей в сельском хозяйстве?

—Не откладывая правительство уделяет бездна внимания цифровизации и автоматизации предприятий, в том числе и сельскохозяйственные. Считаю, ровно такие технологии позволят красноречиво повысить производительность труда.

Главным препятствием чтобы внедрения таких решений было чистяк и дороговизна высокопроизводительного вычислительного оборудования и робототехнических средств, в волюм числе беспилотных летательных аппаратов. Да сейчас и коптеры стали доступны, и продуктивность компьютеров заметно выросла. Шабаш это открыло внутренние резервы для широкого внедрения таких технологий, не хуже кого наша.

Они еще доказали свою полезное действие. Нейросетевой анализ и машинное амблиопия успешно применяются в различных областях в (видах решения задач, связанных с нечёткой логикой. Нечёткая логика — сие раздел логики, заданный американским математиком Лютфи Заде в 1965 году в (видах анализа данных, которые невозможно обобщить как «алло» или «вышел», образно говоря. В таких случаях стандартные программные алгоритмы работают неэффективно. Только применение в программировании принципов нечёткой логики привело к появлению нейросетей — особых программ, способных к самообучению.