В ТюмГУ пришли к выводу, что «умные» фермы станут еще умнее

Создание умных ферм, в частности городских (city farm), в последние годы стало одной из тенденций развития в агроинженерии и городском строительстве.

Умные городские фермы – высокотехнологичные комплексы, в которых автоматика контролирует производственные процессы, обеспечивает оптимальные параметры работы технологического оборудования, микроклимата, питательной среды для выращивания сельскохозяйственной продукции.

Высокий уровень автоматизации существенно снижает степень участия человека в производственных процессах. Однако, несмотря на то, что автоматизированный комплекс решает самостоятельно многие производственные задачи, не исключается возникновение ситуаций, требующих квалифицированного вмешательства специалистов.

Статья «Нейросети компьютерного зрения в системах поддержки принятия решений на умной ферме» ученых ТюмГУ Игоря и Дмитрия Глухих, Алексея Прохошина и Татьяны Филатовой вышла в «Вестнике российской сельскохозяйственной науки».

В статье говорится, что возможные поломки оборудования, заболевания или вредители выращиваемых культур, изменение спроса на рынке и необходимость перестройки бизнес-процессов – эти и подобные им случаи требуют грамотных и своевременных решений, вызывая трудности в условиях отсутствия экспертов (агрономы, инженеры).

Дальнейшее развитие цифровых технологий для умных ферм связывают с повышением степени их интеллектуализации, что должно обеспечить помощь специалистам при поиске и принятии решений в сложных ситуациях, выходящих за рамки ежедневной производственной деятельности.

Возникает актуальная перспектива создания интеллектуальных систем поддержки принятия решений (СППР), способных на основе наблюдений, сбора и обработки данных автоматически выявлять проблемы и предлагать экспертные рекомендации для действий.

Ученые исследовали возможности современных нейросетей компьютерного зрения для применения их в прикладных задачах поддержки принятия решений при эксплуатации умной.

Методика включала использование предобученных нейросетевых моделей с их дообучением на собственных наборах изображений и последующей оценкой показателей точности обнаружения и классификации.

В отличие от ранее проведенных исследований, где с помощью нейросети обнаруживают заболевания или вредителей, описанный в данной статье алгоритм СППР позволяет не только выявить проблему, но и предложить для нее решение, в том числе, с учетом дополнительных условий и возможностей.

К примеру, становится доступным решение задач по оценке степени зрелости плодов, прогнозу объема урожая с определением сортности (кондиция) продукции, подсчету завязей и другое.

Полученные данные позволяют сделать вывод о возможности и целесообразности применения нейросетей при решении ряда прикладных задач, таких, как обнаружение и классификация заболеваний, степень зрелости плодов, прогноз объема выпускаемой продукции.

Настроенные на подобные задачи нейросети в СППР дополняются алгоритмами, работающими с базами знаний и расчетно-логическими моделями.

Таким образом, создается программно-аппаратный комплекс, который дает возможность не только автоматизировать выполнение текущих бизнес-задач, но и рекомендовать решения при возникновении сложных ситуаций, которые в обычных условиях требуют от персонала большого профессионального опыта и знаний.

Это будет стимулировать рост сельскохозяйственной индустрии.

Исследование провели на базе материалов, оборудования и данных Агробиотехкомплекса Тюменского государственного университета.

Источник:

Управление стратегических коммуникаций ТюмГУ и сайт Naked Science