Оптимизация технологической карты допустимых системотехнических решений задачи видеоаналитики аквакультуры
Автор: Ронжин Андрей Леонидович, Ле Ван Нгиа, Шувалов Никита
Рубрика: Математика
Статья в выпуске: 2 т.16, 2024 года.
Бесплатный доступ
Системно рассмотрена задача видеоаналитики гидробионтов в рыбоводных индустриальных комплексах. Предложена концептуальная модель задачи видеоаналитики, предложена соответствующая математическая формулировка задачи с поиском подмножества допустимых вариантов технологической карты, которая сводится к поиску вариантов, удовлетворяющих функциональным критериям. Окончательное решение о структуре и функциях программно-аппаратного обеспечения видеоаналитики принимается с учетом стоимостных затрат всего жизненного цикла оборудования. Подчеркивается важность автоматизации и интеллектуализации технологических процессов сельского хозяйства, наиболее актуальных современных задач, которым посвящены исследования передовых отечественных коллективов. Обсуждаются первичные данные для разработки и внедрения системы видеоаналитики при решении задачи подсчета рыбы, ее массы при пересадках, отгрузке, приеме в цех переработки, полученные в рамках сотрудничества с компанией «Остров», специализирующейся на выращивании форели и уделяющей серьезное внимание внедрению современных технологий автоматизации и искусственного интеллекта в технологические процессы индустриальной аквакультуры. Проведены натурные эксперименты и собраны корпуса изображений рыб в прозрачной узкой трубе, направляемой потоком воды, и на воздухе при движении на конвейере. Дальнейшие исследования будут направлены на разработку модельно-алгоритмического и программного обеспечения, необходимого для апробации предложенных математических моделей и оптимизации вариантов технологической карты функционирования системы видеоаналитики.
Системный анализ, многокритериальное оценивание, техническое зрение, видеоаналитика, технологии искусственного интеллекта, робототехника, искусственные нейронные сети
Короткий адрес: https://sciup.org/147243215
IDR: 147243215 | DOI: 10.14529/mmph240205
Текст научной статьи Оптимизация технологической карты допустимых системотехнических решений задачи видеоаналитики аквакультуры
-
1. Постановка задачи
Целью данного исследования являлась формализация технологического процесса - видеомониторинга гидробионтов в рыбоводных индустриальных комплексах - на основе анализа специфики и ограничений водной среды, применимых сенсорных устройств, характера задачи, объема водных емкостей, числа содержащихся гидробионтов и других факторов, влияющих на точность, скорость и стоимость получения результатов видеоаналитики. Современные работы в области высокотехнологичной аквакультуры, водных биологических ресурсов фокусируются на цифровой трансформации производства путем формализации экспертных междисциплинарных знаний по ихтиологии, экологии, робототехнике и машинному обучению, другим технологиям искусственного интеллекта и разработке фундаментальных и технологических основ высокопродуктивного и экологически чистого рыбоводства, прогнозирования и проактивного управления полного жизненного цикла производства аквакультуры [1-6].
Видеоаналитика считается наиболее перспективным инструментом для решения задач мониторинга, прогнозирования и проактивного управления технологическими процессами индустриальной аквакультуры, так как обладает рядом достоинств [7-10]. Во-первых, бесконтактность съема данных о гидробионтах и среде. Это обеспечивает неинвазивность, не вносит возмущающих факторов в жизненные процессы рыб. Также устраняются риски внесения патогенов, что не исключено при обследовании объектов аквакультуры ветеринарами. Во-вторых, изображения и
Ронжин А.Л., Ле В.Н., Оптимизация технологической карты допустимых Шувалов Н. системотехнических решений задачи видеоаналитики аквакультуры видеоряд дают наиболее полную визуальную информацию о кожном покрове, одиночном и групповом поведении рыб. В-третьих, накапливаемые первичные данные, размеченные корпуса и аналитическая информация для корректировки алгоритмов управления техническим оборудованием производства аквакультуры являются отдельным ценным ресурсом, в том числе позволяющим уточнять и имеющиеся теоретические знания в области ихтиологии.
Последующая структура статьи сформирована следующим образом. Далее описана концептуальная модель предметной области исследования, обсуждаются наиболее актуальные задачи аквакультуры, решаемые на основе видеоаналитики, проанализированы основные ограничения и требуемые ресурсы. Рассмотрены особенности разработки технологической карты для задачи расчета биомассы рыб, приведены предварительные результаты экспериментальной проверки системы видеоаналитики на рыбоводном предприятии.
Наиболее актуальными задачами в аквакультуре, потенциально решаемыми на основе видеоаналитики, выделяют следующие: подсчет числа рыб, распознавание типов рыб, оценивание биомассы, идентификация каждой особи, выявление аномального поведения, распознавание заболевших, диагностика заболеваний [11–14].
На рис. 1 представлена концептуальная модель предметной области видеоаналитики аквакультуры с введенными основными сущностями. Процесс выбора параметров технологической карты начинается с определения типа задачи W k , ее входных W k InP и выходных W k OutP данных, а также конкретных свойств оборудования для регистрации входных данных W kP = { Fnc kpEq , Acc kpEq , Spd kpEq , Cst inpEq } и свойств оборудования для их обработки и формирования выходных данных: w Ou tP = { Fnc OutEq , Acc OuEq , Spd ouEq , Cst cutEq }, образующих матрицу WPk .
Затем производится анализ требований, характерных для задачи W k : R k PT – место и время; R k VEq – оборудование видеосъемки; R k SenEq – дополнительное сенсорное оборудование; R k CNAEq – вычислительное, сетевое, силовое оборудование; W k Tim – расписание видеосъемки; R k WP – множество необходимых специалистов. Также учитываются основные ограничения предметной области и накладываемые технические и технологические требования к оборудованию и процессу видеосъемки: L k WE – факторы водной среды, L k FB – поведение рыб, L k UC – условия эксплуатации, L k WV – характеристики водного резервуара, L k WC – характеристики погодных условий, L k CC – характеристики климатических условий.
Основными ограничениями, характерными для всех задач, являются факторы водной среды (мутность, низкая освещенность), поведение рыб (относительно высокая скорость, инстинкты), условия эксплуатации (повышенная влажность, механические воздействия) и другие.
При описании требований к решению задач следует уточнять место и время видеосъемки (наименование технологического процесса, место видеосъемки, время видеосьемки, длительность видеосъемки, ракурс видеосъемки) оборудование видеосъемки (спектральный диапазон регистрируемых частот, частота кадров, дополнительное освещение и др.), вычислительное и сетевое оборудование (характеристики вычислительного модуля для подключения видеокамеры и записи данных, управления осветительным оборудованием и характеристики маршрутизатора для передачи видеоданных в облачное хранилище (WiFi, GSM)), вычислительный сервер для обработки видеоданных, а также необходимый обсуживающий персонал (ветеринар-ихтиолог, инженер-системотехник, инженер-технолог, инженер по машинному обучению и компьютерному зрению и др.).
Математическую формулировку задачи поиска подмножества допустимых вариантов технологической карты можно записать в следующем виде. Обозначим множество вариантов технологической карты:
TM = JM . , TM Vhs , TME^ , TM^ ,..., TM^ q , TM^ , TM EqSh , TM* p S h ,...,
TMUNEq, TMVNHs , TMENqSh, TMPNSh } , где каждый вариант карты описан набором характеризующих параметров, заданных числовыми значениями. Характеристики используемого в варианте технологической карты TM i оборудования TMUEq = {FnCUEq, AccUEq, SpduEq, Cst'uEq} соответственно по функциональности, точности,
Математика
скорости и стоимости. ТМ i VSh – расписание видеосъемки; TM i EqSh – расписание вспомогательного оборудования; TM i PSh – график работы специалистов.

Рис. 1. Концептуальная модель задачи видеоаналитики аквакультуры
Таким образом, для решения задачи W k на основе критериев Q необходимо выделить подмножество вариантов технологической карты TM k ∈ ТМ с набором параметров используемого оборудования, идентичным по функциональности, точности, скорости свойствам оборудования для регистрации входных данных, обработки и формирования выходных данных, содержащихся в описании задачи W k . Предполагается, что количество типов оборудования в вариантах техноло-
Ронжин А.Л., Ле В.Н., Шувалов Н.
Оптимизация технологической карты допустимых системотехнических решений задачи видеоаналитики аквакультуры гической карты и описании задачи одинаковое и равно WkEqNum, а оборудование отличается только количественными значениями функциональных характеристик.
В рамках поставленных условий в варианте технологической карты TM i можно однозначно оценить соответствие характеристик используемого оборудования TMUiEq , учитывая две компоненты. Во-первых, соответствие характеристик оборудования видеосъемки { Fnc VEq , Acc VEq , Spd VEq }, дополнительного сенсорного оборудования { FnCSenEq , Acc SenEq , Spd' se nEq } свойствам требуемого оборудования для регистрации входных данных { Fnc InpEq , Acc InpEq , Spd lnpEq } .
Во-вторых, соответствие характеристик вычислительного, сетевого, силового оборудования { Fnc'CNAEq , Acc CNAEq , Spd' CNAEq } свойствам требуемого оборудования для обработки и формирования выходных данных { Fnc OuEq , AcckutEq , Spd’ outEq } •
При сравнении характеристик оборудования формируются бинарные оценки применимости вариантов технологической карты, в положительном случае сохраняется суммарная стоимость требуемого оборудования:
WkEqNum
TM1 =
^ CstUEq ,если TM UEq = W P .
i = 1
0, иначе
После этого в экспертном режиме рассматриваются варианты, имеющие более низкую стоимость. При оценивании стоимости используемого сервиса видеоаналитики следует учесть затраты на приобретение и установку специализированного программно-аппаратного обеспечения, оплаты работы экспертов, участвующих в ручной обработке изображений, и другие расходы.
Вопросы автоматизации и интеллектуализации технологических процессов сельского хозяйства являются наиболее актуальными современными задачами, им посвящены исследования передовых отечественных коллективов. В работах ведущей научной школы З.В. Нагоева детально обсуждаются проблемы интеллектуального принятия решений на основе самоорганизации муль-тиагентных когнитивных архитектур и созданы оригинальные наземные роботы сельскохозяйственного назначения [15–18]. Авторы выражают признательность за плодотворные дискуссии и считают своим приятным долгом поздравить Залимхана Вячеславовича Нагоева с юбилеем.
Проблема выбора оптимального варианта технологической карты и проектирования допустимых системотехнических решений программно-аппаратного комплекса видеоаналитики сводится к поиску конструктивных путей формирования вариантов, удовлетворяющих функциональным и временным критериям. Окончательное решение о структуре и функциях программноаппаратного обеспечения видеоаналитики, необходимом для его реализации, принимается с учетом стоимостных затрат всего жизненного цикла индустриальной аквакультуры [19].
3. Результаты экспериментов по видеоаналитике на производстве
Первичные данные для разработки и внедрения системы видеоаналитики при решении задачи подсчета рыбы, ее массы при пересадках, отгрузке, приеме в цех переработки были получены в рамках сотрудничества компании «Остров», специализирующейся на выращивании форели и уделяющей серьезное внимание внедрению современных технологий автоматизации и искусственного интеллекта в технологические процессы индустриальной аквакультуры.
Раз в неделю рыбоводная служба производит операцию навески рыбы, для этого устанавливается специальная емкость, предварительно наполненная водой, на весы и с помощью сачка в эту емкость перекладывается рыба партиями по 10 особей за одну итерацию. После каждой итерации производится запись показания весов, после чего повторяют эту операцию 4 раза. Затем общая масса делится на количество рыб и среднее значение используется в качестве значения массы рыбы в бассейне для дальнейшей корректировки прогнозов и плана кормления. При посадке рыбы компания знает количество полученного малька с заявления поставщика и производит раз в неделю по мере роста свои навески, а также ведет учет отходов, но реальные значения
Математика
не известны до момента потрошения рыбы в цеху. Метод навески рыбы имеет значительную погрешность из-за множества факторов, таких как:
-
- навески производятся до и после кормления;
-
- навеска производится с поверхности бассейна из одного места;
-
- в емкость для навески попадает дополнительная вода с сачка и рыбы, которая влияет на ко-
- нечные данные измерения;
-
- выборка из 40 особей при общем их количестве более 3 000 - слишком мала.
Вследствие этих факторов анализируемая выборка получается неоднородной и часто не представительной, поэтому задача автоматизации расчета биомассы рыб с минимизацией ручного труда и снижением влияния факторов инстинктивного поведения рыб является актуальной для рыбоводных предприятий. Примеры изображений показаны на рис. 2.

Рис. 2. Примеры изображений рыб: слева) в прозрачной трубе в водном потоке; справа) на конвейере и разделочной доске
Проведенные ранее компанией исследовательские работы по обработке изображений, снятых под водой, не дали положительных результатов, поэтому более детально были проанализированы процессы съемки рыбы в прозрачной узкой трубе, направляемой потоком воды, и на воздухе при движении на конвейере.
В первом случае были выявлены следующие негативные факторы, препятствующие регистрации качественного изображения. Рыба, действуя инстинктивно, плывет против течения, тем самым создавая заторы; из-за наложений друг на друга и невозможности даже человеческим глазом определить, где закончилась первая, а где начинается следующая рыба, невозможно правильно их пересчитать. Помимо этого, создается сильная вибрация, которая, в свою очередь, приводит к смазанным изображениям. Труба была не заполнена водой полностью, поэтому возникают волны, пузыри, брызги, и съемка рыбы получается в двух средах, что усложняет последующую обработку изображений. При движении рыбы по течению ее скорость становится достаточно высокой, что требует применения видеокамер с большей частотой кадров (60, 120 Гц).
Во втором случае съемка рыб производится на воздухе на конвейере в цехе переработки, также делались качественные снимки на разделочной доске с двух сторон в подвижном состоянии. Собран корпус из 20 000 изображений на конвейере и фотографий 1500 особей форели с двух сторон, необходимый для обучения моделей и оптимизации их параметров под разные виды задач видеоаналитики.
Ронжин А.Л., Ле В.Н., Оптимизация технологической карты допустимых Шувалов Н. системотехнических решений задачи видеоаналитики аквакультуры
Дальнейшие исследования будут направлены на разработку модельно-алгоритмического и программного обеспечения, необходимого для апробации предложенных математических моделей и оптимизации вариантов технологической карты функционирования системы видеоаналитики.
Список литературы Оптимизация технологической карты допустимых системотехнических решений задачи видеоаналитики аквакультуры
- Bekarev, A. Aquaculture Digitalization: Polling Karelian Fish Farmers / A. Bekarev, E. Ivashko, V. Ivashko // Agriculture Digitalization and Organic Production. Proceedings of the Third International Conference on Agriculture Digitalization and Organic Production (ADOP 2023). Smart Innovation, Sys-tems and Technologies. – 2023. – Vol. 362. – P. 363–372.
- Недоступ, А.А. Обоснование масштабов подобия световых величин установок замкнутого водоснабжения для выращивания гидробионтов / А.А. Недоступ, А.О. Ражев, Е.И. Хрусталёв // Вестник Астраханского государственного технического университета. Серия: Рыбное хозяйство. – 2020. – № 3. – С. 61–69.
- Барулин, Н. Интенсивная аквакультура / Н. Барулин // Наука и инновации. – 2021. – № 8 (222). – С. 36–40.
- О теоретических основах аэролимнологии: изучение пресных водоемов и прибрежных территорий с применением воздушных робототехнических средств / Д.С. Дудакова, В.М. Анохин, М.О. Дудаков, А.Л. Ронжин // Информатика и автоматизация. – 2022. – Вып. 21(6). – C. 1359–1393.
- Коллаборативная селекционная система на основе консорциума гетерогенных интеллектуальных агентов / М.И. Анчёков, З.И. Боготова, И.А. Пшенокова, З.В. Нагоев, Б.Р. Шомахов // Известия Кабардино-Балкарского научного центра РАН. – 2022. – № 5 (109). – С. 25–37.
- Рекомендации по выращиванию рыбопосадочного материала радужной форели в рыбоводных индустриальных комплексах (с временными нормативами) / Н.В. Барулин, М.С. Лиман, Е. Г. Новикова и др. – Горки: БГСХА, 2016. – 180 с.
- Abudalfa, S. Evaluation of Skeletonization Techniques for 2D Binary Images / S. Abudalfa // In-formatics and Automation. – 2023. – Vol. 22, Iss. 5. – P. 1152–1176.
- Building an Online Learning Model Through a Dance Recognition Video Based on Deep Learn-ing / N. Hung, T. Loi, N. Binh et al. // Informatics and Automation. – 2024. – Vol. 23, no. 1. – P. 101–128.
- Разработка интеллектуальной интегрированной системы «умное поле» / З.В. Нагоев, В.М. Шуганов, А.У. Заммоев, К.Ч. Бжихатлов, З.З. Иванов // Известия ЮФУ. Технические науки. – 2022. – № 1 (225) . – С. 81–91.
- Mahamudul Hashan, A. Apple Leaf Disease Classification Using Image Dataset: a Multilayer Convolutional Neural Network Approach / A. Mahamudul Hashan, R. Md Rakib Ul Islam, K. Avinash // Informatics and Automation. – 2022. – Vol. 21, no. 4. – P. 710–728.
- Ahmed, M.S. Fish Disease Detection using Image Based Machine Learning Technique in Aqua-culture / M.S. Ahmed, T.T. Aurpa, M.A.K. Azad // Journal of King Saud University-Computer and In-formation Sciences. – 2022. – Vol. 34, Iss. 8, Part A. – P. 5170–5182.
- An Advanced Bangladeshi Local Fish Classification System based on the Combination of Deep Learning and the Internet of Things (IoT) / M.A. Ahmed, M.S. Hossain, W. Rahman et al. // Journal of Agriculture and Food Research. – 2023. – Vol 14. – 100663.
- Нагоев, З.В. Алгоритм нейрокогнитивного обучения мультиагентной системы эволюционного моделирования экспрессии генов по данным ПЦР-анализа растений / З.В. Нагоев, М.И. Анчёков, Ж.Х. Курашев, А.А. Хамов // Известия Кабардино-Балкарского научного центра РАН. – 2023. – № 6 (116). – С. 179–192.
- Ле, В.Н. Обзор интеллектуальных систем управления и робототехнических задач в производстве аквакультуры / В.Н. Ле, А.Л. Ронжин // Морские интеллектуальные технологии. – 2024. (в печати).
- Nagoev, Z. Multi-Agent Neurocognitive Models of Semantics of Spatial Localization of Events / Z. Nagoev, O. Nagoeva, I. Gurtueva // Cognitive Systems Research. – 2020. – Vol. 59. – P. 91–102.
- Нагоев, З.В. Извлечение знаний из многомодальных потоков неструктурированных данных на основе самоорганизации мультиагентной когнитивной архитектуры мобильного робота / З.В. Нагоев, О.В. Нагоева // Известия Кабардино-Балкарского научного центра РАН. – 2015. – № 6-2 (68). – С. 145–152.
- Multi-agent Algorithms for Building Semantic Representations of Spatial Information in a Framework of Neurocognitive Architecture / Z. Nagoev, O. Nagoeva, I. Gurtueva, V. Denisenko // Ad-vances in Intelligent Systems and Computing. – 2020. – Vol. 948. – P. 379–386.
- Автономный синтез пространственных онтологий в системе принятия решений мобильного робота на основе самоорганизации мультиагентной нейрокогнитивной архитектуры / З.В. Нагоев, К.Ч. Бжихатлов, И.А. Пшенокова и др. // Известия Кабардино-Балкарского научного центра РАН. – 2020. – № 6 (98). – С. 68–79.
- Методы и алгоритмы синтеза технологий и программ управления реконфигурацией бортовых систем маломассоразмерных космических аппаратов / В.Н. Калинин, А.Ю. Кулаков, А.Н. Павлов и др. // Информатика и автоматизация. – 2021. – Т. 20, № 2. – C. 236–269.