Практика реализации сверточных нейронных сетей в сельском хозяйстве и агропромышленном комплексе

Бесплатный доступ

Развитие вычислительных мощностей компьютерной техники позволило использовать новые средства для обработки и анализа данных из сферы нейроинтеллекта. Искусственные нейронные сети являются современным инструментом при решении различного рода задач, таких как идентификация, прогнозирование и оптимизация. Хотя это средство и зарекомендовало себя как универсальное средство для решения различного рода проблем, широкого применения в некоторых областях знаний оно еще не получило. Так, к примеру, в настоящий момент могут быть успешно использованы топологии сверточных нейронных сетей в сфере сельского хозяйства и агропромышленного комплекса. В указанном направлении имеется большой объем информации, представленный графическими изображениями - основным источником данных при использовании методов машинного компьютерного зрения. В связи с этим целью статьи является обзор современных достижений компьютерного зрения в сельскохозяйственной отрасли и агропромышленном комплексе, базирующихся на архитектуре сверточных нейронных сетей, что, в свою очередь, позволит специалистам первого уровня сельскохозяйственных направлений, таким как зоотехники, агрономы и технологи, использовать и реализовывать данный инструмент в своих прикладных проектах. Автором разобраны основы теории компьютерного зрения, характеризующие его специфику и особенности; продемонстрирована технология свертки как базообразующая часть сверточных искусственных нейронных сетей; продемонстрированы примеры из практики реализации данного инструмента в сфере сельского хозяйства. В заключение выделены особенности реализованных в настоящий момент сельскохозяйственных проектов машинного компьютерного зрения, его перспективы при дальнейшем развитии в указанной нише и цифровизации человеческой жизнедеятельности.

Еще

Компьютерное зрение, машинное обучение, искусственные нейронные сети, свертка, мониторинг

Короткий адрес: https://sciup.org/147225608

IDR: 147225608   |   УДК: 004.8   |   DOI: 10.15838/alt.2020.3.2.4

Practice of implementing convolutional neural networks in agriculture and agro-industrial complex

The development of computer equipment’s computation power has allowed to use the new tools for processing and analyzing data in the sphere of neuro-intelligence. Artificial neural networks are a modern tool for solving various types of problems, such as identification, forecasting and optimization. Although this tool has proven to be universal for solving various types of problems, it has not yet been widely used in some areas of knowledge. For example, at the moment, topologies of convolutional neural networks can be successfully used in the field of agriculture and agro-industrial complex. There is a large amount of information represented by graphical images, the main source of data when using machine computer vision methods in this area. In this regard, the purpose of the article is to review the modern achievements of computer vision in the agricultural sector and the agro-industrial complex, based on the architecture of convolutional neural networks, which, in turn, will allow specialists of the first level of agricultural areas, such as zootechnicians, agronomists and technologists, to use and implement this tool in their application projects. The author analyzes the basics of the computer vision theory characterizing its specifics and features; demonstrates the technology of convolution as a base-forming partof convolutional artificial neural networks; illustrates the examples from the practice of implementing this tool in the field of agriculture. In conclusion, the researcher highlights the features of currently implemented agricultural projects of machine computer vision, and indicates the prospects for its further development in this niche and digitalization of human life.

Еще

Список литературы Практика реализации сверточных нейронных сетей в сельском хозяйстве и агропромышленном комплексе

  • Росс А. Индустрии будущего. М.: АСТ, 2017. 351 с.
  • Шваб К. Технологии четвертой промышленной революции. М.: Эксмо, 2018. 320 с.
  • Шваб К. Четвертая промышленная революция. М.: Эксмо, 2018. 288 с.
  • Алферьев Д.А. Искусственный интеллект в сельском хозяйстве // АгроЗооТехника. 2018. Т. 1. № 4. DOI: 10.15838/alt.2018.1.4.5
  • Шутьков А.А., Анищенко А.Н. Будущее искусственного интеллекта, нейросетей и цифровых технологий в АПК // Экономика и социум: современные модели развития. 2019. Т. 9. № 4 (26). С. 508–522. DOI: 10.18334/ecsoc.9.4.100454
  • Adhitya Y., Prakosa W.S., Koppen M. [et al.]. Convolutional Neural Network Application in Smart Farming. International Conference on Soft Computing in Data Science. SCDS 2019: Soft Computing in Data Science, pp. 287–297. URL: https://link.springer.com/chapter/10.1007/978-981-15-0399-3_23
  • Kamilaris A., Prenafeta-Boldu F.X. A review of the use of convolutional neural networks in agriculture. The Journal of Agricultural Science, 2018, no. 156 (3), pp. 312–322. DOI: 10.1017/S0021859618000436
  • Обработка и анализ цифровых изображений с примерами на LabVIEW IMAQ Vision / Ю.В. Визильтер [и др.]. М.: ДМК Пресс, 2007. 464 с.
  • Желтов С.Ю., Визильтер Ю.В. Машинное зрение как прикладная техническая дисциплина // Вестн. комп. и информ. технологий. 2004. № 3 (3).
  • Клетте Р. Компьютерное зрение. Теория и алгоритмы. М.: ДМК Пресс, 2019. 506 с.
  • Солем Я.Э. Программирование компьютерного зрения на языке Python. М.: ДМК Пресс, 2016. 312 с.
  • Marr D., Hildreth E. Theory of edge detection. Proc. R. Soc. (London), 1980, B 207, pp. 187–217.
  • Венецкий С. Виды архитектур нейронных сетей. URL: https://geekbrains.ru/events/1461
  • LeCun Y., Boser B., Denker J.S. [et al.]. Back-Propagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1989, no. 1 (4), pp. 541–551. DOI: 10.1162/neco.1989.1.4.541
  • Сазыкин А. Сверточные нейронные сети // Глубокие нейронные сети на Python. 2016. URL: https://www.youtube.com/watch?v=52U4BG0ENiM&list=PLtPJ9lKvJ4oi5ATzKmmp-6FznCHmnhVoey&index=2&t=0s
  • Айфичер Э.С., Джервис Б.У. Цифровая обработка сигналов: практический подход: пер. с англ. 2-е изд. М.: Вильямс, 2004. 992 с.
  • Нейросеть позволит обнаружить фитопатологию по фотографии / ФГБУН ИПУ РАН. URL: https://www.ipu.ru/press-center/55927
  • iFarm – система распознавания рыб для выявления больных особей // TADVISER. 2018. URL: https://www.youtube.com/watch?v=eTtXopobi4U&feature=emb_logo
  • Дашковский И. Под контролем. Искусственный интеллект следит за порядком на агропредприятиях // Агроинвестор. 2019. URL: https://www.agroinvestor.ru/technologies/article/31101-pod-kontrolem/
  • Бутрова Е.В., Павлов В.А., Ковков Д.В. Разработка рекомендаций по адаптации лучших мировых практик применения результатов дистанционного зондирования земли для решения проблем в сельском хозяйстве России // Вопросы электромеханики. Труды ВНИИЭМ. 2019. Т. 171. № 4. С. 45–52. URL: https://elibrary.ru/item.asp?id=40381452
  • Сравнительный анализ использования нейросетевых алгоритмов для сегментации объектов на спутниковых снимках / В. Павлов [и др.] // Цифровая обработка сигналов и ее применение (DSPA2019): докл. 21-й междунар. конф. 2019. С. 399–403.
  • Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical imagensegmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2015, no. 9351, pp. 234–241.
  • Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, no. 39 (12), pp. 2481–2495.
  • Chaurasia A., Culurciello E. LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation. IEEE Visual Communications and Image Processing (VCIP), 2017, pp. 1–4.
  • Shadrin D., Menshchikov A., Somov A. [et al.]. Enabling Precision Agriculture through Embedded Sensing with Artificial Intelligence. IEEE, 2019. DOI: 10.1109/TIM.2019.2947125
  • Алферьев Д.А. Технологии ИИ как метод прогнозной аналитики // Искусственные общества. 2018. № 4. DOI: 10.18254/S0000137-9-1
  • Борисевич М.Н. Компьютерный нейроимитатор внутренних незаразных болезней животных // Вестн. ВГМУ. 2017. № 6. С. 125–130.
  • Борисевич М.Н. Информационные технологии в ветеринарной медицине. Витебск: ВГАВМ, 2007. 548 с.
Еще