Введение
При возделывании сельскохозяйственных культур одними из обязательных мероприятий является проведение защитных операций по борьбе с сорными растениями, вредителями и болезнями [3]. Для этих целей используются мобильные опрыскиватели, которые проводят сплошную обработку соответствующими химическими препаратами. Выявление на ранних этапах очагов заболеваний и принятие упреждающих мероприятий по их нераспространению и уничтожению повышает эффективность защитных мероприятий, снижает отрицательное воздействие химических препаратов на окружающую среду и повышает урожайность возделываемых культур [2]. Полученные различными способами электронные карты сельскохозяйственных полей позволяют реализовывать дифференцированные технологии, наибольший эффект от которых достигается при использовании химических средств защиты растений и минеральных удобрений [3, 4, 5]. Для построения электронных карт полей и практического их применения всё больше в последнее время используют системы искусственного интеллекта, построенные на основе многослойной нейронной сети [5, 6]. Идентификация сорных и культурных растений, а также очагов поражений растений болезнями и вредителями осуществляется обученной нейронной сетью. Для обучения нейронной сети необходимо определить признаки различия культурных и сорных растений, а также растений, поражённых болезнями и вредителями [1, 6]. Для успешного и эффективного обучения и разработки нейронной сети для распознавания сорняков и других вредоносных объектов на поле необходимо провести подготовку данных. Выделяют следующие этапы этого процесса:
Методология
1. Сбор данных. На этом этапе необходимо получить большой объём изображений поля в высоком качестве. 2. Аннотация данных. После сбора изображений необходимо провести аннотацию, то есть пометить на изображениях местоположение сорняков и, при необходимости, отметить другие проблемные участки. 3. Создание архитектуры нейронной сети. На это этапе определяются следующие параметры: тип нейронной сети, количество слоёв нейросети, функция активации, размер и формат входных данных и пр. 4. Разработка программного кода нейросети и программы в целом. Сбор данных может выполнятся несколькими способами. Оптические спутниковые изображения позволяют выполнить анализ спектральных характеристик растений, определить уровень их питания, выявить пораженность болезнями и вредителями, а также вести мониторинг роста и развития возделываемых культур. С использованием мультиспектральных снимки возможно эффективное вычисление вегетационных индексов [5]. Помимо оптических снимков со спутников, в последнее время активно развивается использование высокоточных и радиолокационных (радарных) снимков. Высокоточные снимки сельскохозяйственных угодий от коммерческих спутников имеют высокое разрешение, достигающее 300 мм на пиксель. Это позволяет рассмотреть мелкие детали на поле для решения различного круга задач. Такие радиолокационные снимки позволяет получать изображения хорошего качества вне зависимости от облачности, состояния погоды и времени суток. Полученные с радарных снимков данные используются для оценки почвенного и растительного состояния сельскохозяйственных угодий [1]. Изображения, получаемые с помощью беспилотных летательных аппаратов (БПЛА) или дронов, позволяют иметь более оперативную и детализированную информацию о состоянии посевов. Однако необходимо отметить, что фото- и видеосъёмка с использованием дронов, в сравнение со спутниковой съемкой более дорогая и не всегда экономически выгодна. Поэтому в чаще используются данные со спутников, т.к. это гораздо дешевле и проще. Как правило дроны применяются там, где стоит задача получить хорошую детализацию объектов на фото или видео. В настоящей научной работе для отработки алгоритмов сбора данных были использованы фотографии сорняков из открытых источников сети Интернет.
Результаты
Следующим этапом является аннотация данных для разметки полученных изображений релевантной информацией или метаданными, чтобы сделать их понятными и пригодными для алгоритмов машинного обучения. В эти метаданные может быть включена разнообразная информация, включая категории, теги, аннотации и другие дескрипторы, которые придают данным контекст или значение. Данной работе для аннотации данных был использовал сервис CVAT, скриншот диалогового окна которого приведен на рисунке 1. Рисунок 1 – Диалоговое окно сервиса CVAT для аннотации данных На основании анализа различных источников информации по разработке свёрточных нейронных сетей, для создания архитектуры предлагаемой нейронной сети, оптимальным решением по скорости распознавания будет использование детектора объектов YOLOv8, являющегося последней итерацией детекторов объектов серии YOLO в реальном времени. Обновлённый детектор объектов YOLOv8 имеет новые функции и возможности (рисунок 2), которые позволяют решать различные задачи по обнаружению объектов в широком спектральном диапазоне [7]. Рисунок 2 – Сравнительные характеристики различных версий детектора объектов YOLO Для разработка программного кода нейросети и программы в целом были использованы следующие библиотеки для написания кода, который решает задачу распознавания сорняков при анализе видеопотока на базе предварительно обученного детектора объектов YOLOv8: - Библиотека ultralytics; - Библиотека OpenCV - Open Computer Vision Library; - Библиотека tkinter; - Библиотека os; - Библиотека Basics of Python Image Library (PIL) Разработанная нейросеть была обучена на 200 эпохах (объектах). Показатели обученной модели приведены на рисунке 3. Из представленных графиков видно, что в результате обучения потери информации при распознавании снижаются, а точность распознавания растёт, обеспечивая необходимый результат.
Результаты
Следующим этапом является аннотация данных для разметки полученных изображений релевантной информацией или метаданными, чтобы сделать их понятными и пригодными для алгоритмов машинного обучения. В эти метаданные может быть включена разнообразная информация, включая категории, теги, аннотации и другие дескрипторы, которые придают данным контекст или значение. Данной работе для аннотации данных был использовал сервис CVAT, скриншот диалогового окна которого приведен на рисунке 1. Рисунок 1 – Диалоговое окно сервиса CVAT для аннотации данных На основании анализа различных источников информации по разработке свёрточных нейронных сетей, для создания архитектуры предлагаемой нейронной сети, оптимальным решением по скорости распознавания будет использование детектора объектов YOLOv8, являющегося последней итерацией детекторов объектов серии YOLO в реальном времени. Обновлённый детектор объектов YOLOv8 имеет новые функции и возможности (рисунок 2), которые позволяют решать различные задачи по обнаружению объектов в широком спектральном диапазоне [7]. Рисунок 2 – Сравнительные характеристики различных версий детектора объектов YOLO Для разработка программного кода нейросети и программы в целом были использованы следующие библиотеки для написания кода, который решает задачу распознавания сорняков при анализе видеопотока на базе предварительно обученного детектора объектов YOLOv8: - Библиотека ultralytics; - Библиотека OpenCV - Open Computer Vision Library; - Библиотека tkinter; - Библиотека os; - Библиотека Basics of Python Image Library (PIL) Разработанная нейросеть была обучена на 200 эпохах (объектах). Показатели обученной модели приведены на рисунке 3. Из представленных графиков видно, что в результате обучения потери информации при распознавании снижаются, а точность распознавания растёт, обеспечивая необходимый результат.
Обсуждение
Рисунок 3 - Показатели обученной модели На основании проведенных исследований разработана программа, представляющая собой обучаемую искусственную интеллектуальную систему, построенную на базе многослойной нейронной сети. На рисунке 4 представлен интерфейс разработанной программы. Рисунок 4 – Интерфейс разработанной программы На рисунке 5 в качестве примера показаны некоторые результаты распознавания сорняков, полученные при помощи созданной интеллектуальной системы с использованием снимков из открытых интернет-источников. Рисунок 5 - Результаты распознавания сорняков
Обсуждение
1. Проведен анализ технологий возделывания сельскохозяйственных культур, в которых наиболее востребованы разработки по искусственному интеллекту. 2. Рассмотрены процедуры разработки многослойной нейронной сети для распознавания на поле сорняков и вредителей сельскохозяйственных культур. 3. Для создания архитектуры нейронной сети был выбран детектор объектов YOLOv8, являющийся последней итерацией детекторов объектов в реальном времени серии YOLO.
Выводы
4. Приведены результаты машинного обучения построенной многослойной нейронной сети, подтверждающие возможность использования её для распознавания сорняков на поле. Результаты обучения получены на 200 эпохах (объектах). При увеличении количества объектов, используемых для обучения модели, точность распознавания увеличивается, а погрешность уменьшается. 5. На основании проведенных исследований разработана программа, представляющая собой обучаемую искусственную интеллектуальную систему, построенную на базе многослойной нейронной сети, позволяющая распознавать на поле сорняки среди культурных растений.