Технология автоматизированного мониторинга состояния виноградника

Актуальность. Проактивное управление процессами эффективной реализации сортового потенциала винограда связано с необходимостью внедрения инновационных цифровых технологий автоматизированного мониторинга гетерогенных источников данных, характеризующих агроклиматические условия и деградационные процессы биологического состояния растений. В настоящее время наблюдается устойчивый тренд, направленный на цифровизацию отрасли виноградарства и виноделия. Возникает целый комплекс научно-практических, технических, технологических задач, связанных с внедрением цифровых технологий сбора необходимой информации, ее агрегации и создании методики предварительной обработки для реализации процедур многофакторного анализа данных при дальнейшем их использовании в системах поддержки принятия решений. Решение вышеописанных задач системного характера требует создания научно-методологических основ для реализации интеллектуального адаптивного автоматизированного мониторинга различных объектов и процессов сельскохозяйственных предприятий.
Методы. Приведенная технология базируется на комплексном использовании методов технического зрения, нейросетевой классификации и детектирования виноградных листьев, оценки качества обучения нейросетевых алгоритмов, методах видеосъемки при использовании беспилотных летательных аппаратов (БПЛА).
Результаты. Приведены результаты разработки информационной технологии автоматизированного нейросетевого детектирования признаков ухудшения состояния виноградных насаждений для проактивного управления процессами эффективной реализации сортового потенциала винограда. Технология позволяет обслуживающему персоналу виноградника оперативно получать информацию о признаках ухудшения состояния виноградных насаждений на основе данных видеофиксации виноградных растений, получаемых при помощи БПЛА, в статическом и динамическом режиме. Итоги тестирования точности детектирования пораженных листьев показали, что величина mAP обученной нейронной сети составляет не менее 91%, что является достаточным для выявления проблемных областей.

1. Liu Y., Wang X. Promoting competitiveness of green brand of agricultural products based on agricultural industry cluster. Wireless Communications and Mobile Computing. 2022. https://doi.org/10.1155/2022/7824638

2. Basso B., Antle J. Digital agriculture to design sustainable agricultural systems. Nature Sustainability. 2020; 3: 254–256. https://doi.org/10.1038/s41893-020-0510-0

3. Tian H., Wang T., Liu Y., Qiao X., Li Y. Computer vision technology in agricultural automation — A review. Information Processing in Agriculture. 2020; 7(1): 1–19. https://doi.org/10.1016/j.inpa.2019.09.006

4. Rao R.N., Sridhar B. IoT based smart crop-field monitoring and automation irrigation system. 2nd International Conference on Inventive Systems and Control (ICISC). 2018; 478–483.

5. Jha K., Doshi A., Patel P., Shah M. A comprehensive review on automation in agriculture using artificial intelligence. Artificial Intelligence in Agriculture. 2019; 2: 1–12.

6. Raeva P. L., Šedina J., Dlesk A. Monitoring of crop fields using multispectral and thermal imagery from UAV. European Journal of Remote Sensing. 2019; 52(1): 192–201.

7. Kapania S., Saini D., Goyal S., Thakur N., Jain R. Multi object tracking with UAVs using deep SORT and YOLOv3 RetinaNet detection framework. Proceedings of the 1st ACM Workshop on Autonomous and Intelligent Mobile Systems. 2020; 1–6.

8. Pereira R., Carvalho G., Garrote L., Nunes U.J. Sort and Deep-SORT Based Multi-Object Tracking for Mobile Robotics: Evaluation with New Data Association Metrics. Applied Sciences / An Open Access Journal from MDPI. 2022; 12(3): 1319.

9. Süzen A.A., Duman B., Şen B. Benchmark Analysis of Jetson TX2, Jetson Nano and Raspberry PI using Deep-CNN. IEEE 2. International Congress on Human-Computer Interaction, Optimization and Robotic Applications. At: Turkey. 2020; 1–5.

10. Зоев И.В., Марков Н.Г., Рыжова С.Е. Интеллектуальная система компьютерного зрения беспилотных летательных аппаратов для мониторинга технологических объектов предприятий нефтегазовой отрасли. Известия Томского политехнического университета. Инжиниринг георесурсов. 2019; 330(11): 34–49. DOI: 10.18799/24131830/2019/11/2346

11. Aposporis P. Object detection methods for improving UAV autonomy and remote sensing applications. 2020 IEEE/ACM. International Conference on Advances in Social Networks Analysis and Mining (ASONAM). 2020; 845–853.

12. Russakovsky O. et al. Imagenet large scale visual recognition challenge. International journal of computer vision. 2015; 115(3): 1–43.

13. Кузнецов П.Н., Котельников Д.Ю. Технология автоматизированного мониторинга состояния фотоэлектрических модулей солнечной электростанции. Мониторинг. Наука и технологии. 2022; 2(52): 65–72. DOI 10.25714/MNT.2022.52.008

14. Кузнецов П.Н., Котельников Д.Ю. Автоматизированный технологический комплекс мониторинга и диагностики виноградников. Вестник аграрной науки Дона. 2021; 4(56): 16–23. eLIBRARY ID: 47806373.