Автоматизированный технологический комплекс мониторинга и диагностики виноградников

Автор: Кузнецов Павел Николаевич, Котельников Дмитрий Юрьевич

Журнал: Вестник аграрной науки Дона @don-agrarian-science

Рубрика: Технологии, средства механизации и энергетическое оборудование

Статья в выпуске: 4 (56), 2021 года.

Бесплатный доступ

Сельское хозяйство является одним из важнейших секторов экономики различных стран. В настоящее время в этой отрасли наблюдается переход к массовой цифровизации бизнес-процессов, что позволяет эффективно внедрять элементы стратегического развития и проактивного управления. При этом применение инновационных технологий требует грамотной концептуально-методической обоснованности, учитывающей особенности выращивания отдельных культур, климатические и другие факторы. Решение этой задачи требует создания развитых систем мониторинга сельскохозяйственных объектов. Авторами предложена разработка, предлагающая осуществлять автоматизированный мониторинг и диагностику виноградников, основанная на использовании беспилотных летательных аппаратов (БПЛА) и специализированного программного обеспечения. Предложенное решение позволяет выполнять оценку фитосанитарного состояния виноградника при использовании процедур нейросетевой классификации болезней винограда на основе изображений листьев. Для выполнения процедур детектирования была использована нейронная сеть, основанная на архитектуре Fast R-CNN с алгоритмом обучения InceptionV2. Предварительные результаты тестирования эффективности технологии показали, что точность детектирования поражённых листьев составляет не менее 91%, при использовании обучающей выборки, состоящей из 2500 изображений здоровых и повреждённых листьев. В статье также приведена математическая модель, позволяющая оценить производительность функционирования комплекса с учетом топологических особенностей виноградника, типа используемого БПЛА, метеорологических параметров и производительности вычислительного оборудования. Результаты оценочных расчетов показали, что за световой день комплекс способен осуществлять мониторинг до 2,5 га виноградника. Внедрение комплекса в производственный процесс агропромышленных предприятий позволит эффективно выявлять и оперативно устранять заболевания на ранних стадиях, что увеличит урожайность производимой продукции, а также снизит возможные финансовые риски предприятия.

Еще

Сельское хозяйство, мониторинг, диагностика, болезни, беспилотные летательные аппараты, техническое зрение, нейросетевая классификация

Короткий адрес: https://sciup.org/140290477

IDR: 140290477

Список литературы Автоматизированный технологический комплекс мониторинга и диагностики виноградников

  • Basso B., Antle J. Digital agriculture to design sustainable agricultural systems // Nature Sustainability. 2020. Т. 3. № 4. Р. 254-256.
  • Tian H. et al. Computer vision technology in agricultural automation. A review // Information Processing in Agriculture. 2020. Т. 7. № 1. Р. 1-19.
  • Rao R. N., Sridhar B. loT based smart crop-field monitoring and automation irrigation system // 2nd International Conference on Inventive Systems and Control (ICISC). IEEE, 2018. Р. 478-483.
  • Jha K. et al. A comprehensive review on automation in agriculture using artificial intelligence // Artificial Intelligence in Agriculture. 2019. Т. 2. Р. 1-12.
  • Raeva P.L., Sedina J., Dlesk A. Monitoring of crop fields using multispectral and thermal imagery from UAV // European Journal of Remote Sensing. 2019. Т. 52. № sup 1. Р. 192-201.
  • Nadal A. et al. Urban planning and agriculture. Methodology for assessing rooftop greenhouse potential of non-residential areas using airborne sensors // Science of the total environment. 2017. Т. 601. Р. 493-507.
  • Radoglou-Grammatikis P. et al. A compilation of UAV applications for precision agriculture // Computer Networks. 2020. Т. 172. Р. 107-148.
  • Maddikunta P. K. R. et al. Unmanned aerial vehicles in smart agriculture: Applications, requirements, and challenges // IEEE Sensors Journal, 2021.
  • Chechetka S.A. et al. Materially engineered artificial pollinators // Chem. 2017. Т. 2. № 2. Р. 224-239.
  • Jiyu L. et al. Distribution law of rice pollen in the wind field of small UAV // International Journal of Agricultural and Biological Engineering. 2017. Т. 10. № 4. Р. 32-40.
  • Yongqiang C. et al. Application of intelligent technology in animal husbandry and aquaculture industry // 14th International Conference on Computer Science & Education (ICCSE). IEEE, 2019. Р. 335-339.
  • Russakovsky O. et al. Imagenet large scale visual recognition challenge // International journal of computer vision. 2015. Т. 115. № 3. Р. 211-252.
Еще
Статья научная