Клубни картофеля выбракуют, как человеческие лица

Клубни картофеля выбракуют, как человеческие лица

    Гатауллин Сергей Тимурович

    Гатауллин Сергей Тимурович
    Финансовый университет при Правительстве РФ
    Зам. декана факультета информационных технологий и анализа больших данных по международным проектам


Цифровизация всё больше уподобляет агротехнику точной науке


Всё более угрожающие перспективы глобального продовольственного кризиса требуют от российских аграриев не только своевременно завершать посевные работы, но и внедрять высокопроизводительные цифровые технологии. Инженерные разработки «компьютерного «зрения» для сельского хозяйства среди новейших отечественных технологий, повышающих конкурентные преимущества на мировом рынке.

СХОДСТВО КЛУБНЕЙ И ЛИЦ

Любопытно: для детектора некондиционных клубней картофеля на конвейерной ленте был использованы методы, зарекомендовавшие себя в распознавании человеческих лиц по общему принципу сканирующего окна. Это методы применения к  «визуальным словам» нейросетевых архитектур R-CNN, Fast R-CNN, Faster R-CNN и Виолы-Джонса относят к одним из лучших по соотношению эффективности и скорости.

В цифровом сельском хозяйстве системы «компьютерного зрения» всё шире используются в автоматизации определения и статистики ключевых параметров в растениеводстве (спелость, болезни, сорняки, вредители и т.п.) и животноводстве (местоположение и др.). Задача идентификации больных или механически поврежденных плодов на транспортных системах (конвейерных лентах, барабанах, турбинах и т.д.) успешно решается с помощью алгоритмов, обеспечивающих обработку изображений.

При работе с такими изображениями следует учитывать, что не вся их площадь пригодна для обработки: есть статические детали, которые мешают отслеживать корнеплоды. Подобные детали можно отсеять специальными алгоритмами, включая методы межкадровой разности и отличий фона по Гауссу, алгоритм извлечения фона ViBe и его расширенную версию ViBe+. Обрабатывать неполные изображения позволяют сверточная сеть с пространственным графом (SGCN), метод на архитектуре U-Net и локальный дескриптор, основанный на нескольких сетках и подходе уменьшения размерности.

ПОБЕДА НАД БРАКОМ

Решения с быстрыми алгоритмами в системах компьютерного зрения, предназначенные для оценки состояния корнеплодов, сравнительно немного. На данном этапе развития технологий компьютерного зрения классификация объектов уже не является проблемой. Свеклоуборочный комбайн представляет собой очень сложную машину, состоящую из нескольких узлов, каждый из которых в отдельности обеспечивает общее качество продукта.

Также система «компьютерного зрения» может обеспечить точную настройку этих блоков в режиме реального времени. Разработанный метод позволил классифицировать изображения корнеплодов, ранее отбракованных. Использование такого алгоритма в сочетании с бортовым компьютером комбайна позволяет значительно снизить количество повреждений урожая.

Подобные новейшие решения в области эффективных детекторов и методов классификации признаков в точном земледелии представлены в публикации в научном журнале IEEE Access. Группа разработчиков, возглавляемая Алексеем Осиповым, руководителем Департамента информационной безопасности Финансового университета, включала учёных Государственного университета управления и Московского политехнического университета (Россия), Warsaw University of Life Sciences SGGW (Польша).

#наука #технологии #продовольствие #финансовый_университет #цифровизация