Электронный аграрий зорче крестьянина

Резкие сложные движения не помеха остроте «киберзрения»

Системы «компьютерного зрения», используемые в сельском хозяйстве, должны быть максимально адаптивными и легко интегрироваться в производственные процессы. Нам удалось преодолеть основное ограничение использования таких оптических методов − размытие изображения в рабочих условиях, возникающее в результате вибраций рабочих органов сельскохозяйственных машин, передаваемых на оптическую систему камеры.

КОФЕЙНЫЙ ОПЫТ

Благодаря разработанным нами методам применение «компьютерного зрения не будет вводить дополнительных ограничений на скорости работы и расположение агрегатов сельхозтехники, чтобы сохранять максимальную результативность распознавания. На примере кофейных зерен была разработан алгоритм на основе глубоких нейронных сетей, который показал хорошие результаты при небольшом размытии границ зёрен. Однако при значительном размытии изображений этот метод не дает удовлетворительных результатов.

Другие исследователи часто упоминают сочетание архитектур типа YOLO и GAN. Таким образом, модель YOLOv4, сочетающая «механизм внимания» и DeblurGanv2, используется для распознавания жестов в реальном времени. Методы устранения размытия для задач дистанционного зондирования включают двухэтапную структуру устранения размытия и обнаружения объектов, использование уменьшенной версии модели генеративной состязательной сети для устранения размытия и детектор YOLOv2.

Работа посвящена Deblur-YOLO − детектору объектов в реальном времени с эффективным устранением размытия движения. Методы, основанные на архитектуре YOLO, в настоящее время лучше всего подходят для выявления повреждений сахарной свеклы с помощью цифровых камер, установленных на комбайне, проанализированы в данной работе.

ЗОРЧЕ ЧЕЛОВЕКА

Решений с быстрыми алгоритмами в системах компьютерного зрения, предназначенных для оценки состояния корнеплодов, сравнительно немного. На данном этапе развития технологий компьютерного зрения классификация объектов уже не является проблемой. Сверточные нейронные сети, «деревья решений» и другие методы начали превосходить ряд возможностей людского взора несколько лет назад.

Однако мы обратили внимание на некоторые ограничения этих методов, связанные с их применением в реальных условиях уборки урожая. Свеклоуборочный комбайн представляет собой очень сложную машину, состоящую из нескольких узлов, каждый из которых в отдельности обеспечивает общее качество продукта. Система компьютерного зрения может обеспечить точную настройку этих блоков в режиме реального времени.

На этапе предобработки были исключены статические и малозначащие детали изображения детектором краев Кэнни и методом избыток зеленого минус избыток красного. В результате количество изображений до бинаризации Оцу сократилось вдвое. Основной этап обработки изображения делится на два подэтапа: обнаружение и классификация.

ТОЧНО «В ЯБЛОЧКО»

Для обнаружения был выбран усовершенствованный метод YOLOv4-tiny. Для классификации использовали HOG (SIFT)-BoVW-SVM и CNN.YOLOv4-tiny позволяет обрабатывать до 14 изображений размером 416 × 416 пикселей с точностью 86% и полнотой 91%. При нормальном освещении CNN показал лучшие результаты, которые составили 99% в зависимости от класса повреждения. Для обнаружения и классификации размытых изображений точность YOLOv4-tiny составила 74%, а полнота — 70%. Точность классификации CNN составила 92,6%.

В этом международном исследовании приняли участие ученые из Государственного университета управления (Россия), Московского политехнического университета, Warsaw University of Life Sciences—SGGW (Poland). Владимир Соловьев, профессор Финансового университета, отмечает: «Успешный опыт применения современных алгоритмов компьютерного зрения для идентификации яблок на дереве, подробности научного исследования доложены мной на Международном симпозиуме по нейросетевым технологиям Advances in Neural Networks – ISNN 2020».

Перечисленные методы позволяют обнаруживать и классифицировать размытые изображения сахарной свеклы, которые ранее были отклонены. Разработанный метод позволил классифицировать изображения корнеплодов, ранее отбракованных. Использование такого алгоритма в сочетании с бортовым компьютером комбайна позволяет значительно снизить количество повреждений урожая.

#сельское_хозяйство #алгоритм #наука #нейросети #компьютерное_зрение