В ряде отраслей аграрного производства, включая земледелие, мелиорацию и др., существуют проблемы, решение которых требует использования искусственного интеллекта. В частности, оценка мелиоративного состояния сельскохозяйственных полей на значительных площадях, является весьма трудоемкой задачей, даже при задействовании беспилотных летательных аппаратов. Для автоматизации этих интеллектуальных подходов эффективно применять искусственные нейронные сети (ИНС), реализуемые в виде компьютерных программ. Использование программного обеспечения, как услуги (SaaS), является современным подходом к компьютерной поддержке различных интеллектуальных процессов производства, включая сельскохозяйственное. Сельское хозяйство является перспективной отраслью для внедрения таких технологий. Цель исследования - разработка методики и создание облачной SaaS-системы для выявления проблемных участков сельскохозяйственных полей с помощью ИНС. Развитие нейросетевых технологий и облачных сервисов позволяет обрабатывать большой объем информации в облаке и обеспечивать доступ пользователя к вычислительным мощностям. В статье описывается методология построения сервисной архитектуры для распознавания проблемных зон культивированных сельскохозяйственных полей, подготовки данных, обучения сети, разработки клиентской и серверной частей. Такая реализация возможна с применением таких технологий и инструментария, как CUDA, CNN, PyTorch. В результате решена задача распознавания RGB-изображений дефектных зон сельскохозяйственных полей. Установлено, что ИНС классификационного типа способны решать задачи распознавания мелиоративного состояния полей, а современные информационные технологии позволяют перенести вычисления в облако, при этом облачный сервис можно монетизировать в качестве модели SaaS.

Ключевые слова: сельское хозяйство, цветные изображения, SaaS-система, искусственная нейронная сеть, классификация изображений

05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.18 - Математическое моделирование, численные методы и комплексы программ

Для решения проблем аграрного производства могут применяться методы искусственного интеллекта. Оценка состояния посевов сельскохозяйственных культур на значительных площадях, даже при задействовании беспилотных летательных аппаратов, является трудоемкой задачей. Особенностью задачи такой оценки является многофакторность анализируемых структур, требующих применения системного подхода на всех этапах исследования от формирования баз данных (БД) цветных изображений до интеллектуального решения задач их анализа. Представлены результаты анализа U-net архитектуры искусственных нейронных сетей (ИНС) и ее ограниченности для задачи сегментации изображений. Целью исследования является обоснование архитектуры разработки сегментационной искусственной нейросети (ИНС) для выявления проблемных участков сельскохозяйственных полей. Проверка гипотезы преимущества сегментационной сети проводилась на архитектуре DeepLabV3 ResNet50. Численными экспериментами установлено, что повышение точности сегментации изображений участков сельскохозяйственных полей сдерживается ограниченным разрешением и точностью ручной разметки dataset. Построенные архитектуры могут использоваться в качестве алгоритмического ядра для создания SaaS-систем, при этом быстродействие используемой конфигурации ИНС может иметь решающее значение.

Ключевые слова: сельское хозяйство, цветные изображения, SaaS-система, искусственная нейронная сеть, классификация изображений

05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.18 - Математическое моделирование, численные методы и комплексы программ