Ученые Школы компьютерных наук ТюмГУ разработали методы для поиска решений, возникающих при эксплуатации умных ферм: неисправности оборудования, болезни растений, недостаток их питания.
В ТюмГУ нашли решения для эксплуатации «умных» ферм / © Getty images
Цифровизация сельского хозяйства и агропромышленного комплекса в целом с применением методов искусственного интеллекта стала одним из трендов развития отрасли в последние годы. Примерами того, как современное сельскохозяйственное предприятие становится сложным, высокотехнологическим комплексом с высоким уровнем автоматизации рабочих процессов могут служить городские фермы (контейнерные, вертикальные Сити-фермы), умные фермы и аквафермы (smart farms).
Несмотря на широкое применение технологий мониторинга и анализа данных в работе таких высокотехнологических комплексов не исключается возникновение нештатных ситуаций, которые могут быть связаны как с болезнями растений или животных, так и с поломками оборудования, авариями.
Для обнаружения и распознавания болезней растений свою эффективность уже показали искусственные нейросети, в частности, глубокие сверточные сети, которые работают в составе систем видеонаблюдения. Однако, обнаруживая проблему, такие нейросети не предлагают ответов, что и как делать, чтобы устранить ее.
Статья «Сравнение и отбор ситуаций в системах вывода решений на прецедентах для «умной» фермы» ученых ШКН ТюмГУ Игоря и Дмитрия Глухих, Алексея Прохошина вышла в журнале «Информатика и автоматизация». В статье рассмотрено использование CBR-метода с представлением ситуаций посредством векторов, которые содержат в себе информацию о состояниях элементов и значений оцениваемых параметров, применительно к задачам ситуационного вывода решений при эксплуатации умной фермы.
Проведенные эксперименты показали работоспособность предложенных моделей, на основе чего разработана ансамблевая архитектура нейросети для сравнения ситуаций и их отбора из базы знаний в процессах вывода решений. Применение нейросетей для количественной оценки схожести ситуаций позволяет отказаться от трудоемких задач экспертного оценивания ситуаций, разработки критериев и алгоритмов их сравнения в сложных условиях, в том числе, при неточных данных для идентификации ситуации, при необходимости применения локальных метрик схожести и динамичности весов относительной важности этих метрик.
Для применения предлагаемого подхода и разработанных моделей важным становится вопрос идентификации ситуаций, что связано с классификацией состояний компонентов умной фермы по собираемым данным. Практический интерес представляет мониторинг состояния растений по их видео-, фотоизображениям, что позволяет обнаруживать их болезни.
Результаты исследования могут найти применение для разработки баз знаний и систем поддержки принятия решений в сложных ситуациях, возникающих при эксплуатации умных ферм (неисправности оборудования, болезни растений, недостатки питания и так далее).
Можно ожидать, что применение подобных систем будет способствовать повышению оперативности и качества принимаемых решений, а также менять требования к компетенциям специалистов и обслуживающего персонала умной фермы, смещая их профиль в сторону цифровых технологий.
