О ТЕХНОЛОГИЯХ МАШИННОГО ЗРЕНИЯ В СЕЛЬСКОМ ХОЗЯЙСТВЕ

ABOUT COMPUTER VISION TECHNOLOGIES IN AGRICULTURE

В настоящее время население Земли составляет свыше 7,3 млрд человек. По прогнозам ООН, оно может достигнуть 9,7 млрд к 2050 году, а к 2100 году предположительно превысит 11 млрд [4]. С другой стороны, учёные бьют тревогу, заявляя об угрозах и последствиях глобального потепления. Неуклонный рост населения на фоне нестабильной природной обстановки может привести к тому, что многим не хватит продовольствия. Таким образом, в будущем может возникнуть проблема обеспечения населения планеты продуктами питания. По мнению специалистов различных областей знаний, значимая роль в решении этой проблемы отводится информационным технологиям.

Информатизация процессов в сельском хозяйстве позволяет достичь большей эффективности и рентабельности за счет повышения урожайности и снижения эксплуатационных расходов. На данный момент в сельском хозяйстве используются различные технологии автоматизации, но машинное зрение лежит в основе многих последних технологических разработок в растениеводстве и животноводстве. Машинное зрение является одним из наиболее перспективных методов автоматизации действий с применением компьютерных технологий и робототехники. Системы машинного зрения представляют собой преобразование данных, поступающих с устройств захвата изображения, с выполнением дальнейших операций на основе этих данных [9, c.752].

Система машинного зрения состоит из двух компонентов: камеры и программного обеспечения. Как правило, камеры машинного зрения делятся на:

  • камеры специального назначения (например, скоростные камеры).
  • тепловизоры (камеры для съемки изображений в инфракрасном диапазоне волн).
  • камеры машинного зрения (камеры, передающие видео без потерь в качестве).

  В качестве программного обеспечения разработаны библиотеки компьютерного зрения. Одной из самых популярных библиотек компьютерного зрения является OpenCV.

 OpenCV (Open Source Computer Vision Library) — это библиотека компьютерного зрения, которая поставляется с открытым исходным программным кодом. OpenCV была создана для обеспечения общей инфраструктуры для приложений компьютерного зрения и ускорения использования машинного зрения в коммерческих продуктах.

Библиотека насчитывает более 2500 оптимизированных алгоритмов, которые включают в себя полный набор как классических, так и современных алгоритмов компьютерного зрения и машинного обучения. Эти алгоритмы могут использоваться для обнаружения и распознавания лиц, идентификации объектов, классификации действий человека в видео, отслеживания движений камеры, отслеживания движущихся объектов, извлечения 3D-моделей объектов, сшивания изображений для получения изображения с высоким разрешением всей сцены, отслеживания движений глаз, распознавания пейзажа и установки маркеров для наложения на него дополненной реальности.

Библиотека OpenCV  имеет C++, Python, Java и MATLAB интерфейсы и поддерживает Windows, Linux, Android и Mac OS. OpenCV используется в основном к приложениям с функцией машинного зрения в реальном времени. В настоящее время активно разрабатываются полнофункциональные интерфейсы CUDA и OpenCL. Существует более 500 алгоритмов и примерно в 10 раз больше функций, которые составляют или поддерживают эти алгоритмы. OpenCV написана изначально на C++ и имеет шаблонный интерфейс, который легко работает с контейнерами STL [2, c.1024].

Машинное зрение в сельском хозяйстве является передовой технологией, показывающей, насколько эффективно можно использовать имеющиеся ресурсы. Существует огромное количество аграрных предприятий, в бюджете которых большую долю расходов составляют расходы на защиту сельскохозяйственных культур. Каждый предприниматель стремится минимизировать расходы и увеличить прибыль. Одной из составляющих мероприятий по защите сельскохозяйственных культур является опрыскивание. Задачей опрыскивания прежде всего является внедрение регуляторов роста растения и средств защиты. На сегодняшний день используются различные виды опрыскивателей для внесения химикатов, самыми популярными из которых являются тракторные (навесные и прицепные). Но у них есть ряд недостатков: низкая скорость обработки сельскохозяйственных угодий, а также порча растений при передвижении. Более дорогой метод опрыскивания – использование самолетов и вертолетов. К его недостаткам можно отнести высокие затраты на аренду дорогостоящей техники, а также сброс химикатов с определенного расстояния, вследствие чего продукт может распределяться неравномерно под влиянием ветра и попадать на соседние дороги, жилища, пастбища.

Оптимизировать процесс обработки земель можно с помощью беспилотных устройств с функцией опрыскивания. Такие устройства имеют отличительные преимущества: они автономны, могут совершать полет на небольшой высоте, что существенно увеличивает точность зонального опрыскивания, возможность переносить на борту до 50 литров химикатов [8, c.769]. Функционально такие устройства могут обладать машинным зрением, которое позволит следить за передвижением и управлять маневрированием самого летательного аппарата.

В сельском хозяйстве машинное зрение используется для мониторинга и контроля качества продукции. Обычные методы ручного контроля партии сельхоз продукции в большинстве случаев довольно трудоемки и громоздки, а также точность такого контроля не может быть гарантирована. Отличительной особенностью машинного зрения является способность видеть в различных диапазонах, недоступных человеческому глазу (ультрафиолетовом, инфракрасном и ближнем инфракрасном). Информация об объекте в таком срезе может быть полезна для определения тепла, отдаваемого зрелому растению, диагностики болезней растений, а также определение сорта, степени зрелости и качества растений и овощей.

Визуальный контроль (сортировка) качества плодов проводится с двумя целями: оценка качества и выявление дефектов. Первые исследования в этой области были проведены на яблоках, после распространились на другие фрукты. Визуальная система может классифицировать формы, находя дефекты и сортируя плоды по заданным критериям. Цвет, форма, текстура и размер являются основными факторами в контроле качества. Большинство алгоритмов основаны на системе RGB. Благодаря визуальному контролю можно производить автоматизированную сортировку плодов по размеру, качеству (отсекая деформированные плоды), а также по уровню зрелости плода (разделяя красные и зеленые томаты) [1, c.433].

Так английская компания "Dogtooth Technologies" использует технологии компьютерного зрения для определения спелых ягод и машинного обучения для разработки эффективных стратегий сбора клубники. Цвет ягод является главным показателем спелости, поэтому ошибки систем компьютерного зрения маловероятны. Ориентация в пространстве происходит с помощью высокоточных координат GPS. Компания "Dogtooth Technologies" была основана как кембриджский технологический стартап, является производителем и поставщиком роботов по сбору клубники. Роботы способны к автономной навигации вдоль рядов урожая, обнаружению и сбору спелых фруктов, сортировке собранных ягод и упаковке [6].

Благодаря использованию роботов и технологий искусственного интеллекта нет необходимости для найма рабочей силы, обладающих преимуществами:

  • сортировки и контроля качества на месте без повторной обработки;
  • сбора в ночное время, когда температура ниже срока хранения собранных фруктов и ягод;
  • сбора и анализа данных для точного управления растениеводством с целью оптимизации урожайности, качества и маркетинга;
  • интеллектуального мониторинга и анализа состояния фермерских хозяйств, а также лесных животных и продуктов леса.

Благодаря машинному зрению появилась возможность автоматической идентификации и подсчету животных, такой вид интеллектуального видеонаблюдения может быть необходимым с целью контроля за пастбищами, для выявления хищных диких животных, удобство технологии заключается в возможности использования не только в дневное, но и в ночное время. Наличие оповещений о приближении хищного/неизвестного животного может сохранить поголовье скота от потерь.

Помимо контроля качества и автоматизированной сортировки для целей мониторинга машинное зрение в сельском хозяйстве может применяться для распознавания заболеваний культур: как на микроуровне, по снимкам листьев и растений крупным планом, так и на макроуровне, выявляя ранние признаки заболеваний растений или распространения вредителей по данным аэрофотосъёмки. Благодаря технологии распознавания изображений, появилась идея диагностики по фото. В онлайн-сервисе «PlantVillage» сформирована база фотографий здоровых и больных растений - более 50 тысяч фотографий. Целью сервиса является онлайн работа приложения, куда фермер мог бы загрузить фото больного растения, а с помощью алгоритма анализа изображений был бы автоматически определен диагноз. Аграрии тратят много денег и времени на диагностику болезней, а искусственный интеллект сможет намного эффективнее определить и решить проблему [7].

Концепция точного земледелия также включает в себя использование роботизированной сельскохозяйственной техники. Российской компанией "Cognitive Technologies" был разработан робот "Cognitive Agro Pilot", который обеспечивает автономное управление сельскохозяйственной техникой со скоростью движения до 15 км/ч, в качестве техники может использоваться трактор, опрыскиватель, комбайн. Основной технологией системы является машинное зрение - анализ изображений, поступающих с бортовых видеокамер. Система способна распознавать объекты на пути следования, строить траектории и давать управляющие команды для выполнения необходимых маневров [5].  Механизированная обработка почвы или уборка урожая является важным технологическим процессом, который включает в себя большое количество задач.

С развитием возможностей беспилотной техники и технологий по распознаванию окружающей среды и способности на нее реагировать они станут способны автономно осуществлять мониторинг условий выращивания сельскохозяйственных культур. Это позволит производителям своевременно реагировать на неожиданные вспышки болезней, появления вредителей или неблагоприятные условия окружающей среды.

Несомненно, масштабное применение подобных нововведений требует значительного финансирования со стороны аграриев, а также нуждается в тестировании, так как встает вопрос о полноте, достоверности, степени интерпретации данных, на основании которых системы, обладающие искусственным интеллектом, в частности, машинным зрением, будут принимать автономно те или иные решения в сельском хозяйстве и дикой природе.

Использованные источники: 

  1. Billingsley J. Machine vision in agriculture / Encyclopedia of Agrophysics, – Изд.: Springer Science+Business Media B.V., 2011.
  2. Bradski G.R. Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library / Dr. Gary Rost Bradski, Adrian Kaehler – Изд.: O'Reilly Media, Inc., 2017.
  3. Russell, Stuart J.; Norvig, Peter (2009). Artificial Intelligence: A Modern Approach.
  4. Официальный сайт компании «BBC Russia». Сколько же людей способна выдержать планета Земля? - URL: https://www.bbc.com/russian/science/2016/04/160411_vert_ear_how_many_people_can_our_planet_support (дата обращения: 29.09.2019)
  5. Официальный сайт компании «Cognitive Technologies». - URL: http://cognitivepilot.com/ (дата обращения: 22.05.2019)
  6. Официальный сайт компании «Dogtooth Technologies» - URL: https://dogtooth.tech (дата обращения: 29.09.2019)
  7. Официальный сайт компании «PlantVillage» - URL: https://plantvillage.psu.edu/ (дата обращения: 29.09.2019)
  8. Пыжиков А.Н., Лебедев Д.В. Опрыскивание и применение оптоэлектронного метода для сельскохозяйственных культур с помощью беспилотной авиации. Кубанский государственный университет/ Научное обеспечение агропромышленного комплекса: материалы Всерос. науч.-практ. конф. молодых ученых (26-28 ноября 2013г. и 2-4 декабря 2014г.). – Краснодар, КубГАУ, 2014.
  9. Шапиро Л. Компьютерное зрение / Л. Шапиро, Дж. Стокман – М., Изд.: Лаборатория знаний, 2006.
  10. Шваб К. Четвертая промышленная революция // Изд.: ЭКСМО. 2016.