Мобильная часть когнитивного модуля и его программное обеспечение предназначены для обработки потока фото- и видеоданных. При этом создаются датасеты, используемые в системах искусственного интеллекта на базе сегментарных моделей нейронных сетей глубокого обучения. В работе приведены результаты разработки алгоритмов машинного обучения и функционирования нейросети мобильной части когнитивного модуля роботизированной системы тепличного растениеводства и программного обеспечения для реализации разработанных алгоритмов. Представленная разработка основана на методе распараллеливания потоков видеозахвата. Тренировка нейронных сетей для определения применимости методов распознавания осуществлена средствами DIGITS с использованием фреймворка Caffe. Координатная привязка реализована на основе команды оператора о захвате сенсорами фиксируемого объекта с автоматическим определением его положения по координатам, получаемым от энкодера. Результаты сохраняются в файловой системе каталогов изображений с указанием координат пространственной привязки объектов фиксации в имени файлов.
1. Паспорт Национальной программы «Цифровая экономика Российской Федерации»: утв. президиумом Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам (протокол от 24 декабря 2018 г. № 16) // Правительство России [Электронный ресурс]. URL: http://static.government.ru/media/files/urKHm0gTPPnzJlaKw3M5cNLo6gczMkPF.pdf (дата обращения: 05.10.2022).
2. Ведомственный проект «Цифровое сельское хозяйство» / А. В. Гордеев, Д. Н. Патрушев, И. В. Лебедев и др. М.: Росинформагротех, 2019. 48 с.
3. Machine learning and artificial intelligence: definitions, applications, and future direc-tions / J. M. Helm, A. M. Swiergosz, H. S. Haeberle et al. // Curr. Rev. Musculoskelet. Med. 2020. Vol. 13. P. 69–76. https://doi.org/10.1007/s12178-020-09600-8
4. Развитие искусственного интеллекта // Министерство экономического развития Российской Федерации [Электронный ресурс]. URL: https://www.economy.gov.ru/material/departments/d01/razvitie_iskusstvennogo_intellekta/ (дата обращения: 21.04.2022).
5. Dokic K., Blaskovic L., Mandusic D. From machine learning to deep learning in agricul-ture – the quantitative review of trends // IOP Conf. Ser.: Earth Environ. Sci. 2020. Vol. 614. Art. ID: 012138. https://doi.org/10.1088/1755-1315/614/1/012138
6. Computer vision technology in agricultural automation – a review / H. Tian, T. Wang, Y. Liu et al. // Information Processing in Agriculture. 2020. Vol. 7. Iss. 1. P. 1–19. https://doi.org/10.1016/j.inpa.2019.09.006
7. Prediction of end-of-season tuber yield and tuber set in potatoes using in-season UAV-based hyperspectral imagery and machine learning / C. Sun, L. Feng, Z. Zhang et al. // Sensors. 2020. Vol. 20 (18). Art. No. 5293. https://doi.org/10.3390/s20185293
8. Алферьев Д. А. Практика реализации сверточных нейронных сетей в сельском хо-зяйстве и агропромышленном комплексе // АгроЗооТехника [сетевое изд.]. 2020. Т. 3. № 2. С. 1–10. https://doi.org/10.15838/alt.2020.3.2.4 URL: http://azt-journal.ru/article/28585 (дата обращения: 05.10.2022).
9. Hamuda E., Glavin M., Jones E. A survey of image processing techniques for plant ex-traction and segmentation in the field // Computers and Electronics in Agriculture. 2016. Vol. 125. P. 184–199. https://doi.org/10.1016/j.compag.2016.04.024
10. Ahmad M., Abdullah M., Moon H., Han D. Plant disease detection in imbalanced da-tasets using efficient convolutional neural networks with stepwise transfer learning // IEEE Ac-cess. 2021. Vol. 9. P. 140565–140580. https://doi.org/10.1109/ACCESS.2021.3119655
11. A patch-image based classification approach for detection of weeds in sugar beet crop / S. I. Moazzam, U. S. Khan, W. S. Qureshi et al. // IEEE Access. 2021. Vol. 9. P. 121698–121715. https://doi.org/10.1109/ACCESS.2021.3109015
12. Abdulridha J., Ampatzidis Y., Kakarla S. C., Roberts P. Detection of target spot and bacterial spot diseases in tomato using UAV-based and benchtop-based hyperspectral imaging techniques // Precision Agric. 2020. Vol. 21. P. 955–978. https://doi.org/10.1007/s11119-019-09703-4
13. Кирьянов А. А., Беневоленский С. Б., Бельченко И. К. Автоматизация процессов ухода за растениями на базе технологии машинного зрения // Инноватика и экспертиза: научные труды. 2021. № 2 (32). С. 151–160. https://doi.org/10.35264/1996-2274-2021-2-151-160
14. Кирьянов А. А., Беневоленский С. Б., Бельченко И. К. Повышение эффективности автоматического ухода за сельскохозяйственными культурами на основе применения ма-шинного зрения и методов искусственного интеллекта // Наноиндустрия. 2021. Т. 14. № S7 (107). С. 650–651. https://doi.org/10.22184/1993-8578.2021.14.7s.650.651
15. Кирьянов А. А., Беневоленский С. Б. Программно-аппаратный комплекс для рас-тениеводства с использованием искусственного интеллекта // Современные тенденции развития науки и мирового сообщества в эпоху цифровизации: сб. материалов V Между-нар. науч.-практ. конф. (Москва, 11 марта 2022 г.). М.: ИП Овчинников Михаил Артуро-вич, 2022. С. 51–55. https://doi.org/10.34755/IROK.2022.12.94.098
16. Кирьянов А. А., Беневоленский С. Б., Бельченко И. К. Применение машинного зрения и методов искусственного интеллекта в роботизированной системе ухода за расте-ниями // Наноиндустрия. 2022. Т. 15. № S8-2 (113). С. 481–488. https://doi.org/10.22184/1993-8578.2022.15.8s.481.488
17. Krizhevsky A., Sutskever I., Hinton G. I. ImageNet classification with deep convolu-tional neural networks // Proc. 25th International Conf. Neural Inf. Process. Syst. (NIPS’12). Vol. 1. Red Hook, NY: Curran Associates Inc., 2012. P. 1097–1105.