Специалисты Института экологической и сельскохозяйственной биологии (X-BIO) Тюменского госуниверситета исследуют нейросети для создания интеллектуальных систем поддержки принятия решений на умной сельскохозяйственной ферме по выращиванию земляники садовой.
Результатами исследования учёные поделились в статье «Нейросети компьютерного зрения в системах поддержки принятия решений на умной ферме», опубликованной в «Вестнике российской сельскохозяйственной науки». Они считают, что система на базе компьютерного зрения поможет не только сохранить урожай, но и давать подсказки, как правильно организовать уход за растениями.
Алексей Прохошин, руководитель лаборатории сельскохозяйственной микологии и биологической защиты растений Института X-BIO ТюмГУ, рассказал нам, как цифровые технологии могут изменить современные сити-фермы.
Искусственный интеллект учат на «чистых» данных
— Чем ваша умная система для мониторинга клубники отличается от решений, которые уже есть на рынке?
— Мы не стремимся с кем-то конкурировать. Мы решаем в первую очередь научные задачи и набираем базу данных, которую можно использовать в исследовательских целях. Обучить нейросеть диагностике заболеваний по открытым источникам можно достаточно быстро. Однако наша база данных одна из самых точных, поскольку состоит из проверенной информации. Наши растения изначально «чистые», так как их выращивали с соблюдением всех нужных для этого условий. Как известно, чем выше качество данных, тем точнее решение на основе ИИ.
— Как вы получаете эти данные для обучения нейросети?
— При ТюмГУ есть собственный агротехбиокомплекс, который состоит из нескольких чистых зон. Там есть зона микроклонального размножения и зона выращивания растений в специальных камерах — фитотронах, где мы можем контролировать около 40 параметров, от температуры питательного раствора до спектра света. Здесь проводят разные эксперименты, в частности по исследованию фузариоза. Для выявления заболеваний используют как визуальный осмотр, так и мультиспектральные камеры, которые обнаруживают первые признаки грибной инфекции. Это позволяет проводить диагностику на месте.
— Вам удалось создать цифровые двойники лабораторных растений?
На каждое растение в лаборатории заведён паспорт объекта, ему присвоен QR-код, поэтому мы имеем возможность проследить всю историю растения с момента посадки. Процесс сбора информации автоматизирован. Так мы создаём банк данных. Благодаря банку данных у учёных есть возможность установить, как, например, при использовании различных средств защиты меняется эффективность фотосинтеза растений.
Из данных, полученных в ходе научных экспериментов, мы формируем собственную базу данных, на основе которой обучаем нейросеть для интеллектуальной системы, которая может мониторить состояние растений благодаря различным сенсорам. Мы планируем с помощью мультигиперспектральных камер агрегировать дата-сеты, которые помогут распознавать по определённым признакам заболевания и вредителей. Мы пытаемся роботизировать этот процесс, чтобы сбор данных происходил в автоматизированном режиме, без присутствия человека. С помощью обученных нейросетей можно будет ставить диагноз или определять размер и степень зрелости ягод.
— Сколько времени у вас ушло на сбор данных для интеллектуальной системы?
— Лаборатория существует уже три года. С тех пор увеличилось количество сенсоров и их качество. Однако для нейросетей не требуются фото и видео с большим разрешением. Количество мегапикселей мало влияет на точность распознавания, важно в первую очередь количество снимков. Сейчас в нашей базе данных около 10 тысяч фотоизображений. Перед обучением нейросетей мы провели тщательный отбор снимков и аннотировали каждый. Особое внимание мы уделяли признакам заболевания, проводя дополнительную проверку, чтобы убедиться, что мы действительно имеем дело с ними. Делают это в лабораторных условиях с помощью ПЦР-теста для вирусных инфекций и посева для инфекций бактериальных. Если нужно — обращаемся за помощью к коллегам в смежные лаборатории. Базовую предобученную модель мы можем продолжать обучать на определенных сортах культуры. Для этого необходимо не менее месяца, но за счёт этого точность распознавания улучшится.
Умная система посоветует средство от вредителей и болезней
— Чем ваша система помогает владельцам тепличных хозяйств?
— Наша программа автоматизирует сбор данных и принятие решений. Человеку в теплице площадью несколько гектаров уже не нужно будет искать растения с признаками поражения, делать фото, отправлять специалисту. В нашей системе каждый кадр привязан к координатам растения. После диагностики система ставит предварительный диагноз. В дальнейшем нейросеть, построив математическую модель, будет предлагать конкретные рекомендации. Они будут учитывать много факторов, даже то, какой тип технологии применяет производитель. Если это органические методы выращивания растений, система предложит только биопрепараты или использование энтомофагов. Мы планируем включить в банк данных отечественные средства защиты растений, доступные на рынке. Такие подсказки будут полезны тепличникам и сити-фермерам.
— Компьютерные программы для распознавания признаков болезней не всегда выдают верный результат. Насколько точна ваша система?
— Действительно, достигнуть 100-процентной точности распознавания того или иного заболевания растений очень сложно. Ведь невозможно только по кожным покровам человека точно установить болезнь внутренних органов. Кроме того, ряд болезней растений требуют деструктивного метода диагностики, проще говоря, растение нужно сорвать и исследовать образец в лаборатории. Тем не менее, нам удалось сформировать классификатор заболеваний, который позволяет с высокой точностью их диагностировать. Ведь наша база данных продолжает пополняться.
Кстати, мы сравнивали нашу систему с ChatGPT, к которому обращаются за подсказками садоводы. Пришли к выводу, что ChatGPT справляется с вопросами массовых пользователей, но в том, что касается точных подсчётов, он уступает нашей системе. ChatGPT, например, заметил некоторые признаки заболевания и даже предложил способы его лечения, но не смог определить правильное количество ягод на кустах. Так что в области прогнозов он не может быть точным.
— Ваша система умеет определять степень зрелости ягод и делать прогноз урожайности. Сейчас производители выращивают множество разных сортов клубники, данные о них уже заложены в систему?
— Да, у каждого сорта есть свои особенности, мы вносим параметры из описания сорта в нашу систему. Отталкиваясь от данных, указанных разработчиками сорта, мы можем прогнозировать среднюю урожайность.
— Что хуже всего поддаётся автоматизации при выращивании земляники садовой?
— Наверное, непосредственно уход за растениями, так как для этого всё равно требуется ручной труд. В идеале, конечно, человека можно заменить роботизированными механизмами, но себестоимость и окупаемость решения будет неоправданно высоки.
— Тестировали ли вы работу системы за пределами лаборатории?
— У нас есть партнёры среди тепличных хозяйств (АО «Тепличное» в Екатеринбурге) и сити-фермеров (производители клубники «Академия ягоды» в Тюмени). На базе их хозяйств мы проводим пилотирование и узнаём у фермеров, какие они выявили недостатки и как необходимо доработать продукт.
