CC BY
59
ТЕХНОЛОГИИ И ТЕХНИЧЕСКИЕ СРЕДСТВА ПРОИЗВОДСТВА ПРОДУКЦИИ ЖИВОТНОВОДСТВА
УДК 636.08.003
АНАЛИЗ СИСТЕМ ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ В СЕЛЬСКОМ
ХОЗЯЙСТВЕ
И.Е. Плаксин канд. техн. наук; А.В. Трифанов канд. техн. наук
Институт агроинженерных и экологических проблем сельскохозяйственного производства (ИАЭП) - филиал ФГБНУ ФНАЦ ВИМ, Санкт-Петербург, Россия
По прогнозам на 2050 год численность населения планеты достигнет 9,7 миллиарда человек, что приведет к увеличению потребности в продовольствии в 1,7 раза по сравнению с потреблением на сегодняшний день. Данная тенденция обосновывает необходимость в разработке современных технико-технологических решений, обеспечивающих повышение эффективности производства продукции и одновременное снижение производственных издержек. Для решения данной задачи в России разработан проект, предусматривающий использование цифровых технологий на сельскохозяйственных предприятиях. Под цифровизацией понимается применение систем интеллектуального управления, в которых реализованы различные методы искусственного интеллекта, такие как экспертные системы, искусственные нейронные сети, ассоциативная память и нечеткая логика. На сегодняшний день в сельском хозяйстве активно применяется система интеллектуального управления, использующая метод экспертных систем, так как она ориентирована для работы с формами явного представления знаний. С помощью данной системы проводится диагностика, планирование и контроль процессов функционирования животноводческого оборудования, находящегося в составе робототехнических комплексов, а также решаются задачи экономической и зоотехнической оптимизации кормления животных. Также широко используется система интеллектуального управления, предусматривающая применение искусственных нейронных сетей. Преимуществом данной системы в сравнении с системой, применяющей метод экспертных систем, является быстродействие, надежность и точность управления и выполнения технологических процессов. Системы управления с применением нейросетевых структур используются для оперативного определения состояния растений и животных с последующими рекомендациями о развитии объекта. Основными недостатками представленных систем интеллектуального управления являются низкое быстродействие, необходимость больших объемов памяти для хранения данных, приблизительность получаемых ответов, поэтапность принятия решений. Решением обозначенных проблем может служить использование методов ассоциативной памяти и нечеткой логики, с помощью которых могут быть созданы универсальные подходы, обеспечивающие решение широкого класса задач, а также одновременного выполнения нескольких операций.
Ключевые слова: сельское хозяйство; искусственный интеллект; система управления; цифровизация; эффективность производства.
Для цитирования: Плаксин И.Е.,Трифанов А.В. Анализ систем интеллектуального управления в сельском хозяйстве // АгроЭкоИнженерия. 2021. № 4(109). С.82-94
APPLICATION OF INTELLECTUAL MANAGEMENT SYSTEMS IN AGRICULTURE
I.E. Plaksin Cand. Sc. (Engineering); A.V. Trifanov Cand. Sc. (Engineering)
Institute for Engineering and Environmental Problems in Agricultural Production - branch of FSAC VIM, Saint Petersburg, Russia
By 2050, the world's population is projected to reach 9.7 billion leading to a 1.7-fold increase in food demand compared to current consumption. This trend justifies the need for the development of modern technical and technological solutions that will improve the production efficiency and at the same time lower production costs. A project has been developed in Russia that provides for the use of digital technologies in agricultural enterprises to address this problem. Digitalisation refers to application of intelligent control systems that implement various methods of artificial intelligence, such as expert systems, artificial neural networks, associative memory, and fuzzy logic. Current agriculture actively applies an intelligent control system using the method of expert systems, since it is focused on working with forms of explicit knowledge representation. This system provides diagnostics, planning and control of the processes associated with livestock equipment within robotic complexes and tackles the problems of economic and zootechnical optimisation of animal feeding. An intelligent control system with artificial neural networks is also widely used. The advantage of this system against the system using the method of expert systems is the speed, reliability and accuracy of control and execution of technological processes. Control systems using neural network structures are applied to quickly determine the state of plants and animals with subsequent recommendations for the development of the object. The main disadvantages of the presented intelligent control systems are low speed, the need for large amounts of memory for data storing, the approximate answers received, and phased decision making. The solution to these problems can be the use of associative memory and fuzzy logic methods, which can help to create universal approaches to a wide range of problems and to execute several operations simultaneously.
Key words: agriculture; artificial intelligence; control system; digitalization; production efficiency.
For citation: Plaksin I.E., Trifanov A.V. Application of intellectual management systems in agriculture. AgroEkoInzheneriya. 2021. No. 4(109): 82- 94 (In Russian)
Введение
Население мира, численность которого, по оценке на 2019 году составила 7,7 млрд человек, продолжает расти, хотя и меньшими темпами. Предполагается, что население будет увеличиваться и далее, к 2050 году достигнет порядка 9,7 млрд человек, а к концу столетия увеличится примерно до 11 млрд человек. Продолжающийся рост численности населения мира и ожидаемое повышение благосостояния людей создадут дополнительную нагрузку на природные ресурсы и экосистемы [1].
Согласно данному прогнозу через тридцать лет количество потребляемого продовольствия вырастет в 1,7 раза по сравнению с аналогичным показателем на сегодняшний день. Исходя из этого формируется тенденция по кардинальной модернизации сельскохозяйственного производства, предусматривающей изменение производственных процессов с целью достижения их максимальной эффективности.
Для достижения данной цели в России Минсельхозом разработан проект «Цифровое сельское хозяйство», предусматривающий освоение и применение цифровых технологий и платформенных решений на сельскохозяйственных предприятиях, которые должны обеспечить к 2024 году технологический прорыв в АПК и рост производительности труда в 2 раза [2]
Цифровизация сельского хозяйства предусматривает разработку и применение систем интеллектуального управления, которые используют различные подходы искусственного интеллекта, такие как искусственные нейронные сети, нечёткая логика, машинное обучение, эволюционные вычисления и генетические алгоритмы.
Каждая интеллектуальная система управления сельскохозяйственным предприятием, предусматривает в себе слои переработки поступающей неопределенной информации или слои интеллектуальности:
- слой прогноза событий;
- слой самообучения и адаптации;
- слой работы с базами событий, знаний и формирования решений;
- исполнительный слой.
Каждый из указанных слоев может состоять из нескольких уровней. В исполнительном слое могут быть использованы классические модели систем автоматического управления (САУ) технологическими процессами сельскохозяйственного предприятия. Слои более высокого ранга необходимо рассматривать как модернизацию традиционных моделей, отвечающих требованиям технологии работы со знаниями и существенно расширяющих функционал используемых моделей.
Первым шагом модернизации производства на сельскохозяйственном предприятии может явятся использование баз знаний, состоящих из нескольких правил или норм. В данном случае могут отсутствовать слои самообучения и прогноза событий.
В зависимости от количества слоев различают несколько степеней интеллектуальности системы:
- система управления, функционирование которой ограничено двумя нижними слоями, имеет степень интеллектуальности в малом;
- система управления, функционирование которой предусматривает использование трех нижних слоев интеллектуальности в большом;
- система управления, функционирование которой предусматривает использование всех слоев интеллектуальности является интеллектуальной в целом.
Исходя из этого можно определить степень интеллектуальности как возможность использования системой управления различных средств борьбы с неопределенностью данных получаемых от объекта управления, либо от динамической среды животноводческого предприятия в которой работает объект управления.
Исходя из введенного понятия степени интеллектуальности сформулирована модель в виде трех уровней иерархии: стратегического, тактического, и приводного (рис.1).
Рис.1. Уровни иерархии интеллектуальных систем управления животноводческим
предприятием
Очевидно, что каждый уровень иерархии управления может иметь различную степень интеллектуальности: от интеллектуальности в малом до интеллектуальности в целом.
На стратегическом уровне необходимо иметь высокую степень интеллектуальности, что определяется набором функциональных задач по планированию целесообразного поведения сложного объекта управления. Более проблематичной, на первый взгляд, представляется интеллектуализация тактического и тем более приводного уровня.
Анализ отечественного и международного опыта показывает, что применение цифровых технологий является одним из важных факторов, обеспечивающих рост производительности труда, ресурсосбережения, устойчивость производства продукции животноводства, снижение ее потерь в процессе производства, транспортировки, хранения и реализации.
Целью данного исследования является анализ систем интеллектуального управления технологическими процессами на сельскохозяйственном предприятии с определением основных направлений применения данных систем.
Методы исследований
Для определения применяемых систем интеллектуального управления технологическими процессами на сельскохозяйственном предприятии, был применен метод поисковых исследований, предусматривающий анализ отечественной и зарубежной научно-технической литературы, а также материалы изучения технологий в сельском хозяйстве, созданных на основе цифровых технологий управления и искусственного интеллекта.
Результаты исследований обрабатывались с использованием программных средств: MS Excel и MS Word.
Результаты и обсуждение
Основными принципами функционирования интеллектуальных систем управления технологическими процессами на сельскохозяйственных предприятиях являются:
- тесный контакт управляющей подсистемы с объектом управления. В основе данного принципа заложена модель функционирования объектов управления и их влияния на сельскохозяйственный объект (животное, растение). Интеллектуальная управляющая система, через получение информации с контрольно-измерительной системы, оказывает воздействие на объекты управления, находящиеся в непосредственном контакте с
сельскохозяйственным объектом. Выполнение данного принципа означает, что любые упрощенные модели для представления функционирования сельскохозяйственного объекта недопустимы.
- повышение интеллектуальности системы и совершенствование ее поведения (самообучение). Данный принцип подразумевает наличие в интеллектуальной системе подсистем высшего ранга, таких как самонастройка, самоорганизация и самообучение. При самообучении данные подразделяются на постоянные (проверенные) и временные (проверяемые), которые после проверки либо отбрасываются, либо переходят в ранг постоянных. Выполнение данного принципа требует включения процесса приобретения и пополнения знаний при разработке интеллектуальной системы;
- создание многоуровневой иерархической структуры обеспечивающей повышение интеллектуальности и снижение требований к точности по мере повышения ранга иерархии. Данный принцип подразумевает компенсацию недостатка данных в поведении управляемого объекта увеличением числа интеллектуальных уровней;
- наличие механизмов (моделей) прогноза изменения состояния сельскохозяйственного объекта, а, следовательно, и поведения управляющей подсистемы. Данный принцип подразумевает необходимость прогнозирования интеллектуальной системой возможных изменений обстановки на сельскохозяйственном предприятии и предотвращения критических ситуаций из-за строгих временных ограничений выполнения технологических процессов;
- возможность функционирования системы при разрыве связи или потере управляющих воздействий от высших уровней иерархии. Принцип основан на сохранении возможности работы объектов управления в автоматическом режиме при отказе работы высших уровней иерархии интеллектуальной системы, что необходимо для организации непрерывного выполнения технологических процессов.
Для создания интеллектуальных систем управления, отвечающих описанным принципам, применяют методы управления использующие различные подходы искусственного и интеллекта применяемые как по отдельности, так и совместно.
Методы интеллектуального управления, используемые для создания интеллектуальных систем сельскохозяйственных предприятий приведены на рисунке 2.
Рис.2. Методы интеллектуального управления
Экспертные системы (ЭС) - это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей [3].
Технология экспертных систем, является одной из наиболее привлекательных для построения интеллектуальных систем управления на сельскохозяйственных предприятиях, так как ориентирована для работы с формами явного представления знаний.
Примером практического применения экспертных систем в сельском хозяйстве служит программа «КОРАЛЛ» предназначенная для решения задач экономической и зоотехнической оптимизации кормления сельскохозяйственных животных, планированию кормовой базы и управлению содержанием животных на ферме [4].
Также экспертные системы на сегодняшний день применяются для роботизации производственных процессов животноводческих предприятий Разработка экспертных систем на сегодняшний день ведется для следующих технико-технологических решений:
- диагностика, планирование и контроль процессов функционирования животноводческого оборудования, используемого в составе робототехнических комплексов (например, робототехнический комплекс приготовления корма) (рис.З.а);
- координация и планирование целенаправленных перемещений мобильных роботов (робот уборщик навоза) (рис.З.б);
- управление движением и планирование действий манипуляционных роботов (робот загрузчик кормов) (рис.З.в).
а) б) в)
Рис.3. Применение роботизированных комплексов разработанных с применением
экспертных систем
Преимуществами экспертных систем являются:
- прикладное применение для организации управляющих воздействий в зависимости от текущего состояния объекта управления и среды его функционирования;
- наглядность знаний, обеспечивающая возможность ввода и редактирования информации, а также объяснение принимаемых решений в режиме интерактивного диалога с экспертами, которые могут не обладать навыками программирования;
Недостатками метода экспертных систем являются:
- низкое быстродействие, связанное с последовательным сопоставлением начального запроса с категориями многоуровневой классификации, заложенной в имеющейся иерархии данных и норм;
- необходимостью создания больших объемов знаний, а, следовательно, и памяти для их хранения.
Нейронная сеть - метод интеллектуального управления, цель которого смоделировать аналитические механизмы, осуществляемые человеческим мозгом. Типичными задачами для нейросетей являются - классификация, предсказание, распознавание [5]. Формирование начальных знаний в нейросетях реализуется на примере обучающей выборки с помощью алгоритмических процедур настройки в автоматическом режиме.
Применение нейросетей в сельском хозяйстве является эффективным направлением, так как они могут обеспечить быстродействие, надежность и точность управления и выполнения технологических процессов.
Нейронные сети в сельском хозяйстве применяются в основном для решения задач обработки информации. На основе нейронных сетей разработаны системы автоматического уровня, включающие следящие приводы.
Применение нейросетевых структур, обеспечивающих высокое быстродействие интеллектуальной системы за счет параллельной обработки входных сигналов, является актуальным для организации систем тактического уровня.
Нейронные сети применяются в манипуляционных роботах и роботизированных устройствах ориентированных на выполнение задач в среде с препятствиями. В основе данного решения находится многослойная нейронная сеть прямого распространения, построенная на элементах с характеристикой преобразования сигналов. Выбор данной нейронной сети обусловлен простотой структуры, обеспечивающей возможность эффективной настройки на заданный принцип функционирования. Многослойная нейронная сеть, тактического уровня, управления роботом обеспечивает минимальное рассогласование между текущим и целевым положением манипулятора.
Практическим применением искусственных нейросетей служит телеграм-бот, разработанный компаниями Poteha Labs и Catalyst-Team, выявляющий отклонения в росте культур на вертикальных фермах. Нейронная сеть, с помощью компьютерного зрения, анализирует состояние растения, а бот выдает всю необходимую информацию о нем. Для получения информации сотрудник фермы, делает снимок растения при помощи телефона и отправляет в телеграм-бот, чтобы узнать вероятную причину отклонения в развитии. Нейронная сеть определяет наличие совпадений и возвращает ответ в приложении [6] (Рис.4).
Рис.4. Применение искусственных нейронных сетей для определения заболеваемости
растений
Нейронные сети также нашли применение в животноводстве. В Китае при помощи нейросети определяют супоросность свиней. Данная разработка подразумевает расположение камер в станках для опороса, а алгоритмы машинного обучения дают результаты, основанные на наблюдении за сном свиноматок, положением туловища и условиями питания. Система запоминает породы свиней, возраст, вес, условия питания, интенсивность передвижения, а также траекторию движения. Кроме того, алгоритмы распознавания голоса используются для мониторинга здоровья поросят и защиты от удушья, что снижает уровень смертности на 3% и увеличивает количество отнятых поросят на свиноматку до трех голов [7]. (Рис. 5)
Рис.5. Применение нейросетей на свиноводческих предприятиях.
Для купно-рогатого скота при помощи российских специалистов разработан проект Cattle Care, предусматривающий систему видеомониторинга здоровья и продуктивности коров на основе компьютерного зрения.
Используя узор на шкуре коров (который индивидуален для каждой особи) обученная нейросеть собирает информация с камер, детектирует, и идентифицирует каждую корову. Учитывая количество шагов, жевательных движений, потребляемого корма и воды, а также других поведенческих паттернов программа составляет медицинскую карту каждой коровы, что позволяет своевременно реагировать на изменение ее состояния [7]. (Рис. 6)
Рис.6. Применение нейросетей на фермах КРС
Преимуществами нейросетей являются:
- устойчивость к шумам входных данных, то есть восприятие только необходимой информации;
-адаптация к изменениям - возможность подстраиваться под изменение внешней
среды;
- отказоустойчивость - возможность функционирования при повреждении большого числа элементов нейросети;
- быстродействие - решение задач быстрее большей части других алгоритмов.
Недостатками нейросетей являются:
- приблизительность получаемого ответа;
- поэтапность принятия решений;
- неспособность решать вычислительные задачи.
Недостатком описанных методов интеллектуального управления является невозможность одновременного выполнения нескольких задач.
В связи с этим в теории искусственного интеллекта предпринимаются попытки создания универсальных подходов, позволяющих решать широкие классы задач поиска и запоминания ассоциативной информации. Одним из таких подходов является метод ассоциативной памяти предусматривающий создание быстродействующих многозадачных систем управления. на основе искусственных нейронных сетей. Их эффективное применение для решения различных задач во многом основывается на том, что традиционные трудности решения разнообразных задач облегчены применением универсальных алгоритмов обучения нейронных сетей на обучающих выборках.
Ассоциативная память — это устройство хранения информации, которое позволяет восстанавливать информацию на основе ассоциации, т. е. по заданному сочетанию признаков, свойственных искомой информации.
Известная нейронная сеть - двунаправленная ассоциативная память, в которой не только входное изображение вызывает появление ассоциативного изображения, но и это выходное изображение может вызывать появление ассоциативного изображения на выходе. Однако в настоящее время не известны нейронные сети, где входное изображение вызывает появление нескольких ассоциативных изображений, которые ассоциативны между собой.
Если информация об ассоциациях достаточно полна, то для создания ассоциативных систем может использоваться значительное число различных нейронных сетей. Однако в большинстве случаев информации об объекте недостаточно и ее необходимо дополнять в процессе его функционирования. Это резко сужает круг нейросетей, которые целесообразно использовать в подобных системах, поскольку во многих сетях обучение новой ассоциации в общем случае требует полного переобучения сети [8-11]. Невозможность с помощью указанных нейронных сетей решить проблему чувствительности (пластичности) к новой информации при сохранении (стабильности) имеющейся информации привели к разработке принципиально новых конфигураций нейронных сетей на основе адаптивной резонансной теории (АРТ) [12].
Основными преимуществами ассоциативной памяти являются:
- простота программной и аппаратной реализации, которая обеспечивает высокое быстродействие, определяемое временем обращения к отдельной ячейке памяти;
- возможность осуществления управления в одном контуре сразу по нескольким параметрам;
- одна ассоциативная память может работать одновременно с несколькими контурами управления, в том числе и на разных уровнях управления (например, в роботе ассоциативная память может управлять сразу несколькими приводами благодаря многомерности ее входного и выходного сигналов).
Нечеткая логика - это метод интеллектуального управления целью которого является моделирование процесса принятия решений на основе нечеткой информации [13]. В данном
случае значения переменных могут быть действительными числами и варьироваться в интервале от 0 до 1 [14].
Разработка средств и методов нечеткого управления многозвенными механическими системами представляет практический интерес в целях создания нового поколения манипуляционных роботов с развитыми интеллектуальными возможностями. В этом смысле выбор прикладного объекта управления должен отражать специфические особенности широкого класса устройств и механизмов, реально используемых в робототехнике. Избыточность подобной кинематической структуры позволяет обеспечить повышенный уровень манипуляционных возможностей, реализация которых на основе традиционных математических методов приводит к созданию сложного программно-алгоритмического обеспечения.
Практическим применением метода нечеткой логики является осуществление прогноза урожайности сельскохозяйственных культур путем моделирования влияния климатических характеристик на их урожайность [15].
Также применение метода нечеткой логики актуально для настройки рабочих органов сельскохозяйственных машин, работающих в полевых условиях ввиду того что данный процесс, является неформализованным, то есть может производится в любое время в зависимости от изменения внешней среды при использовании эвристического метода принятия решений [16].
Методы нечеткой логики позволяют решать достаточно широкий круг задач, связанных с управлением манипуляционными роботами в условиях неопределенности. Данный метод ориентирован на участие человека в контроле действий робота, постановке задач, помощи робототехнической системе при возникновении сложных ситуаций. Роль оператора является не управление отдельными движениями, а предметной деятельностью робота путем постановки задач сопоставимых с задачами, которые можно поставить перед человеком [17].
Преимуществами метода нечеткой логики являются:
- возможность использования нечетких данных, меняющихся во времени значений;
- возможность нечеткой формализации критериев оценки ситуации;
- возможность быстрого моделирования сложных динамических систем и их сравнения с заданной степенью точности.
Недостатками метода нечеткой логики являются:
- отсутствие стандартной методики формирования нечетких систем управления;
- невозможность математического анализа нечетких систем существующими методами;
- применение нечеткого подхода, в сравнении с вероятностным, не приводит к повышению точности вычислений.
Выводы
Необходимость разработки технико-технологических решений, обеспечивающих модернизацию выполнения производственных процессов, обусловлена ростом потребляемого продовольствия.
Данные технико-технологические решения предусматривают применение систем искусственного интеллекта, которые обеспечивают анализ и оптимизацию процесса в режиме реального времени.
На сегодняшний день в сельском хозяйстве применяются экспертные системы, а также искусственные нейронные сети. Данные методы интеллектуального управления обеспечивают отслеживание физиологического состояния животных и растений, а также способны давать рекомендации по коррекции производственного цикла.
Дальнейшее развитие систем интеллектуального управления направлено на создание универсальных подходов, решающих широкий класс задач и способных выполнять параллельно несколько операций.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Обзор и оценка Программы действий Международной конференции по народонаселению и развитию и ее вклада в осуществление последующей деятельности в связи с Повесткой дня в области устойчивого развития на период до 2030 года и проведение обзора хода ее реализации. ООН. Комиссия по народонаселению и развитию [Электронный ресурс]. Режим доступа: https://undocs.org/pdf?symbol=ru/E/CN.9/2019/2 (дата обращения 07.12.2021)
2. Ведомственный проект «Цифровое сельское хозяйство»: официальное издание. М.: ФГБНУ «Росинформагротех». 2019. 48 с.
3. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем: учебник. СПб.: Питер, 2001, 384 с.
4. Программы для сельского хозяйства Коралл [Электронный ресурс] Режим доступа: https://www.korall-agro.ru/ (дата обращения 07.12.2021)
5. Что такое нейронные сети и как они работают? Классификация искусственных нейросетей [Электронный ресурс] Режим доступа: https://mining-cryptocurrency.ru/nejronnye-seti/ (дата обращения 07.12.2021)
6. Технологии выращивания растений. Компания iFarm. [Электронный ресурс] Режим доступа: https://ifarmproject.ru/blog/2020/02/nejronnaya-set-uchitsya-raspoznavat-sostoyanie-rastenij (дата обращения 07.12.2021)
7. Роботы и клубничка: как AI повышает урожайность полей [Электронный ресурс] Режим доступа: https://habr.com/ru/company/cloud4y/blog/460129/ (дата обращения 07.12.2021)
8. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектура, обучение, применения. Харьков: ТЕЛЕТЕХ, 2004. 372 с.
9. Буш Г.Я. Основы эвристики для изобретателей. Ч. 1, 2. Рига: Знание, 1977. 95 с.
10. Оссовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
11. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2001. 382 с.
12. Grossberg S. Competitive learning: From interactive activation to adaptive resonance. // Cognitive Science. 1987. Vol. 11. No. 1, pp. 23-63.
13. Бисчоков Р. М., Аджиева А. А., Тхайцухова С. Р. Применение нечеткой логики для анализа рисков в аграрном секторе // Вестник Курганской ГСХА. 2014. № 4 (12), С. 57-60.
14. Савченко Д.В., Резникова К.М., Смышляева А.А. Нечеткая логика и нечеткие информационные технологии // Интернет-журнал «Отходы и ресурсы», 2021, №1, [Электронный ресурс]. Режим доступа: https://resources.today/PDF/10ECOR121.pdf. DOI: 10.15862/10ETOR121 (дата обращения 07.12.2021)
15. Бисчоков Р. М., Ахматов М. М. Анализ и прогноз урожайности сельскохозяйственных культур методами нечеткой логики // Научный журнал КубГАУ, 2021. №168. С. 274-287. DOI: 10.21515/1990-4665-168-020
16. Димитров В. П., Борисова Л. В., Тугенгольд А. К., Нурутдинова И. Н. Технологическая настройка сельскохозяйственных машин на основе нечеткой логики // Вестник Мордовского университета. 2018; № 28(2). С. 239-254. DOI: 10.15507/02362910.028.201802.239-254
17. Ющенко А. С. Методы нечеткой логики в управлении мобильными манипуляционными роботами // ВестникМГТУ им. Н.Э. Баумана. Сер. «Приборостроение». 2012. № S6. С. 29-44.
REFERENCES
1. Review and appraisal of the Programme of Action of the International Conference on Population and Development and its contribution to the follow-up and review of the 2030 Agenda for Sustainable Development. UN Commission on Population and Development.Available at: https://undocs.org/pdf?symbol=ru/E/CN.9/2019/2 (accessed 07.12.2021)
2. Vedomstvennyi proekt «Tsifrovoe sel'skoe khozyaistvo»: ofitsial'noe izdanie [Departmental project "Digital Agriculture": official publication] Moscow: Rosinformagrotekh. 2019. 48 p. (In Russian)
3. Gavrilova T. A., Khoroshevskii V. F. Bazy znanii intellektual'nykh sistem: uchebnik [Knowledge bases of intelligent systems: textbook Saint Petersburg: Piter, 2001, 384 p. (In Russian)
4. Programmy dlya sel'skogo khozyaistva Korall [Agricultural programs Coral] Available at: https://www.korall-agro.ru/ (accessed 07.12.2021) (In Russian)
5. Chto takoe neironnye seti i kak oni rabotayut? Klassifikatsiya iskusstvennykh neirosetei [What are neural networks and how do they work? Classification of artificial neural networks] Available at: https://mining-cryptocurrency.ru/nejronnye-seti/ (accessed 07.12.2021) (In Russian)
6. Tekhnologii vyrashchivaniya rastenii [Plant growing technologies]. iFarm Company. Available at: https://ifarmproject.ru/blog/2020/02/nejronnaya-set-uchitsya-raspoznavat-sostoyanie-rastenij (accessed 07.12.2021) (In Russian)
7. Roboty i klubnichka: kak AI povyshaet urozhainost' polei [Robots and strawberries: how AI improves field yields] Available at: https://habr.com/ru/company/cloud4y/blog/460129/ (accessed 07.12.2021) (In Russian)
8. Bodyanskii E.V., Rudenko O.G. Iskusstvennye neironnye seti: arkhitektura, obuchenie, primeneniya [Artificial neural networks: architecture, training, applications]. Kharkov: TELETEKh, 2004. 372 p. (In Russian)
9. Bush G. Ya. Osnovy evristiki dlya izobretatelei. Ch. 1, 2. [Basics of heuristics for inventors. Parts 1, 2]. Riga: Znanie, 1977. 95 p. (In Russian)
10. Ossovskii S. Neironnye seti dlya obrabotki informatsii [Neural networks for information analysis]. Moscow: Finansy i statistika, 2002. 344 p. (In Russian)
11. Kruglov V.V., Borisov V.V. Iskusstvennye neironnye seti. Teoriya i praktika [Artificial neural networks. Theory and practice]. Moscow: Goryachaya liniya - Telekom, 2001. 382 p. (In Russian)
12. Grossberg S. Competitive learning: From interactive activation to adaptive resonance. Cognitive Science. 1987. Vol. 11. No. 1: 23-63.
13. Bischokov R. M., Adzhiyeva A. A., Tkhaytsukhova S. R. Primenenie nechetkoi logiki dlya analiza riskov v agrarnom sektore [Application of fuzzy logic for risk analysis in agrarian sector]. VestnikKurganskoi GSKhA. 2014. No. 4 (12): 57-60. (In Russian)
14. Savchenko D.V., Reznikova K.M., Smyshlyaeva A.A. (2021). Fuzzy logic and fuzzy information technology. Russian Journal of Resources, Conservation and Recycling, [online] 1(8). Available at: https://resources.today/PDF/10ECOR121.pdf (in Russian) DOI: 10.15862/10ECOR121 (accessed 07.12.2021) (In Russian)
15. Bischokov R. M., Akhmatov M. M. Analiz i prognoz urozhainosti sel'skokhozyaistvennykh kul'tur metodami nechetkoi logiki [Agricultural crops analysis and yield forecast by fuzzy logic methods]. Nauchnyi zhurnal KubGAU, 2021. No. 168: 274-287. DOI: 10.21515/1990-4665-168-020 (In Russian)
16. Dimitrov V. P., Borisova L. V., Tugengol'd A. K., Nurutdinova I. N. Tekhnologicheskaya nastroika sel'skokhozyaistvennykh mashin na osnove nechetkoi logiki [Technological adjustment of agricultural machines based on fuzzy logic]. Vestnik Mordovskogo universiteta = Mordovia University Bulletin. 2018. Vol. 28, No. 2: 239-254. DOI: 10.15507/02362910.028.201802.239-254 (In English)
17. Yushchenko A. S. Metody nechetkoi logiki v upravlenii mobil'nymi manipulyatsionnymi robotami [Fuzzy logic methods in the control of mobile manipulation robots]. Vestnik MGTU im. N.E. Baumana. Ser. "Priborostroenie". 2012. No. S6: 29-44. (In Russian)
УДК 636.2
ИНФОРМАЦИОННАЯ СИСТЕМА ДЛЯ МОНИТОРИНГА И УПРАВЛЕНИЯ ОРГАНИЧЕСКИМИ ОТХОДАМИ ЖИВОТНОВОДСТВА
1 2 А.Ю. Брюханов , д-р. tехн. наук; Харри Хухта ;
12 Е.В. Шалавина , канд. техн. наук; Э.В. Васильев ,канд. техн. наук
1Институт агроинженерных и экологических проблем сельскохозяйственного производства (ИАЭП) - филиал ФГБНУ ФНАЦ ВИМ, Санкт-Петербург, Россия
Институт природных ресурсов Финляндии (Luke), Хельсинки, Финляндия
