CC BY
233
УДК 004.032.26:63 DOI: 10.52691/2500-2651-2021-87-5-68-71
НЕЙРОННЫЕ СЕТИ В ЦИФРОВОМ СЕЛЬСКОМ ХОЗЯЙСТВЕ
Neural Networks In Digital Agriculture
Погонышев В.А.1, д-р техн. наук, профессор, Погонышева Д.А.2, д-р пед. наук, профессор,
Ториков В.Е.1, д-р с.-х. наук, профессор Pogonyshev V.A.1, Pogonysheva D.A.2, Ториков В.Е.1
*ФГБОУ ВО «Брянский государственный аграрный университет», 1Bryansk State Agrarian University 2ФГБОУ ВО «Брянский государственный университет им. академика И.Г. Петровского» 2Bryansk State Academician I.G. Petrovski University
Аннотация. В статье рассматриваются преимущества нейросети, которые способны обрабатывать большие массивы данных о деятельности агроформирований гораздо быстрее и эффективнее, чем опытный специалист. Однако для этого следует подготовить первичную информацию для обучения сети в понятном для нее формате. В нейросети имеется возможность на основе анализа несколько миллионов фотографий научить за несколько миллисекунд отличать возделываемые культуры от сорных растений. Анализируя эффективность гербицидов, нейросеть способна принимать правильные решения по снижению засоренности посевов. Нейросеть может отличать здоровое растение от больного. Система в состоянии определить степень угрозы для будущего урожая, предложить способы решения назревшей проблемы. В агропромышленном комплексе Российской Федерации существует большое число задач, решаемых с использованием искусственного интеллекта. Обученная нейронная сеть способна адаптироваться к агроклиматическим особенностям регионов, отдельных рыночных агентов. В условиях цифровой трансформации отрасли для обучения нейронных сетей целесообразно формирование единой национальной базы данных. Использование нейронных сетей позволит экономить ресурсы, повысить качество и безопасность продукции растениеводства и животноводства, конкурентоспособность аграрной отрасли. Экосистема, которую разрабатывает Россельхозбанк для аграрного бизнеса, включает актуальные цифровые решения, определяющие по фотоснимку состояние здоровья плодовых и полевых культур, которые могут быть масштабированы для других видов деревьев и растений. Получение актуальной и объективной информации о состоянии растений с использованием сервисов интернета позволит совершенствовать обмен информацией между специалистами и экспертами-консультантами. Нейросеть как «умный фильтр» можно использовать для сбора и сортировки собранного урожая. При этом производительность труда такого робота гораздо выше эффективности труда человека. Нейросети возможно применять для оценки качества продукции, в режиме реального времени 24/7 сообщая о найденных дефектах в объектах контроля. По мнению экспертов, для обучения нейронных сетей решению задач АПК необходимо сформировать национальную базу данных, содержащую информацию по функционированию ведущих отраслей с учетом региональных особенностей. Это даст возможность принять правильное управленческое решение в рыночных субъектах цифрового сельского хозяйства, основанных на применении нейрокомпьютерных технологий.
Abstract. The article discusses the advantages of neural networks that are able to process large amounts of data concerning the activities of agricultural units much faster and more efficiently than an experienced specialist. However, in this case the primary information for the network should be prepared in the format familiar to it. On basis of the analysis of several million photographs it is possible to make the neural network distinguish cultivated crops from weeds in a few milliseconds. Analyzing the effectiveness of herbicides, a neural network is able to make the right decisions to reduce the contamination of crops. A neural network can distinguish a healthy plant from a sick one. The system is able to determine the degree of threat to the future harvest, suggest the ways to solve the urgent problems. In the agro-industrial complex of the Russian Federation a large number of tasks are solved with the help of artificial intelligence. The trained neural network is capable to adapt to the agro-climatic features of regions, individual market agents. In the context of the digital transformation of the industry, it is advisable to form a unified national database for neural networks. The application of neural networks will save resources, improve the quality and safety of crop and livestock products, and the competitiveness of the agricultural sector. The ecosystem, being developed for agribusiness by Russian Agricultural Bank, includes up-to-
date digital solutions telling the health status of fruit and field crops from photographs, which can be scaled for other types of trees and plants. Obtaining timely and objective information about the state of plants using Internet services enables development of information interchange between specialists and expert consultants. A neural network as a "smart filter" can be used to collect and sort the crop harvested. At the same time, the labour productivity of such a robot is much higher than the efficiency of human labour. Neural networks can be used to assess the quality of products, real-time reporting 24/7 on defects found in control objects. According to the experts, in order to train neural networks to solve agricultural problems, it is necessary to form a national database containing information on the functioning of leading industries, taking into consideration regional peculiarities. This will permit the right management decision-making in the market entities of digital agriculture based on the neurocomputer technologies.
Ключевые слова: сельское хозяйство, интеллектуальные технологии, нейронные сети, цифровые технологии.
Key words: agriculture, intellectual technologies, neural networks, digital technologies.
Наличие мощных потоков информации в АПК, многовариантных решений, неопределенности обусловливают необходимость применения инновационных технологий в рыночных субъектах отрасли. Цифровая трансформация АПК повышает роль информационно-интеллектуальных ресурсов и технологий.
Отметим, в России находится около 10 % всех пахотных земель мира, однако более 40% сельхозугодий не используется. Согласно оценкам ученых, в стране агроклиматический потенциал отрасли ниже, чем, например, в США и Германии. Для отечественного сельского хозяйства характерны высокая энергоемкость продукции, нерациональный набор технико-технологических и энергетических средств, высокая доля потребления природных энергоресурсов [1, 2, 3, 4, 5].
Управление рыночными субъектами и объектами цифрового сельского хозяйства связано с решением актуальных проблем. Неучтенные факты в растениеводстве или животноводстве обесценивают тактику и стратегию организаций.
Опираясь на единство природы, материи, энергии, с учетом принципов кибернетики универсального организационного развития возможно реализовать аналогии как между механическими и физическими процессами, так и между процессами в аграрной сфере, применять цифровые, когнитивные технологии, перерабатывая массивы качественных и количественных данных.
При разработке нейронной сети используются обучающие «примеры» и известные результаты. Нейронные сети с большим успехом возможно применять для решения сложных задач распознавания образов, анализа данных, кластеризации, управления и др. [7]
Нейронные сети используются как алгоритмы для робототехники, в том числе применительно к аграрной отрасли. Способности нейронной сети к прогнозированию связаны с её возможностями к обобщению и выделению скрытых взаимозависимостей между входными и выходными данными. Нейронные сети обладают также способностями решать задачи оптимизации функционирования социо-эколого-экономических систем.
Трендом развития АПК выступает цифровая трансформация. Современная технология точного земледелия предусматривает использование инструментов GPS, ГИС, технологии оценки урожайности, систем автопилотирования, дистанционного зондирования земли и др. [6, 8, 9].
Согласно исследованиям ученых и практиков, ресурсосберегающее земледелие предусматривает сокращение числа обработок почвы, использование обоснованных севооборотов, предоставление рыночных субъектам оптимальных вариантов ведения хозяйства.
Говоря о цифровой трансформации в сельском хозяйстве, следует также отметить использование нейронных сетей и машинного обучения. Областей возможного применения интеллектуальных технологий в АПК достаточно много: растениеводство, животноводство, оптимизация парка сельхозмашин и др. на основе адаптации к природным и агроклиматическим условиям регионов, отдельных хозяйств.
Нейросети обрабатывают большие данные о деятельности агроформирований гораздо быстрее и эффективнее, чем специалист. Однако для этого следует подготовить первичную информацию для обучения сети в понятном для нее формате.
Нейросеть возможно на основе анализа несколько миллионов фотографий научить за несколько миллисекунд отличать культуры от сорняков. Анализируя эффективность гербицидов, нейросеть способна принимать правильные решения по снижению засоренности посевов.
Также можно научить нейросеть отличать здоровое растение от больного. Нейронная сеть будет работать по тому же принципу. Система в состоянии также определить степень угрозы для будущего урожая, предложить способы решения проблемы.
Нейросеть как «умный фильтр» можно использовать для сбора и сортировки собранного урожая. При этом производительность труда такого робота гораздо выше эффективности труда человека. Нейросети возможно применять для оценки качества продукции, в режиме реального времени 24/7 сообщая о найденных дефектах в объектах контроля.
По мнению экспертов, для обучения нейронных сетей решению задач АПК необходимо сформировать национальную базу данных, содержащую информацию по функционированию ведущих отраслей с учетом региональных особенностей.
В начале 2020 года Россельхозбанк сообщил о включении сервиса диагностики здоровья растений в цифровую экосистему. Совместно с Институтом проблем управления им. В.А. Трапезникова Российской академии наук (ИПУ РАН) РСХБ предложит аграриям нейросеть для обнаружения фитопатологии по фотографиям.
Экосистема, которую РСХБ разрабатывает для аграрного бизнеса, включает актуальные цифровые решения, определяющие по фотоснимку состояние здоровья яблони, которые могут быть масштабированы для других видов деревьев и растений. Получение актуальной и объективной информации о состоянии растений с использованием сервисов интернета позволит совершенствовать обмен информацией между специалистами и экспертами-консультантами.
Ученые из Сколтеха разработали рекуррентные нейросети для оценки и прогнозирования развития растений на основе учета основных действующих на растение факторов с использованием алгоритмов компьютерного зрения. С помощью временных рядов эффективно описывается динамика роста растения.
Задача была решена с использованием данных, полученных совместном с Германским аэрокосмическим центром (DLR). Система разработана на базе одноплатного компьютера для про-тотипирования Raspberry Pi с внешней графической платой Intel Movidius. Графические чипы такого рода станут основой встраиваемых систем с искусственным интеллектом [10].
Нейросети научат специалистов экономить ресурсы, повысить качество и безопасность продукции растениеводства и животноводства, упростят бизнес- процессов. Отметим, что если на стороне искусственного интеллекта скорость и точность работы, то на стороне человека - системный подход, владение цифровыми компетенциями и здравый смысл. Использование нейросетей позволит снизить риски в АПК, повысить рентабельность отрасли.
Экспертное сообщество отмечает, что в перспективе будет продолжать расти спрос на биоинженеров, ИТ-специалистов, разрабатывающих алгоритмы верификации принятых искусственным интеллектом решений в аграрной сфере, специалистов по киберэтике, осуществляющих корректную работу беспилотных сельскохозяйственных машин и других устройств, в которых используются машинное обучение, компьютерное зрение и другие подобные технологии.
Заключение. Обобщая результаты исследования, отметим наличие ряда проблем в цифровом сельском хозяйстве, обусловленных большой сложностью, динамичностью функционирования аграрной сферы. В условиях цифровой трансформации отрасли актуально применение интеллектуальных технологий для повышения конкурентоспособности, эффективности АПК.
Библиографический список
1. Доклад о развитии цифровой экономики в России. Конкуренция в цифровую эпоху: стратегические вызовы для Российской Федерации. Международный банк реконструкции и развития [Электронный ресурс] // Всемирный банк. 2018. URL: https://roscongress.org/materials/doklad-o-razvitii-tsifrovoy-ekonomiki-v-rossii-konkurentsiya-v-tsifrovuyu-epokhu-strategicheskie-vyz/ (дата обращения 3.09.2021).
2. Цифровизация сельскохозяйственного производства России на период 2018-2025 годы [Электронный ресурс] // Исследование кооперационного проекта «Германо-Российский аграрно-политический диалог». М., 2018. URL: https://agrardialog.ru/files/prints/apd_studie_2018_russisch_fertig_formatiert.pdf (дата обращения 05.09.2021).
3. Официальный сайт Федеральной службы государственной статистики [Электронный ресурс]. URL: https://www.gks.ru (дата обращения 05.09.2021).
4. Рейтинг регионов по цифровизации сельского хозяйства [Электронный ресурс]. URL: https://ria.ru/20200619/1573163101.html (дата обращения 05.09.2021).
5. Официальный сайт Департамента экономического развития Брянской области [Электронный ресурс]. URL: http://econom32.ru/activity/nat_project (дата обращения 05.09.2021).
6. Погонышев В.А., Погонышева Д.А. Управление региональными бизнес-процессами с использованием технологии блокчейн // Вестник Брянской ГСХА. 2018. № 6 (70).
7. Поспелов Г.С. Искусственный интеллект-основа новой информационной технологии. М.: Наука, 1988. 280 с.
8. Состояние цифровой трансформации сельского хозяйства / В.Е. Ториков, В.А. Погонышев, Д.А. Погонышева, Г.Е. Дорных // Вестник Курской ГСХА. 2020. № 9. С. 6-13.
9. Ториков В.Е., Погонышев В.А., Погонышева Д.А. Ресурсосбережение в сфере сельского хозяйства // Аграрный вестник Верхневолжья. 2021. № 1. С. 24-32
10.Сельское хозяйство будущего [Электронный ресурс]. URL: https://www. naked-science.ru/article/column/selskoe-hozyajstvo-budushhego-nejronnye-seti-nauchilis-predskazyvat-dinamiku-rosta-rastenij (дата обращения 05.09.2021).
References
1. Doklad o razvitii cifrovoj ekonomiki v Rossii. Konkurenciya v cifrovuyu epohu: strategicheskie vyzovy dlya Rossijskoj Federacii. Mezhdunarodnyj bank rekonstrukcii i razvitiya [Elektronnyj resurs] // Vsemirnyj bank. 2018. URL: https://roscongress.org/materials/doklad-o-razvitii-tsifrovoy-ekonomiki-v-rossii-konkurentsiya-v-tsifrovuyu-epokhu-strategicheskie-vyz/ (data obrashcheniya 3.09.2021).
2. Cifrovizaciya sel'skohozyajstvennogo proizvodstva Rossii na period 2018-2025 gody [Elektronnyj resurs] // Issledovanie kooperacionnogo proekta «Germano-Rossijskij agrarno-politicheskij dialog». M., 2018. URL: https://agrardialog.ru/files/prints/apd_studie_2018_russisch_fertig_formatiert.pdf (data obrashcheniya 05.09.2021).
3. Oficial'nyj sajt Federal'noj sluzhby gosudarstvennoj statistiki [Elektronnyj resurs]. URL: https://www.gks.ru (data obrashcheniya 05.09.2021).
4. Rejting regionov po cifrovizacii sel'skogo hozyajstva [Elektronnyj resurs]. URL: https://ria.ru/20200619/1573163101.html (data obrashcheniya 05.09.2021).
5. Oficial'nyj sajt Departamenta ekonomicheskogo razvitiya Bryanskoj oblasti [Elektronnyj resurs]. URL: http://econom32.ru/activity/nat_project (data obrashcheniya 05.09.2021).
6. Pogonyshev V.A., Pogonysheva D.A. Upravlenie regional'nymi biznes-processami s ispol'zovaniem tekhnologii blokchejn // Vestnik Bryanskoj GSKHA. 2018. № 6 (70).
7. Pospelov G.S. Iskusstvennyj intellekt-osnova novoj informacionnoj tekhnologii. M. : Nauka, 1988.
280 s.
8. Sostoyanie cifrovoj transformacii sel'skogo hozyajstva / V.E. Torikov, V.A. Pogonyshev, D.A. Pogonysheva, G.E. Dornyh // Vestnik Kurskoj GSKHA. 2020. № 9. S. 6-13.
9. Torikov V.E., Pogonyshev V.A., Pogonysheva D.A. Resursosberezhenie v sfere sel'skogo hozyajstva //Agrarnyj vestnik Verhnevolzh'ya. 2021. № 1. S. 24-32
10. Sel'skoe hozyajstvo budushchego [Elektronnyj resurs]. URL: https://www. naked-science.ru/article/column/selskoe-hozyajstvo-budushhego-nejronnye-seti-nauchilis-predskazyvat-dinamiku-rosta-rastenij (data obrashcheniya 05.09.2021).
