ОНТОЛОГИЯ КЛАССОВ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ ПОСЕВОВ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР ДЛЯ ОБУЧЕНИЯ И ТЕСТИРОВАНИЯ МОДЕЛЕЙ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ СО СВЕРТОЧНЫМИ СЛОЯМИ

Развитие технологий искусственного интеллекта, методов глубокого машинного обучения и нейросетевых технологий обуславливает возможность их широкого применения в различных отраслях народного хозяйства, в том числе сельском хозяйстве. В Российской Федерации реализуется целый ряд государственных программ для развития современного высокоэффективного сельского хозяйства, в частности, ключевой задачей является переход к цифровому сельскому хозяйству, точному земледелию, активному использованию интеллектуальных технологий в АПК

Промышленный характер сельскохозяйственного производства в регионах Российской Федерации требует создания новых методов его интенсификации, среди которых важное место занимают интеллектуальные методы мониторинга и анализа состояния посевов на значительных площадях с использованием средств дистанционного мониторинга. Различные вопросы применения искусственного интеллекта, компьютеризированных систем и нейросеветевых технологий рассмотрены в работах Бородычева В.В.

Реализованная база данных для хранения исходных и размеченных цветных изображений высокого разрешения базируется на реляционной модели данных, EER- диаграмма которой представлена на рисунке 3 и состоит из 5 таблиц:

- таблица хранения исходного цветного изображения поля с посевами, содержащая следующие патрибуты: id - индивидуальный номер изображения в БД; directory - путь до хранимого изображения; culture_group_id - ключ-значение индивидуального номера соответствующей изображению сельскохозяйственной культуры; season_id – ключ-значение индивидуального номера соответствующего изображению сезона фотографирования культуры; day_period_id – ключ-значение индивидуального номера соответствующего изображению временного периода роста культуры;

- таблица хранения сегментов исходного цветного изображения поля с экспертной разметкой (классификацией), содержащая следующие атрибуты: id – индивидуальный номер сегмента изображения в БД; directory - путь до хранимого сегмента изображения; field_image_id – ключ-значение индивидуального номера соответствующего сегменту оригинального изображения, is_good - значение типа «Да/Нет» (1/0 соответственно), отражающие наличие в сегменте класса «здоровая растительность», is_bad – значение типа «Да/Нет» (1/0 соответственно), отражающие наличие в сегменте класса «пораженная растительность», is_soil – значение типа «Да/Нет» (1/0 соответственно), отражающие наличие в сегменте класса «почва, незасеянное поле», is_other – значение типа «Да/Нет» (1/0 соответственно), отражающие наличие в сегменте класса «прочие объекты»;

- таблица сезонов аэрофотосъемки полей с посевами, содержащая следующие поля: id – индивидуальный номер сезона аэрофотосъемки в БД, season_name - наименование сезона аэрофотосъемки;

- таблица выращиваемой на поле культуры, содержащая следующие поля: id – идентифицирующий номер возделываемой сельскохозяйственной культуры в БД, culture_name – наименование сельскохозяйственной культуры;

- таблица временного (ретроспективного) периода выращиваемой на поле культуры, содержащая следующие поля: id – индивидуальный номер временного (ретроспективного) периода роста сельхозкультуры в БД, period – наименование периода роста и развития (фазы вегетации).

Рисунок 3 - EER диаграмма базы данных хранения цветных изображений

DOI:10.23649/JAE.2023.40.30.3

Созданная реляционная база данных для  хранения исходных и размеченных изображений посевов агрокультур позволила сформировать обучающую и тестовую выборки, включающие 34993 изображения, с их разметкой по  четырем классам, что позволило осуществить программную реализацию  (на языке программирования Python с использованием графической библиотеки tKinter) искусственной нейронной сети глубокого обучения со сверточными слоями для мультиклассового распознавания состояния посевов сельскохозяйственных

[12]

.

Рисунок 4 - Базовый алгоритм работы программы

DOI:10.23649/JAE.2023.40.30.4

Алгоритм работы программы, базирующейся на обученной модели архитектуры ResNext50 представлен на рисунке 4.

Рисунок 5 - Скрипт создания схемы данных реляционной БД

DOI:10.23649/JAE.2023.40.30.5

Фрагмент исходного кода скрипта создания схемы реляционной БД представлен на рисунке 5.

В ходе проводимого исследования, поддержанного грантом Российского научного фонда и администрации Волгоградской области (№ 22-21-20041) осуществлен сбор аэрофотоснимков посевов сельскохозяйственных культур на экспериментальных участках полей УНПЦ Горная поляна с использованием средств дистанционного мониторинга, что позволило сформировать базу данных цветных изображений высокого разрешения. Онтология классов цветных изображений, хранимых в БД, включает в себя 4 категории: здоровая растительность («healthy»), пораженная растительность («affected»), почва, незасеянное поле («soil») и прочие объекты («other»). Реализованная БД на базе системы управления базами данных MySQL в среде разработки MySQL Workbench, использовалась для обучения и тестирования моделей глубокого машинного обучения, в том числе, созданной и обученной, в ходе реализации проекта, рекуррентной нейронной сети со сверточными слоями.