В ДГТУ разработали экономичное устройство для классификации культурных и сорных объектов на посевных площадях

Такая система нужна для оптимизации земледелия и борьбы с нежелательной растительностью. Устройство позволяет классифицировать культурные растения по назначению (зерновые, бобовые, технические и др.), а также условно разделять сорняки на группы в зависимости от особенностей роста, размножения, распространения и возобновления. 

В основе разработки ДГТУ лежит подход TinyML (Tiny Machine Learning) – подмножество машинного обучения, разработанное для работы на небольших устройствах с низким энергопотреблением, с ограниченными ресурсами, таких как микроконтроллеры. Данный подход запускает модели машинного обучения непосредственно на встроенных устройствах с ограниченными возможностями памяти, хранения и обработки.

Этот подход в последние два года является трендом в машинном обучении. В настоящее время существует большое количество нейросетевых моделей для решения задач в агропромышленном комплексе. Однако большинство этих программных решений построено на ресурсоемких архитектурах. Стоимость таких решений довольно высока.

Развертывание же нейросетевых архитектур в энергоэффективных устройствах предлагает экономически выгодную альтернативу, которая при правильной оптимизации архитектур моделей демонстрирует хорошую эффективность. Полученные учеными ДГТУ результаты показывают возможность классификации растительных объектов в полевых условиях без использования дорогостоящего вычислительного оборудования, которое к тому же относительно долго обрабатывает данные. Время классификации таким оборудованием объектов на фотографии составляет 7,8 сек., что в настоящее время является ограничением для систем мониторинга в режиме реального времени.

Иван Наумовдекан факультета «Автоматизация, мехатроника и управление» ДГТУ

Сотрудники лаборатории программируемых логических контроллеров и автоматизированных систем управления показали, что точность классификации, превышающая 87%, может быть достигнута даже для изображений с низким разрешением (80Х60 pixels) в зависимости от архитектуры CNN (Convolutional Neural Networks) – системы, разработанной для обработки изображений. Применение такого подхода в агросекторе решает задачи классификации растительных объектов на посевных площадях с новой энергоэффективной аппаратно-программной системой мониторинга состояния полей с использованием БПЛА.

Игорь Голота, управление информационной политики
isdstu@mail.ru