Разработанное приложение представляет собой инновационную систему раннего прогнозирования урожайности винограда, основанную на передовых методах машинного обучения и оптического отслеживания.
В настоящее время оценка урожайности винограда осуществляется вручную, что сопряжено с определенными недостатками. Рабочие подсчитывают количество гроздей на выделенных участках, а затем экстраполируют эти данные на весь виноградник. Однако такой метод не отличается высокой точностью, и погрешность может достигать 23,5% от общего объема урожая.
Для повышения эффективности оценки и прогнозирования урожайности была создана мобильная система, которая использует возможности сверточных нейронных сетей для автоматического обнаружения гроздей винограда. Приложение, установленное на смартфоне, интегрируется с трактором или роботом, что позволяет проводить сканирование между рядами кустов. Обнаруженные объекты отслеживаются в последовательности кадров, предотвращая дублирование.
Данная система позволит существенно повысить точность прогнозирования урожайности винограда и оптимизировать процессы планирования сбора урожая.
(А) Схематическое изображение установки для автоматического подсчета кустов и побегов на виноградниках. (B) Кадр из записанного видео с примерами гроздьев и побегов, выделенными прямоугольниками.
В данной работе была разработана система автоматического подсчета гроздей и побегов винограда, основанная на технологии глубокого обучения. Для ее обучения использовалась предварительно обученная модель TensorFlow1 на наборе данных COCO, что позволило ускорить процесс обнаружения объектов.
Система была обучена на обширном наборе изображений (611 изображений с 4580 гроздьями и 1158 изображений с 6746 побегами), собранных на двух виноградниках в течение двух лет. Грозди и побеги были вручную помечены на изображениях, с использованием ограничивающих прямоугольников для точного выделения объектов. Метки изображений создавались с помощью программы LabelImg2. Обучение нейронной сети заняло 5,5 часов на рабочей станции с восьмиядерным процессором Xeon и видеокартой Nvidia GeForce GTX 1080.
Полученная система демонстрирует более высокую точность в обнаружении гроздей и побегов по сравнению с ручным подсчетом. Средняя частота ошибок составляет 4,9%, а максимальная – не превышает 12,5%. Для достижения такой же точности при ручном подсчете потребовалось бы обследование 70% всего виноградника. Авторы связывают часть ошибок с качеством видеосъемки и постановкой кадра.
Разработанная система представляет собой доступный и эффективный метод подсчета и прогнозирования урожайности винограда. Она способна обнаруживать не только крупные черные и красные грозди, но и зеленые, находящиеся на начальной стадии роста. Дальнейшее обучение позволит системе распознавать больше сортов винограда и повышать точность подсчетов.
В заключение, использование цифровых технологий и нейронных сетей позволяет точно прогнозировать урожайность винограда, что повышает эффективность агрономических решений и снижает риски.
Современные агрономы сталкиваются с растущими требованиями к качеству, непредсказуемостью климата и экономической необходимостью оптимизации. Визуальный осмотр, опыт и интуиция уже не справляются с возросшей сложностью и масштабом задач.
Почему традиционные методы больше недостаточны?
Классические методы оценки состояния виноградников, основанные на визуальном осмотре и опыте агронома, обладают ценностью, но не всегда отвечают требованиям современного рынка, который предъявляет высокие стандарты предсказуемости и стабильности.
Внезапные вспышки заболеваний, такие как милдью и оидиум, способны привести к существенным потерям урожая (до 30%, согласно данным WineTech Report).
Непредсказуемость климатических условий – засухи, заморозки, ливни – становится серьезной проблемой для виноградарей. В качестве примера можно привести засуху 2022 года в Андалусии, которая привела к потере до 40% урожая у некоторых мелких хозяйств, нанеся значительный ущерб их доходам.
В связи с этим способность прогнозировать подобные угрозы приобретает критически важное значение. Неточность в оценке урожайности может привести к двум негативным последствиям: дефициту сырья и упущенной прибыли, или же к избытку продукции и падению цен. Традиционные методы подсчета объема урожая трудоемки и не всегда точны.
Как отмечает Луис Филипе Санчес Гулау, PhD в области агрономической инженерии из Португалии: «Ранее мы действовали без достаточной информации. В 2021 году многие виноградари понесли убытки из-за оидиума. Сейчас мы полагаемся на алгоритмы, которые подсказывают оптимальные сроки обработки растений и помогают избежать ненужных расходов».
Искусственный Интеллект: новый союзник
Искусственный интеллект (ИИ) преобразует отрасль виноградарства благодаря своей способности анализировать огромные объемы данных из различных источников: метеостанций, почвенных сенсоров, дронов, спутников и исторических записей.
С помощью этой информации ИИ строит модели, прогнозирующие риски заболеваний лозы на основе погодных условий и состояния растений. Это позволяет виноградарям принимать обоснованные решения о проведении защитных мероприятий в оптимальные сроки.
Кроме того, системы на базе ИИ способны выявлять ранние признаки стресса у лозы, такие как дефицит воды или питательных веществ, что позволяет осуществлять точечную коррекцию полива и внесения удобрений.
Анализ данных с дронов, камер, состояния растений и погодных условий помогает получить более точную оценку объема и качества будущего урожая. ИИ также оптимизирует агротехнические операции, такие как обрезка, полив, зеленые операции и сбор урожая, учитывая специфику каждого участка виноградника.
Основное преимущество использования ИИ в виноградарстве заключается в переходе от реактивного подхода к проблемам к их предотвращению. Это способствует сохранению урожайности и рациональному использованию ресурсов.
Современные технологии определения урожайности с использованием ИИ
Определение урожайности винограда с помощью искусственного интеллекта представляет собой многоступенчатый процесс, включающий сбор данных, анализ изображений, моделирование и прогнозирование.
Сбор данных:
На стадии созревания винограда (часто после начала окрашивания ягод), осуществляется съемка виноградника с использованием беспилотных летательных аппаратов (дронов) или наземных роботизированных платформ, оснащенных камерами высокого разрешения.
Анализ изображений:
Полученные изображения обрабатываются с помощью алгоритмов компьютерного зрения. Нейронные сети выполняют последовательные задачи: обнаружение и сегментация гроздей, подсчет количества гроздей, оценка размера и объема гроздей.
Моделирование и прогнозирование:
Данные об обнаруженных гроздьях дополняются историческими данными урожайности, агрометеорологической информацией (количество осадков, температура, солнечная радиация) и погодному прогнозу.
Прогноз:
Система формирует карты урожайности, отображающие пространственное распределение ожидаемого урожая по винограднику. Это позволяет агроному получать детальную и объективную картину урожайности, превосходящую ручные методы сбора данных по скорости, точности и охвату. Полученная информация служит основой для планирования сбора урожая, логистики и работы винодельни.
Первый шаг в будущее цифрового виноградника
Определение урожайности винограда – задача многогранная, требующая поэтапного решения. В рамках нашего проекта мы разделили её на три этапа.
Первый этап: инвентаризация виноградных насаждений. Для этого мы разрабатываем портативное устройство, синхронизирующееся с мобильным приложением «Digital Winery». Рабочий, используя устройство, отмечает состояние каждого куста в винограднике. Данные отображаются на цифровой карте виноградника с детализацией до уровня куста, позволяя визуализировать проблемные зоны и выявлять причины их возникновения.
Второй этап: автоматизация инвентаризации с использованием видеоанализа. Мы создаем обширный датасет видеозаписей проходов по винограднику для обучения нейронной сети, способной распознавать и подсчитывать лозы. В результате формируется отчет о выпадании лозы.
Для обеспечения стабильности видеосъемки в полевых условиях разработана специальная навесная система для трактора, минимизирующая тряску и вибрацию, что повышает точность работы алгоритмов компьютерного зрения.
Третий этап: глубокий анализ характеристик виноградной грозди, оценка урожайности и выявление ранних очагов заболеваний на основе данных первых двух этапов.
Мы также работаем над интеграцией проекта с другими технологиями, в частности, планируем запуск модуля формирования полетных заданий для мониторинга виноградников с помощью дронов в следующем году.
Успешность проекта обеспечивается совместными усилиями научных сотрудников и инженеров по машинному обучению, которые занимаются разметкой изображений – критически важным этапом обучения нейронной сети.
Заключение
Искусственный интеллект (ИИ) перестал быть предметом научной фантастики и становится доступным инструментом для повышения эффективности управления виноградниками.
Применение ИИ позволяет:
- Точнее прогнозировать урожай: алгоритмы ИИ анализируют исторические данные о погодных условиях, состоянии почвы и других факторах, что способствует более точному прогнозированию объема будущего урожая.
- Эффективнее защищать виноградники от вредителей и болезней: ИИ способен обнаруживать ранние признаки заболеваний и вредителей, что позволяет предпринимать своевременные меры защиты и минимизировать потери.
- Оптимизировать использование ресурсов: ИИ помогает определять оптимальные объемы воды, удобрений и других ресурсов, что способствует экономии затрат и повышению экологической устойчивости хозяйства.
- Принимать обоснованные решения: ИИ предоставляет агрономам доступ к аналитике данных, что позволяет им принимать более взвешенные решения в отношении ухода за виноградником.
Важно отметить, что ИИ не призван заменить опыт и знания агрономов, а скорее служит инструментом для его усиления. Перенимая на себя рутинный анализ данных, ИИ освобождает время агрономов для решения стратегических задач.
Виноделы, которые внедряют технологии ИИ сегодня, получают конкурентное преимущество и создают более устойчивые и прибыльные хозяйства. Внедрение ИИ в виноградарство – это шаг навстречу будущему, где человек и технология работают в тандеме для производства высококачественного вина.
