Основные моменты
-
В данном обзоре рассматривается широкий спектр методов искусственного интеллекта, используемых в зерноперерабатывающей промышленности.
-
Искусственный интеллект улучшает хранение зерна благодаря таким приложениям, как обнаружение вредителей и оценка качества.
-
Интеграция ИИ с Интернетом вещей, блокчейном и цифровыми двойниками приводит к интеллектуальному управлению зерном.
-
В обзоре рассматриваются проблемы внедрения ИИ, такие как конфиденциальность данных и вопросы регулирования.
-
К числу будущих тенденций относятся использование интеллектуальных датчиков, робототехники и дополненной реальности в зернохранилищах.
Интеграция технологий искусственного интеллекта (ИИ) и машинного обучения (МО) совершает революцию в зерновой промышленности , особенно в области хранения и управления качеством. В данной работе представлен всесторонний обзор интеграции ИИ и МО в зерновую промышленность, с акцентом на современные технологии, приложения и будущие достижения. Рассмотрены различные технологии ИИ, включая искусственные нейронные сети (ИНС), системы нечеткой логики и методы МО, такие как глубокое обучение, обучение с учителем и обнаружение аномалий.
Особое внимание уделено практическому применению этих технологий в решении таких важных задач, как обнаружение повреждений от вредителей и насекомых, классификация зерна, обнаружение болезней сельскохозяйственных культур, загрязнение микотоксинами и управление цепочками поставок . Рассмотрены приложения инновационных технологических подходов, включая граничные вычисления, цифровые двойники, Интернет вещей (IoT) и блокчейн , с точки зрения их влияния на повышение качества хранения зерна.
В обзоре также критически рассматриваются проблемы и ограничения, связанные с ИИ и МО, такие как конфиденциальность данных, неточности и нормативные вопросы. Кроме того, в обзоре обсуждаются новые тенденции, которые призваны произвести революцию в управлении качеством зерна, такие как интеллектуальные датчики , робототехника, дистанционное зондирование и дополненная реальность . Путем обобщения существующих знаний и перспектив на будущее, данный обзор призван обеспечить целостное понимание преобразующего потенциала искусственного интеллекта в зерновой промышленности.
1. Введение
Рамочная программа ООН по целям устойчивого развития (ЦУР) призвала различные промышленные сектора мира сосредоточиться на разработке и внедрении устойчивых методов производства (Ладха и др., 2020). Агропродовольственная отрасль демонстрирует устойчивый рост, переходя от традиционных к современным методам производства. Безопасность и качество пищевых продуктов являются ключевыми аспектами, учитываемыми в цепочке поставок и распределения продовольствия. Однако таких темпов трансформации недостаточно для решения проблемы глобального голода. Потребности в продовольствии постоянно растущего населения Земли можно удовлетворить путем внедрения устойчивых методов производства и хранения продуктов питания, тем самым обеспечивая глобальную продовольственную безопасность.
Это подчеркивает необходимость глобального управления зерновыми культурами . Широкомасштабное управление зерновыми культурами возможно благодаря изучению потенциала использования передовых информационных технологий. Хранение зерна представляет собой созданную человеком экосистему, включающую множество взаимодействий между различными живыми и неживыми переменными. Мониторинг качества избыточного зерна, хранящегося в силосах, довольно сложен, поскольку требует значительных затрат энергии, ресурсов, времени и денег.
При управлении зерновыми культурами необходимо учитывать качество на каждом этапе цепочки поставок: от закупки, транспортировки, хранения, распределения, переработки, упаковки и розничной торговли (Mogale et al., 2020a). В более широком смысле, исходное качество продукции имеет важное значение, поскольку оно напрямую влияет на конечное качество на каждом этапе. Необходимо поддерживать оптимальные условия переработки и хранения, чтобы предотвратить ухудшение качества и количества зерна.
На срок хранения зерна влияют различные физические, химические, биологические и экологические факторы (Jian et al., 2019). К ним относятся температура, влажность, относительная влажность , радиация, скорость ветра , погодные условия, географическое положение, структура хранилища, тип зерна, посторонние примеси, биологическое дыхание, птицы, грызуны, насекомые, грибы и плесень. При обработке и хранении зерновых культур следует учитывать как эти внешние, так и внутренние переменные (Jayas, 2012).
Имеющиеся в литературе экспериментальные данные специфичны и были получены в контролируемых условиях. Динамичный характер управления зерном требует прогнозирования условий хранения и переработки для принятия правильных решений независимо от географических и климатических различий. Развитие передовых технологий позволило прогнозировать необходимые оптимальные условия до и во время хранения зерна. Применение искусственного интеллекта (ИИ) в агропродовольственном секторе помогает решать сложные задачи без вмешательства человека (Kumar et al., 2021).
Сегодня внедрение ИИ можно наблюдать и применять в прогнозировании производства продуктов питания, контроле качества, обеспечении безопасности пищевых продуктов, интеллектуальном земледелии, сортировке продукции, упаковке, приготовлении и распределении продуктов питания, разработке новых продуктов, оптимизации цепочки поставок, классификации продукции и идентификации характеристик.
Искусственный интеллект зарекомендовал себя как один из мощных инструментов повышения продовольственной безопасности благодаря таким аспектам, как готовность, надежность, использование и доступность (Kutyauripo et al., 2023). Искусственный интеллект относится к способности машин, робототехники, компьютеров и цифрового оборудования имитировать человеческий интеллект. Различные направления ИИ включают обработку естественного языка (NLP), компьютеры, экспертные системы, робототехнику, машинное обучение и искусственные нейронные сети (ИНС).
Эти подмножества ИИ используются в процессах прогнозирования и принятия решений на различных этапах и процессах цепочки поставок и распределения продуктов питания. В настоящее время ИИ в сочетании с интернетом вещей (IoT) используется для дистанционного зондирования и мониторинга изучаемых систем (De Abreu and van Deventer, 2022). Кодирование ИИ основано на трех когнитивных навыках: обучении, рассуждении и самокоррекции для получения точных результатов.
В то время как ИИ демонстрирует способность машин имитировать человеческий интеллект, машинное обучение (МО) заключается в обучении машины выполнению конкретных задач посредством идентификации и распознавания образов для получения точных результатов. С другой стороны, глубокое обучение (DL) — это подмножество машинного обучения, использующее многослойные нейронные сети для моделирования сложных процессов принятия решений человеческим мозгом . Учитывая разнообразные области применения ИИ, важно понимать индивидуальные характеристики каждого метода, чтобы наилучшим образом использовать их в конкретном сценарии (таблица 1).
Таблица 1. Характеристики различных технологий машинного обучения, используемых в интеллектуальных системах хранения зерна.
| Технология машинного обучения | Преимущество | Ограничение | Приложение |
|---|---|---|---|
| Искусственная нейронная сеть (ИНС) | Умеет распознавать закономерности в сложных данных, таких как тенденции порчи зерна. | Требуется большой объем данных и высокая вычислительная мощность. | Прогнозирование уровня влажности зерна |
| Множественная линейная регрессия (MLR) | Простой, понятный и эффективный способ анализа линейных зависимостей. | Ограниченная производительность при работе с нелинейными данными. | Прогнозирование урожайности зерна |
| Многослойный персептрон (MLP) | Эффективно обрабатывает сложные нелинейные взаимосвязи. | Склонность к переобучению при недостаточном объеме данных | Обнаружение вредителей |
| Левенберг-Марквардт (ЛМ) | Быстрая сходимость в нелинейных задачах оптимизации | Чувствителен к начальным условиям и шуму. | Моделирование скорости дыхания зерна |
| Байесовская регуляризация (БР) | Уменьшает переобучение на небольших наборах данных. | Вычислительно затратно для больших моделей. | Классификация зерна |
| Масштабированный сопряженный градиент (SCG) | Эффективная оптимизация для задач среднего масштаба | Медленнее обрабатывает очень большие наборы данных. | Прогнозирование порчи зерна |
| Сверточная нейронная сеть (CNN) | Отлично подходит для обработки изображений, например, для обнаружения дефектов зерна. | Требуется значительный объем размеченных данных и вычислительных ресурсов. | Обнаружение насекомых в хранящемся зерне |
| Дерево с уменьшенной ошибкой обрезки (REPtree) | Быстрая модель дерева решений, поддающаяся интерпретации. | Ограниченная масштабируемость для больших наборов данных | Выявление условий порчи |
| Алгоритм M5 Квинлана (M5P) | Объединяет деревья решений и регрессию для повышения точности. | Возможно переобучение на небольших наборах данных. | Прогнозирование темпов ухудшения качества зерна |
| Случайный лес (RF) | Обрабатывает разнообразные данные и снижает риск переобучения. | Менее поддаются интерпретации по сравнению с деревьями решений, состоящими из одного элемента. | Классификация условий хранения зерна |
| Модели EfficientNet (B0, B3) | Высокая эффективность для задач классификации изображений. | Вычислительно ресурсоемкий | Обнаружение дефектов зерен в системах визуализации |
| Модели ResNet (ResNet-50) | Решает проблемы затухания градиента в глубоких нейронных сетях. | Высокое время тренировки | Обнаружение плесени в зернохранилище |
| Модели MobileNet (V2, V3) | Оптимизировано для мобильных и периферийных устройств. | Точность несколько ниже по сравнению с более крупными сетями. | Обнаружение порчи зерна в режиме реального времени на устройствах IoT |
| Двунаправленная сеть долговременной кратковременной памяти (Bi-LSTM) | Фиксирует временные зависимости в последовательных данных. | Вычислительно ресурсоемкий и подверженный переобучению. | Прогнозирование колебаний температуры и влажности |
| Метод опорных векторов (SVM) | Надежно работает как с небольшими, так и с многомерными наборами данных. | Вычислительно затратно для больших наборов данных. | Классификация риска порчи зерна |
| Нейронная сеть обратного распространения (BPNN) | Эффективен для нелинейных данных | Медленная сходимость | Прогнозирование дыхания зерна в различных условиях хранения |
| YOLO (You Only Look Once) | Обнаружение объектов в реальном времени | В условиях загроможденной обстановки может не заметить мелкие предметы. | Обнаружение вредителей на изображениях зернохранилищ |
| Регрессия методом частичных наименьших квадратов (PLSR) | Эффективно справляется с мультиколлинеарностью | Не подходит для сильно нелинейных данных. | Оценка содержания белка в зерне |
| Модели CNN-Spl-At, CNN-Spal-At и CNN-Spl-Spal-At | Улучшение механизмов пространственного и канального внимания. | Увеличение сложности и времени обучения. | Улучшенная система обнаружения вредителей в условиях плотного хранения. |
| Экстремальная обучающая машина (ELM) | Высокая скорость обучения | Требуется тщательный подбор параметров. | Классификация уровней влажности зерна |
| GRU (Gated Recurrent Unit) | Упрощает LSTM для ускорения обучения. | Менее выразительный, чем LSTM | Прогнозирование тенденций порчи зерна |
| YOLOv7 DNN | Высокая скорость и точность обнаружения объектов. | Для обучения требуется мощное оборудование. | Выявление поврежденного зерна в режиме реального времени. |
| Faster R-CNN | Высокая точность обнаружения объектов | Для приложений реального времени работает медленнее, чем YOLO. | Выявление заражения насекомыми в образцах зерна |
| ResNet_Внимание | Сочетает в себе глубину ResNet с механизмами внимания для улучшения извлечения признаков. | Высокая вычислительная нагрузка | Классификация видов зерна с учетом тонких различий. |
| Алгоритмы GA, MINLP и PSO | Оптимизация конструкции зернохранилищ и логистики. | Может сходиться к локальным минимумам | Оптимизация размещения складских помещений для снижения порчи продукции. |
| Комбинированные механистические и байесовские сети (PREMA и PREFUM) | Интегрирует механистические модели с вероятностными рассуждениями. | Сложная реализация | Прогнозирование рисков, связанных с микотоксинами. |
В данном обзоре рассматривается эволюция решений на основе искусственного интеллекта в области хранения зерна, освещаются ключевые достижения, проблемы и будущие направления. Проводится всесторонний анализ применения ИИ и машинного обучения в обнаружении вредителей, мониторинге микотоксинов, классификации и сортировке зерна, а также оптимизации цепочки поставок.
В отличие от работ, представленных в литературе и посвященных отдельным аспектам применения ИИ в сельском хозяйстве или общих системах производства продуктов питания, данный обзор предлагает комплексный подход, специально адаптированный к хранению зерна. Он уникальным образом объединяет достижения в области ИИ с новыми технологиями, такими как Интернет вещей (IoT), блокчейн, граничные вычисления и цифровые двойники, подчеркивая их синергию для оценки качества в реальном времени и прогнозной аналитики.
Кроме того, в обзоре критически оцениваются проблемы, связанные с внедрением ИИ, включая конфиденциальность данных, нормативные вопросы и интерпретируемость, а также обсуждаются будущие направления, связанные с интеллектуальными датчиками, робототехникой, дистанционным зондированием и устойчивым управлением энергетикой. Обобщая текущие достижения и прогнозируя будущие технологические траектории, данный обзор призван стать ценным ресурсом для исследователей, политиков и заинтересованных сторон в отрасли, способствуя инновациям в области интеллектуального управления хранением зерна для повышения эффективности, устойчивости и продовольственной безопасности.
2. Изучение применения ИИ в зерновой промышленности.
Зерновые (зерновые, бобовые и масличные культуры) являются неотъемлемой частью ежедневного рациона как людей, так и домашних животных. Зерновые культуры обладают не только питательной ценностью для потребителей, но и имеют большое экономическое значение для производителей и зерновой промышленности. Несмотря на принимаемые меры для продления срока хранения, потери зерна неизбежны. Это происходит главным образом из-за недостаточного понимания и неправильного обращения с зерном, что приводит как к качественным, так и к количественным потерям (Anukiruthika and Jayas, 2024).
Для работы с огромными объемами зерна необходимы всесторонние знания о цепочке поставок и управлении зерновыми культурами . Сложность понимания многочисленных взаимодействий между живыми и неживыми переменными может быть упрощена с появлением ИИ. Таким образом, управление зерновыми культурами может быть удобным и интеллектуальным с использованием ИИ для сбора, организации, анализа, интеграции и предоставления решений проблем безопасности пищевых продуктов.
Применение технологий ИИ обеспечивает интеллектуальные решения путем преобразования необработанных данных с помощью компьютерных моделей в систему, основанную на ценностях (Angarita-Zapata et al., 2021). Это помогает быстро и легко понять систему и удовлетворить потребности и ожидания в соответствии со стандартами качества, преобразуя необработанные данные в аналитическую информацию. Применение ИИ уже реализовано в промышленных секторах, получив раннее распространение в распознавании речи, биометрии , распознавании лиц, планировании и решении проблем (Rodgers, 2020).
Подобно процессам обучения человека, алгоритмы ИИ повышают свою эффективность с течением времени, используя процессы обучения на основе памяти. Это включает в себя ввод структурированных данных в компьютерные системы с последующей идентификацией с помощью метки или аннотации и распознаванием точек данных алгоритма. Процесс начинается с анализа необработанных входных данных и сравнения их с известными существующими данными, которые уже были исследованы (Anukiruthika and Jayas, 2023).
Здесь точность прогнозирования повышается за счет ввода большего количества данных и решения сложных уравнений с течением времени. Таким образом, алгоритмы могут обучаться на входных данных, создавая ценный результат посредством простой группировки на основе статистической вероятности, классификации или категоризации. Понимание технологий на основе ИИ станет переломным моментом в предоставлении интеллектуальных решений для управления хранением зерна. Таким образом, знание ИИ не только помогает в создании структурной основы, но и облегчает анализ больших данных, учитывая полную картину возможных рисков и уязвимостей в области продовольственной безопасности .
Интеллектуальное управление зерном предполагает применение ИИ на каждом этапе обработки, от фермы до стола. Примерами применения ИИ в пищевой промышленности являются прогнозная аналитика для прогнозирования урожайности зерна на основе погодных условий, географического положения и исторических данных , оптимизация цепочки поставок и прогнозирование цен во время закупки зерна (Ganeshkumar et al., 2023).
Также ИИ помогает оптимизировать маршруты для снижения расхода топлива и времени доставки, осуществлять прогнозируемое техническое обслуживание для предотвращения поломок транспортных средств и оптимизировать загрузку во время транспортировки зерна. Алгоритмы ИИ и датчики применяются для управления запасами, мониторинга качества и количества зерна в режиме реального времени, а также для подготовки зерна к хранению на основе обнаружения порчи, влажности и уровня заражения вредителями (Zhou et al., 2015). Таким образом, внедрение устройств IoT, сочетающих ИИ и другие технологии, позволяет оперативно регулировать температуру и влажность в зернохранилищах.
Компьютерное зрение и машинное обучение широко используются в процессе переработки зерна для контроля качества, выявления загрязнений, оптимизации процессов для повышения эффективности помола или сушки, а также для прогнозирования поломок оборудования и проведения планового технического обслуживания (Tiwari et al., 2023; Vadivambal and Jayas, 2016 ; Vithu and Moses, 2016 ). Искусственный интеллект также применяется на этапе распределения в цепочке поставок для прогнозирования потребительского спроса на различные зерновые продукты с целью оптимизации запасов и сокращения отходов. Интеграция блокчейна и ИИ повышает прозрачность цепочки поставок, отслеживая зерно от фермы до стола. Кроме того, это помогает оптимизировать сети распределения для обеспечения экономически эффективной и своевременной доставки зерновых продуктов.
Глобальное управление зерновыми культурами с использованием технологий искусственного интеллекта будет представлять собой комплексный подход, основанный на данных. Каждый этап цепочки поставок зерна анализируется и получает уникальный идентификатор, специфичный для местоположения, погоды, климатических условий и т. д., и записывается в глобальную базу данных с использованием GPS- координат (Jayas, 2023).
Информация о сорте зерна, качестве, влажности, температуре и уровне заражения может непрерывно отслеживаться в режиме реального времени и передаваться с помощью устройств IoT в центральную систему. Собранные большие данные обрабатываются с использованием алгоритмов ИИ и машинного обучения для прогнозирования порчи, оптимизации условий хранения и выявления аномалий.
Данные о погоде, полученные с близлежащих метеостанций, помогают оценивать температуру зерна, когда прямые измерения недоступны. Система также может моделировать поведение насекомых и уровень заражения на основе местных условий и исторических данных, совершенствуясь со временем благодаря новым исследованиям. При использовании систем вентиляции ИИ корректирует параметры для поддержания оптимальных условий хранения.
Этот интегрированный подход обеспечивает эффективное, действенное и устойчивое глобальное управление зерном, сокращая потери и повышая продовольственную безопасность. Несмотря на эти перспективы, существуют некоторые общие проблемы внедрения ИИ в зерновой промышленности. К ним относятся доступность данных, их интерпретация и проверка, нормативные требования, ответственность и доверие (Родригес, 2020).
Внедрение интеллектуальных решений для проблем управления зерном может стать возможным благодаря глобальному сотрудничеству и координации между сообществами, производителями, менеджерами зерновых, промышленностью, учеными и технологами из различных дисциплин пищевой науки , инженерии, компьютерными специалистами и экспертами по искусственному интеллекту. Таким образом, совместные исследования и создание облачных баз данных на глобальном уровне могут проложить путь к улучшению протоколов управления зерном на основе интеллектуальных решений в области искусственного интеллекта.
3. Технологии искусственного интеллекта
Базовое понимание ИИ имеет решающее значение для зерновой промышленности, поскольку оно позволяет принимать решения на основе данных, оптимизировать процессы, осуществлять прогнозирующее техническое обслуживание, повышать эффективность и снижать затраты. Приложения искусственного интеллекта, такие как машинное обучение и компьютерное зрение, улучшают контроль качества и управление цепочкой поставок за счет прогнозирования спроса, оптимизации запасов и обеспечения мониторинга состояния зерна в режиме реального времени (Taneja et al., 2023). Используя ИИ, отрасль может внедрять устойчивые методы, активно управлять рисками и оставаться конкурентоспособной за счет инноваций и улучшенного управления ресурсами. В этом разделе представлено базовое понимание различных распространенных методов и подходов ИИ в контексте зерновой промышленности.
3.1. Методы машинного обучения
Машинное обучение (МО) — это подход, основанный на данных, и представляет собой подмножество искусственного интеллекта, использующее компьютерные программы или алгоритмы, чтобы помочь машинам учиться и совершенствоваться на основе существующих исторических данных без явного программирования (рис. 1). Существует три типа МО: контролируемое обучение, неконтролируемое обучение и обучение с подкреплением (Morales and Escalante, 2022).
Контролируемое обучение фокусируется на определении желаемого результата из набора заданных входных данных, в то время как неконтролируемое обучение не предназначено для прогнозирования каких-либо выходных данных, а используется для фильтрации данных и определения скрытых закономерностей. С другой стороны, обучение с подкреплением включает взаимодействие программного обеспечения и его окружения для достижения конкретных результатов.
Таким образом, МО может быть удобно использовано, когда для данной проблемы нет установленного уравнения. Кроме того, подходы к МО основаны на потенциале компьютерных систем учиться на примерах, а не на кодировании правилами. К числу распространенных методов машинного обучения, используемых в агропродовольственном секторе, относятся регрессия методом наименьших квадратов (OLSR), регрессия методом главных компонент (PCR), пошаговая линейная регрессия (SLR), регрессия методом опорных векторов (SVR), регрессия методом частичных наименьших квадратов (PLSR), регрессия методом случайного леса (RFR), бустинговая логистическая регрессия (BLR) и регрессия методом k-ближайших соседей (KNNR) (Abinaya et al., 2024; Baduge et al., 2022).
Рис. 1. Взаимосвязь между ИИ и машинным обучением.
3.1.1. Обучение под наблюдением
Обучение с учителем — наиболее распространенная форма машинного обучения, как глубокого, так и неглубокого. Оно использует размеченные данные для обучения на примерах. Программа строится как отображение между входными и выходными данными на основе большого количества скорректированных примеров ( Patricio и Rieder, 2018 ). Здесь размеченный пример выступает в роли учителя, который направляет настройку параметров модели обучения для получения более точной модели. Две основные категории задач обучения с учителем — это классификация и регрессия. Некоторые примеры задач классификации из реальной жизни — это компьютерное зрение и медицинская диагностика.
В то время как задачи регрессии связаны с оценкой и прогнозированием непрерывной величины, такой как прогнозирование температуры и прогнозирование розничных продаж. Исследование моделей машинного обучения с учителем было посвящено классификации особей смешанного пола жука-вредителя Callosobruchus chinensis и его паразитоидов (Tuda и Luna-Maldonado, 2020). В исследовании применялись различные алгоритмы, такие как деревья логистических моделей, метод опорных векторов , случайный лес и AdaBoost , для классификации видов и пола на основе признаков изображений.
Модели продемонстрировали высокую точность, варьирующуюся от 88,5 до 98,5%. Простая логистическая регрессия показала надежную работу благодаря эффективному отбору признаков. Исследование солнечной дезинфекции для борьбы с рисовым долгоносиком в хранящейся пшенице с использованием полиэтиленовых пакетов показало, что среди нескольких моделей контролируемого обучения (дерево решений, случайный лес и экстремальный градиентный бустинг) модель случайного леса достигла 99,5% точности в прогнозировании летальных температур для борьбы с вредителями (Abdelsamea et al., 2023). Ключевые выводы включают определение оптимального количества зерна и условий окружающей среды для эффективной дезинфекции. Эти результаты подчеркивают потенциал контролируемого обучения для борьбы с вредителями и экологических исследований.
3.1.2. Обучение без учителя
Это тип машинного обучения, который не использует размеченные образцы в качестве корректного выходного результата для обучения машины. Обработка данных, такая как уменьшение размерности и сжатие изображений, являются примерами обучения без учителя (Ali et al., 2024). Архитектура нейронной сети с автокодировщиком широко используется в приложениях обучения без учителя, поскольку в процессе обучения не используются размеченные данные.
Автокодировщик состоит из двух частей: кодировщика и декодера. Входные данные корректно представляются кодировщиком, а преобразованные данные возвращаются в пространство входных данных с помощью декодера. Здесь нейронные сети только строят реконструкцию входных данных. Аналогично, метод генеративно-состязательной сети (GAN) является еще одним примером обучения без учителя для приложений генерации данных (Wang et al., 2017). Этот метод применяется для генерации образцов данных, когда нет доступа к имеющимся обучающим данным. GAN состоит из генератора для создания образцов данных и дискриминатора для различения образцов. Оба элемента обучаются одновременно без меток данных до тех пор, пока сгенерированные данные не перестанут отличаться от фактических данных. GAN-сети широко используются в обработке изображений , особенно в приложениях для преобразования изображений и текста в изображения.
Эффективность аэрации зерна подсолнечника, хранящегося в силосах, была оценена с использованием алгоритмов машинного обучения , включая модели с обучением под наблюдением, такие как многослойный персептрон (MLP), машина опорных векторов с полиномиальным ядром (SVM-Poly), машина опорных векторов с радиальным ядром (SVM-Radial), дерево решений (J48) и случайный лес, а также алгоритм кластеризации k-средних без обучения под наблюдением (Junior et al., 2024).
Результаты показали, что алгоритм k-средних не подходит для оценки эффективности аэрации, в то время как SVM-Poly продемонстрировал наилучшую прогностическую эффективность для данного приложения. С помощью интеллектуального анализа данных и моделирования машинного обучения был разработан и зарегистрирован веб-инструмент для прогнозирования эффективности систем аэрации зерна подсолнечника. Веб-приложение позволяет пользователям определять, является ли система аэрации эффективной или неэффективной, на основе установленных в литературе эталонных показателей.
Примечательно, что подход с обучением под наблюдением достиг высокой точности прогнозирования в 99,98%, обеспечивая надежные и достоверные результаты. Инструмент под названием «SisAeração – Webapp para sistema de aeração utilizando aprendizado de máquinas» — это зарегистрированная компьютерная программа, предназначенная для облегчения эффективной оценки систем аэрации. Подобные алгоритмы машинного обучения широко применяются при разработке веб- и мобильных платформ для прогнозирования эффективности процесса и принятия обоснованных решений о качестве хранимого зерна.
Для более эффективной классификации насекомых, обитающих в хранящемся зерне, была разработана классификационная сеть восстановления изображений низкого разрешения (LRIRCNet) (рис. 2) (Zhou et al., 2019). Это модель глубокого обучения, основанная на GAN. Сеть повышает точность классификации для изображений низкого разрешения и зашумленных изображений, полученных с помощью онлайн-ловушки для насекомых (OITD). LRIRCNet использует GAN для преобразования изображений низкого разрешения в изображения высокого разрешения, уменьшая шум и повышая точность классификации.
Она показала значительно лучшие результаты, чем традиционные классификаторы, с показателем полноты на 19 процентных пунктов выше, что демонстрирует преимущества ограничений высокого разрешения. Сеть лучше всего работает в условиях низкой плотности насекомых и минимального количества пыли, например, на ранних стадиях хранения. Кроме того, это исследование было уточнено с использованием новых изображений с 22 OITD в зернохранилищах. Дальнейшая работа включает в себя объединение алгоритмов обнаружения насекомых с LRIRCNet для разработки полностью автоматизированной системы мониторинга насекомых , решающей такие проблемы, как пыль и кластеризация насекомых.
Рис. 2. Иллюстрация сети классификатора восстановления изображений низкого разрешения (LRIRCNet), используемой для классификации насекомых, поражающих хранящееся зерно (перепечатано из работы Zhou et al., 2019, с разрешения Elsevier).
3.1.3. Регрессионный анализ
Регрессионный анализ оценивает взаимосвязи между переменными на основе статистических процессов (Дангети, 2017). Он в основном используется для прогнозирования непрерывных результатов. Моделирование взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными путем построения линейного уравнения называется линейной регрессией, которая является одной из простейших форм регрессии.
Показатели качества пшеницы, такие как содержание белка (PC) и содержание клейковины во влажном состоянии (WGC), оценивались с использованием гиперспектральных и RGB-данных в сочетании с моделями машинного обучения (нейронная сеть обратного распространения (BPNN), регрессия методом частичных наименьших квадратов (PLSR), экстремальная обучающая машина (ELM) и RFR) (Zhang et al., 2024). Алгоритм Pearson-CARs-VIF выявил ключевые характеристики, включая цветовые индексы (CI), отражательную способность (OR) и вейвлет-признаки (WF).
В одномодальных данных BPNN с WF показала наивысшую точность, превзойдя как OR, так и CI, с точностью валидации 0,705 и 0,713 для PC и WGC соответственно. Для многомодальных данных модель RFR, интегрирующая OR, WF и CI, показала наилучшие результаты с точностью валидации 0,864 для PC и 0,847 для WGC. Вейвлет-признаки оказались наиболее влиятельными в повышении точности прогнозирования. Таким образом, данное исследование подчеркнуло преимущества сочетания машинного обучения с многомодальными данными дистанционного зондирования для повышения точности и стабильности моделей качества пшеницы.
3.1.4. Машины опорных векторов
Метод опорных векторов (SVM) — это алгоритм машинного обучения с учителем, используемый как для классификации, так и для регрессии. В этом подходе точки данных отображаются в k-мерном пространстве, где «k» представляет количество признаков. Каждый элемент данных представляется в виде точки в этом пространстве, причем значение каждой координаты соответствует определенному признаку (Jo, 2021). Цель SVM — определить гиперплоскость, которая наилучшим образом разделяет точки данных разных классов, максимизируя расстояние между ближайшими точками (опорными векторами) этих классов. Такое разделение позволяет эффективно классифицировать, как это видно в таких приложениях, как классификация насекомых, где классификаторы SVM используются для минимизации межвидовых ошибок путем точного различения видов на основе их признаков (Kasinathan et al., 2021).
Для классификации трех типов риса — басмати, понни и бурого риса — был использован многоклассовый SVM (Ибрахим и др., 2019). Процесс классификации рисовых зерен включает этапы предварительной обработки, такие как преобразование в оттенки серого и бинарное преобразование, за которыми следуют сегментация и извлечение признаков формы и цвета. Для анализа рисовых зерен использовались четыре дескриптора формы (площадь, периметр, длина большой оси и длина малой оси) и три дескриптора цвета (оттенок, насыщенность и яркость). Достигнутая точность классификации составила 92,22%, при этом для басмати — 90%, а для понни и бурого риса — по 93,33%. Результаты показывают, что предложенный метод обработки изображений и классификации эффективен и может помочь в автоматической классификации рисовых зерен в мукомольной промышленности.
3.1.5. Деревья решений
Деревья решений — это интуитивно понятный метод, используемый в задачах классификации и регрессии. Он работает путем рекурсивного разделения данных на подмножества на основе значения атрибута, в результате чего формируется древовидная структура (Baduge et al., 2022). Здесь каждый узел и лист представляют собой решение, основанное на значении признака и метке класса соответственно (рис. 3).
Рис. 3. Анализ потерь при хранении зерна на основе алгоритма дерева решений. а) Схема принятия решений алгоритма дерева решений и б) Псевдокод алгоритма оптимизации (перепечатано из работы Liu et al., 2017, с разрешения Elsevier).
Для анализа и прогнозирования потерь зерна при хранении была разработана модель на основе дерева решений, с акцентом на такие факторы, как плесень и черви (Liu et al., 2017). Модель была оптимизирована с использованием поиска по сетке и перекрестной проверки, что привело к высокой точности прогнозирования: 91,8% для потерь от плесени и 95,4% для потерь от червей. Улучшение обучения на основе ограниченных данных и минимизация переобучения позволили модели предоставить ценные сведения для эффективного снижения потерь зерна при хранении.
Модели машинного обучения использовались для прогнозирования повреждений зерна, вызванных Prostephanus truncatus, в хранилищах кукурузы мелких фермерских хозяйств в Зимбабве ( Nyabako et al., 2020 ). Используя алгоритмы дерева решений и данные, коррелированные с погодой, модель прогнозирования повреждений зерна достигла высокой корреляции 0,93. Модель выявила ключевые факторы, такие как содержание влаги (выше 12%) и температура от 25 до 35 °C, как критически важные для роста вредителей и нанесения ущерба (рис. 4).
Полученные результаты представляют собой экономически эффективный, доступный с мобильных устройств инструмент поддержки принятия решений для фермеров, позволяющий управлять хранением кукурузы и борьбой с вредителями, сокращая потери.
Рис. 4. Иллюстрация взаимосвязи между повреждением зерна и климатическими переменными с использованием кластерной плотности ядра и диаграмм рассеяния (перепечатано из Nyabako et al., 2020, с разрешения Elsevier).
3.1.6. K-ближайших соседей
Алгоритм k-ближайших соседей — это простой, но эффективный алгоритм машинного обучения, используемый в основном для задач классификации и регрессии. Он считается алгоритмом ленивого обучения, поскольку не использует фазу обучения для построения модели; вместо этого он хранит все обучающие данные и делает прогнозы, сравнивая новые точки данных с сохраненными. В алгоритме KNN точка данных классифицируется, рассматривая ее «k» ближайших соседей в пространстве признаков (Динов, 2018). Вклад каждого соседа в классификацию взвешивается в зависимости от его близости к классифицируемой точке данных, при этом более близкие соседи оказывают большее влияние, чем более удаленные. Этот метод особенно эффективен в задачах классификации, включающих многомерные данные и небольшие размеры выборки, поскольку он может достичь более высокой точности идентификации за счет использования локальных закономерностей в данных.
В исследовании изучалось использование алгоритма KNN для классификации сортов пшеницы (Кама, Роза и Канадская) с использованием набора данных Seeds Калифорнийского университета, содержащего 210 записей (Celik, 2023). Образцы пшеницы визуализировались с помощью высококачественной мягкой рентгеновской визуализации, а точность классификации проверялась при различных уровнях обучения (50–90%), значениях соседства (k = 1, 3, 5) и четырех метриках расстояния: евклидовой, чебышевской, манхэттенской и махаланобисовской. Метрика расстояния Махаланобиса с k = 3 показала наивысшую точность со значением площади под кривой 0,992. Это исследование уникальным образом сравнивает производительность KNN при различных размерах обучающей выборки и метриках, предоставляя ценные сведения для будущих применений в машинном обучении в сельском хозяйстве.
3.1.7. Байесовские сети
Байесовские сети — это вероятностные модели, представляющие набор переменных и их условные зависимости посредством направленного ациклического графа. Эти сети особенно полезны для моделирования неопределенностей и рассуждений в условиях неопределенности путем применения априорных знаний и их обновления с помощью новых данных (Kitson et al., 2023). Классификатор наивного Байеса (НБ), более простая форма байесовской сети (БС), работает на основе предположения, что все признаки условно независимы от класса. Это означает, что наличие определенного признака считается не связанным с наличием любого другого признака в пределах класса (Kasinathan et al., 2021).
Хотя это предположение может ограничивать его применимость в некоторых сложных сценариях, простота классификатора наивного Байеса позволяет легко применять его и обеспечивать высокую эффективность даже при ограниченном объеме данных. Он основан на теореме Байеса о вероятности и особенно эффективен для прогнозирования вероятностей принадлежности к определенному классу насекомых, например, для определения вероятности того, что данная точка данных из набора данных о насекомых, переносимых культурой сои, принадлежит к определенному классу насекомых (Antony и Pratheepa, 2018).
Прототип системы поддержки принятия решений (СППР) на основе байесовских сетей был разработан для оптимизации выращивания солодового ячменя без пестицидов (Кристенсен и Расмуссен, 2002). СППР включает в себя основной модуль, который прогнозирует параметры урожайности и качества в идеальных условиях, и два подмодуля, рассматривающих грибковые заболевания, влияние сорняков и механический контроль сорняков (рис. 5). Разработанная система интегрировала экспериментальные данные и экспертные знания, учитывая при этом неопределенности. Пример применения продемонстрировал, как СППР способствует принятию обоснованных решений, предоставляя вероятностные данные о результатах урожайности и качества. В исследовании подчеркивается потенциал байесовских сетей в разработке СППР для устойчивого сельского хозяйства , хотя также обсуждаются связанные с этим проблемы.
Рис. 5. Разработанная система поддержки принятия решений (СППР) с использованием байесовской сети для выращивания ячменя для солодовенного производства без пестицидов. а) Существующие модули СППР и параметры, используемые для прогнозирования, и б) Иллюстрация прогнозируемого снижения урожайности при различных комбинациях расстояний между рядами, методов внесения удобрений и механической борьбы с сорняками (Перепечатано из Kristensen and Rasmussen, 2002, с разрешения Elsevier).
3.1.8. Обнаружение аномалий
Методы обнаружения аномалий включают статистические методы, методы, основанные на машинном обучении (например, одноклассовый SVM, изоляционный лес), и гибридные методы, ориентированные на выявление закономерностей, не соответствующих ожидаемому поведению. Обнаружение аномалий включает в себя идентификацию редких элементов, событий или наблюдений, которые значительно отличаются от большинства данных (Gan et al., 2021). Оно используется в различных приложениях, таких как обнаружение мошенничества, сетевая безопасность и обнаружение неисправностей в производстве. Ключевые компоненты включают модель нормального поведения, механизм оценки аномалий и пороговое значение для выявления аномалий.
Технологии машинного обучения используются для обнаружения аномалий во временных данных сельскохозяйственных работ с целью повышения производительности и устойчивости фермерских хозяйств (Moso et al., 2021). Методология, основанная на данных и неконтролируемом обучении, с использованием улучшенного локально селективного объединения в параллельных ансамблях выбросов (ELSCP) была применена к двум тематическим исследованиям: данным GPS с комбайнов и данным о повреждении урожая.
Подход достиг высокого показателя площади под кривой точности-полноты (AUC) 0,972 в наборе данных комбайнов , превзойдя другие методы на 58,7%, и выявил 30% аномалий в данных о урожае, связанных с повреждением. Интеграция обнаружения аномалий в сельскохозяйственные операции может повысить эффективность уборки урожая, улучшить состояние урожая и принятие решений в точном земледелии. Такие методы обнаружения аномалий одинаково ценны в точном интеллектуальном управлении хранением зерна, обеспечивая мониторинг в реальном времени и упреждающие корректировки для поддержания оптимальных условий хранения и минимизации потерь.
3.2. Методы глубокого обучения
Глубокое обучение — это обучение представлений, позволяющее машине автоматически генерировать представления для обнаружения или классификации на основе входных необработанных данных (LeCun et al., 2015). Глубокое обучение представляет собой многоуровневый подход к представлению, включающий простой нелинейный модуль, который преобразует представление на одном уровне, начиная с необработанных входных данных и переходя на более высокий абстрактный уровень. В ходе этого процесса при каждом преобразовании можно изучать сложные функции.
В случае задачи классификации более высокие слои представления усиливают входные данные, значимые для различения, и подавляют нерелевантные вариации. Ключевой аспект глубокого обучения заключается в том, что эти слои извлечения признаков изучаются с помощью универсальных процедур обучения, а не разрабатываются людьми. Глубокое обучение широко используется в распознавании речи, распознавании изображений, обработке языка, обнаружении объектов, классификации и различении (LeCun et al., 2015).
Таким образом, глубокое обучение позволяет вычислительным моделям изучать представление данных с несколькими уровнями абстракции. Он выявляет сложную структуру в больших наборах данных с помощью алгоритма обратного распространения ошибки , который показывает, как машина может изменить свои внутренние параметры для вычисления представления каждого слоя с учетом предыдущего слоя.
3.2.1. Глубокое обучение с подкреплением
Этот тип подхода машинного обучения сосредоточен на оптимизации стратегий принятия решений в последовательном временном интервале посредством обучения. На каждом временном шаге агент, помещенный в неизвестную среду, совершает действие и переходит к следующему шагу в соответствии с вероятностью перехода . В результате агент получает вознаграждение в качестве обратной связи за совершение определенных действий в среде. В конечном итоге цель агента — максимизировать общее вознаграждение после достижения конечного состояния.
Сочетание глубокой нейронной сети (DNN) с обучением с подкреплением называется глубоким обучением с подкреплением. Здесь DNN используется для определения вероятности каждой пары состояние-действие (значение Q) в течение периода обучения (Li, 2023). Таким образом, глубокое обучение с подкреплением наделяет алгоритм сильной способностью к зондированию и высокой обобщающей способностью, которые крайне необходимы для решения задач. Примерами глубокого обучения с подкреплением являются управление роботами и автономное вождение. Потенциал глубокого обучения с подкреплением в химическом синтезе, разработке лекарств и решении дифференциальных уравнений в частных производных был исследован в последние годы (Li и Du, 2023).
Джехан и др. (2024) исследовали интеллектуальную систему хранения зерна, интегрирующую адаптивные сети силосов, облачные вычисления и обучение с подкреплением (RL). Путем мониторинга параметров в реальном времени (температура, влажность и качество зерна) и динамической корректировки условий хранения с использованием алгоритмов RL система оптимизирует эффективность, минимизирует потери и поддерживает качество зерна. Облачные вычисления обеспечивают масштабируемую обработку данных, прогнозирование и проактивное техническое обслуживание, а передовые методы RL и адаптивные силосы улучшают принятие решений и управление ресурсами. Система демонстрирует превосходную адаптивность и устойчивость, предлагая революционное решение для интеллектуального и экологически чистого хранения сельскохозяйственной продукции.
3.2.2. Искусственная нейронная сеть (ИНС)
За последнее десятилетие искусственные нейронные сети (ИНС) продемонстрировали значительный рост в агропродовольственном секторе. ИНС применяются для решения сложных задач в различных областях, включая воспроизведение и распознавание образов, разработку новых образов, ассоциативное воспроизведение и аппроксимацию функций (Carpenter, 1989).
ИНС не могут быть применены ко всем задачам, но хорошо подходят для случаев с недостаточными наборами данных, недостающей информацией и сложными ситуациями, где решения принимаются на основе человеческого восприятия. ИНС способны справляться с нелинейными задачами, поскольку обучаются в процессе исследования.
Они отказоустойчивы и характеризуются высокой надежностью. ИНС не применяются к задачам, основанным на логике и арифметике, поскольку они требуют высокой точности и эффективности. Имея предварительные знания о необходимой информации из входных данных, ИНС могут быть выгодно использованы для преодоления недостатков традиционных методов. ИНС не требуют точных уравнений для решения, вместо этого им требуется достаточное количество входных и выходных данных.
Кроме того, ИНС — это метод машинного обучения, который можно регулярно обучать для работы с новыми исходными наборами данных. Искусственная нейронная сеть (ИНС) состоит из одного входного слоя, одного выходного слоя и нескольких скрытых слоев (Агатонович-Кустрин и Бересфорд, 2000). Нейронную сеть можно обучить, подав на вход целевые значения (рис. 6). Соответственно, веса изменяются для получения требуемого результата.
Здесь вес обозначает силу связи между двумя узлами в сети. Первоначально веса непредсказуемы и не имеют значений, содержащих необходимую полезную информацию после процесса обучения. После достижения определенного уровня сеть завершает обучение и использует веса для принятия соответствующих решений, выявления закономерностей и корреляции данных.
Рис. 6. Схема архитектуры ИНС с одним скрытым слоем, используемая для прогнозирования грибкового поражения хранящихся партий ячменя (перепечатано из работы Вавржиняка, 2021 г., с разрешения издательства Elsevier).
Влияние методов сушки и хранения на качество сои, с использованием датчиков и моделей машинного обучения для прогнозирования изменений качества, было описано в работе (Lima et al., 2024). Было установлено, что сушка и хранение в сушильных силосах лучше сохраняют качество сои. Среди протестированных моделей (множественная линейная регрессия (MLR), искусственная нейронная сеть (ANN), дерево решений (REPtree), алгоритм M5 Квинлана (M5P) и случайный лес (RF)) ANN лучше прогнозирует изменения физических и химических свойств, демонстрируя превосходную эффективность в прогнозировании качества зерна. Эти результаты подчеркивают, что модели ANN эффективно предвидят потери качества, что указывает на их потенциал для улучшения послеуборочных процессов сушки и хранения.
В исследовании, опубликованном в работе Zhu et al., 2023b, сообщается о разработке инновационной модели нейронной сети, которая интегрирует остаточные сети (ResNet) с механизмами самовнимания для оптимизации принятия решений по вентиляции зернохранилищ. Модель превзошла традиционные подходы, такие как долговременная кратковременная память (LSTM), сверточные нейронные сети (CNN) , вентильные рекуррентные блоки (GRU) и стандартную ResNet, достигнув впечатляющих показателей: точность 94,38%, прецизия 94,92%, полнота 98,94% и F1-мера 96,89%, что демонстрирует ее надежность в прогнозировании потребностей в вентиляции. Таким образом, данное исследование вносит значительный вклад в интеллектуальное принятие решений по вентиляции зернохранилищ на основе ИИ/машинного обучения, служа основой для разработки масштабируемых моделей, интегрированных с датчиками IoT и системами мониторинга в реальном времени.
Существует несколько алгоритмов обучения, которые выбираются в зависимости от конечного приложения для оптимизации их производительности (Hiran et al., 2021). К ним относятся обучение с учителем (обратное распространение ошибки, градиентный спуск, стохастический градиентный спуск, адаптивная оценка моментов, RMSProp, AdaGrad и импульс), обучение без учителя (обучение Хебба, самоорганизующиеся карты Кохонена, автокодировщики и анализ главных компонентов), обучение с подкреплением (Q-обучение, глубокие Q-сети, методы градиента политики и методы актора-критика), гибридное обучение (нейро-нечеткие системы и глубокое обучение), трансферное обучение (тонкая настройка и извлечение признаков) и эволюционные алгоритмы (генетические алгоритмы и нейроэволюция).
Среди них алгоритм обратного распространения ошибки представляется наиболее эффективным и имеет различные версии. Производительность выбранного алгоритма зависит от переменных, зависящих от пользователя, скорости обучения и константы импульса.
3.2.3. Изучение признаков
Обучение признакам включает в себя такие методы, как глубокое обучение и обучение представлениям. Оно работает путем автоматического обнаружения необходимых для задачи машинного обучения представлений на основе необработанных данных (Zhong et al., 2016). Система состоит из слоев нейронов в нейронных сетях, функций активации и алгоритмов обучения (например, обратного распространения ошибки).
Для хранения продукции была разработана интегрированная система обнаружения и идентификации насекомых в режиме реального времени с использованием простой RGB-камеры и моделей глубокого обучения (Badgujar et al., 2023) (рис. 7). Система собрала 2630 изображений шести распространенных видов насекомых, аннотировала их и обучила шесть моделей YOLO (варианты YOLOv5 и YOLOv8) на этом наборе данных (рис. 8). Модели достигли высокой точности (более 76% mAP @[0,50:0,95]) и быстрого времени вывода (12–36 мс). Наилучшая модель YOLOv8l была развернута как на настольных компьютерах, так и на смартфонах, достигнув скорости обнаружения 16 и 29 кадров в секунду соответственно.
Таким образом, эта система может быть масштабирована до существующих систем видеонаблюдения или мобильной робототехники, предлагая быстрое, точное и недорогое решение для мониторинга насекомых, помогая принимать решения на складах, предприятиях пищевой промышленности и в розничной торговле. Он подходит для обнаружения насекомых в режиме реального времени, преодолевая такие проблемы, как подвижность насекомых и неправильная классификация между похожими видами. Компания AIVision Food недавно выпустила на рынок набор зондов, которые отлавливают насекомых в различных условиях и идентифицируют их с помощью инструментов искусственного интеллекта для интегрированной борьбы с вредителями (AIVision, 2025).
Рис. 7. Иллюстрация обнаружения и идентификации насекомых в хранящихся продуктах в режиме реального времени с использованием глубокого обучения (перепечатано из работы Badgujar et al., 2023 , с разрешения Elsevier).
Рис. 8. Блок-схема архитектуры модели YOLOv5, используемой для обнаружения и идентификации насекомых, поражающих хранящиеся продукты (перепечатано из работы Badgujar et al., 2023, с разрешения Elsevier).
3.3. Алгоритмы оптимизации
3.3.1. Генетический алгоритм
Это алгоритмы оптимизации, вдохновлённые естественным отбором . Генетические алгоритмы функционируют, имитируя процесс естественной эволюции, в котором популяция потенциальных решений итеративно улучшается посредством генетических операций, таких как отбор, кроссовер (рекомбинация родительских решений) и мутация (случайные изменения) (Kumar et al., 2019). Эти операции имитируют биологическую эволюцию, позволяя алгоритму исследовать пространство решений и сходиться к оптимальным или близким к оптимальным решениям в последовательных поколениях.
В исследовании, опубликованном в работе Рахман и др. (2015), была проведена оптимизация процесса сушки риса на солнечной энергии с использованием генетического алгоритма (ГА) для повышения энергоэффективности и качества сушки. Рис сушили в солнечной сушилке при температурах от 30 до 60 °C. Результаты показали, что сушка при температурах от 40 до 50 °C со скоростью потока воздуха 1,3–1,5 м/с обеспечила оптимальное время сушки 120–180 мин. Кроме того, оптимизация с помощью ГА минимизировала потребление энергии и повысила ферментативную активность в высушенном рисе, соответствующем стандартам качества. В исследовании были определены идеальные условия сушки: 47 °C в течение 120–130 мин, при этом конечное содержание влаги составило 12,5%, а активность амилазы – 5,12 ± 0,05 SKB/мг белка. Эти результаты подчеркивают потенциал ГА в повышении эффективности процесса сушки зерна.
3.3.2. Оптимизация роя частиц
Оптимизация роя частиц (PSO) — это вычислительный метод, вдохновленный социальным поведением стай птиц или косяков рыб. Он оптимизирует задачу путем итеративного улучшения решений-кандидатов по заданному показателю качества, используя популяцию решений-кандидатов, называемых частицами, которые корректируют свои позиции на основе собственного опыта и опыта своих соседей (Okwu и Tartibu, 2020). PSO имеет варианты, такие как бинарная PSO и многоцелевая PSO.
Принцип работы заключается в том, что рой частиц (решений-кандидатов) перемещается в пространстве поиска , руководствуясь своими лучшими личными позициями и лучшей глобальной позицией. Основные компоненты PSO включают частицы, векторы скорости , векторы положения, лучшие личные позиции и лучшую глобальную позицию (Vanneschi и Silva, 2023). Этот метод может быть применен для решения модели смешанного целочисленного нелинейного программирования (MINLP) для поддержки решений по перемещению и хранению в цепочке поставок зерна (Mogale et al., 2018).
Алгоритм PSO был выбран за его эффективность в решении сложных крупномасштабных задач оптимизации с множеством ограничений и переменных, что делает его подходящим для оптимизации транспортных и складских затрат при обеспечении своевременной доставки и минимизации потерь в цепочке поставок. Кроме того, PSO легко реализуется для различных задач и адаптируется для управления балансом между локальным и глобальным исследованием пространства задач.
Эта адаптивность помогает преодолеть проблемы преждевременной сходимости, связанные с элитными стратегиями в HP-CRO (гибридная оптимизация химических реакций частиц), и повышает поисковые возможности алгоритма. На рис. 9 показан псевдокод оператора PSOUpdate, используемого в алгоритме HP-CRO, подчеркивающий его роль в улучшении качества решения. Эта интеграция PSO в структуру HP-CRO обеспечивает надежный и эффективный подход к оптимизации операций в цепочке поставок зерна, в конечном итоге способствуя более устойчивому и экономически эффективному управлению цепочками поставок.
Рис. 9. Псевдокод оператора PSOUpdate оптимизации роя частиц (перепечатано из работы Mogale et al., 2018, с разрешения Elsevier).
В одном исследовании была предложена двухэтапная модель транспортировки зерна для Индии, сочетающая линейный подход и метод MINLP для минимизации транспортных издержек при одновременном удовлетворении спроса (Майяр и Таккар, 2017). Первый этап включает перемещение зерна между государственными и центральными складами, а второй этап оптимизирует перемещение зерна в рамках ограничений, включая вместимость транспортных средств.
Модель использует новый метод на основе k-параметров для обработки ограничений и применяет две популяционные методики поиска: оптимизацию роя частиц с использованием составных частиц (PSOCP) и PSO для решения задачи оптимизации. Результаты показали, что PSOCP обеспечивает лучшее качество решения, хотя и с несколько большим временем вычислений. Кроме того, была введена система поддержки принятия решений (DSS), чтобы помочь заинтересованным сторонам принимать решения в режиме реального времени, повышая эффективность цепочки поставок зерна, снижая затраты и повышая устойчивость. Таким образом, данное исследование представляет собой пример расширения модели для учета динамических, стохастических и устойчивых условий в будущем.
3.4. Логические и логические системы рассуждений
3.4.1. Система нечеткой логики
Системы нечеткой логики — это методы, основанные на правилах, которые включают использование логических операндов, таких как «ЕСЛИ» (условие) и «ТОГДА» (заключение). Этот метод в основном применяется к задачам принятия решений, связанным с нечеткими системами, которые выявляют скрытую непредсказуемость в операционных процедурах. Эта система включает в себя нечеткую базу правил, фаззификацию, нечеткий вывод и дефаззификацию (Papageorgiou et al., 2016). Поскольку она обладает потенциалом для установления связи между числами и языком, она широко используется для доступа к ценной информации при принятии решений, оценке качества и характеристике атрибутов. В агропродовольственном секторе системы нечеткой логики применяются для определения сенсорных характеристик твердых, полутвердых и жидких пищевых продуктов.
Разработано интеллектуальное устройство, использующее систему нечеткой логики Мамдани для оценки содержания влаги в семенах риса и кукурузы , помогающее фермерам определять качество урожая (Хади и др., 2021). Устройство оснащено датчиком влажности, который считывает уровень влажности в собранном зерне, предоставляя фермерам в режиме реального времени рекомендации о пригодности их урожая к продаже.
Система нечеткой логики использует два входа, ошибку и дельта-ошибку, для генерации функций принадлежности и нечетких правил для точного принятия решений. Метод дефаззификации системы использует подход центроида с низким допустимым отклонением в 0,148 точек. Устройство включает алгоритм линейной регрессии для калибровки показаний датчика с целью точного измерения содержания влаги . Система предоставляет фермерам четкую оценку качества, отображаемую на экране органического светодиода устройства, что улучшает принятие решений после сбора урожая и оптимизирует процесс продажи урожая.
3.4.2. Экспертная система, основанная на знаниях
Использование компьютерного программного обеспечения для решения сложных задач на основе знаний, собранных из различных источников, фактов и информации, называется экспертной системой , основанной на знаниях . Она подразделяется на три класса: экспертные системы, искусственный интеллект, основанный на знаниях, и инженерия, основанная на знаниях. Эта модель, основанная на знаниях, является одним из первых разработанных подходов к искусственному интеллекту, применяемых в агропродовольственном секторе в качестве определяющего инструмента для имитации способностей человеческого мозга к принятию решений (Haider et al., 2021).
Этот подход использует поддержку экспертов для решения сложных задач в определенной области (например, в зерновой промышленности). Он состоит из двух подсистем, называемых базой знаний и механизмом вывода. Первая хранит информацию и факты, а вторая отражает условия, которые ею управляют. Система приходит к выводу на основе этих правил «ЕСЛИ-ТО», и принимается решение. Различные важные элементы экспертной системы включают базу знаний, эксперта-человека, инженера знаний, механизм вывода, пользовательский интерфейс и пользователя (Linko, 1998). Эти системы эффективно используются на каждом этапе технологического процесса, связанном с принятием решений.
Была разработана экспертная система на основе онтологии для классификации зерен ячменя, устраняющая ограничения традиционных ручных оценок (Штуро и Щипинский, 2017). Система формализует экспертные знания и интегрирует отраслевые стандарты для классификации ячменя на основе визуальных атрибутов, таких как цвет и форма, что позволяет неспециалистам выполнять классификацию. Было установлено, что методы машинного обучения, хотя и эффективны, требуют ежегодного обновления для учета меняющихся условий окружающей среды, в то время как экспертные знания остаются неизменными.
В данном исследовании было показано, что система на основе онтологии может достичь точности классификации более 72%. Дальнейшая работа будет сосредоточена на автоматизации процесса оценки зерна с использованием методов компьютерного зрения для извлечения атрибутов, исключении человеческих ошибок и разработке полностью автоматизированной системы обнаружения дефектов в зернах ячменя.
3.5. Самообучение и адаптация
3.5.1. Самообучение
Самостоятельное обучение относится к методам, при которых модель обучается на данных без явных меток (Liu et al., 2022). Часто это включает создание псевдометки или использование самой структуры данных. Такой подход полезен в случаях, когда размеченных данных мало. Проверка внешнего вида зерна (GAI) имеет решающее значение для контроля качества зерна перед хранением, переработкой и распределением для мировой торговли. Было проведено исследование по улучшению традиционных методов проверки зерна (Fan et al., 2022).
В нем решались проблемы путем разделения GAI на три задачи компьютерного зрения: детальное распознавание, адаптация к домену и распознавание вне распределения. Был использован крупномасштабный набор данных GrainSpace, включающий 5,25 миллиона изображений зерен пшеницы, кукурузы и риса, собранных в пяти странах за четыре года. Для сбора данных использовались прототипы специализированных устройств.
Были применены передовые методы компьютерного зрения, такие как полуконтролируемое и самоконтролируемое обучение, что привело к значительному улучшению производительности GAI. Исследование подчеркивает существующие проблемы, связанные с разнообразием зерновых зерен и обнаружением примесей, акцентируя внимание на необходимости адаптивных и обобщаемых моделей. GrainSpace, первый общедоступный набор данных для GAI, призван развивать интеллектуальное сельское хозяйство и способствовать автоматизации оценки качества зерна с использованием компьютерного зрения.
3.5.2. Обучение на основе разреженного словаря
Обучение разреженного словаря может быть реализовано с использованием таких методов, как K-сингулярное разложение (K-SVD) и метод наименьших абсолютных отклонений и отбора (LASSO). Оно включает в себя поиск разреженного представления данных в виде словаря базисных векторов (Sadeghi et al., 2013). Идея заключается в том, что каждая точка данных может быть аппроксимирована как разреженная линейная комбинация элементов словаря, что полезно для таких задач, как обработка сигналов и распознавание изображений. Основные компоненты включают словарь, алгоритмы разреженного кодирования и методы оптимизации для минимизации ошибки представления при обеспечении разреженности .
В исследовании, посвященном классификации и определению качества риса с использованием методов обучения моделей, таких как разреженное представление и обучение словаря (Маваддати, 2020), рассматривалась задача классификации и оценки качества риса. В исследовании были извлечены цветовые, статистические и текстурные признаки из изображений риса для создания репрезентативных моделей классификации.
Для решения проблемы высокой размерности задачи были применены методы разреженного анализа главных компонентов (SPCA) и разреженного структурированного анализа главных компонентов (SSPCA) для уменьшения размерности, повышения точности и вычислительной эффективности.
Предложенный классификатор был сопоставлен с нейронными сетями и моделями SVM. Результаты моделирования, подтвержденные статистическими тестами, показали, что классификатор на основе словаря с использованием SSPCA эффективно определяет тип и качество риса с высокой точностью. Этот метод предлагает точный и эффективный подход к оценке качества риса с потенциальными приложениями в автоматизированных системах сортировки.
4. Применение ИИ и машинного обучения в хранении зерна
Развитие информационных технологий позволило нам осознать расширение использования методов ИИ и машинного обучения в экосистеме хранения зерна. Это создает новый потенциал для развития материальных ресурсов, которые помогают в мониторинге в реальном времени и дистанционном зондировании качества хранимого зерна (Taneja et al., 2023). Установка интеллектуальных сенсорных устройств в зернохранилищах способствует мониторингу качества зерна в реальном времени. Установленные устройства обмениваются информацией об абиотических и/или биотических факторах с веб-сервером, который интерпретирует и анализирует ее на основе инструментов машинного обучения. В результате полученная информация очень полезна для принятия своевременных решений по контролю качества зерна во время хранения. В этом разделе обсуждаются различные приложения и тенденции применения подходов машинного обучения в управлении хранением зерна для обеспечения качества продукции (Таблица 2).
Таблица 2. Различные алгоритмы машинного обучения, используемые в приложениях для хранения зерна.
| Алгоритм | Результаты | Ограничения | Ссылка |
|---|---|---|---|
| АНН | Модель продемонстрировала высокую точность в прогнозировании грибкового поражения при различных условиях хранения (температура 12–30 °C и активность воды 0,78–0,96). | Точность прогнозирования зависит от качества и диапазона входных данных; ограниченные или предвзятые данные могут повлиять на производительность модели. Требуется корректировка при применении к различным типам зерна или условиям хранения. | Вавжиняк (2021) |
| АНН | Эта модель эффективно отразила нелинейные зависимости между условиями хранения и свойствами семян, в отличие от традиционных моделей линейной регрессии. | Точность модели в значительной степени зависит от качества и разнообразия обучающих данных; ограниченные или нерепрезентативные наборы данных могут снизить точность прогнозирования. | Вока и др. (2022) |
| ANN и MLR | По сравнению с методом множественной линейной регрессии, модель искусственной нейронной сети показала лучшие результаты по точности прогнозирования, что указывает на ее пригодность для моделирования сложных взаимосвязей между физическими параметрами и качественными характеристиками риса. | Более крупный и разнообразный набор данных может повысить надежность и применимость модели искусственной нейронной сети к различным сортам риса и условиям окружающей среды. | Сампайо и др. (2021) |
| АНН МЛП | Исследования показали, что как многослойные перцептроны (MLP), так и нейронные сети с радиальными базисными функциями могут эффективно моделировать взаимосвязь между условиями хранения (температура 12–30 °C), активностью воды в семенах (0,75–0,90) и уровнем популяции грибов. | Необходимы дальнейшие исследования для проверки моделей в различных условиях хранения. | Вавжиняк (2020) |
| MLP-NN, LM, BR, SCG | Модель многослойной перцептронной нейронной сети продемонстрировала высокую точность в прогнозировании допустимого времени хранения проса, эффективно учитывая нелинейное взаимодействие между температурой хранения, относительной влажностью и исходным качеством зерна. | Дальнейшие исследования будут направлены на корректировку модели при применении к различным типам зерна или условиям хранения. | Джоши и Рао (2024) |
| CNN | Модель эффективно классифицировала различных насекомых-вредителей ( Rhyzopertha dominica , Sitophilus oryzae и Tribolium castaneum в хранящемся рисе) на основе их уникальных акустических характеристик, демонстрируя высокую точность идентификации. | Влияние фонового шума или наложения звуков может повлиять на точность классификации. | Балинбин и др. (2024) |
| MLR, ANN, REPtree, M5P и RF | Исследование показало, что комбинированное использование датчиков и моделей машинного обучения может повысить эффективность и результативность мониторинга качества сои в реальных масштабах. | Точность моделей машинного обучения в значительной степени зависит от качества и количества обучающих данных; ограниченные наборы данных могут повлиять на надежность прогнозов. | Лима и др. (2024) |
| Модели глубоких сверточных нейронных сетей (EfficientNet-B0, ResNet-50, InceptionV3, MobileNetV2 и MobileNetV3) | Глубокая сверточная нейронная сеть (CNN) продемонстрировала высокую точность классификации различных типов повреждений в зернах шлифованного риса, показав свою эффективность в оценке качества изображений. | Использование изображений с большим увеличением может быть нецелесообразным для крупномасштабной оценки качества в режиме реального времени в промышленных условиях из-за стоимости оборудования и времени обработки. | Мозес и др. (2022) |
| Bi-LSTM | Интеграция глубоких сетей Maxout повышает способность модели улавливать сложные закономерности, связанные с заражением зерна, что приводит к повышению точности обнаружения. | Для обучения модели глубокого обучения требуются значительные вычислительные ресурсы, что затрудняет ее практическую реализацию. | Ведавати и Сухас Бхарадвадж (2024) |
| SVM, LS-SVM, BPNN и CNN | Интеграция THz-TDS и CNN позволила точно идентифицировать различные сорта пшеницы, достигнув высокой точности классификации. | Применение технологии THz-TDS может быть ограничено доступностью и стоимостью оборудования для терагерцовой спектроскопии, что потенциально может препятствовать ее широкому распространению. | Чен и др. (2024) |
| YOLO CNN | Исследование установило корреляцию между обнаруженными заплесневелыми участками и общим количеством бактериальных колоний, что позволяет предположить потенциал модели для оценки уровня микробного загрязнения. | Изменения качества изображения или факторы окружающей среды во время получения изображения могут повлиять на точность обнаружения. | Сунь и др. (2024) |
| CNN, PLSR, SVM регрессия | Модель CNN продемонстрировала превосходные прогностические характеристики по сравнению с традиционными моделями машинного обучения, достигнув среднеквадратичной ошибки прогнозирования (RMSEP) 40,92 мкг/кг и коэффициента детерминации (R² ) 0,91. | Необходимы дальнейшие исследования для оценки практической применимости и масштабируемости этого метода в приложениях реального времени. | Чжао и др. (2024) |
| Модели CNN-Spl-At, CNN-Spal-At и CNN-Spl-Spal-At, SVM и ELM | Модуль CNN с механизмом внимания улучшил способность модели фокусироваться на релевантных спектральных характеристиках, повысив тем самым эффективность классификации. | Эффективность модели зависит от качества и разнообразия гиперспектральных данных. | Ян и др. (2024) |
| Одномерные, двухмерные, трехмерные и смешанные модели CNN | Гиперспектральная съемка в сочетании с моделями CNN эффективно идентифицирует проросшие зерна пшеницы с высокой точностью классификации. Среди протестированных моделей 3D-CNN показала превосходные результаты. | Внедрение гиперспектральных систем визуализации может быть дорогостоящим и потребовать специализированного оборудования и экспертных знаний для их применения. | Чжу и др. (2023a) |
| CNN MCSNet+ | Модель продемонстрировала высокую точность в различении морфологически сходных видов ( Tribolium castaneum , Tribolium confusum , Sitophilus oryzae и Sitophilus zeamais ) в хранящейся пшенице. | Производительность модели в различных реальных условиях хранения данных с разным освещением и фоном еще предстоит проверить. | Ян и др. (2023) |
| Линейная регрессия и построение дерева решений | Разработанные модели продемонстрировали высокую точность прогнозирования, эффективно предсказывая динамику популяции Prostephanus truncatus и связанный с этим ущерб хранящейся кукурузе. | Разработанные модели зависят от доступности и качества входных данных; неточности или пробелы в сборе данных могут повлиять на надежность прогнозирования. | Ньябако и др. (2020) |
| ER Stacking | Предложенный подход продемонстрировал высокую точность классификации образцов пшеницы по различным категориям качества по сравнению с методами, использующими одну модель. Интеграция нескольких классификаторов путем объединения повысила устойчивость модели и ее обобщающие возможности. | Сложность подхода, основанного на ансамблевом наслаивании, может потребовать значительных вычислительных ресурсов. | Цзян и др. (2023a) |
| Логистическая регрессия, BPNN, GS-SVM и FOA-SVM | По сравнению с традиционными моделями, такими как логистическая регрессия, нейронная сеть обратного распространения и метод опорных векторов на основе перебора по сетке (GS-SVM), модель FOA-SVM продемонстрировала превосходные результаты в классификации степеней поражения плесенью. | Вычислительная сложность, связанная с алгоритмами оптимизации, может создавать проблемы для приложений, работающих в режиме реального времени. | Юань и др. (2023) |
| К | Применение генетического алгоритма позволило оптимизировать процесс сушки с использованием солнечной энергии, что потенциально может привести к повышению энергоэффективности и сокращению времени сушки. | Для подтверждения практической эффективности предложенного метода оптимизации необходима экспериментальная проверка. | Рахман и др. (2015) |
| Модель MINLP, алгоритм HP-CRO, алгоритмы CRO и PSO. | Разработана модель MINLP для планирования перемещения и хранения зерна на всех этапах цепочки поставок и распределения. | Вычислительная сложность решения задач MINLP может создавать проблемы для крупномасштабных приложений. | Могале и др. (2018) |
| GA, SVM и KNN | Интеграция SVM с оптимизацией на основе генетического алгоритма (GA) повысила точность классификации с 92,81% до 93,31%, что указывает на эффективную настройку весовых коэффициентов признаков и параметров классификации рисовых зерен с помощью генетического алгоритма. | Размер или разнообразие используемого набора данных могут повлиять на точность классификации. | Рамдхани и Аламсях (2023) |
| MLP, ANN и MLR | Демонстрирует, что мониторинг равновесной влажности и уровня углекислого газа в режиме реального времени может эффективно прогнозировать качество зерна кукурузы во время хранения. | Практическая реализация этой системы мониторинга может потребовать значительных инвестиций в сенсорные технологии и инфраструктуру анализа данных. | Лутц и Коради (2023) |
| Комбинированное механистическое и байесовское моделирование PREMA и PREFUM | Разработка моделей прогнозирования (PREMA и PREFUM) для выявления загрязнения сербской кукурузы афлатоксинами и фумонизинами. | Опора на исторические данные и чувствительность моделей к качеству входных данных потенциально могут снизить их устойчивость в режиме реального времени или в динамических сценариях. | Лю и др. (2021) |
| YOLOv7 DNN | Предложена модель хранения нетипичных данных на основе блокчейна для видеонаблюдения за зерновыми культурами и маслами. | Масштабируемость и интеграция видеоданных с технологией блокчейн остаются проблемами для крупномасштабных приложений. | Чжан и др. (2023) |
| CNN | Выявление аномальных колебаний цен на сельскохозяйственную продукцию на основе улучшенной оценки стандартного отклонения и наклона с использованием модели CNN. | Для улучшения классификации требуется дальнейшая оптимизация модели CNN путем экспериментов с различными архитектурами и глубиной CNN. | Цзян и др. (2023b) |
| Faster R-CNN | Разработанная модель CNN может обнаруживать и идентифицировать различных насекомых, хранящих зерно ( Cryptleste pusillus , Sitophilus oryzae , Oryzaephilus surinamensis , Tribolium confusum , Rhizopertha dominica ). | Дальнейшие исследования должны быть сосредоточены на усовершенствовании алгоритма и интеграции автоматизированной системы обнаружения в зернохранилища для мониторинга в режиме реального времени и повышения точности. | Шен и др. (2018) |
| VGG16, ResNet-50, Inception-v4 и LRIRCNet | Модель генерации изображений на основе GAN с классификатором DNN позволила улучшить классификацию изображений насекомых, обитающих на хранящихся зернах, с низким разрешением ( Sitophilus oryzae , Lasioderma serricorne , Tribolium castaneum , Rhizopertha dominica и Oryzaephilus surinamensis ). | Разработка полноценной автоматизированной системы получения изображений требует интеграции алгоритмов обнаружения насекомых с сетью LRIRCNet. | Чжоу и др. (2019) |
| Билинейная сверточная нейронная сеть и Faster R-CNN | Исследование показало эффективность алгоритмов распознавания изображений для мониторинга 10 распространенных видов насекомых, обитающих в хранящемся зерне на складах. | Сложность условий хранения зерна и наличие нецелевых насекомых, таких как книжные вши и тля, могут негативно повлиять на распознавание целевых насекомых. | Ли и др. (2019) |
- ИНС: Искусственная нейронная сеть
- МЛР: Множественная линейная регрессия.
- MLP: Многослойный перцептрон.
- ЛМ : Левенберг-Марквардт.
- BR : Байесовская регуляризация.
- SCG: Масштабированный сопряженный градиент.
- CNN: Сверточная нейронная сеть.
- REPtree: Дерево решений.
- M5P: Алгоритм M5 Квинлана.
- RF: Случайный лес.
- LSTM: Долговременная кратковременная память.
- Deep-CNN: Глубокая сверточная нейронная сеть.
- Bi-LSTM: Двунаправленная долговременная кратковременная память.
- SVM: Метод опорных векторов.
- LS-SVM: Метод опорных векторов наименьших квадратов.
- BPNN: Нейронные сети с обратным распространением ошибки.
- PLSR: Регрессия методом частичных наименьших квадратов.
- ELM: Экстремальная обучающая машина.
- CNN-Spl-At: Сверточная нейронная сеть на основе спектрального внимания.
- CNN-Spal-At: Сверточная нейронная сеть, основанная на пространственном внимании .
- CNN-Spl-Spal-At: Сверточная нейронная сеть, основанная на спектральном и пространственном внимании.
- ResNet: Остаточная сеть.
- GRU: Вентилируемый рекуррентный блок.
- MCSNet+: Многослойная сверточная нейронная сеть+.
- GS-SVM: Метод опорных векторов на основе поиска по сетке.
- ГА: Генетический алгоритм.
- ER-Stacking: правило обоснования доказательств и ансамблевое обучение методом стекинга.
- MINLP: Смешанное целочисленное нелинейное программирование.
- HP-CRO: Гибридная оптимизация реакций между частицами и химическими веществами.
- CRO: Оптимизация химических реакций.
- PSO: оптимизация роя частиц.
- KNN: K — ближайший сосед.
- BN: Байесовская сеть.
- PREMA: Модель прогнозирования афлатоксинов .
- PREFUM: Модель прогнозирования фумонизинов .
- YOLOv7 DNN: (You Only Look Once) v7 Глубокая нейронная сеть.
- Faster R-CNN: Faster region-Convolution Neural Network.
- GAN: Генеративная состязательная сеть.
- VGG: Группа визуальной геометрии.
- LRIRCNet: Сеть классификаторов для восстановления изображений низкого разрешения.
4.1. Ущерб от вредителей и обнаружение насекомых
Насекомые, включая полевых вредителей и насекомых, поражающих хранящиеся продукты, представляют собой значительную угрозу как для качества, так и для количества зерновых культур. Традиционные методы контроля качества зерна основаны на аналитических методах, которые являются энергоемкими, трудоемкими и занимают много времени.
За последнее десятилетие наблюдается резкий рост использования методов машинного обучения (МО) для идентификации видов. Эти методы включают извлечение признаков для идентификации уникальных узоров или микроструктур из множества полученных изображений (Bisgin et al., 2018). Затем эта информация используется для создания обучающего набора классификатора, который включает близкородственные виды. Сравнивая характеристики извлеченных признаков с методами МО, можно с большей точностью идентифицировать виды насекомых.
Улучшенные рентгеновские изображения с использованием алгоритмов контраста применялись для повышения эффективности обнаружения Sitophilus zeamais (кукурузного долгоносика) в зернах кукурузы (da Silva et al., 2021). Сверточные нейронные сети (CNN) использовались для классификации неповрежденных и зараженных зерен с помощью трех архитектур: Inception-ResNet-v2, Xception и MobileNetV2. Модели на основе MobileNetV2 и Xception достигли высокой точности (≥0,88) в идентификации зараженных зерен, при этом показатели правильной классификации варьировались от 0,78 до 1,00 для валидационного и тестового наборов данных.
Результаты показали многообещающий потенциал в автоматическом обнаружении скрытых вредителей хранилищ, предлагая более надежный подход к проверке зерна. В другой работе исследовалось использование изображений, полученных с помощью дронов, и CNN для обнаружения болезней растений, достигнув точности 98,80% с моделью EfficientNet-B3 (Shah et al., 2023). Для фермеров были разработаны приложение для Android и веб-сайт, позволяющие выявлять болезни растений по изображениям, полученным с помощью дронов или смартфонов, что помогает принимать своевременные решения по управлению здоровьем урожая.
Хотя этот подход перспективен для расширенного сельскохозяйственного мониторинга, его эффективность может быть ограничена в районах с ограниченным доступом к высококачественным технологиям визуализации или там, где условия окружающей среды влияют на четкость изображения. Подобные мобильные и веб-приложения также могут быть эффективно адаптированы для интеллектуального управления хранением зерна и мониторинга вредителей , позволяя принимать своевременные решения для оптимизации условий хранения и сокращения потерь.
Для классификации классов насекомых применялись различные методы машинного обучения, как описано в литературе. В исследовании Касинатана и др. (2021) был представлен алгоритм обнаружения насекомых, включающий выделение переднего плана и идентификацию контуров. Среди протестированных моделей классификации (ANN, SVM, CNN, KNN и NB) модель CNN показала наивысший показатель классификации — 91,5% и 90% для девяти и 24 классов насекомых соответственно ( Касинатан и др., 2021 ).
Многослойная CNN использовалась для классификации насекомых в хранящемся рисе, обнаруженных акустическим устройством с использованием микро-электромеханической системы (MEMS) микрофона (Балинбин и др., 2024). Микрофон MEMS, адаптированный из проекта интеллектуального управления пчеловодством, записывал звуки различных насекомых, обитающих в хранящихся продуктах, таких как малый зерновой жук, рисовый долгоносик и красный мучной жук.
Записанные спектрограммы звуков насекомых затем использовались для классификации (рис. 10). Разработанная модель показала среднюю точность 84,51% в идентификации видов вредителей. Этот метод предлагает эффективный, не требующий применения химикатов подход к обнаружению и борьбе с вредителями в хранящемся зерне. Однако рекомендуется провести дальнейшее тестирование модели с использованием записей звуков насекомых из реальных условий хранения.
Рис. 10. Архитектура сверточной нейронной сети, используемая для классификации звуков насекомых в хранящемся рисе (перепечатано в соответствии с лицензией Creative Commons CC-BY из работы Balingbing et al., 2024 Elsevier).
В другом исследовании сообщалось об определении повреждений зерен пшеницы, вызванных вредителем Eurygaster integriceps , с помощью систем компьютерного зрения ( Sabanci et al., 2022 ). Были разработаны две архитектуры на основе подхода глубокого обучения. Первая представляла собой модифицированную модель AlexNet (mAlexNet), а вторая — гибридную архитектуру (mAlexNet + двунаправленная долговременная кратковременная память (BiLSTM)).
Хотя обе разработанные модели были основаны на трансферном обучении, разработанная гибридная модель включала в себя различные слои FC8, Softmax и выходные слои с BiLSTM. Полученные исходные изображения после предварительной обработки и аугментации данных подавались на вход разработанной архитектуры глубокого обучения.
Результаты показали, что гибридная архитектура, разработанная с использованием слоя BiLSTM на основе временных свойств, обеспечила более высокую точность (99,5%), чем негибридная архитектура (98,5%). Это исследование улучшило предыдущие работы, используя глубокое обучение для непосредственного анализа исходных изображений, что позволило избежать необходимости в сложном и трудоемком извлечении признаков.
Однако требовался этап предварительной обработки изображений, в ходе которого каждое зерно пшеницы обрезалось до одинакового размера перед тем, как быть введенным в модель глубокого обучения. Эта предварительная обработка увеличивала сложность программного обеспечения и снижала скорость работы, поэтому в будущих исследованиях следует стремиться к исключению этого этапа.
4.2. Загрязнение микотоксинами
Инфекция микотоксинами приводит к порче зерна, вызывая экономические потери и риски для продовольственной безопасности. Модели глубокого обучения, несмотря на перспективность обнаружения такого загрязнения, сталкиваются с проблемами из-за дефицита данных.
Для классификации пшеницы, загрязненной дезоксиниваленолом (ДОН) и афлатоксинами (AFB1, AFB2, AFG1, AFG2), на три класса — здоровую, начальную и загрязненную — была использована модель компактного сверточного трансформера (CCT) (Kim et al., 2024). Классификация основывалась на повышенной скорости дыхания CO2 (≥31,20 ± 0,62 мг CO2 кг−1 ч−1 ) и визуальном появлении плесени. Модель CCT достигла точности 83,33%, при этом класс загрязненной пшеницы показал наивысшую точность (1,0), полноту (0,90) и F1-меру (0,95).
Однако для повышения своевременности обнаружения и предотвращения распространения микотоксинов в хранящейся пшенице требуется дальнейшее улучшение классификации здоровой и начальной пшеницы. В другом исследовании был изучен подход машинного обучения, который интегрировал инструменты прогнозирования на основе погодных механистических моделей для прогнозирования загрязнения кукурузы афлатоксином B1 (AFB1) и фумонизинами (FBs) с факторами системы земледелия в качестве входных переменных (Leggieri et al., 2021).
Были разработаны две модели глубоких нейронных сетей (DNN) для прогнозирования того, превысят ли поля кукурузы установленные законом пределы загрязнения AFB1 и FBs к моменту сбора урожая. Модели продемонстрировали точность более 75%, что подчеркивает их превосходную прогностическую эффективность по сравнению с традиционными статистическими методами. Исследование подчеркнуло улучшенные прогностические возможности и надежность этих моделей DNN, что подтверждается обширным 13-летним набором данных и надежной статистической проверкой.
4.3. Классификация зерен и посторонних предметов
Благодаря развитию методов машинного обучения и обработки изображений стало возможным количественно оценивать морфологические (размер и форма), цветовые и текстурные свойства зерен. Было проведено исследование по классификации восьми классов пшеницы Западной Канады с различным содержанием влаги с использованием 32 текстурных свойств, извлеченных из монохромных изображений.
Эти изображения были получены при трех различных условиях освещения, и для процесса классификации использовался классификатор линейного дискриминантного анализа (LDA) (Manickavasagan et al., 2008). На основе метода искусственных нейронных сетей (ИНС) была идентифицирована и классифицирована стекловидная твердая пшеница (тип 1252) среди крахмалистых зерен твердой пшеницы и посторонних предметов на основе в общей сложности 236 морфологических, цветовых, вейвлетных и габорлетных признаков (Kaya and Saritas, 2019). Результаты показали, что примененный классификатор ИНС обеспечил точность классификации 93,46% при использовании 210 функций нейронной сети.
В одном исследовании, посвященном разработке нейронных сетей для быстрой идентификации зерен зерновых культур с использованием сверхскоростной камеры для создания инновационной системы мониторинга и контроля посева (Gierz и Przybyl, 2022), сообщалось о результатах работы. Исследование, сфокусированное на пшенице, ячмене и рапсе, анализировало скорость движения семян и использовало многослойные перцептронные (MLP) нейронные сети для обнаружения и подсчета зерен. Исследование решило проблему отсутствия доступных систем контроля посева, которая часто приводит к образованию пробелов в посевах и незасеянных участков, подверженных росту сорняков.
Создав всеобъемлющую базу данных изображений и проанализировав транспортировку семян при различных скоростях воздушного потока , модели нейронных сетей точно идентифицировали зерна рапса, пшеницы и ячменя, транспортируемые по трубам со скоростью 20 м/с, достигнув коэффициента точности классификации 0,94 и низкой среднеквадратичной ошибки (RMS) 0,05 (Gierz и Przybyl, 2022). Это демонстрирует потенциал для повышения эффективности и точности посева. Подобная система также может использоваться для обнаружения, идентификации и количественного определения посторонних примесей в зерне с целью контроля качества зерна во время хранения.
Метод ER-Stacking (Evidence Reasoning Rule and Stacking Ensemble Learning) — это комбинированный подход, используемый для повышения точности классификации путем интеграции нескольких моделей машинного обучения. Этот подход был применен для классификации качества хранящейся пшеницы (Jiang et al., 2023a). Базовые модели выбираются на основе разнообразия и эффективности классификации, а их данные оптимизируются с использованием алгоритма дифференциальной эволюции и сходства вероятностного расстояния.
Затем правило ER объединяет эти оптимизированные данные для достижения надежной классификации (рис. 11). Результаты показали, что ER-Stacking значительно превосходит традиционные модели и другие стратегии интеграции, достигая высокой точности классификации (88,1%) и повышая надежность классификации качества хранящейся пшеницы.
Рис. 11. Структура ансамблевой модели ER-Stacking (перепечатано из Jiang et al., 2023a , Jiang et al., 2023ba с разрешения Elsevier)
В другом исследовании изучалась возможность использования машинного обучения для классификации различных сортов семян кукурузы (Desi Makkai, Kashmiri Makkai, Sygenta ST-6142, Neelam Makkai, Pioneer P-1429 и ICI 339) (Ali et al., 2020). Полученные изображения были преобразованы в гибридный набор данных признаков, объединяющий гистограммные, текстурные и спектральные признаки .
Для оптимизации девяти ключевых признаков использовалась методика выбора признаков на основе корреляции (CFS) с алгоритмом поиска наилучшего первого элемента. С использованием этих оптимизированных признаков были построены модели Random Forest, BayesNet, LogitBoost и MLP с применением 10-кратной перекрестной проверки. Среди классификаторов MLP достиг наивысшей точности классификации — 98,9% в областях интереса (ROI) размером 150 × 150 пикселей, при этом удельная точность для каждого сорта кукурузы варьировалась от 97,0% до 99,9%.
4.4. Оценка и сортировка
Для обучения семантических масок сегментации различных классов зерен, таких как целые и дефектные зерна в образцах чечевицы и нута, использовалась модель глубокого обучения, позволяющая оценивать качество зерен с помощью изображений зерен в целом (Assadzadeh et al., 2022b). Затем эти маски сегментации использовались для калибровки процентного содержания целых зерен по весу в образцах. Результаты показали, что оптимальная модель прогнозирования достигла среднеквадратичной ошибки (RMSE) 3,1% и коэффициента детерминации R² 0,99 для целых зерен.
В другом исследовании изучались кинетические характеристики движущихся зерен для определения их физических свойств (Laudari et al., 2022). Исследование показало, что простая нейронная сеть может быть использована для классификации свойств зерен, таких как размер, плотность и адгезия, путем обнаружения кинематических закономерностей. Этот метод потенциально может использоваться для сортировки различных гранулированных материалов в различных средах и процессах. Хотя описанная модель с одним нейроном показала многообещающие результаты, ожидается, что более совершенные архитектуры и дополнительные данные (например, скорость, ускорение) повысят точность классификации. Включение интерпретируемых моделей, таких как случайные леса, также может дать представление о ключевых признаках для лучшей классификации.
Наиболее эффективные признаки и классификаторы были использованы для различения «свежих» и «гнилых» образцов пшеницы (Агарвал и Бачан, 2023). Процесс начался с удаления теней, сегментации и разделения зерен, за которым последовало извлечение 7 цветовых и 16 текстурных признаков. Четыре бинарных классификатора: SVM , KNN, MLP и NB были оценены с использованием 10-кратной перекрестной проверки. Результаты показали, что SVM, использующий цветовые признаки, достиг наивысшей точности в 93%, в то время как NB, использующий текстурные признаки, достиг точности в 65%. Эти результаты подчеркивают эффективность SVM с цветовыми признаками для автоматической оценки качества пшеницы.
4.5. Управление цепочкой поставок зерна
Системы закупки и хранения зерна связаны с его транспортировкой на большие расстояния, в основном по железной дороге, и на меньшие расстояния — автомобильным транспортом. В южноиндийском штате Керала было проведено исследование, посвященное оптимизации транспортировки зерна с использованием машинного обучения для прогнозирования демереджа, связанного с остановкой железнодорожных вагонов (Sawant et al., 2021).
В этом исследовании были протестированы четыре популярных алгоритма классификации (SVM, KNN, дерево решений и RF) на двух складах. Результаты показали, что алгоритм RF оказался наиболее эффективной моделью для склада А, в то время как SVM показал лучшие результаты для склада В. Модели продемонстрировали устойчивость, показав стабильную производительность между обучающей и тестовой выборками, что подчеркивает их потенциал в снижении демереджа в логистике зерна. Закупка и транспортировка зерна от фермеров стали критически важными из-за растущего спроса на продовольствие и послеуборочных потерь в развивающихся странах. Исследование Mogale et al.
В работе (2020b) предложена надежная модель цепочки поставок, основанная на данных, для повышения эффективности закупок зерна в Индии. Используя данные из трех основных регионов-производителей пшеницы, была разработана модель смешанного целочисленного линейного программирования (Mogale et al., 2020b). Целью модели было минимизировать общие затраты цепочки поставок и определить оптимальное количество и местоположение центров закупок.
Для кластеризации деревень использовался гибридный генетический алгоритм NK (NKHGA), а для оптимизации сети цепочки поставок — подход, основанный на плотности. Анализ чувствительности показал, что политикам следует создать достаточное количество центров закупок в штатах с избытком зерна до начала сезона сбора урожая. Это исследование предоставляет ценную информацию для заинтересованных сторон, включая фермеров, закупочные агентства, поставщиков логистических услуг и государственные органы, для принятия обоснованных решений с использованием подхода машинного обучения.
В работе (Mogale et al., 2018) с помощью машинного обучения была решена трехэтапная задача распределения зерновых культур в Индии, включающая узлы происхождения, центры закупок, базовые силосы и полевые силосы. Была разработана модель MINLP для минимизации транспортных, складских и операционных затрат с учетом таких реалистичных факторов, как вместимость силосов, фиксированные и переменные транспортные расходы, сезонные закупки, детерминированный спрос и конечные горизонты планирования. Модель решается с использованием алгоритма HP-CRO ( рис. 12 ), проверенного на базовых алгоритмах CRO и PSO , что демонстрирует превосходное качество решения и более быструю сходимость. Результаты этого исследования могут помочь в принятии решений таким организациям, как Продовольственная корпорация Индии (FCI), государственные агентства (SGAs), железные дороги и подрядчики. В будущих исследованиях можно ослабить допущения, изучить распределение нескольких видов зерна и оптимизировать производительность алгоритма путем настройки параметров.
Рис. 12. Гибридная оптимизация частиц и химической реакции (HP-CRO). а) Блок-схема, иллюстрирующая работу алгоритма HP-CRO, и б) Псевдокод HP-CRO (перепечатано из работы Mogale et al., 2018, с разрешения Elsevier).
4.6. Оценка качества и обработка
Алгоритмы машинного обучения показали многообещающие результаты в прогнозировании качества сельскохозяйственной продукции. Используя большие наборы данных и вычислительные мощности, машинное обучение может эффективно обрабатывать, анализировать и интерпретировать сложные данные. Правильно смоделированные методы машинного обучения могут обеспечить более быструю и точную оценку по сравнению с традиционными статистическими методами.
Качество шлифованного риса было спрогнозировано с использованием моделей машинного обучения (ANN, алгоритм Квинлана, случайное дерево, REPTree и RF) для классификации цельного риса, обработанных зерен и дефектов (Carneiro et al., 2023). Среди протестированных моделей модель случайного дерева продемонстрировала высокую точность прогнозирования качества зерна. Она достигла коэффициента корреляции Пирсона 0,96, средней абсолютной ошибки 0,017 и коэффициента детерминации (R² ) 0,92.
Эти результаты показывают, что сочетание ближнеинфракрасной спектроскопии с алгоритмами машинного обучения предлагает эффективную, неразрушающую альтернативу традиционным ручным методам оценки физико-химического качества как целых, так и дефектных зерен риса. В другом исследовании потери сухого вещества сои оценивались с использованием методов машинного обучения (Zeymer et al., 2021).
Были протестированы следующие пять моделей: Cubist, RF, ANN, SVM с полиномиальным ядром и SVM с радиальным ядром. Результаты показали, что модель RF обеспечивает точное прогнозирование потерь сухого вещества сои на основе температуры и влажности во время хранения. Модель RF продемонстрировала сильное соответствие между наблюдаемыми и прогнозируемыми значениями как на этапе обучения, так и на этапе тестирования.
Этот подход оказался экономически эффективным инструментом для прогнозирования потерь сухого вещества в хранящейся сое, что повышает эффективность управления рисками и принятия решений в соевой промышленности. Выход готовой продукции при помоле был спрогнозирован на основе полученных изображений и спектральных данных 996 образцов пшеницы (Assadzadeh et al., 2022a). Собранные образцы были охарактеризованы и сгруппированы по спектральным, цветовым и морфологическим характеристикам изображений зерен.
В этом исследовании использовалось глубокое обучение для классификации ориентации зерен, оценки относительного размера зародыша и эндосперма , а также оценки глубины складки зерна. Затем эти характеристики были использованы для разработки регрессионных моделей для процента выхода готовой продукции при помоле (MY%). Среди протестированных моделей наибольшую точность показала регрессия на основе гауссовских процессов (GPR) со всеми характеристиками в качестве входных данных, со значениями скорректированного R² 0,81, 0,94 и 0,61 для удельного веса, веса зерна и MY% соответственно, и среднеквадратичной ошибкой перекрестной проверки 1,24% для MY%.
Исследователи разработали модель искусственной нейронной сети (ИНС) для прогнозирования критических параметров, влияющих на качество рапса во время хранения, таких как содержание влаги, температура и продолжительность хранения (Voca et al., 2022). Используя многослойный перцептрон, ИНС учла параметры сушки (сорт, температура сушки, скорость воздуха и время), начальное содержание масла и свободных жирных кислот , а также тип хранения (рис. 13). Модель показала высокую точность, с коэффициентами детерминации от 0,965 до 0,998, эффективно прогнозируя вес, влажность, содержание масла, содержание свободных жирных кислот и массу тысячи зерен после 12 месяцев хранения. Это исследование продемонстрировало потенциал ИНС в мониторинге и управлении хранением рапса для снижения порчи и поддержания качества.
Рис. 13. Схема моделей искусственных нейронных сетей (ИНС) (FFA – содержание свободных жирных кислот и TKW – масса 1000 зерен). а) ИНС1, б) ИНС2 и в) ИНС3 (Перепечатано из Voca et al., 2022, с разрешения Elsevier).
Была разработана система машинного зрения для классификации поврежденных зерен шлифованного риса (Moses et al., 2022). Предложенная система включает три ключевых этапа: получение изображений, предварительную обработку и классификацию, как показано на рис. 14. Она использует набор данных с высоким увеличением, состоящий из 8048 изображений, охватывающих семь категорий повреждений: здоровое состояние, полностью меловое, меловое обесцвеченное, наполовину меловое, сломанное, обесцвеченное и нормальное.
Пять передовых моделей глубоких сверточных нейронных сетей (CNN), таких как EfficientNet-B0, ResNet-50, InceptionV3, MobileNetV2 и MobileNetV3, были доработаны для классификации повреждений. Модель EfficientNet-B0 превзошла остальные, достигнув точности классификации 98,37%, при компактном размере модели 47 МБ и быстром времени прогнозирования 0,122 с. Кроме того, она смогла подразделить меловое повреждение на три различные категории. Этот подход, основанный на глубокой сверточной нейронной сети, предлагает высокоточный и эффективный метод классификации повреждений рисовых зерен, предоставляя объективный инструмент для оценки качества на рынках и в торговых точках.
Рис. 14. Блок-схема показывает этапы классификации рисовых зерен с использованием системы машинного зрения (перепечатано из работы Moses et al., 2022, с разрешения Elsevier).
5. Инновационные технологические подходы к управлению качеством при хранении зерна.
5.1. Интернет вещей в управлении качеством при хранении зерна
Интернет вещей (IoT) — это технологическая парадигма, которая объединяет широкий спектр датчиков, устройств и систем в сеть, позволяя им беспрепятственно обмениваться данными и взаимодействовать друг с другом. В управлении качеством хранения зерна IoT предполагает встраивание датчиков в хранилища для непрерывного мониторинга ключевых параметров, таких как температура, влажность и концентрация газов (Parameswaran et al., 2024). Эти датчики собирают данные в режиме реального времени и передают их в централизованные системы для анализа, обеспечивая всестороннее представление об условиях хранения и позволяя незамедлительно принимать необходимые меры. В то время как IoT фокусируется на аспектах подключения и сбора данных, граничные вычисления расширяют возможности обработки и принятия решений, обрабатывая анализ данных локально, предлагая более быстрые и эффективные реакции на условия в режиме реального времени.
Интернет вещей (IoT) отличается от искусственного интеллекта (AI) и машинного обучения (ML) тем, что в первую очередь фокусируется на сборе и передаче данных, а не на их анализе и прогнозировании. В то время как AI и ML используют исторические данные и данные в реальном времени для прогнозирования и получения аналитических выводов, IoT служит базовой инфраструктурой, предоставляющей эти данные. По сути, IoT обеспечивает необходимые входные данные для работы алгоритмов AI и ML, в то время как AI и ML предлагают расширенные возможности аналитики и принятия решений на основе данных, собранных устройствами IoT. Будущее IoT в управлении хранением зерна выглядит многообещающим, поскольку ожидается, что достижения в области сенсорных технологий, интеграции данных и аналитики в реальном времени повысят эффективность работы и контроль качества (Lutz и Coradi, 2022). Системы IoT станут более сложными, что позволит лучше интегрировать их с AI и ML для дальнейшей оптимизации условий хранения и прогнозирования потенциальных проблем.
Был предложен проект для определения целесообразности и эффективности внедрения Интернета вещей (IoT) в зернохранилищах (Soares et al., 2020). В этой работе для мониторинга в реальном времени и фумигации озоном в пилотных силосах с хранящимся рисом использовалась стандартная платформа IoT. Разработанная вычислительная платформа включала устройства IoT, соединенные с программными модулями ядра IoT, хранилища данных и бизнес-аналитики (BI) в реальном времени.
Эта платформа показала многообещающие результаты в оценке условий хранения (температуры и влажности) в силосе с помощью визуальных оповещений. Кроме того, она способствовала своевременной поддержке принятия решений по мере необходимости. Также использование озона для дезинфекции силосов в реальном времени в ответ на ситуацию (сигнал, полученный от IoT) подчеркивает своевременное вмешательство для управления качеством хранимого зерна.
Таким образом, IoT предлагает надежную основу для непрерывного мониторинга и автоматизированного управления условиями хранения, повышая точность и надежность методов хранения зерна. На практике это позволяет оперативно реагировать на изменения условий хранения, снижая риск порчи и поддерживая качество зерна.
Однако остаются проблемы, в том числе обеспечение надежности и безопасности сетей IoT, управление и интерпретация огромных объемов генерируемых данных, а также интеграция систем IoT с существующей инфраструктурой. Кроме того, существуют опасения по поводу конфиденциальности данных и потенциальных угроз кибербезопасности (Vangala et al., 2023). Решение этих проблем имеет важное значение для полного использования преимуществ IoT и повышения эффективности управления хранением зерна.
5.2. Сочетание периферийных вычислений и ИИ в управлении качеством при хранении зерна.
Интеграция граничных вычислений и ИИ преобразует управление хранением зерна, обеспечивая расширенную обработку данных в режиме реального времени и принятие решений непосредственно в точке генерации данных. Граничные вычисления предполагают размещение вычислительных ресурсов ближе к источнику данных, например, внутри самого зернохранилища, вместо использования удаленных централизованных серверов или облачных платформ (Alonso et al., 2020). Такая локализованная обработка снижает задержку, поскольку данным не нужно перемещаться на большие расстояния для анализа, и минимизирует использование полосы пропускания за счет обработки больших объемов данных на месте.
В данном случае алгоритмы ИИ дополняют периферийные вычисления, анализируя данные, собранные с различных датчиков, таких как датчики температуры, влажности и уровня влажности в хранилище зерна. Алгоритмы ИИ используют эти данные для оптимизации условий хранения, прогнозирования потенциальных проблем с техническим обслуживанием и автоматизации реагирования на изменения. Например, если датчики обнаруживают повышение температуры или влажности, которое может привести к порче зерна, системы, управляемые ИИ, могут мгновенно отрегулировать вентиляцию или активировать системы охлаждения, поддерживая таким образом оптимальные условия без вмешательства человека.
Эта возможность работы в режиме реального времени является значительным преимуществом по сравнению с традиционными подходами машинного обучения, которые часто полагаются на исторические данные для разработки моделей и прогнозирования. Хотя модели машинного обучения необходимы для выявления закономерностей и тенденций во времени, периферийные вычисления с ИИ позволяют принимать решения немедленно и локально (Deng et al., 2020). Обрабатывая данные и действуя на них в режиме реального времени, эта комбинация обеспечивает непрерывный мониторинг и эффективное управление условиями хранения зерна, снижая риск порчи и оптимизируя использование ресурсов.
Была продемонстрирована реализация беспроводной сенсорной сети (WSN) с использованием Интернета вещей (IoT), облачных вычислений и больших данных для удаленного мониторинга и управления зернохранилищами для Агентства продовольственных резервов Замбии (FRA) (Chibuye, 2019). Хотя для обработки данных в основном используются облачные вычисления, разработанный в этой работе модульный прототип системы демонстрирует потенциальные возможности применения граничных вычислений.
Благодаря возможности локального сбора данных и предварительной обработки с помощью устройств IoT, работающих на ОС Android Things, система снижает потребность в постоянной зависимости от облака, открывая путь для мониторинга и принятия решений в режиме реального времени на периферии. Результаты включают масштабируемую конструкцию, адаптируемую к различным сценариям, и базу данных, полученную на основе бизнес-правил и базовых исследований. Будущие усовершенствования, такие как интеграция технологии блокчейн и использование Национального центра обработки данных Замбии , могут еще больше расширить возможности системы.
Этот подход соответствует Цели устойчивого развития ООН до 2030 года по искоренению голода путем повышения эффективности сельского хозяйства и продовольственной безопасности, подчеркивая роль достижений в области ИКТ, включая граничные вычисления, в решении этих глобальных проблем. В целом, синергия между граничными вычислениями и ИИ повышает операционную эффективность, обеспечивая более быструю реакцию на изменения окружающей среды, улучшая конфиденциальность данных за счет локального хранения конфиденциальной информации и поддерживая более эффективное управление ресурсами хранения. Этот подход не только оптимизирует операции, но и способствует поддержанию высококачественных условий хранения зерна, что в конечном итоге приводит к более эффективным и надежным методам управления.
5.3. Блокчейн в управлении качеством при хранении зерна
Блокчейн — это децентрализованная и распределенная технология учета, которая поддерживает безопасную и прозрачную запись транзакций в сети компьютеров. Каждая транзакция группируется в блоки, которые затем связываются в хронологическую цепочку (Ифтехар и др., 2021). В управлении качеством хранения зерна блокчейн может использоваться для отслеживания и проверки каждого этапа транспортировки зерна от фермы до хранилища и распределения. Это создает неизменяемую и прозрачную запись транзакций, что помогает обеспечить подлинность и целостность данных, связанных с качеством и безопасностью зерна.
В отличие от Интернета вещей (IoT), который фокусируется на сборе данных в реальном времени с помощью датчиков и устройств, блокчейн занимается безопасной записью и проверкой этих данных. В то время как ИИ и машинное обучение анализируют и прогнозируют результаты на основе данных, блокчейн обеспечивает способ гарантировать, что данные не могут быть изменены или подделаны после записи. Это делает блокчейн особенно ценным для поддержания достоверной и поддающейся аудиту записи о зерновых транзакциях и условиях на протяжении всей цепочки поставок.
Теоретически, блокчейн обеспечивает надежную основу для обеспечения целостности данных и подотчетности, что имеет решающее значение для управления и проверки качества зерна. На практике он упрощает процессы аудита и укрепляет доверие между участниками цепочки поставок, предоставляя неизменяемую запись всех транзакций. Будущее блокчейна в управлении хранением зерна выглядит многообещающим, поскольку он предлагает значительные преимущества с точки зрения отслеживаемости и подотчетности (Zhang et al., 2020). Внедрение блокчейна позволяет заинтересованным сторонам получить доступ к прозрачной и проверяемой истории процессов хранения и обработки зерна, что может повысить безопасность пищевых продуктов, снизить уровень мошенничества и улучшить соответствие нормативным стандартам.
AgriDigital использует технологию блокчейн для повышения цифрового доверия в цепочках поставок сельскохозяйственной продукции, обеспечивая безопасные, прозрачные и эффективные товарные транзакции (Xu et al., 2019). Основанная австралийскими фермерами и специалистами в области агробизнеса, облачная платформа AgriDigital объединяет фермеров, торговцев и операторов площадок, обеспечивая бесперебойное управление контрактами, поставками, запасами, счетами-фактурами и платежами.
В декабре 2016 года AgriDigital провела новаторский пилотный проект, осуществив первый в мире расчет по физическому товару на основе блокчейна. Это включало мгновенную оплату австралийскому фермеру, выращивающему пшеницу, с использованием смарт-контракта, который сопоставлял передачу права собственности с платежом, исключая риск контрагента и сокращая типичные задержки платежей (Xu et al., 2019).
В пилотном проекте использовался частный блокчейн Ethereum, интегрированный с весовыми платформами и станциями отбора проб, демонстрируя потенциал блокчейна для повышения эффективности, безопасности и доверия в глобальных цепочках поставок сельскохозяйственной продукции. Однако внедрение блокчейна сопряжено с рядом проблем. К ним относятся необходимость широкого внедрения в цепочке поставок, интеграция с существующими системами и вычислительные ресурсы, необходимые для поддержания и проверки реестра блокчейна (Burgess et al., 2022). Кроме того, существуют опасения по поводу масштабируемости и способности эффективно управлять большими объемами транзакционных данных. Решение этих проблем имеет важное значение для полного использования преимуществ технологии блокчейна в улучшении управления качеством хранения зерна.
5.4. Цифровые двойники в управлении качеством при хранении зерна
Цифровой двойник — это виртуальная копия физического актива, процесса или системы, используемая для моделирования и анализа реальных показателей в режиме реального времени. В управлении качеством хранения зерна цифровые двойники предполагают создание подробной цифровой модели хранилища и его работы, включая само зерно и окружающую среду. Эта модель непрерывно получает данные от датчиков и других источников, что позволяет осуществлять мониторинг и моделирование различных сценариев в режиме реального времени для оптимизации условий хранения и качества (Peladarinos et al., 2023). В отличие от ИИ и машинного обучения, которые фокусируются на анализе данных и прогнозировании на основе исторических закономерностей, цифровые двойники обеспечивают динамическое и интерактивное моделирование физических процессов. В то время как алгоритмы ИИ и машинного обучения прогнозируют будущие результаты на основе данных, цифровые двойники позволяют визуализировать и экспериментировать с различными стратегиями и сценариями в виртуальной среде.
Цифровые двойники — это динамические модели физических систем, работающие в режиме реального времени. В контексте хранения и обработки зерна они постоянно обновляются, отражая реальные условия. Это позволяет точно отслеживать качество зерна и условия хранения. В отличие от традиционных симуляций, основанных на заранее определенных предположениях, цифровые двойники предоставляют более точный и оперативный инструмент для принятия решений в области хранения зерна.
Теоретически, цифровые двойники обеспечивают всестороннее и оперативное понимание систем хранения, позволяя проводить детальный анализ и тестирование сценариев. На практике они могут улучшить управление качеством зерна, позволяя вносить упреждающие корректировки, прогнозировать потенциальные проблемы до их возникновения и оптимизировать методы хранения. Например, цифровые двойники могут моделировать влияние изменений температуры или влажности на качество зерна, помогая точно настраивать параметры окружающей среды и графики технического обслуживания.
Будущее цифровых двойников в хранении зерна выглядит многообещающим, с потенциалом значительного повышения операционной эффективности и управления качеством (Dyck et al., 2023). По мере развития технологий цифровые двойники будут становиться все более сложными, интегрируясь с ИИ и машинным обучением для повышения прогнозных возможностей и автоматизации реагирования. Эта интеграция позволит повысить точность прогнозирования, улучшить процесс принятия решений и оптимизировать управление условиями хранения зерна.
Была отмечена потенциальная возможность использования цифровых двойников для повышения отслеживаемости и принятия решений в сфере хранения и обработки зерна. Зерновые элеваторы, оснащенные передовыми датчиками и цифровыми инструментами, могут отслеживать запасы, качество и операционные процессы, устраняя разрыв между производителями и потребителями. Интеграция датчиков качества в реальном времени с платформами учета улучшает ситуационную осведомленность и стратегии обработки, обеспечивая при этом полную историю отслеживаемости от фермы до потребления.
Была предложена пилотная модель цифрового двойника для зернового элеватора для визуализации запасов, моделирования сценариев обработки и включения датчиков качества в потоке, что открывает путь к повышению отслеживаемости, оптимизации операций и информированному выбору потребителей (Dyck et al., 2023).
В исследовании рассматривалось применение интегрированных моделей процессов и цифровых двойников в пищевой промышленности. Основное внимание уделялось моделированию процессов и планированию производства. Также были рассмотрены уникальные проблемы и возможности, характерные для пищевой промышленности. Для иллюстрации этих концепций был использован пример крупномасштабного пивоваренного завода ( Koulouris et al., 2021 ). Аналогичный подход, использующий цифровые двойники для обработки, хранения и транспортировки зерна, способствует лучшему пониманию ситуации и позволяет принимать своевременные решения.
Несмотря на свои преимущества, цифровые двойники сталкиваются с рядом проблем, включая необходимость в обширных и точных данных для создания и поддержания виртуальных моделей, высокие вычислительные требования и сложность интеграции цифровых двойников с существующими системами (Verboven et al., 2020). Кроме того, важными факторами являются обеспечение безопасности данных и управление затратами на внедрение и обслуживание технологии цифровых двойников. Преодоление этих проблем будет иметь решающее значение для реализации полного потенциала цифровых двойников в повышении качества хранения зерна.
6. Проблемы и ограничения ИИ и машинного обучения
6.1. Конфиденциальность данных и доступность.
Доступ к большим данным и их обработка в секторе хранения зерна сопряжены с рядом серьезных проблем. Конфиденциальные данные о безопасности и качестве пищевых продуктов строго регулируются, что затрудняет доступ систем искусственного интеллекта и машинного обучения к необходимым данным для анализа. Ограниченный доступ имеет решающее значение для защиты конфиденциальной информации, но также ограничивает потенциал технологического прогресса в этой области.
Более того, вопросы владения данными и права на доступ, обмен или продажу данных создают дополнительные барьеры (Денг и др., 2020). Компании часто неохотно делятся своими данными из-за опасений по поводу интеллектуальной собственности и конкурентных преимуществ. Правовые и этические последствия владения данными еще больше усложняют ситуацию, поскольку организациям приходится ориентироваться в сложном ландшафте правил и соглашений, чтобы определить, кто имеет право использовать данные и для каких целей.
Еще одним критически важным аспектом являются потенциальные риски безопасности, связанные с управлением и обработкой таких больших объемов данных. Интеграция ИИ и машинного обучения в хранение зерна требует надежных мер кибербезопасности для предотвращения несанкционированного доступа, утечек данных и потенциального манипулирования конфиденциальной информацией. Последствия нарушения безопасности в этом контексте могут быть серьезными, потенциально ставя под угрозу безопасность пищевых продуктов, общественное здоровье и доверие к цепочке поставок продуктов питания.
Эти проблемы усугубляются техническими трудностями обработки больших данных (Zhou et al., 2017). Огромный объем, разнообразие и скорость обработки данных, генерируемых в экосистеме хранения зерна, требуют передовых возможностей управления и обработки данных. Однако многие существующие системы не приспособлены для обработки такого уровня сложности, что приводит к узким местам и неэффективности. Кроме того, отсутствие стандартизации форматов данных и методов хранения еще больше усложняет интеграцию и анализ данных.
6.2. Неточность данных
Крайне важно, чтобы все данные проходили строгую проверку и верификацию для обеспечения точности и надежности. Данные, собранные из различных источников, могут быть непоследовательными, неполными или содержать шумы, что может привести к неточным или вводящим в заблуждение результатам при использовании в моделях ИИ (Zhu и Salimi, 2024). Неточные данные не только ставят под угрозу достоверность анализа, но и могут привести к ошибочным решениям, потенциально влияющим на безопасность и качество пищевых продуктов.
Разнообразные источники вносят вклад в сложный набор данных, включая данные датчиков, данные контроля качества, данные логистики и инвентаризации, данные об окружающей среде, оперативные данные, исторические данные, рыночные данные, отчеты о ручной проверке, отзывы потребителей, а также данные о регулировании и соблюдении требований. Этот набор данных должен быть точно обработан и проверен для обеспечения эффективности моделей ИИ и машинного обучения в хранении зерна.
Для решения этих проблем крайне важно внедрить надежные методы предварительной обработки данных . Это включает в себя предварительную обработку данных для удаления ошибок, несоответствий и выбросов, а также проверку данных на соответствие установленным стандартам, чтобы гарантировать их точное представление измеряемых переменных. Без выполнения этих шагов модели ИИ могут выдавать ненадежные прогнозы, что приведет к ошибочным результатам в управлении хранением зерна.
Кроме того, обеспечение точности данных требует сотрудничества между специалистами по анализу данных, экспертами по безопасности пищевых продуктов и заинтересованными сторонами отрасли. Разработка стандартизированных протоколов сбора, очистки и проверки данных необходима для поддержания согласованности между различными наборами данных и источниками.
Передовые инструменты и алгоритмы для автоматизированной проверки и валидации данных также могут сыграть важную роль в повышении качества данных, но эти инструменты должны постоянно обновляться и совершенствоваться, чтобы идти в ногу с меняющимся ландшафтом данных в пищевой промышленности. В конечном итоге, решение проблемы неточности данных имеет решающее значение для успешной интеграции ИИ и машинного обучения в хранение зерна.
Обеспечивая точность, репрезентативность и надежность данных, потенциал этих технологий может быть полностью реализован, что приведет к принятию более обоснованных решений и улучшению результатов в управлении безопасностью и качеством пищевых продуктов ( Shaikh et al., 2022 ).
6.3. Интерпретация данных
Отчеты и наблюдения, полученные в ходе внутренних и внешних оценок, часто неструктурированы, что затрудняет их интерпретацию и обработку в рамках искусственного интеллекта и машинного обучения. Хотя эта информация ценна, ее изменчивость в формате и непостоянные места хранения создают значительные проблемы (Qian et al., 2023). Эти расхождения требуют дополнительных усилий по организации и стандартизации данных, прежде чем их можно будет эффективно использовать системами ИИ. Отсутствие единой структуры усложняет интерпретацию данных, поскольку это критически важный шаг для получения значимых выводов из информации. Без четких и стандартизированных данных алгоритмы ИИ могут испытывать трудности с точным анализом и формулированием выводов, что может привести к ошибкам или неэффективности в управлении хранением зерна (Shaikh et al., 2022).
Более того, процесс преобразования этих неструктурированных данных в пригодный для использования формат является ресурсоемким, требующим времени, труда и технологических инвестиций. Это не только увеличивает операционные расходы, но и задерживает внедрение решений на основе ИИ, снижая их общую эффективность. Для решения этих проблем крайне важно разработать стратегии стандартизации методов сбора и хранения данных, а также внедрить передовые инструменты обработки данных, способные работать с неструктурированными данными (Ding et al., 2023). Улучшение процессов интерпретации данных повысит надежность и эффективность технологий ИИ в обеспечении безопасности и качества пищевых продуктов при хранении зерна.
6.4. Вопросы регулирования
Нормативные требования являются критически важным аспектом применения ИИ и машинного обучения в хранении зерна, поскольку они обеспечивают безопасность и качество хранимого зерна. Новые законы и правила в области безопасности пищевых продуктов во многих странах предоставляют государственным инспекторам право доступа ко всем данным о безопасности и качестве пищевых продуктов, включая данные, полученные с помощью технологий ИИ (Чхетри, 2024). Соблюдение этих правил имеет важное значение для поддержания доверия общественности и предотвращения юридических последствий.
Соблюдение этих законов гарантирует прозрачность работы систем искусственного интеллекта и контроль и проверку производимых ими данных. Это не только предотвращает потенциальное неправомерное использование или ошибки, но и приводит методы работы с ИИ в соответствие с более широкими целями обеспечения безопасности пищевых продуктов. Требование такого доступа обязывает организации, внедряющие технологии ИИ в зернохранилищах, быть готовыми к выполнению этих нормативных требований, которые могут включать обеспечение доступности, прозрачности и точности данных. Несоблюдение этих правил может привести к значительным штрафам и ущербу для репутации компании, что подчеркивает важность учета правовых аспектов при внедрении систем ИИ в секторе хранения зерна.
6.5. Ответственность и доверие
Ответственность и доверие являются важными проблемами при интеграции ИИ и машинного обучения в системы хранения зерна. Ответственность за данные, обработанные ИИ, имеет решающее значение: увеличивает ли использование технологий ИИ бремя ответственности компании в отношении ее программ обеспечения безопасности и качества пищевых продуктов? Этот вопрос особенно актуален при рассмотрении потенциальных юридических последствий, если прогнозы, сгенерированные ИИ, приведут к неблагоприятным результатам (Lei et al., 2022).
Кроме того, существует неопределенность относительно того, как страховые компании, предоставляющие страхование ответственности, отреагируют на использование ИИ компаниями в качестве инструмента. Будут ли они готовы гарантировать, что предприятия пищевой промышленности будут полагаться на ИИ при принятии важных решений в области безопасности и качества? Доверие — еще один важный фактор.
Высшее руководство предприятий пищевой промышленности может колебаться, полагаясь на прогнозы, полученные с помощью программного алгоритма, а не на традиционную человеческую экспертизу. Этот скептицизм проистекает из представления о том, что ИИ может не обладать тем тонким пониманием, которое привносят специалисты-люди в оценку безопасности и качества пищевых продуктов. Для построения доверия к системам ИИ необходимо продемонстрировать их точность, надежность и согласованность во времени (Liang et al., 2022). Только когда эти системы докажут свою ценность в принятии безопасных и обоснованных решений, руководство будет более охотно интегрировать ИИ в свои процессы принятия решений.
6.6. Итеративная разработка и обратная связь от пользователей
В работе (El Aouni et al., 2024) была отмечена важнейшая роль постоянного взаимодействия с пользователями и обратной связи в преодолении трудностей и обеспечении успешного внедрения интеграции Agile, облачных технологий и DevOps . Эти принципы могут быть эффективно применены к решениям на основе ИИ/машинного обучения в системах хранения зерна для повышения их адаптивности и эффективности.
Внедряя итеративные циклы разработки, заинтересованные стороны в сфере хранения зерна могут использовать конвейеры непрерывной доставки (CD) для поэтапного внедрения улучшений, обеспечивая быструю интеграцию новых функций на основе потребностей пользователей и оперативных данных. Непрерывная обратная связь с пользователями, подобная принципу итеративного совершенствования в Agile, играет ключевую роль в согласовании моделей ИИ/машинного обучения с динамическими требованиями хранения зерна, такими как условия окружающей среды, обнаружение вредителей и оценка качества.
Внедрение практик DevOps обеспечивает надежное сотрудничество между командами разработчиков и операционными группами, способствуя более плавному внедрению обновлений для оптимизации эффективности хранения и минимизации потерь. В конечном итоге, итеративные методологии позволяют этим технологиям развиваться в режиме реального времени, обеспечивая стабильную ценность и заблаговременно устраняя операционные барьеры.
Текущая ситуация в отрасли хранения зерна создает ряд проблем для применения ИИ и машинного обучения, от ограниченного доступа к данным и вопросов собственности до значительных рисков безопасности и технических барьеров при обработке больших данных. Преодоление этих проблем потребует не только технологических инноваций, но и сотрудничества между экспертами по безопасности пищевых продуктов, специалистами по анализу данных и политиками для разработки решений, которые защищают данные, обеспечивая при этом их эффективное использование.
В конечном итоге, решение проблемы неточности данных имеет решающее значение для успешной интеграции ИИ и машинного обучения в хранение зерна. Обеспечивая точность, репрезентативность и надежность данных, можно в полной мере реализовать потенциал этих технологий, что приведет к принятию более обоснованных решений и улучшению результатов в области безопасности и качества пищевых продуктов.
7. Перспективы развития интеллектуальных систем управления хранением зерна.
В будущем интеллектуальное управление хранением зерна ожидает значительный прогресс, поскольку текущие тенденции и последние исследования сходятся в направлении создания более эффективных, автоматизированных и устойчивых систем. По мере усиления глобального спроса на продовольственную безопасность интеграция передовых технологий, таких как ИИ, машинное обучение и Интернет вещей, трансформирует способы управления зернохранилищами ( Чхетри, 2024 ).
Эти технологии обеспечивают мониторинг в реальном времени, прогнозируемое техническое обслуживание и оптимизированные условия хранения, снижая потери от порчи и повышая общее качество зерна. Последние исследования сосредоточены на разработке более сложных алгоритмов и сенсорных сетей для повышения точности данных, прогнозных возможностей и энергоэффективности в операциях хранения. С ростом доступности больших данных и развитием ИИ ожидается, что интеллектуальные системы хранения зерна станут более автономными, адаптивными и быстро реагирующими на меняющиеся условия окружающей среды и рыночные требования (рис. 15).
-
Интеллектуальные датчики и исполнительные механизмы: эти устройства являются неотъемлемой частью современных систем управления хранением зерна, обеспечивая непрерывный мониторинг параметров окружающей среды, таких как температура, влажность и уровень газа. Интеллектуальные датчики собирают данные, которые используются для оптимизации условий хранения, а исполнительные механизмы могут автоматически регулировать вентиляцию, аэрацию и температурный режим для поддержания идеальных условий хранения (Lutz и Coradi, 2022). К последним тенденциям относится разработка более чувствительных, надежных и энергоэффективных датчиков, способных обнаруживать даже мельчайшие изменения, которые могут повлиять на качество зерна.
-
Робототехника и автоматизация: Робототехника и автоматизация совершают революцию в хранении зерна, автоматизируя такие задачи, как осмотр, очистка и обработка, снижая зависимость от ручного труда и повышая эффективность работы (Schuler et al., 2024). Автономные роботы, оснащенные искусственным интеллектом, могут перемещаться по складским помещениям, проверять наличие вредителей или структурных повреждений, а также выполнять задачи по техническому обслуживанию без вмешательства человека. Это не только повышает эффективность, но и снижает риск несчастных случаев и загрязнения.
-
Технологии дистанционного зондирования: Технологии дистанционного зондирования, такие как дроны и спутниковая съемка, предоставляют ценные данные об условиях внутри и вокруг хранилищ (Rodrigues et al., 2024). Эти технологии позволяют контролировать крупномасштабные операции по хранению и выявлять такие проблемы, как температурные аномалии или накопление влаги, которые могут быть незаметны сразу. Последние достижения были направлены на повышение разрешения и точности инструментов дистанционного зондирования, что делает их более эффективными для управления хранением зерна.
-
Дополненная реальность (AR) и виртуальная реальность (VR): AR и VR становятся мощными инструментами в обучении и оперативном управлении хранением зерна. Дополненная реальность может накладывать важную информацию на изображение пользователя в режиме реального времени, помогая в задачах технического обслуживания и инспекции, в то время как VR может имитировать различные сценарии хранения в целях обучения. Эти технологии становятся все более совершенными, предлагая более захватывающие и интерактивные возможности, которые могут улучшить принятие решений и операционную эффективность (Kumari et al., 2022; Nigam et al., 2011).
-
Передовые материалы и покрытия: Разработка передовых материалов и покрытий для складских бункеров и силосов — еще одна область инноваций. Эти материалы предназначены для повышения прочности и долговечности складских сооружений, а также для обеспечения лучшей теплоизоляции и защиты от воздействия окружающей среды (Wu et al., 2023). Кроме того, разрабатываются антимикробные и антикоррозионные покрытия для поддержания чистоты и структурной целостности складских помещений, что обеспечивает долгосрочную безопасность и качество хранимого зерна.
-
Системы управления энергопотреблением: В условиях растущего внимания к устойчивому развитию системы управления энергопотреблением становятся важнейшим компонентом интеллектуального хранения зерна. Эти системы отслеживают и оптимизируют энергопотребление складских помещений, обеспечивая эффективное использование ресурсов и снижая общий углеродный след складских операций. Инновации в области возобновляемых источников энергии , такие как солнечные панели и ветряные турбины , также интегрируются в складские помещения для дальнейшего повышения энергоэффективности (Maraveas et al., 2021).
-
Прогностический анализ в машинном обучении: машинное обучение играет решающую роль в прогностическом анализе, позволяя хранилищам предвидеть и смягчать потенциальные проблемы до их возникновения (Goel et al., 2022; Parameswaran et al., 2024). Анализируя исторические и данные в реальном времени, алгоритмы машинного обучения могут прогнозировать такие факторы, как риски порчи, потребности в техническом обслуживании и оптимальные условия хранения. Последние достижения в области ИИ и машинного обучения делают эти прогнозы более точными и действенными, позволяя осуществлять упреждающее управление и снижать вероятность дорогостоящих сбоев в хранении.
Рис. 15. Иллюстрация технологий, используемых в интеллектуальном управлении зерном.
В совокупности эти технологии предлагают комплексный подход к интеллектуальному управлению хранением зерна, обеспечивая сохранение качества зерна и минимизацию потерь за счет эффективных процессов принятия решений на основе данных. Перспективы развития этих технологий указывают на переход к более интегрированным, автоматизированным и устойчивым решениям для хранения, обусловленный постоянными инновациями в области искусственного интеллекта, машинного обучения и других передовых технологий.
8. Социально-экономические и экологические аспекты
Внедрение искусственного интеллекта и машинного обучения в цепочку хранения и поставок зерна (FGSSC) открывает огромные возможности для решения важнейших социально-экономических и экологических проблем. В настоящее время FGSSC в значительной степени функционирует по линейной модели, что приводит к чрезмерному использованию ресурсов, образованию несъедобных побочных продуктов, деградации окружающей среды и значительным потерям продуктов питания. С ростом населения, сокращением продовольственных ресурсов и непредсказуемыми погодными условиями необходимость устойчивого использования ресурсов становится первостепенной. Технологии, основанные на искусственном интеллекте, могут гармонизировать экологические, экономические и социальные аспекты, поддерживая переход к циркулярной экономике (ЦЭ) и устойчивым методам ведения сельского хозяйства в рамках концепции Agri 5.0.
Искусственный интеллект и машинное обучение облегчают прогнозирование и оптимизацию на всех этапах цепочки поставок зерна, от мониторинга качества зерна до условий хранения и распределения. Эти технологии могут минимизировать послеуборочные потери, обеспечивая обнаружение порчи и вредителей в режиме реального времени и оптимизируя логистику цепочки поставок для сокращения потерь зерна. Экологичная автоматизация на основе Интернета вещей в сочетании с мобильными и веб-приложениями может повысить прозрачность и отслеживаемость, расширяя возможности мелких фермеров и заинтересованных сторон, особенно в развивающихся странах.
Такие меры не только смягчают проблему продовольственной безопасности, но и способствуют экономической инклюзивности и развитию сельских районов. Экологические преимущества не менее убедительны. Интеграция ИИ в цепочку поставок зерна соответствует принципам циркулярной экономики, позволяя использовать побочные продукты, минимизировать углеродный след и поощрять регенеративные методы ведения сельского хозяйства (Das et al., 2023). Передовые алгоритмы машинного обучения могут прогнозировать погодные условия и оптимизировать производство, сокращая затраты ресурсов. Эти устойчивые методы имеют решающее значение для регионов, подверженных дефициту ресурсов и климатической уязвимости.
Удобство использования является критически важным фактором для эффективной реализации мобильных и веб-приложений на основе ИИ и машинного обучения для решений в области хранения зерна и управления цепочками поставок, поскольку оно напрямую влияет на принятие пользователями и успех системы. Определяемое ISO как степень, в которой продукт позволяет конкретным пользователям достигать целей с эффективностью, результативностью и удовлетворением в конкретном контексте, удобство использования гарантирует, что эти приложения интуитивно понятны, учитывают контекст и доступны (Namoun et al., 2024). Для заинтересованных сторон, таких как фермеры и дистрибьюторы, дизайн, ориентированный на удобство использования, обеспечивает бесперебойное выполнение задач, таких как мониторинг качества зерна или планирование логистики, даже в сложных условиях с ограниченной связью. Подчеркивая пользовательские интерфейсы и эффективные рабочие процессы, оценка удобства использования повышает практичность и внедрение этих решений, способствуя операционной эффективности и устойчивости всей цепочки поставок зерна.
Социально-технический подход, основанный на таких стандартах, как ISO 9126, гарантирует, что решения на основе ИИ не только эффективны, но и удобны в использовании, надежны и обслуживаемы. Эти стандарты подчеркивают такие важные характеристики, как удобство использования для различных заинтересованных сторон, адаптивность к местным условиям и масштабируемость для более широких цепочек поставок. Кроме того, социально-технические аспекты должны учитывать равный доступ к технологиям ИИ, принимая во внимание правовую и нормативную поддержку (E7) и готовность экологически чистой инфраструктуры IoT (E5). Было проведено исследование по оценке удобства использования мобильных приложений на разных операционных системах (Android, iOS и Symbian) с использованием стандартов качества программного обеспечения ISO 9241 и ISO 25062, с акцентом на характеристики удобства использования ( Moumane et al., 2016a ). В ходе экспериментов с участием 32 пользователей, выполнявших задачи в Google Apps и Google Maps, для выявления проблем с удобством использования использовались как объективные показатели (например, видеозаписи), так и субъективные показатели (анкета QUIS 7.0). Основные выводы выявили проблемы, связанные с аппаратным обеспечением (например, размер экрана, разрешение, объем памяти) и программным обеспечением (например, отсутствие руководств пользователя, сложный ввод данных). Эти выводы подчеркивают важность разработки удобных для пользователя интерфейсов, предоставления надежных функций поддержки и учета ограничений устройств для повышения удобства использования приложений (Moumane and Idri, 2023).
В рамках эмпирической оценки структуры, объединяющей стандарт качества программного обеспечения ISO 9126 с моделью QoS DiffServ, было проведено исследование удобства использования мобильных приложений (Moumane et al., 2016b). В исследовании анализировалось влияние ограничений мобильных устройств на классы DiffServ с использованием инструмента Sensorly и изучалась корреляция между этими ограничениями и удобством использования. Результаты показали, что удобство использования, относящееся к уровню представления, демонстрирует минимальную корреляцию с классами DiffServ, поскольку они в основном касаются качества на уровне сети.
Это можно применить к решениям для хранения зерна, учитывая важность учета как качества на уровне сети (с помощью моделей DiffServ), так и удобства использования (с упором на пользовательский интерфейс и представление). В контексте управления хранением зерна мобильные приложения могут быть оптимизированы для обеспечения баланса между пользовательским опытом и надежностью сети.
Например, непрерывный мониторинг условий хранения с использованием технологий ИИ и машинного обучения может выиграть от эффективной передачи данных (на уровне сети) и понятных пользовательских интерфейсов (уровень представления), что позволит заинтересованным сторонам принимать своевременные решения на основе данных. Кроме того, учет ограничений мобильных устройств, таких как производительность устройства и пропускная способность сети, обеспечит удобство использования, что приведет к более эффективному внедрению решений на основе ИИ и машинного обучения для оптимизации хранения зерна.
Решения для хранения зерна на основе искусственного интеллекта могут произвести революцию в сельском хозяйстве, улучшив качество зерна, борьбу с вредителями и эффективность хранения. Однако их внедрение требует адаптации к географическим и социально-экономическим проблемам мелких фермеров. Необходимо учитывать такие факторы, как изменение климата, финансовые возможности и доступ к инфраструктуре. Применение принципов ISO 9126, ориентированных на удобство использования и приоритезацию качества обслуживания, может обеспечить эффективность и доступность этих технологий даже в условиях ограниченных ресурсов (Moumane et al., 2016b). Адаптация решений на основе ИИ к региональным потребностям может расширить возможности мелких фермеров и улучшить методы хранения.
Выявление ключевых факторов, способствующих внедрению ИИ в системы хранения и снабжения зерна с использованием таких методов, как лаборатория F-DEMATEL (Fuzzy logic integrated DEcision MAking Trial and Evaluation Laboratory), позволяет государственным структурам и компаниям, использующим IoT для автоматизации, продвигать внедрение ИИ в FGSSC (Das et al., 2023). Эти результаты помогают политикам продвигать устойчивое развитие и интеграцию циркулярной экономики на основе ИИ, особенно в развивающихся странах, где эти инициативы могут значительно повысить устойчивость сельского хозяйства, экономическую справедливость и охрану окружающей среды.
Сдвиг парадигмы, обеспечиваемый ИИ и машинным обучением, открывает огромные перспективы для превращения FGSSC в образец экологической и экономической гармонии. Для приложений хранения и снабжения зерна на основе ИИ и машинного обучения данная концепция подчеркивает необходимость решения аналогичных проблем удобства использования, обеспечивая интуитивно понятные интерфейсы для различных пользователей, надежную функциональность в районах с низкой доступностью связи и системы поддержки пользователей для содействия широкому внедрению и повышению операционной эффективности в сельскохозяйственном секторе.
9. Заключение
Интеграция ИИ и машинного обучения в зерновую промышленность трансформирует традиционные методы, предлагая значительные улучшения в хранении, управлении качеством и повышении эффективности цепочки поставок. В данном обзоре, посвященном изучению технологий ИИ, таких как искусственные нейронные сети (ИНС), системы нечеткой логики и алгоритмы машинного обучения, подчеркивается огромный потенциал этих инструментов для улучшения методов управления зерном.
Применение ИИ и машинного обучения, от обнаружения вредителей до сортировки и оценки качества, демонстрирует их решающую роль в решении как текущих, так и возникающих проблем в зерновой промышленности. Инновационные технологические подходы, включая использование граничных вычислений, цифровых двойников, Интернета вещей (IoT) и блокчейна, еще больше расширяют границы возможного в обеспечении качества и безопасности зерна. Однако по мере развития этих технологий сохраняются такие проблемы, как конфиденциальность данных, соблюдение нормативных требований и необходимость точной интерпретации данных.
Преодоление этих проблем имеет важное значение для более широкого внедрения и доверия к приложениям ИИ и машинного обучения в зернохранилищах. Кроме того, интеграция интеллектуальных датчиков, робототехники, дистанционного зондирования и прогнозного анализа указывает на возможность создания более автоматизированной, эффективной и устойчивой системы управления качеством зерна в ближайшем будущем. Интеграция ИИ и машинного обучения в хранение и цепочки поставок зерна предлагает революционные решения для повышения устойчивости, сокращения отходов и содействия экономической интеграции.
Специально разработанные, удобные мобильные и веб-приложения, предназначенные для регионов с низким уровнем связи, могут расширить возможности мелких фермеров, смягчить воздействие на окружающую среду и поддержать переход к экономике замкнутого цикла. По мере развития этих технологий потенциал для революционизации зерновой промышленности становится все более очевидным, открывая путь к интеллектуальному управлению зерном с более надежными системами хранения для удовлетворения растущего мирового спроса на безопасные и высококачественные продукты питания.
Литература
- Abdelsamea et al., 2023 M.M. Abdelsamea, M.M. Gaber, A. Ali, M. Kyriakou, S. Fawki
A logarithmically amortising temperature effect for supervised learning of wheat solar disinfestation of rice weevil Sitophilus oryzae (Coleoptera: Curculionidae) using plastic bags Sci. Rep., 13 (2023), p. 2655
- Abinaya et al., 2024
- Agarwal and Bachan, 2023
Machine learning approach for the classification of wheat grainsSmart Agric. Technol., 3 (2023), Article 100136
- Agatonovic-Kustrin and Beresford, 2000
Basic concepts of artificial neural network (ANN) modeling and its application in pharmaceutical researchJ. Pharm. Biomed. Anal., 22 (2000), pp. 717-727
- Aivision, 2025
Wireless samrtprobe systems for smart, data-driven IPM practiceswww.aivisionfood.com (2025)on 2025 Feb 03
- Ali et al., 2020
Machine learning approach for the classification of corn seed using hybrid featuresInt. J. Food Prop., 23 (2020), pp. 1110-1124
- Ali et al., 2024
Dimensionality reduction for images of IoT using machine learningSci. Rep., 14 (2024), p. 7205
- Alonso et al., 2020
An intelligent Edge-IoT platform for monitoring livestock and crops in a dairy farming scenarioAd Hoc Netw., 98 (2020), Article 102047
- Angarita-Zapata et al., 2021
A taxonomy of food supply chain problems from a computational intelligence perspectiveSensors, 21 (2021), p. 6910
- Antony and Pratheepa, 2018
A Bayesian classification approach for predicting Gesonia gemma Swinhoe population on soybean crop in relation to abiotic factors based on economic threshold levelJ. Biol. Control, 32 (2018), pp. 68-73,
Anukiruthika and Jayas, 2024
Mathematical modeling for management of stored-grain ecosystems: approaches, opportunities, and research needsJ. Stored Prod. Res., 106 (2024), Article 102304 - Anukiruthika and Jayas, 2023
Terahertz Technology: Principles and Applications in the Agri-Food IndustryCRC Press, Florida, U.S.A (2023),
- Assadzadeh et al., 2022a
Prediction of milling yield in wheat with the use of spectral, colour, shape, and morphological featuresBiosyst. Eng., 214 (2022), pp. 28-41
- Assadzadeh et al., 2022b
Deep learning segmentation in bulk grain images for prediction of grain market qualityFood Bioprocess Technol., 15 (2022), pp. 1615-1628
- Badgujar et al., 2023
Real-time stored product insect detection and identification using deep learning: system integration and extensibility to mobile platformsJ. Stored Prod. Res., 104 (2023), Article 102196
- Baduge et al., 2022
Artificial intelligence and smart vision for building and construction 4.0: machine and deep learning methods and applicationsAutom. ConStruct., 141 (2022), Article 104440
- Balingbing et al., 2024
Application of a multi-layer convolutional neural network model to classify major insect pests in stored rice detected by an acoustic deviceComput. Electron. Agric., 225 (2024), Article 109297
- Bisgin et al., 2018
Comparing SVM and ANN based machine learning methods for species identification of food contaminating beetlesSci. Rep., 8 (2018), p. 6532
- Burgess et al., 2022
Blockchain enabled quality management in short food supply chainsProcedia Comput. Sci., 200 (2022), pp. 904-913
- Carneiro et al., 2023
Characterizing and predicting the quality of milled rice grains using machine learning modelsAgriEngineering, 5 (2023), pp. 1196-1215
- Carpenter, 1989
Neural network models for pattern recognition and associative memoryNeural Netw., 2 (1989), pp. 243-257
- Celik, 2023
Determination of the classification success of KNN algorithm distance metric methods on wheat seeds datasetAfyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilim. Derg., 23 (2023), pp. 1142-1149
- Chen et al., 2024
Classification of wheat grain varieties using terahertz spectroscopy and convolutional neural networkJ. Food Compos. Anal., 129 (2024), Article 106060
- Chhetri, 2024
Applications of artificial intelligence and machine learning in food quality control and safety assessmentFood Eng. Rev., 16 (2024), pp. 1-21
- Chibuye, 2019
Implementing a Remote Sensor Network and Automation of the Business Processes for the Food Reserve Agency in ZambiaThe University of Zambia (2019)
- da Silva et al., 2021
Convolutional neural networks using enhanced radiographs for real-time detection of Sitophilus zeamais in maize grainFoods, 10 (2021), p. 879
- Dangeti, 2017
Statistics for Machine LearningPackt Publishing Ltd, Birmingham, UK (2017)
- Das et al., 2023
Enabling artificial intelligence for sustainable food grain supply chains: an agri 5.0 and circular economy perspectiveOper. Manag. Res., 16 (2023), pp. 2104-2124
- De Abreu and van Deventer, 2022
The application of artificial intelligence (AI) and internet of things (IoT) in agriculture: a systematic literature reviewSouthern African Conference for Artificial Intelligence Research (2022), pp. 32-46
- Deng et al., 2020
Edge intelligence: the confluence of edge computing and artificial intelligenceIEEE Internet Things J., 7 (2020), pp. 7457-7469
- Ding et al., 2023
The application of artificial intelligence and big data in the food industryFoods, 12 (2023), p. 4511
- Dinov, 2018
Lazy learning: classification using nearest neighborsData Science and Predictive Analytics: Biomedical and Health Applications Using R, Springer International Publishing, Cham (2018), pp. 267-287
- Dyck et al., 2023
Digital Twins: a novel traceability concept for post-harvest handlingSmart Agric. Technol., 3 (2023), Article 100079
- El Aouni et al., 2024
A systematic literature review on Agile, Cloud, and DevOps integration: challenges, benefitsInf. Software Technol. (2024), Article 107569
- Fan et al., 2022
GrainSpace: a large-scale dataset for fine-grained and domain-adaptive recognition of cereal grainsProceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (2022), pp. 21116-21125
- Gan et al., 2021
Anomaly rule detection in sequence dataIEEE Trans. Knowl. Data Eng., 35 (2021), pp. 12095-12108
- Ganeshkumar et al., 2023
Artificial intelligence in agricultural value chain: review and future directionsJ. Agribus. Dev. Emerg. Econ., 13 (2023), pp. 379-398
- Gierz and Przybyl, 2022
Texture analysis and artificial neural networks for identification of cereals – case study: wheat, barley and rape seedsSci. Rep., 12 (2022), Article 19316
- Goel et al., 2022
Machine learning-based remote monitoring and predictive analytics system for crop and livestockAI, Edge and IoT-Based Smart Agriculture, Elsevier (2022), pp. 395-407
- Hadi et al., 2021
Mamdani fuzzy logic-based smart measuring device as quality determination for grain post-harvest technology2021 1st International Conference on Electronic and Electrical Engineering and Intelligent System (ICE3IS) (2021), pp. 7-11
- Haider et al., 2021
A generic approach for wheat disease classification and verification using expert opinion for knowledge-based decisionsIEEE Access, 9 (2021), pp. 31104-31129
- Hiran et al., 2021
Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples(English Edition), BPB Publications, India (2021)
- Ibrahim et al., 2019
Rice grain classification using multi-class support vector machine (SVM)IAES Int. J. Artif. Intell., 8 (2019), p. 215
- Iftekhar et al., 2021
Blockchain technology for trustworthy operations in the management of strategic grain reservesFoods, 10 (2021), p. 2323
- Jayas, 2023
Mathematical models for managing stored grains globally for enhanced food securityAppl. Zool. Res. Assoc., 34 (2023), pp. 1-10h t tps://doi.org/ISSN 0970-9304
- Jayas, 2012
Storing grains for food security and sustainabilityAgric. Res., 1 (2012), pp. 21-24
- Jehan et al., 2024
Adaptive silo networks with cloud computing and reinforcement learning for responsive grain storage2024 International Conference on Inventive Computation Technologies, ICICT) (2024), pp. 1611-1616
- Jian et al., 2019
Safe storage times of FINOLA®hemp (Cannabis sativa) seeds with dockageJ. Stored Prod. Res., 83 (2019), pp. 34-43
- Jiang et al., 2023a
Quality classification of stored wheat based on evidence reasoning rule and stacking ensemble learningComput. Electron. Agric., 214 (2023), Article 108339
- Jiang et al., 2023b
Time series to imaging-based deep learning model for detecting abnormal fluctuation in agriculture product priceSoft Comput., 27 (2023), pp. 14673-14688
- Jo, 2021
Support vector machineMachine Learning Foundations: Supervised, Unsupervised, and Advanced Learning, Springer International Publishing, Cham (2021), pp. 167-188
- Joshi and Rao, 2024
Predictive modelling of allowable storage time for pearl millet using multilayer perception neural networkJ. Stored Prod. Res., 108 (2024), Article 102369
- Junior et al., 2024
Estimating energy efficiency of the aeration process of stored grains through machine learningBrazilian J. Agric. Environ. Eng., 28 (2024), Article e281001
- Kasinathan et al., 2021
Insect classification and detection in field crops using modern machine learning techniquesInf. Process. Agric., 8 (2021), pp. 446-457
- Kaya and Saritas, 2019
Towards a real-time sorting system: identification of vitreous durum wheat kernels using ANN based on their morphological, colour, wavelet and gaborlet featuresComput. Electron. Agric., 166 (2019), Article 105016
- Kim et al., 2024
Predicting early mycotoxin contamination in stored wheat using machine learningJ. Stored Prod. Res., 106 (2024), Article 102294
- Kitson et al., 2023
A survey of Bayesian Network structure learningArtif. Intell. Rev., 56 (2023), pp. 8721-8814
- Koulouris et al., 2021
Applications of process and digital twin models for production simulation and scheduling in the manufacturing of food ingredients and productsFood Bioprod. Process., 126 (2021), pp. 317-333
- Kristensen and Rasmussen, 2002
The use of a Bayesian network in the design of a decision support system for growing malting barley without use of pesticidesComput. Electron. Agric., 33 (2002), pp. 197-217
- Kumar et al., 2021
Opportunities of Artificial Intelligence and Machine Learning in the Food Industry, vol. 2021, J. Food Qual. (2021), Article 4535567
- Kumar et al., 2019
Genetic algorithmA. Nayyar, D.N. Le, N.G. Nguyen (Eds.), Advanced in Swarm Intelligence for Optimizing Problems in Computer Science, CRC Press,Taylor and Francis Group, FL (2019), pp. 27-48
- Kumari et al., 2022
Future perspectives on progressive farming with adoption of virtual reality technology for sustainable quality in agricultureTQM J, 34 (2022), pp. 250-279
- Kutyauripo et al., 2023
Artificial intelligence applications in the agrifood sectorsJ. Agric. Food Res., 11 (2023), Article 100502
- Ladha et al., 2020
Achieving the sustainable development goals in agriculture: the crucial role of nitrogen in cereal-based systemsAdv. Agron., 163 (2020), pp. 39-116
- Laudari et al., 2022
Classifying grains using behaviour-informed machine learningSci. Rep., 12 (2022), Article 13915
- LeCun et al., 2015
Deep learningNature, 521 (2015), pp. 436-444
- Leggieri et al., 2021
Machine learning for predicting mycotoxin occurrence in maizeFront. Microbiol., 12 (2021), Article 661132
- Lei et al., 2022
Integration of privacy protection and blockchain-based food safety traceability: potential and challengesFoods, 11 (2022), p. 2262
- Li and Du, 2023
Introduction: a brief history of deep learning and its applications in power systemsDeep Learning for Power System Applications: Case Studies Linking Artificial Intelligence and Power Systems, Springer (2023), pp. 1-13
- Li et al., 2019
Construction of a dataset of stored-grain insects images for intelligent monitoringAppl. Eng. Agric., 35 (2019), pp. 647-655
- Li, 2023
Deep reinforcement learningReinforcement Learning for Sequential Decision and Optimal Control, Springer Nature Singapore, Singapore (2023), pp. 365-402
- Liang et al., 2022
Advances, challenges and opportunities in creating data for trustworthy AINat. Mach. Intell., 4 (2022), pp. 669-677
- Lima et al., 2024
Monitoring and predicting the quality of soybeans for different drying and storage technologies on a real scale using sensors and Machine Learning modelsJ. Stored Prod. Res., 108 (2024), Article 102386
- Linko, 1998
Expert systems – what can they do for the food industry?Trends Food Sci. Technol., 9 (1998), pp. 3-12
- Liu et al., 2021
Improved aflatoxins and fumonisins forecasting models for maize (PREMA and PREFUM), using combined mechanistic and Bayesian network modeling – Serbia as a case studyFront. Microbiol., 12 (2021), Article 643604
- Liu et al., 2017
Analysis of grain storage loss based on decision tree algorithmProcedia Comput. Sci., 122 (2017), pp. 130-137
- Liu et al., 2022
Graph self-supervised learning: a surveyIEEE Trans. Knowl. Data Eng., 35 (2022), pp. 5879-5900
- Lutz and Coradi, 2023
Equilibrium moisture content and dioxide carbon monitoring in real-time to predict the quality of corn grain stored in silo bags using artificial neural networksFood Anal. Methods, 16 (2023), pp. 1079-1098
- Lutz and Coradi, 2022
Applications of new technologies for monitoring and predicting grains quality stored: sensors, internet of things, and artificial intelligenceMeasurement, 188 (2022), Article 110609
- Maiyar and Thakkar, 2017
A combined tactical and operational deterministic food grain transportation model: particle swarm based optimization approachComput. Ind. Eng., 110 (2017), pp. 30-42
- Manickavasagan et al., 2008
Comparison of illuminations to identify wheat classes using monochrome imagesComput. Electron. Agric., 63 (2008), pp. 237-244
- Maraveas et al., 2021
Smart and solar greenhouse covers: recent developments and future perspectivesFront. Energy Res., 9 (2021), Article 783587
- Mavaddati, 2020
Sparse structured principal component analysis and model learning for classification and quality detection of rice grainsJ. AI Data Min., 8 (2020), pp. 161-175
- Mogale et al., 2020a
Modelling of sustainable food grain supply chain distribution system: a bi-objective approachInt. J. Prod. Res., 58 (2020), pp. 5521-5544
- Mogale et al., 2020b
Modelling supply chain network for procurement of food grains in IndiaInt. J. Prod. Res., 58 (2020), pp. 6493-6512
- Mogale et al., 2018
An MINLP model to support the movement and storage decisions of the Indian food grain supply chainControl Eng. Pract., 70 (2018), pp. 98-113
- Morales and Escalante, 2022
A brief introduction to supervised, unsupervised, and reinforcement learningBiosignal Processing and Classification Using Computational Learning and Intelligence, Elsevier (2022), pp. 111-129
- Moses et al., 2022
Deep CNN-based damage classification of milled rice grains using a high-magnification image datasetComput. Electron. Agric., 195 (2022), Article 106811
- Moso et al., 2021
Anomaly detection on data streams for smart agricultureAgriculture, 11 (2021), p. 1083
- Moumane and Idri, 2023
Mobile applications for endometriosis management functionalities: analysis and potentialSci. African (2023), Article e01833
- Moumane et al., 2016a
Usability evaluation of mobile applications using ISO 9241 and ISO 25062 standardsSpringerPlus, 5 (2016), pp. 1-15
- Moumane et al., 2016b
An empirical evaluation of mobile software usability using ISO 9126 and QoS DiffServ modelNew Trends in Software Methodologies, Tools and Techniques, IOS Press (2016), pp. 177-188
- Namoun et al., 2024
Predicting the usability of mobile applications using AI tools: the rise of large user interface models, opportunities, and challengesarXiv Prepr. arXiv2405.03716 (2024)
- Nigam et al., 2011
Augmented reality in agriculture2011 IEEE 7th International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob) (2011), pp. 445-448
- Nyabako et al., 2020
Predicting Prostephanus truncatus (Horn)(Coleoptera: bostrichidae) populations and associated grain damage in smallholder farmers’ maize stores: a machine learning approachJ. Stored Prod. Res., 87 (2020), Article 101592
- Okwu and Tartibu, 2020
Particle swarm optimisationMetaheuristic Optimization: Nature-Inspired Algorithms Swarm and Computational Intelligence, Theory and Applications, Springer Nature, Switzerland AG (2020), pp. 5-13
- Papageorgiou et al., 2016
Fuzzy sets in agricultureC. Kahraman, U. Kaymak, A. Yazici (Eds.), Fuzzy Log. Its 50th Year, Studies in Fuzziness and Soft Computing, vol. 341, Springer, Cham (2016), pp. 211-233
- Parameswaran et al., 2024
IoT based food and grain condition traceability and controlling system in warehouses2024 International Conference on Advancements in Power, Communication and Intelligent Systems (APCI) (2024), pp. 1-6
- Patricio and Rieder, 2018
Computer vision and artificial intelligence in precision agriculture for grain crops: a systematic reviewComput. Electron. Agric., 153 (2018), pp. 69-81
- Peladarinos et al., 2023
Enhancing smart agriculture by implementing digital twins: a comprehensive reviewSensors, 23 (2023), p. 7128
- Qian et al., 2023
How can AI help improve food safety?Annu. Rev. Food Sci. Technol., 14 (2023), pp. 517-538
- Rahman et al., 2015
The optimization of solar drying of grain by using a genetic algorithmInt. J. Green Energy, 12 (2015), pp. 1222-1231
- Ramdhani and Alamsyah, 2023
Enhancing sustainable rice grain quality analysis with efficient svm optimization using genetic algorithmE3S Web of Conferences. The 5th International Conference of Biospheric Harmony Advanced Research (ICOBAR 2023) (2023), p. 1035
- Rodgers, 2020
Artificial Intelligence in a Throughput Model: Some Major AlgorithmsCRC Press, Boca Raton, FL (2020)
- Rodrigues et al., 2024
Applying remote sensing, sensors, and computational techniques to sustainable agriculture: from Grain Production to Post-HarvestAgriculture, 14 (2024), p. 161
- Rodrigues, 2020
Legal and human rights issues of AI: gaps, challenges and vulnerabilitiesJ. Responsible Technol., 4 (2020), Article 100005
- Sabanci et al., 2022
A novel convolutional-recurrent hybrid network for sunn pest-damaged wheat grain detectionFood Anal. Methods, 15 (2022), pp. 1748-1760
- Sadeghi et al., 2013
Dictionary learning for sparse representation: a novel approachIEEE Signal Process. Lett., 20 (2013), pp. 1195-1198
- Sampaio et al., 2021
Use of artificial neural network model for rice quality prediction based on grain physical parametersFoods, 10 (2021), p. 3016
- Sawant et al., 2021
Predictive analytics in food grain logistics: supervised machine learning approachOptimization Methods in Engineering: Select Proceedings of CPIE 2019 (2021), pp. 459-466
- Schuler et al., 2024
New trends in automation applied to monitor and control grain quality in silos2024 IEEE International Conference on Automation, Quality and Testing, Robotics (AQTR) (2024), pp. 1-6
- Shah et al., 2023
Application of drone surveillance for advance agriculture monitoring by Android application using convolution neural networkAgronomy, 13 (2023), p. 1764
- Shaikh et al., 2022
Towards leveraging the role of machine learning and artificial intelligence in precision agriculture and smart farmingComput. Electron. Agric., 198 (2022), Article 107119
- Shen et al., 2018
Detection of stored-grain insects using deep learningComput. Electron. Agric., 145 (2018), pp. 319-325
- Soares et al., 2020
Use of IoT to real-time monitoring of storage silo and ozone gas fungal decontamination strategyInt. J. Comput. Appl., 175 (2020), pp. 1-7
- Sun et al., 2024
Mildew detection in rice grains based on computer vision and the YOLO convolutional neural networkFood Sci. Nutr., 12 (2024), pp. 860-868
- Szturo and Szczypinski, 2017
Ontology based expert system for barley grain classification2017 Signal Processing: Algorithms, Architectures, Arrangements, and Applications, SPA) (2017), pp. 360-364
- Taneja et al., 2023
Artificial intelligence: implications for the agri-food sectorAgronomy, 13 (2023), p. 1397
- Tiwari et al., 2023
Artificial intelligence in food processing. NovTechnol. Food Sci (2023), pp. 511-550
- Tuda and Luna-Maldonado, 2020
Image-based insect species and gender classification by trained supervised machine learning algorithmsEcol. Inform., 60 (2020), Article 101135
- Vadivambal and Jayas, 2016
Bio-imaging: Principles, Techniques, and ApplicationsCRC Press,Taylor and Francis Group, LLC, Boca Raton, FL (2016)
- Vangala et al., 2023
Security in IoT-enabled smart agriculture: architecture, security solutions and challengesClust. Comput., 26 (2023), pp. 879-902
- Vanneschi and Silva, 2023
Particle swarm optimizationLectures on Intelligent Systems, Springer International Publishing, Cham (2023), pp. 105-111
- Vedavathi and Suhas Bharadwaj, 2024
HCBiL-DMN: an effective food infestation detection from stored food grains using deep learning modelMultimed. Tool. Appl. (2024), pp. 1-24
- Verboven et al., 2020
Digital twins of food process operations: the next step for food process models?Curr. Opin. Food Sci., 35 (2020), pp. 79-87
- Vithu and Moses, 2016
Machine vision system for food grain quality evaluation: a reviewTrends Food Sci. Technol., 56 (2016), pp. 13-20
- Voca et al., 2022
Estimation of the storage properties of rapeseeds using an artificial neural networkInd. Crops Prod., 187 (2022), Article 115358
- Wang et al., 2017
Generative adversarial networks: introduction and outlookIEEE/CAA J. Autom. Sin., 4 (2017), pp. 588-598
- Wawrzyniak, 2021
Prediction of fungal infestation in stored barley ecosystems using artificial neural networksLwt, 137 (2021), Article 110367
- Wawrzyniak, 2020
Application of artificial neural networks to assess the mycological state of bulk stored rapeseedsAgriculture, 10 (2020), p. 567
- Wu et al., 2023
Progress and prospective in the development of stored grain ecosystems in China: from composition, structure, and smart construction to wisdom methodologyAgriculture, 13 (2023), p. 1724
- Xu et al., 2019
Case study: AgriDigital: blockchain technology in the trade and finance of agriculture supply chainsArchit. blockchain Appl (2019), pp. 239-255
- Yang et al., 2024
Non-destructive detection of defective maize kernels using hyperspectral imaging and convolutional neural network with attention moduleSpectrochim. Acta Part A Mol. Biomol. Spectrosc., 313 (2024), Article 124166
- Yang et al., 2023
MCSNet+: enhanced convolutional neural network for detection and classification of Tribolium and Sitophilus sibling species in actual wheat storage environmentsFoods, 12 (2023), p. 3653
- Yuan et al., 2023
Prediction and determination of mildew grade in grain storage based on FOA-SVM algorithmFood Qual. Saf., 7 (2023), Article fyac071
- Zeymer et al., 2021
Machine learning algorithms to predict the dry matter loss of stored soybean grains (Glycine max L.)J. Food Process. Eng., 44 (2021), Article e13820
- Zhang et al., 2024
Estimation of wheat protein content and wet gluten content based on fusion of hyperspectral and RGB sensors using machine learning algorithmsFood Chem., 448 (2024), Article 139103
- Zhang et al., 2020
Blockchain-based safety management system for the grain supply chainIEEE Access, 8 (2020), pp. 36398-36410
- Zhang et al., 2023
Research on blockchain-based cereal and oil video surveillance abnormal data storageAgriculture, 14 (2023), p. 23
- Zhao et al., 2024
Near-infrared spectroscopy based on colorimetric sensor array coupled with convolutional neural network detecting zearalenone in wheatFood Chem. X, 22 (2024), Article 101322
- Zhong et al., 2016
An overview on data representation learning: from traditional feature learning to recent deep learningJ. Financ. Data Sci., 2 (2016), pp. 265-278
- Zhou et al., 2019
A low-resolution image restoration classifier network to identify stored-grain insects from images of sticky boardsComput. Electron. Agric., 162 (2019), pp. 593-601
- Zhou et al., 2015
Implementation of low-power wireless sensor network protocol stack for real-time monitoring of warehousesAppl. Eng. Agric., 31 (2015), pp. 697-706
- Zhou et al., 2017
Machine learning on big data: opportunities and challengesNeurocomputing, 237 (2017), pp. 350-361
- Zhu et al., 2023a
Identification of slightly sprouted wheat kernels using hyperspectral imaging technology and different deep convolutional neural networksFood Control, 143 (2023), Article 109291
- Zhu and Salimi, 2024
Overcoming data biases: towards enhanced accuracy and reliability in machine learningIEEE Data Eng. Bull., 47 (2024), pp. 18-35
- Zhu et al., 2023b
Integrating self-attention mechanisms and ResNet for grain storage ventilation decision making: a studyAppl. Sci., 13 (2023), p. 7655
