ТЕХНОЛОГИЯ МАШИННОГО ОБУЧЕНИЯ В АГРОТЕХНИЧЕСКОЙ ОТРАСЛИ

MACHINE LEARNING TECHNOLOGY IN THE AGROTECHNICAL INDUSTRY

Yuliya Zorina

student, Department of electrical and electronics engineering, Don State Technical University,

Russia, Rostov-on-Don

АННОТАЦИЯ

Машинное обучение в области сельского хозяйства способствует улучшению результатов, а именно минимизировать потери, предоставляя подробную информацию урожае и превысить качество продукции.

ABSTRACT

Machine learning in the field of agriculture contributes to the improvement of results, namely, to minimize losses by providing detailed information about the harvest and exceed the quality of products.

Ключевые слова: машинное обучение; сельское хозяйство; животноводство.

Keywords: machine learning; agriculture; animal husbandry.

В некотором смысле успешное ведение сельского хозяйства сводится к принятию сложных решений, основанных на взаимосвязях множества переменных, включая характеристики сельскохозяйственных культур, почвенные условия, изменение климата и многое другое. Машинное обучение в сельском хозяйстве обеспечивает гораздо более высокую точность, позволяя фермерам обрабатывать растения и животных практически индивидуально, что, в свою очередь, значительно повышает эффективность принимаемых фермерами решений.

Одним из самых информативных источников информации для расчетных инструментов являются снимки, полученные со спутника. Пример применения, использование спутниковых снимков для создания специализированных карт фермерских угодий при помощи которых специалисты сельскохозяйственной отрасли смогут определять точный тип почвы, какими культурами была ранее засеяна определенная территория и уровни поверхности земли. Данная информация способствует разрешать такие вопросы как, какие культуры рациональнее сажать, проводить политику сохранения биоразнообразия и севооборота, оценивать использование сельскохозяйственных культур и удобрений, использование этой информации позволяет повлиять на улучшение почвы и предотвращение ее истощения, а также на эффективность взращивания сельскохозяйственных культур [1, c. 15].

Многие растения имеют схожий состав листьев, цвета и формы, что затрудняет их идентификацию человеческим глазом. Фермеры теперь могут полагаться на машинное обучение для оценки сложных закономерностей и точного определения родственных видов растений и сорняков. Цифровая идентификация видов растений экономит время фермеров, позволяя им повышать производительность в других важнейших областях.

Обработка изображений на основе машинного обучения позволяет фермерам полагаться на цифровые инструменты для распознавания видов сорняков и определения того, какие культуры являются здоровыми, а какие заражены болезнями, вызванными грибками, бактериями или вирусами [2, с. 314].

Способность распознавать сорняки с помощью цифровых инструментов позволяет обучать роботов вырывать сорняки с полей, защищая окружающую среду от ущерба, причиненного использованием пестицидов, и экономя время, усилия и деньги фермеров.

Кроме того, цифровые приложения, которые могут оценивать посевы на предмет заболеваний, также могут обеспечить точный диагноз заболевания и рекомендовать оптимальный план лечения.

Эта технология помогает фермерам избежать принятия универсального решения, которое не только не решает проблему конкретной болезни, но и может непреднамеренно вызвать нежелательные побочные эффекты, такие как загрязнение окружающей среды или сокращение популяции пчел. Это также позволяет компаниям, производящим средства для лечения болезней сельскохозяйственных культур, лучше обслуживать своих клиентов.

Системы животноводства также требуют значительного анализа и прогнозирования данных, чтобы быть экологически чистыми и экономически эффективными. Машинного обучения может использоваться в различных областях животноводства.

Технология машинного обучения в настоящее время улучшает ведение сельского хозяйства и скотоводства в различных областях, включая поддержание здоровья скота, производство молока и яиц, скотоводство и селекционное разведение.

В другом примере состояние здоровья коровы можно оценить, применив алгоритмы глубокого обучения к изображениям лейкоцитов, извлеченных из крови или молока коровы. Этот процесс помогает выявить определенные проблемы со здоровьем раньше, чем позволяет простое наблюдение. Также фермеры могут предпринять соответствующие оздоровительные меры до того, как антибиотики станут крайне необходимыми. Чем больше фермеры знают о здоровье своих животных, тем более ресурсо-эффективным становится производство.

Используя приложения компьютерного зрения, технология проводит параллели между текущим набором параметров и историческими данными. Как движется корова по сравнению со вчерашним днем? Как хорошо они сегодня питались? Программное обеспечение отвечает на все эти вопросы индивидуально для каждой особи и уведомляет фермеров, если животное нуждается во внимании и особом обращении. Это значительно облегчает работу фермеров, снижает применение антибиотиков и исключает возможность ошибок, связанных с человеком, при оценке здоровья коров. Это позволяет фермерам начать лечение болезней задолго до усугубления положения животных. Компания утверждает, что это помогает фермерам экономить в среднем 400 долларов на корову в год и увеличивает производство молока до 30% [3, с. 2].

Анализ данных на основе машинного обучения также помогает владельцам ферм оптимизировать операции, чтобы более точно и эффективно управлять производством молока, яиц и других продуктов питания. Автономные роботы не просто следят за полями сельскохозяйственных культур на предмет сорняков и болезней растений. Их также обучают пасти крупнорогатый скот и овец. В дополнение к физическому загону животных к необходимому месту назначения, устройства, управляемые машинным обучением, могут перетаскивать тяжелые предметы из одного места в другое и взаимодействовать с беспилотными летательными аппаратами для передачи важной информации работникам ферм [4, с. 58].

Список литературы:

1. Сныткина Д.А.  Применение методов машинного обучения при оценке и картографировании природных ресурсов: дис. магистр. / Д.А. Сныткина. – Санкт-Петербург, 2020. – 84 с.
2. Ferentinos K.P. Deep learning models for plant disease detection and diagnosis. Comput / K.P. Ferentinos // Computers and Electronics in Agriculture – 2018. – Volume 145. – Pages 311-318.
3. Рахматулин И. Нейросети, глубокое обучение, машинное зрение в сельском хозяйстве. Краткий обзор для 2021 года / И. Рахматулин // 2021.
4. Benos Lefteris Machine Learning in Agriculture: A Comprehensive Updated Review / Aristotelis C. Tagarakis, Georgios Dolias, Remigio Berruto, Dimitrios Kateris, and Dionysis Bochtis // 2021. – Sensors 21, no. 11. – 3758.