Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: LIV Международной научно-практической конференции «Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ» (Россия, г. Новосибирск, 29 июня 2017 г.)

Наука: Информационные технологии

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Золотых А.Ф. ИСПОЛЬЗОВАНИЕ ИНФОРМАЦИОННЫХ СРЕДСТВ ДЛЯ ПРЕДУПРЕЖДЕНИЯ И ОБНАРУЖЕНИЯ ЗАБОЛЕВАНИЙ РАСТЕНИЙ // Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ: сб. ст. по мат. LIV междунар. студ. науч.-практ. конф. № 6(53). URL: https://sibac.info/archive/technic/6(53).pdf (дата обращения: 29.03.2024)
Проголосовать за статью
Конференция завершена
Эта статья набрала 0 голосов
Дипломы участников
У данной статьи нет
дипломов

ИСПОЛЬЗОВАНИЕ ИНФОРМАЦИОННЫХ СРЕДСТВ ДЛЯ ПРЕДУПРЕЖДЕНИЯ И ОБНАРУЖЕНИЯ ЗАБОЛЕВАНИЙ РАСТЕНИЙ

Золотых Анастасия Федоровна

магистрант, институт информационных технологий, Челябинский государственный университет,

РФ, г. Челябинск

Митянина Анастасия Владимировна

научный руководитель,

преподаватель, институт информационных технологий, Челябинский государственный университет,

РФ, г. Челябинск

Введение

Сегодня количество устройств, которые подключены к сети Интернет, превышает все население Земли более чем в два раза (16.3 млрд.), а к 2020 году количество устройств достигнет 26.3 млрд. по версии Cisco. Каждый житель Земли будет владеть в среднем 3-4 устройствами. Такой колоссальный рост обусловлен глобальной цифровизацией, «в основе которой лежит распространение персональных устройств и развитие межмашинных (machine-to-machine, M2M) коммуникаций» [1].

Поэтому можно сказать, что сейчас очень активно стала развиваться сфера Интернета вещей (Internet of Things, IoT). Это направление, которое занимается созданием портативных «умных» устройств, выполняющих конкретный, ограниченный набор функций и работающих в основном за счет связи с всемирной паутиной. То есть это совокупность разнообразных датчиков, устройств (как носимых, так и стационарных), которые могут использовать, как постоянное подключение к сети Интернет, так и работать локально (без подключения к сети). Как правило, устройства объединяются в сеть, в рамках которой они могут взаимодействовать между собой.

 

Рисунок 1. Тенденция поисковых запросов по тематике IoT, 2012 – 2017

 

За последние несколько лет IoT стала довольно популярной, и количество заинтересованных и пришедших соискателей увеличилось в несколько раз. На рисунке 1 видим рост количества запросов о IoT за последние несколько лет. Это объясняется тем, что сфера Интернета вещей позволяет решать актуальную проблему автоматизации рутинных вещей, действий. Область довольно молодая, и всё ещё есть много разных недоговоренностей, например, отсутствие единого протокола общения всех IoT-устройств. Но на данный момент, по версии Gartner (график цикла зрелости технологий), она находится на уровне запуска, а выход на уровень «Повсеместного принятия» оценивается в 5-10 лет.

Одним из популярных применений сферы Интернета вещей можно считать автоматизацию сельскохозяйственного производства. Сельское хозяйство России более 60 лет было закрытой отраслью, так что инновации в этой сфере довольно трудно воспринимаются. По сей день на селе агропромышленные предприятия в основном используют локальные решения, которые не связаны с Интернетом. Однако сейчас ситуация меняется из-за  стремительной цифровизации общества.

Под сельским хозяйством будем понимать не только крупные производства, но и частное, маленькое хозяйство. Под частным хозяйством понимаем единичных садоводов и городских жителей, которые держат растения дома. Городские жители выращивают растения обычно на подоконнике или на балконе.

Частой проблемой для садоводов, фермеров являются болезни растений. Они могут возникнуть из-за неблагоприятных условий содержания, неправильном уходе или при возникновении вредителей. И если для больших хозяйств гибель пары десятков штук растений не играет достаточной роли, то для обычного садовода – это большая потеря. К этому можно добавить неопытных пользователей, которые желают выращивать нестандартные растения.

Поэтому можно сказать, что устройство, которое позволяет заниматься мониторингом состояния растения и которое может выступать в качестве виртуального ассистента по выращиванию растений, потенциально может пользоваться спросом среди садоводов.

Сопутствующие работы

Проблемой предсказывания заболеваний растений занимались многие ученые на протяжении нескольких десятилетий. Многие работы носят чисто биологический характер, так как эта тема в первую очередь стоит перед учеными биологами и только во вторую – перед инженерами.

Культурные растения подвергаются различным заболеваниям, различающимся как по своей природе, так и по форме проявления.

Появление и развитие болезней наносит материальный ущерб хозяйству, потому что это ухудшает качество и количество урожая. В настоящее время у нас и за рубежом разработаны и предложены разнообразные методы и средства борьбы с болезнями растений, которые применяются как против многих болезней, так и отдельных заболеваний.

К основным методам борьбы с заболеваниями растений можно причислить:

  1. Агротехнический,
  2. Биологический,
  3. Физико-механический,
  4. Химический.

Агротехнический метод борьбы с болезнями подразумевает создание благоприятных условий для роста и развития растений, но неблагоприятных – для возбудителей болезней. Сюда входит комплекс приемов агротехники такие как возделывания культур (обработка почвы, семена, способ посева, удобрения и др.), внедрением новых устойчивых сортов, районированием культур и сортов, севооборотом и другими организационно-хозяйственными мероприятиями. В основу биологического метода легло уничтожение возбудителей болезней с помощью других живых организмов (антагонизм). Физико-механический метод состоит в воздействии на возбудителей болезней механическими и физическими факторами: свет, токи высокой частоты. И химический способ подразумевает собой использование специальных химических веществ (ядохимикатов) [5].

По механизму своего действия все методы борьбы с болезнями растений могут быть профилактическими, или предупредительными, и хемотерапевтическими, или лечебными. Мы же будем рассматривать только профилактические, в большинстве случаев легче предупредить заболевание, чем лечить больные растения. Поэтому практическую фитопатологию справедливо называют не лечением растений, а защитой растений — защитой от заражения.

Существует ряд исследований [9-11], которые объясняют актуальность защиты растений от возникновения заболеваний, так как это вызывает потерю до 30% годовых урожаев, и предлагают способы предотвращения. Наибольший успех в борьбе с болезнями растений достигается в том случае, когда методы применяются в комплексе (системы мероприятий). В основе его лежит неразрывная связь отдельных методов борьбы, направленных на возбудителя болезни и на растение-хозяина.

В эпоху широкого распространения цифровых устройств и использования машинного интеллекта для автоматизации процессов ручного труда появляются всё больше устройств, которые позволяют в автоматизированном режиме выполнять рутинные действия. Существуют системы, которые позволяют выращивать растения в автоматизированном режиме. Они обычно состоят из модулей, например, автоматический полив и установка климата, дистанционное управление и слежение за выращиваемыми растениями. Но функционал, который предлагают такие системы, не позволяет предупреждать заболевания и, соответственно, устройство не несет ответственности за здоровье объекта, выращиваемого в нём.

В таблице 1 представлены основные сравнительные характеристики различных устройств, существующих на рынке, позволяющих в домашних условиях выращивать различные растения. У большинства устройств отсутствует: возможность управления через мобильное или веб-приложение; климат контроль; специальное благоприятное для растений освещение – фитосвет.

Таблица 1.

Сравнение аналогов

 

Фито-свет

Авто-полив

Климат-контроль

Видео-контроль

Программы роста

Mobile app

Web app

Click and Grow

НЕТ

ДА

НЕТ

ДА

НЕТ

НЕТ

НЕТ

Niwa

ДА

ДА

ДА

НЕТ

НЕТ

ДА

НЕТ

Акваферма

НЕТ

ДА

НЕТ

ДА

НЕТ

НЕТ

НЕТ

Aero Flow

НЕТ

ДА

НЕТ

НЕТ

НЕТ

НЕТ

НЕТ

Termo-box

НЕТ

ДА (ручной)

ДА (ручной)

НЕТ

НЕТ

НЕТ

НЕТ

Fibonacci

ДА

ДА

ДА

ДА

НЕТ

ДА

НЕТ

PEAT

НЕТ

НЕТ

НЕТ

ДА

ДА

ДА

НЕТ

FarmBot

НЕТ

ДА

ДА

ДА

НЕТ

ДА

ДА

Из таблицы видим, что текущие решения в основном нацелены на автоматическое выращивание и управление. Решение от компании Peat позиционирует себя как база знаний по заболевшим растениям. Стоит отметить, что мы не рассматриваем ручной труд, потому что цель работы – автоматизация рутинных действий.

Описание разрабатываемого решения

Анализ аналогичных решений показал, что текущего функционала недостаточно. Поскольку хотим, чтобы система могла существовать как самодостаточное устройство, а также встраиваться в уже существующие автоматизированные решения, она должна представлять собой программно-аппаратный комплекс. В него будет входить: физическое устройство (внешне на подобии обычного маленького контейнера), позволяющее:

  • включать/выключать устройство;
  • собирать показатели с датчиков температуры и влажности воздуха, влажности почвы;
  • производить фотографирование растения.

web- или мобильное-приложение, которое позволит:

  • показывать текстовое описание состояния растения;
  • показывать текстовые рекомендации по исправлению отклонений;
  • использовать ручное управление для установки данных о растении;
  • ручное и автоматизированное добавление нового типа растения и рекомендаций к нему;
  • показывать изображения растения;
  • показывать уведомления о новых рекомендациях или системных событиях;
  • показывать информацию о состоянии:
    • температуры и влажности воздуха;
    • влажности почвы;
    • системы освещения (включено/выключено);
    • системы полива (включена/выключена).

Система будет нацелена в основном на садоводов, живущих в городе и выращивающих растения в домашних условиях, или на тех, кто желает вырастить экзотические растения, не имея должного опыта. Кроме этого, базой знаний удобно будет пользоваться специалистам-биологам.

Концептуальная схема системы представлена на рисунке 2.

 

Описание%20системы.png

Рисунок 2. Общая схема разрабатываемой системы

 

Система состоит из трех слоёв: периферия (в неё входит обычная и инфракрасная камеры, датчики влажности, температуры), ядро, база знаний. На входе от периферии получаем изображения растения и показания от датчиков. Ядро системы принимает эти данные. Оно состоит из нескольких уровней, которые занимаются очисткой и анализом полученной информации. На выходе получаем данные в текстовом виде о состоянии растения на предмет отклонения от нормы и эталонов, которые хранятся базе знаний, и рекомендации по исправлению отклонений, которые так же хранятся в базе знаний. База знаний растет за счет ручного наполнения и обучения системой по программам роста и ухода за растениями, которые выбирает сама система и пользователь.

Теперь рассмотрим каждый из блоков системы подробнее.

На вход подаются «сырые» данные с датчиков. Под сырыми понимаем данные в удобном для обработки виде: с датчиков влажности, температуры, давления и т. д. – преобразованные в правильные единицы измерений, с камер – просто изображения. Также подается информация о растении (название), способе посадки (аэропоника, гидропоника, почва), окружающих условиях (фермерское поле, дача, балкон, подоконник, место под столом).

 

../../../Приложения/drawio/Очистка%20данных.png

Рисунок 3. Схема этапа очистки данных

 

На рисунке 3 представлена схема этапа очистки данных. «Сырые» данные мы очищаем от «мусора» или шумов: показатели с датчиков – от ненастоящих значений, изображения с камер – от битых или испорченных. В базе знаний у нас есть база состояний, в которой хранятся все очищенные состояния растения с разных осмотров. Схема работы базы знаний в системе представлена на рисунке 4. Осмотры делаются через короткие промежутки времени (например, раз в 3-5 минут). Если у нас есть данные предыдущего шага, то мы сравниваем текущие данные с ними. Если различия между ними большие, значит случился форс-мажор. Считаем состояние шумом, откидываем его и сразу считываем следующее состояние. Если шум повторяет 5 раз, то на 6-ой сохраняем показания с особой пометкой (например, повторяющийся шум), пропускаем этап анализа данных и уведомляем пользователя о возможной ошибке системы. Если показатели получили без шума, то мы сохраняем их в базу состояний с пометкой времени.

 

База%20знаний.png

Рисунок 4. Общая схема взаимодействия базы знаний с системой

 

Следующим шагом является этап анализа данных (рисунок 5). Текущие значения, которые мы сохранили в базу состояний (за исключением помеченных особой меткой повторяющегося шума), проводим на следующий этап.

 

../../../Приложения/drawio/Анализ%20полученных%20данных.png

Рисунок 5. Схема этапа анализа данных

 

В базе знаний у нас есть база эталонных значений, которая не может меняться самой системой. Наполнением её новыми эталонными значениями занимаются администраторы системы. Текущие значения и информацию о растении получаем от анализатора. Он в свою очередь берет эти данные из хранилища информации о растении. Анализатор сравнивает значения с эталоном конкретно по выбранному растению и выдает отклонения и различия от нормы. Под отклонениями от нормы мы понимаем различия в показателях текущего состояния растения и эталонного значения. Как выход мы показываем пользователю описание текущего состояния растения в виде, например, «влажность ниже нормы, уровень освещение в норме, присутствуют пожелтевшие листья».

Основываясь на отклонениях, полученных на предыдущем этапе, составляем программу ухода за растением (рисунок 6).

 

../../../Приложения/drawio/Предварительные%20рекомендации.png

Рисунок 6. Схема этапа выдачи предварительных рекомендаций

 

Под программой ухода понимаем набор инструкций, которые нужно применить для улучшения или поддержания текущего состояния растения. Набор правил, на основе которых составляем программу, содержатся в базе правил по исправлению отклонений. Эта база пополняется отдельным модулем. Кроме того, в этом модуле мы учитываем аномальные значения как и состояний растений, так и правил по исправлению. Под аномальными значениями понимаем нестандартные для этого растения поведения, которые необходимо применить в целях профилактики. На выходе мы получаем инструкции и рекомендации по исправлению в удобном и понятном для пользователя виде. Например, «поливайте растение два раза в день», «поставьте растения ближе к свету», «добавьте прикорма в почву растения».

Разрабатываемая система должны реагировать в автоматизированном режиме на разные внешние раздражители (будем называть их вредители), которые могут нанести вред здоровью растения. Эти вредители потенциально могут привести к появлению отклонений (будем назвать их шумом) в сборе показаний с камер или датчик. Шумом будем принимать такие ситуации:

  1. Вредитель (крот, мышь, кролик) подошел к камере близко во время снятия показателя и стоял там более получаса.
  2. Вредитель (крот, мышь, кролик) подошел к камере близко во время снятия показателя и стоял там менее получаса.
  3. Ошибка камеры
  4. Ошибка датчиков
  5. Человек случайно подошел посмотреть на растение во время снятия показателей.

Разграничение поведений системы при появлении шума объясняется различными факторами, при которых он появляется. Эти факторы можно разделить на антропогенные, зависящие от человека, и природные, не зависящие от человека.

К первому типу можно отнести действия человека, находящегося рядом с растением и автоматизированным модулем интеллектуальной поддержки по уходу за растением. Контрольные действия модуля могут произойти в момент, когда человек может быть в процессе ухаживания за растением. Обычно такие действия продолжаются довольно короткий промежуток времени. Каждое измерение происходит примерно раз в 3-5 минут. Если модуль посчитает контрольное измерение с шумом, то достаточно просто сохранить его в памяти, а следующее измерение вероятнее всего будет без шума. Предупреждение пользователя о возникновении продолжительного шума появляется только на 6 измерение, то есть примерно через 20 минут.

Ко второму типу относятся различного вида опасные ситуации, которые можно отнести к типу «вредители». Обычно поведение вредителей: насекомых, животных, – довольно легко предсказывается. Если вредитель заинтересован в растении, то ему потребуется время, чтобы произвести действия над ним: каким-либо способом нанести вред листьям, плодам. Можем предполагать, что эти действия занимают более пяти контрольных измерений. Поэтому в таком случае модуль идентифицирует потенциальную угрозу и выдаст уведомление для пользователя. Но также стоит учитывать факт, что вредители могут провести гораздо меньше времени для причинения вреда растению. В таком случае модуль сохраняет потенциальные «шумы», но не уведомляет об этом пользователя. Пользователь сам может увидеть отчеты о контрольных измерениях в связанном с модулем приложении. Есть два типа вредителей: активные и пассивные. Активные вредители наносят непосредственный вред растению, а пассивные – всего лишь являются причиной возникновения шума.

Ещё одна ситуация, которая находится на стыке между первым и вторым типом шумов, – это причинение вреда растению человеком. Это может быть преднамеренное в профилактических целях, преднамеренное во вредительских целях и непреднамеренное. К таким ситуациям можно отнести, например, удаление усиков, сбор плодов, удаление листьев, лепестков.

Дальнейшими шагами является сбор базы знаний и создание прототипа системы. В первой модификации войдут автоматический сбор и анализ состояний растений на основе изображений и показаний с датчиков. В дальнейшем планируется добавить в модуль интеллектуальное распознавание шума.

 

Список литературы:

  1. [электронный ресурс] — Режим доступа. — URL: http://www.cisco.com/c/ru_ru/about/press/press-releases/2016/06-08.htm (дата обращения: 01.06.2017)
  2. Что такое интернет вещей (Internet of Things, IoT) [электронный ресурс] — Режим доступа. — URL: http://bit.ly/1MegAHZ (дата обращения: 01.06.2017)
  3. Интернет вещей – не просто маркетинговая уловка // [электронный ресурс] — Режим доступа. — URL: http://rb.ru/opinion/iot-and-world/ (дата обращения: 01.06.2017)
  4. [электронный ресурс] — Режим доступа. — URL: https://www.google.ru/trends/explore?q=%2Fm%2F02vnd10,IoT,Internet%20of%20Things (дата обращения: 05.06.2017)
  5. Общая характеристика методов борьбы с болезнями растений. – Зооинженерный факультет МСХА. [электронный ресурс] — Режим доступа. — URL:  http://www.activestudy.info/obshhaya-xarakteristika-metodov-borby-s-boleznyami-rastenij/ (дата обращения: 18.06.2017)
  6. Липецкая А.Д., Рузаев К.С. Вредители и болезни виноградной лозы – М.: Сельхозгиз, 1958 – с. 280
  7. Горленко М.В. Сельскохозяйственная фитопатология. 3-е изд., перераб. и доп. – М.: Колос, 1997 – с. 441
  8. Дементьева М.И. Фитопатология. 3-е изд., перераб. и доп. – М.: Колос, 1997 – с. 372
  9.  Плотников В.В. Защита растений. 3-е изд. – М.: Колос, 1998 – с. 138
  10.  Поспелов С.М. Защита растений. 3-е изд. перераб. и доп. – М.: Колос, 1998 – с. 285
  11.  Михайленко И. М. Математическое моделирование роста растений на основе экспериментальных данных // Сельскохозяйственная биология. –  М.: 2007. – №1 – с. 103-111
Проголосовать за статью
Конференция завершена
Эта статья набрала 0 голосов
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом
CAPTCHA
Этот вопрос задается для того, чтобы выяснить, являетесь ли Вы человеком или представляете из себя автоматическую спам-рассылку.