Проектирование и компьютерная реализация комплекса программ для интеллектуального мониторинга роста и развития агробиоценозов в условиях их контролируемого выращивания

Актуальность. Статья посвящена проблемам проектирования и компьютерной реализации ансамбля программных модулей, базовым функционалом которых является автоматизированный мониторинг динамики роста агробиоценозов в условиях их контролируемого выращивания с возможностью дальнейшего исследования развития по фазам вегетации нейронной сетью глубокого обучения со сверточными слоями. Рассмотрены основные этапы разработки цифровых схем устройств, алгоритмов их работы и компьютерной реализации комбинаций климатических параметров внутри закрытых экосистем, оперативного мониторинга состояния питательных сред и отдельных частей растений на наличие отклонений при цифровом фенотипировании.

Объект. Объектом исследования являются рост и развитие агробиоценозов в условиях контролируемого выращивания.

Материалы и методы. Проектирование и компьютерная реализация осуществлялась в среде имитационного моделирования с подбором базовых компонентов системы интеллектуального управления с последующей интеграцией с микроконтроллерными компонентами. Компьютерная реализация программных модулей осуществлялась в интегрированной среде разработки приложений на языке программирования С++.

Результаты и выводы. Осуществлено моделирование автоматизированной системы реализации комбинаций климатических параметров внутри закрытых экосистем, оперативного мониторинга состояния питательных сред и отдельных частей растений на наличие отклонений при цифровом фенотипировании, произведена ее проверка на работоспособность в среде имитационного моделирования, доказавшей ее эффективность. Представлен комплекс специального программного обеспечения для реализации алгоритмов работы предлагаемых интеллектуальных алгоритмов. Предлагается концепция управления и мониторинга состояния агрофитоценозов в условиях безвирусного семеноводства с возможностью исследования роста и развития растений с использованием нейронной сети со сверточными слоями. Схема включает трехуровневую систему автоматизации: на нижнем уровне датчики и реле исполнительных механизмов; применение алгоритмов компьютерного зрения для оперативного мониторинга состояния питательной среды, роста и развития растений, вывода изображения на экран компьютеризированной системы диспетчерского управления и сбора данных (КСДУиСД), экспорт изображений на облачные сервисы хранения данных для мультиклассовой классификации по заранее подготовленным классам нейронной сети глубокого обучения со сверточными слоями (CNN); связь между компонентами машинного зрения, микроконтроллеров для оперативного мониторинга и оповещения при обнаружении отклонений (наличие контаминации питательной среды / эксплантов, болезней) при выращивании агробиоценозов в безвирусном семеноводстве.

1. Общее собрание секции механизации, электрификации и автоматизации отделения сельскохозяйственных наук РАН. Сельскохозяйственные машины и технологии. 2016. № 2. С. 4.

2. Berezhnoy V. A., Ivashchuk O. A., Maslakov Y. N. Approaches for Automated Monitoring and Evaluation of In Vitro Plant’s Morphometric Parameters. Journal of Computational and Theoretical Nanoscience. 2020. V. 17. № 9-10. Pp. 4725-4732.

3. Бережной В. В., Иващук О. А., Семенов Д. С. Обзор методов и алгоритмов автоматизированных систем фенотипирования растений. Современные наукоемкие технологии. 2021. № 4. С. 111-116.

4. Бережной В. А., Иващук О. А., Маслаков Ю. Н. Разработка метода сегментации 3d моделей вегетативной части побега. Научно-технический вестник поволжья. 2021. № 5. С. 30-34.

5. Лебедь Н. И., Токарев К. Е. Повышение продуктивности агрофитоценозов в условиях точного земледелия с использованием нейросетевых алгоритмов глубокого обучения: обоснование применения и аспекты компьютерной реализации. Международный сельскохозяйственный журнал. 2022. № 6 (390). С. 662-664.

6. Tokarev K. E., Lebed N. I. Neural network system for recognition and visualization of problem areas of crops in precision farming: justification of application and aspects of implementation. IOP Conference Series: Earth and Environmental Sciencethis link is disabled. 2023. № 1138 (1). 012017.

7. Зыков А. В., Юнин В. А., Захаров А. М. Использование робототехнических средств в АПК. Международный научно-исследовательский журнал. 2019. № 3 (81). С. 8-11.

8. Рунов Б. А. Применение робототехнических средств в АПК. Сельскохозяйственные машины и технологии. 2016. № 2. С. 44-47.

9. Лебедь Н. И., Токарев К. Е., Нехорошев Д. Д., Аксенов М. П. Исследование и моделирование режимов работы программно-аппаратного комплекса системы микроклимата на базе микроконтроллера ATMEGA2560. Вестник Тамбовского государственного технического университета. 2022. № 4. Т. 28. С. 595-605.

10. Токарев К. Е., Руденко А. Ю., Кузьмин В. А., Чернявский А. Н. Теория и цифровые технологии интеллектуальной поддержки принятия решений для увеличения биопродуктивности агроэкосистем на основе нейросетевых моделей. Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2021. № 4 (64). С. 421-440.

11. Хвостенко Т. М., Алексанов И. А. Внедрение и проблематика роботехнических средств в АПК. Вестник образовательного консорциума Среднерусский университет. Информационные технологии. 2022. № 2 (20). С. 4-9.

12. Тюрин С. Ф., Ковыляев Д. А., Данилова Е. Ю., Городилов А. Ю. Изучение программирования микроконтроллеров в САПР Proteus. Вестник Пермского университета. Математика. Механика. Информатика. 2021. № 2 (53). С. 69-74.

13. Лепешко Л. С. Обзор программных продуктов для автоматизации в АПК. Новости науки в АПК. 2019. № 3 (12). С. 318-324.

14. Лебедь Н. И., Гапич Д. С., Ханин Ю. И., Веселова Н. М., Фомин С. Д. Разработка и обоснование автоматизированной системы управления и программного обеспечения SCADAсистемы процессом резания плодоовощных материалов ломтиковым измельчителем. Известия нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. ВолГАУ. 2022. № 2 (66). С. 364-372.