Сравнение и отбор ситуаций в системах вывода решений на прецедентах для «умной» фермы

Обложка

Цитировать

Полный текст

Аннотация

Тенденция развития умных ферм направлена на их становление полностью автономными, роботизированными предприятиями. Перспективы интеллектуализации сельскохозяйственного производства и умных ферм, в частности, сегодня связываются с развитием технологий систем, применяемых для обнаружения, распознавания сложных производственных ситуаций и поиска эффективных решений в этих ситуациях. В статье рассмотрены вопросы создания ситуационных систем поддержки принятия решения на умных фермах с применением вывода решений на основе рассуждений по прецедентам (case-based reasoning). Для разработки таких систем требуется выполнение ряда нетривиальных задач, к которым относятся, прежде всего, задачи формализации представления ситуаций и построения на этой основе способов сравнения и отбора ситуаций в базах знаний. В данном исследовании умная ферма представлена как сложный технологический объект, состоящий из взаимосвязанных компонентов, которыми являются технологические подсистемы умной фермы, производимая продукция, объекты операционного окружения, а также отношения между ними. Для реализации алгоритмов ситуационного вывода решений на основе прецедентов предложено формализованное представление ситуации в виде мультивектора, который содержит информацию о состояниях этих компонентов. Это позволило разработать ряд моделей обучаемой функции схожести между ситуациями. Проведенные эксперименты показали работоспособность предложенных моделей, на основе чего разработана ансамблевая архитектура нейросети для сравнения ситуаций и их отбора из базы знаний в процессах вывода решений. Практический интерес представляет мониторинг состояния растений по их видео-, фото- изображениям, что позволяет обнаруживать нежелательные состояния растений (болезни), которые могут служить сигналом для активизации процесса поиска решений в базе знаний.

Об авторах

И. Н Глухих

Институт математики и компьютерных наук (ИМиКН)

Email: i.n.glukhikh@utmn.ru
улица Володарского 6

А. С Прохошин

Тюменский государственный университет (ТюмГУ)

Email: a.s.prokhoshin@utmn.ru
улица Володарского 6

Д. И Глухих

Тюменский государственный университет (ТюмГУ)

Email: gluhihdmitry@gmail.com
улица Володарского 6

Список литературы

  1. Руткин Н.М., Лагуткин О.Ю., Лагуткина Л.Ю. Урбанизированное агропроизводство (сити-фермерство) как перспективное направление развития мирового агропроизводства и способ повышения продовольственной безопасности городов // Вестник астраханского государственного технического университета. серия: рыбное хозяйство. 2017. Т. 2017. № 4. С.95–108.
  2. Сурай Н.М., Кудинова М.Г., Уварова Е.В., Жидких Е.И. Анализ развития цифровых технологий в «умных» фермах // Инновации и инвестиции. 2021. № 10. С. 184–188.
  3. Martin M., Molin E. Environmental Assessment of an Urban Vertical Hydroponic Farming System in Sweden // Sustainability. 2019. vol. 11(15). no. 4124. doi: 10.3390/su11154124.
  4. Chiu M.-C., Yan W.-M., Bhat S.A., Huang N.-F. Development of smart aquaculture farm management system using IoT and AI-based surrogate models // Journal of Agriculture and Food Research. 2022. vol. 9. no. 100357. doi: 10.1016/j.jafr.2022.100357.
  5. Devapal D. Smart Agro Farm Solar Powered Soil and Weather Monitoring System for Farmers // Proceedings of International Multi-conference on Computing, Communication, Electrical & Nanotechnology, I2CN-2K19. 2020. pp. 1843–1854.
  6. He L., Fu L., Fang W., Sun X., Suo R., Li G., Zhao G., Yang R., Li R. IoT-based urban agriculture container farm design and implementation for localized produce supply // Computers and Electronics in Agriculture. 2022. vol. 203. no. 107445. doi: 10.1016/j.compag.2022.107445.
  7. Klaina H., Guembe I.P., Lopez-Iturri P., Campo-Bescós M.A., Azpilicueta L., Aghzout O., Alejos A.V., Falcone F. Analysis of low power wide area network wireless technologies in smart agriculture for large-scale farm monitoring and tractor communications // Measurement. 2022. vol. 187(5). no. 110231. doi: 10.1016/j.measurement.2021.110231.
  8. Махмудул Хасан А., Мд Ракиб Ул Ислам Р., Авинаш К. Классификация болезней листьев яблони с использованием набора данных изображений: подход многослойной сверточной нейронной сети // Информатика и автоматизация. 2022. Т. 21. № 4. C. 710–728. doi: 10.15622/ia.21.4.3
  9. Moreira R., Moreira L.F.R., Munhoz P.L.A., Lopes E.A., Ruas R.A.A. AgroLens: A low-cost and green-friendly Smart Farm Architecture to support real-time leaf disease diagnostics // Internet of Things. 2022. vol. 19. no. 100570. doi: 10.1016/j.iot.2022.100570.
  10. Hu W.-C., Chen L.-B., Huang B.-K., Lin H.-M. A Computer Vision-Based Intelligent Fish Feeding System Using Deep Learning Techniques for Aquaculture // IEEE Sensors Journal. 2022. vol. 22. no. 7. pp. 7185–7194. doi: 10.1109/JSEN.2022.3151777.
  11. Cho S., Kim T., Jung D.-H., Park S.H., Na Y., Ihn Y.S., Kim K.G. Plant growth information measurement based on object detection and image fusion using a smart farm robot // Computers and Electronics in Agriculture. 2023. vol. 207. no. 107703. doi: 10.1016/j.compag.2023.107703.
  12. Cerutti J., Abi-Zeid I., Lamontagne L., Lavoie R., Rodriguez-Pinzon M.J. A case-based reasoning tool to recommend drinking water source protection actions // Journal of Environmental Management. 2023. vol. 331. no. 117228. doi: 10.1016/j.jenvman.2023.117228.
  13. Zhai Z., Martínez J.F., Martínez N.L., Díaz V.H. Applying case-based reasoning and a learning-based adaptation strategy to irrigation scheduling in grape farming // Computers and Electronics in Agriculture. 2020. vol. 178. no. 105741. doi: 10.1016/j.compag.2020.105741.
  14. Wang D., Wan K., Ma W. Emergency decision-making model of environmental emergencies based on case-based reasoning method // Journal of Environmental Management. 2020. vol. 262(9). 110382. doi: 10.1016/j.jenvman.2020.110382.
  15. Mathisen B.M., Bach K., Aamodt A. Using extended siamese networks to provide decision support in aquaculture operations // Applied Intelligence. 2021. vol. 51(1). doi: 10.1007/s10489-021-02251-3.
  16. Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches // AI Communications. 2001. vol. 7. pp. 39–59. doi: 10.3233/AIC-1994-7104.
  17. Скобелев П.О., Симонова Е.В., Будаев Д.В., Вощук Г.Ю., Ларюхин В.Б. Облачная интеллектуальная система SMART FARMING для управления точным земледелием // Материалы конференции «Информационные технологии в управлении (ИТУ-2018)» (г. Санкт-Петербург, 2–4 октября 2018 г.) Издательство: Концерн «Концерн «ЦНИИ «Электроприбор», 2018. С. 261–270.
  18. Leake D., Ye X., Crandall D. Supporting Case-Based Reasoning with Neural Networks: An Illustration for Case Adaptation // Proceedings of the AAAI 2021 Spring Symposium on Combining Machine Learning and Knowledge Engineering (AAAI-MAKE 2021). 2021. Available at: https://proceedings.aaai-make.info/AAAI-MAKE-PROCEEDINGS-2021/paper1.pdf. (accessed 26.05.2023).
  19. Guo Y., Zhang B., Sun Y., Jiang K., Wu K. Machine learning based feature selection and knowledge reasoning for CBR system under big data // Pattern Recognition. 2021. vol. 112(6). no. 107805. doi: 10.1016/j.patcog.2020.107805.
  20. Smiti A., Elouedi Z. Dynamic maintenance case base using knowledge discovery techniques for case based reasoning systems // Theoretical Computer Science. 2020. vol. 817. pp 24–32. doi: 10.1016/j.tcs.2019.06.026.
  21. Liao T.W., Zhang Z., Mount C.R. Similarity measures for retrieval in case-based reasoning systems // Applied Artificial Intelligence. 1998. vol. 12(4). pp. 267–288. doi: 10.1080/088395198117730.
  22. Fan Z.-P., Li Y.-H., Wang X., Liu Y. Hybrid similarity measure for case retrieval in CBR and its application to emergency response towards gas explosion // Expert Systems with Applications. 2014. vol. 41(5). pp. 2526–2534. doi: 10.1016/j.eswa.2013.09.051.
  23. Oyelade O.N., Ezugwu A.E. A case-based reasoning framework for early detection and diagnosis of novel coronavirus // Informatics in Medicine Unlocked. 2020. vol. 20(6). no. 100395. doi: 10.1016/j.imu.2020.100395.
  24. Gabel T., Godehardt E. Top-down induction of similarity measures using similarity clouds. International Conference on Case-Based Reasoning. 2015. pp. 149–16. doi: 10.1007/978-3-319-24586-7_11.
  25. Mathisen B.M., Aamodt A., Bach K., Langseth H. Learning similarity measures from data // Progress in Artificial Intelligence. 2020. vol. 9. pp. 129–143. doi: 10.1007/s13748-019-00201-2.
  26. Glukhikh I., Glukhikh D. Case-Based Reasoning with an Artificial Neural Network for Decision Support in Situations at Complex Technological Objects of Urban Infrastructure // Applied System Innovation. 2021. vol. 4(73). 12 p. doi: 10.3390/asi4040073.
  27. Глухих И.Н., Глухих Д.И. Алгоритмы генерации обучающих множеств в системе с прецедентным выводом на основе ситуаций-примеров // Программные продукты и системы. 2022. Т. 35. № 4. С. 660–669.
  28. Myttenaere A.D., Golden B., Grand B.L., Rossi F. Mean Absolute Percentage Error for regression models // Neurocomputing. 2016. vol. 192. pp. 38–48. doi: 10.1016/j.neucom.2015.12.114.
  29. Wang Y., Wang L., Li Y., He D., Liu T.-Y., Chen W. A Theoretical Analysis of NDCG Type Ranking Measures. Computer Science. 2013. 26 p. doi: 10.48550/arXiv.1304.6480.
  30. Taylor J.R. An Introduction to Error Analysis: The Study of Uncertainties in Physical Measurements, Second Edition, Paperback & Clothbound, 1997. 327 p.
  31. Paulson P., Juell P. Using Reinforcement Learning for Similarity Assessment in Case-Based Systems // IEEE Intelligent Systems. 2003. vol. 18. no. 4. pp. 60–67. doi: 10.1109/MIS.2003.1217629.
  32. Glukhikh I., Chernysheva T., Glukhikh D. Neural Network Models for Situation Similarity Assessment in hybrid-CBR // Journal of Intelligent & Fuzzy Systems. 2023. vol. 44(15). pp. 1–14. doi: 10.3233/JIFS-221335.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».