ПРОГРАММНО-АППАРАТНЫЙ КОМПЛЕКС СЕГМЕНТАЦИИ ПРЕПЯТСТВИЙ С АРХИТЕКТУРОЙ U-NET ДЛЯ АВТОНОМНОЙ СЕЛЬСКОХОЗЯЙСТВЕННОЙ ТЕХНИКИ

  • И.Г. Галиуллин Институт вычислительной математики и информационных технологий КФУ
  • Д.Е. Чикрин Институт вычислительной математики и информационных технологий КФУ
  • А.А. Егорчев Институт вычислительной математики и информационных технологий КФУ
  • Р. Ф. Сабиров Казанский государственный аграрный университет
Ключевые слова: Машинно-тракторный агрегат, нейронная сеть, сегментация, распознавание препятствий, алгоритм, система технического зрения, автономный трактор, U-Net

Аннотация

Сельское хозяйство играет фундаментальную роль в обеспечении продовольственной
безопасности и удовлетворении потребностей населения в пищевых продуктах. Оптими-
зация производства сельскохозяйственных культур и повышение эффективности работы
являются неотъемлемыми задачами для современного сельского хозяйства. В связи с этим
все больше внимания уделяется разработке и применению автономных сельскохозяйствен-
ных технических систем, способных автоматизировать и оптимизировать различные
производственные процессы. Однако эффективность автономных систем ограничивается
недостаточным развитием систем обнаружения препятствий и алгоритмов принятия
решений. Когда машинно-тракторные агрегаты и другие самоходные машины сталкива-
ются с препятствиями на своем пути, точное и быстрое распознавание этих препятст-
вий играет решающую роль в принятии соответствующих решений для избежания ава-
рийных ситуаций. В данной статье представлен программно-аппаратный комплекс сег-
ментации препятствий с использованием архитектуры U-Net, разработанный с целью
преодоления данных ограничений в автономных сельскохозяйственных технических систе-
мах. Архитектура U-Net известна своей способностью к высокоточному распознаванию
объектов на изображениях, что делает ее привлекательным выбором для систем машин-
ного зрения в условиях сельского хозяйства. Представленный комплекс обладает высокой
производительностью и позволяет проводить сегментацию препятствий типа столб,
дерево и кустарниковая растительность в режиме реального времени во время движения
машинно-тракторных агрегатов по заданной траектории. Это обеспечивает точное при-
нятие решений и избежание аварийных ситуаций, что существенно повышает эффектив-
ность и безопасность работы автономных систем в условиях сельскохозяйственного про-
изводства. Проведенные испытания подтвердили эффективность и применимость разра-
ботанных решений в реальных сельскохозяйственных условиях. Представленный в статье
программно-аппаратный комплекс сегментации препятствий с архитектурой U-Net от-
крывает новые возможности для автономной сельскохозяйственной техники и способст-
вует повышению производительности и эффективности сельского хозяйства. Это важ-
ный шаг в развитии современных технологий сельского хозяйства и содействует примене-
нию автономных систем для улучшения сельскохозяйственного производства и повышения
продуктивности.

Литература

1. Sabirov R.F., Medvedev V.M., Yarullin F.F., Shafigullin G.T. Neyrosetevoe modelirovanie
tekhnologicheskikh protsessov v sel'skom khozyaystve [Neural network modeling of technological
processes in agriculture], Sovremennoe sostoyanie, problemy i perspektivy razvitiya
mekhanizatsii i tekhnicheskogo servisa agropromyshlennogo kompleksa: Mater.
mezhdunarodnoy nauchno-prakticheskoy konferentsii Instituta mekhanizatsii i tekhnicheskogo
servisa, Kazan', 07–08 iyunya 2019 g. [Current state, problems and prospects for the development
of mechanization and technical service of the agro-industrial complex: Proceedings of
the international scientific and practical conference of the Institute of mechanization and technical
service, Kazan, June 07-08, 2019]. Kazan': Kazanskiy gosudarstvennyy agrarnyy
universitet, 2019, pp. 182-184. EDN WOJDMP.
2. Chikrin D.E. Universal'nye komplekty avtomatizatsii sel'skokhozyaystvennoy tekhniki dlya
robotizirovannykh agrokhozyaystv [Universal kits for automation of agricultural machinery
for robotic farms], Mezhdunarodnaya agropromyshlennaya vystavka «AgroVolga 2021» [International
agro-industrial exhibition "AgroVolga 2021"], 2021.
3. Tormagov T.A., Generalov A.A., Shavin M.Yu., Rapoport L.B. Zadachi upravleniya
dvizheniem avtonomnykh kolesnykh robotov v tochnom zemledelii [Problems of motion control
of autonomous wheeled robots in precision agriculture], Giroskopiya i navigatsiya
[Gyroscopy and navigation], 2022, Vol. 30, No. 1 (116), pp. 39-60. DOI 10.17285/0869-
7035.0083. EDN GWCIQX.
4. Sabirov R.F., Valiev A.R., Medvedev V.M., Shafigullin G.T., Galiullin I.G. Svid. o gos. registratsii
progr. dlya EVM 2021667661 Ros. Federatsiya. Programmnyy modul' segmentatsii ob"ektov
prepyatstviy derevo i stolb na osnove neyronnykh setey [Certificate of state registration of computer
programs 2021667661 Russian Federation. Software module for segmentation of obstacle objects
tree and pillar based on neural networks], Appl. 10/20/2021; registered 11/01/2021; publ.
01.11.2021, Bull. No. 11]. Available at: https://www.elibrary.ru/item.asp?id=47257657
5. Gonsales R., Vuds R. Tsifrovaya obrabotka izobrazheniy [Digital image processing]. Moscow:
Tekhnosfera, 2005, 1072 p.
6. Sikorskiy O.S. Obzor svertochnykh neyronnykh setey dlya zadachi klassifikatsii izobrazheniy
[Review of convolutional neural networks for the problem of image classification], Novye
informatsionnye tekhnologii v avtomatizirovannykh sistemakh [New information technologies
in automated systems], 2017, No. 20, pp. 37-42.
7. Nikolenko S., Kadurin A., Arkhangel'skaya E. Glubokoe obuchenie [Deep learning].
St. Petersburg: Piter, 2018, 480 p.
8. Atole R.R., Park D. A Multiclass Deep Convolutional Neural Network Classifier for Detection
of Common Rice Plant Anomalies, (IJACSA) International Journal of Advanced Computer
Science and Applications, 2018, Vol. 9, No. 1, pp. 67-70.
9. Rajmohan R., Pajany M., Rajesh R., Raghu Raman D., Prabu U. Smart paddy crop disease
identification and management using deep convolution neural network and SVM classifier, International
Journal of Pure and Applied Mathematics, 2018, Vol. 118, No. 15, pp. 255-264.
10. Athanikar G., Badar P. Potato Leaf Diseases Detection and Classification System, International
Journal of Computer Science and Mobile Computing, 2016, Vol. 5, Issue 2, pp. 76-88.
11. Sladojevic S., Arsenovic M., Anderla A., Culibrk D., and Stefanovic D. Deep Neural Networks
Based Recognition of Plant Diseases by Leaf Image Classification, Computational Intelligence
and Neuroscience, 2016, 11 p.
12. Abdullahi H.S., Zubair O.M. Advances of image processing in Precision Agriculture: Using
deep learning convolution neural network for soil nutrient classification, Journal of Multidisciplinary
Engineering Science and Technology (JMEST), August 2017, Vol. 4, Issue 8,
pp 7981-7987.
13. Huang H., Deng J., Lan Y., Yang A., Deng X., Zhang L. A fully convolutional network for
weed mapping of unmanned aerial vehicle (UAV) imagery // PLoS ONE 13(4): e0196302.
– 2018.
14. Inkyu Sa, Zetao Chen, Marija Popovic, Raghav Khanna, Frank Liebisch, Juan Nieto, Roland
Siegwa. WeedNet: Dense Semantic Weed Classification Using Multispectral Images and MAV
for Smart Farming, IEEE Robotics and Automation Letters, 2018, Vol. 3 (1), pp. 588-595.
15. Potena C., Nardi D., Pretto A. Fast and Accurate Crop and Weed Identification with Summarized
Train Sets for Precision Agriculture, IAS 2016: Intelligent Autonomous Systems, 2017,
14, pp 105-121.
16. Yao C., Zhang Y., Zhang Y., and Liu H. Application of convolutional neural network in classification
of high resolution agricultural remote sensing images, Int. Arch. Photogramm. Remote
Sens. Spatial Inf. Sci., XLII2/W7, 2017, pp. 989-992.
17. Atole R.R., Park D. A Multiclass Deep Convolutional Neural Network Classifier for Detection
of Common Rice Plant Anomalies, (IJACSA) International Journal of Advanced Computer
Science and Applications, 2018, Vol. 9, No. 1, pp. 67-70.
18. Ganchenko V., Doudkin A. Image Semantic Segmentation Based on Convolutional Neural
Networks for Monitoring Agricultural Vegetation, Communications in Computer and Information
Science, Springer, 2019, 2019, Part 5, Vol. 1055, pp. 52-63.
19. Adam: A Method for Stochastic Optimization. Available at: https://arxiv.org/abs/1412.6980.
20. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation.
Available at: https://ieeexplore.ieee.org/document/7803544/.
21. Densely Connected Convolutional Networks. Available at: https://arxiv.org/pdf/
1608.06993.pdf.
22. Chikrin D.E. Metodologicheskie osnovy proektirovaniya infokommunikatsionnykh sistem
avtomobil'nykh transportnykh sredstv vysokoy stepeni avtomatizatsii: dis. … d-ra tekhn. nauk
[Methodological foundations for the design of infocommunication systems for automobile vehicles
of a high degree of automation: dr. of eng. sc. diss.], 05.13.01. Kazan', 2021, 399 p.
23. Egorchev A.A. Verifitsiruemye sistemy virtual'nogo modelirovaniya bespilotnykh
transportnykh sredstv: dis. … kand. tekhn. nauk [Verifiable systems for virtual simulation of
unmanned vehicles: cand. of eng. sc. diss.], 05.13.01. Kazan', 2021, 340 p.
24. Kots M.V., Chukanov V.S. U-Net adaptation for multiple instance learning, Journal of Physics:
Conference Series, Saint Petersburg, 21–22 March 2019. Vol. 1236. Saint Petersburg: Institute
of Physics Publishing, 2019, pp. 012061. DOI: 10.1088/1742-6596/1236/1/012061. EDN
SJUOKU.
25. Ganchenko V.V., Dudkin A.A., Sheleg S.V. Raspoznavanie sel'skokhozyaystvennoy
rastitel'nosti na izobrazheniyakh zemnoy poverkhnosti na osnove svertochnoy neyronnoy seti
U-Net [Recognition of agricultural vegetation on images of the earth's surface based on the
convolutional neural network U-Net], Big Data and Advanced Analytics, 2021, No. 7-1,
pp. 110-116. EDN ZDCYJM.
26. Valiev A.R., Manuel' Binelo, Ziganshin B.G., Sabirov R.F., SHafigullin G.T., Galiullin I.G.
Bespilotnyy traktor [Unmanned tractor], Vestnik NTSBZhD [Vestnik NTsBZhD], 2021, No. 4
(50), pp. 69-75.
27. Galiullin I.G. Sistema avtonomnogo upravleniya dvizheniem mashinno-traktornogo agregata s
ispol'zovaniem otechestvennoy elementnoy bazy [The system of autonomous control of the
movement of the machine-tractor unit using the domestic element base], Izvestiya Kabardino-
Balkarskogo nauchnogo tsentra RAN [Izvestiya of the Kabardino-Balkarian Scientific Center
of the Russian Academy of Sciences], 2022, No. 6 (110), pp. 92-98. DOI: 10.35330/1991-
6639-2022-6-110-92-98. EDN NZIISF.
Опубликован
2023-08-14
Выпуск
Раздел
РАЗДЕЛ I. ВЫЧИСЛИТЕЛЬНЫЕ И ИНФОРМАЦИОННО-УПРАВЛЯЮЩИЕ СИСТЕМЫ