Сельскохозяйственное производство практически во всем мире отличается нестабильностью. Особенно заметно это проявляется в условиях глобальных климатических изменений, а также в странах с преобладанием экстенсивных методов возделывания сельскохозяйственных культур [1–3].
Резкие колебания климата в последние годы наряду с затянувшимся в сельском хозяйстве переходным периодом от планового советского хозяйства к рыночным условиям, а также низкая интенсивность возделывания культур приводит к повышенной нестабильности сельскохозяйственного производства в России.
В условиях подобной нестабильности высокое значение приобретает получение объективной информации о состоянии сельскохозяйственного производства, в том числе, заблаговременное прогнозирование и точная оценка объемов производства сельскохозяйственной продукции.
Уже с конца 1950-х годов, после появления первых вычислительных машин и запуска спутников появилась возможность дистанционного отслеживания крупных объектов из космоса, в том числе и посевных культур [4–6]. Именно благодаря этому с первой половины 1980-х годов начинается активное соперничество среди разработчиков геоинформационных систем (ГИС) [7–9].
В подобных системах преимущественно используются методы дистанционного мониторинга в совокупности с дальнейшим распознаванием с помощью искусственных нейронных сетей (ИНС). Однако, существует несколько наиболее востребованных методов оценки состояния сельскохозяйственных посевов по данным, полученным с изображений.
1. Данные дистанционного мониторинга со спутниковых систем
Дистанционный мониторинг (иногда его называют аэрокосмическим) представляет собой систему регулярных планомерных наблюдений, сбора информации и оценки среды с использованием средств авиации, спутников и спутниковых с является возможность непрерывного наблюдения, получение общего изображения обширных и отдаленных районов, а также возможность осуществлять пространственно-временной анализ сразу нескольких компонентов окружающей среды и их взаимодействий между собой.
Отличительной чертой космических снимков является высокая степень обзорности, охват одним снимком больших площадей поверхности. В зависимости от типа применяемой аппаратуры и фотопленок, фотографирование может производиться во всем видимом диапазоне электромагнитного спектра, в отдельных его зонах, а также в ближнем инфракрасном диапазоне.
Данные дистанционного мониторинга, применимые в сельском хозяйстве, могут быть получены как с помощью традиционных методов зонирования – спутниковых и авиационных систем, так и с помощью приборов сельскохозяйственной техники.
2. Применение средств авиации для получения данных дистанционного мониторинга
Одним из наиболее актуальных методов сбора геопространственной информации в настоящее время является использование беспилотных летательных аппаратов (БПЛА). Отличительной особенностью БПЛА, помимо отсутствия экипажа на борту, является возможность проведения подоблачной съемки. Полет БПЛА, как правило, производится с крейсерской скоростью 20–30 м/c в диапазоне высот 300–1500 м. Для съемки обычно используются неметрические камеры, позволяющие получать снимки с разрешением 10–20 мегапикселей. Фокусное расстояние камер обычно составляет около 50 мм, что соответствует размеру пикселя на местности от 7 до 35 см [1].
Снимки, полученные путем аэрофотосъемки, обладают более высокой точностью и являются более актуальными по сравнению с космическими снимками. Однако уступают последним в масштабах охвата территории. Поскольку оба способа получения геопространственных данных являются весьма дорогостоящими, то использование БПЛА будет оправдано в тех случаях, когда необходимо оперативно получить точную информацию о небольшой территории.
3. Использование датчиков и приборов сельскохозяйственной техники
С развитием информационных технологий и устройств появилась возможность использовать сельскохозяйственную спецтехнику с целью картирования урожайности. Картирование урожайности представляет собой технологию точного земледелия, основной задачей которой является определение неоднородности показателя урожайности. Реализуется данная технология при помощи специальных датчиков, установленных на зерновых комбайнах, а также бортовых компьютеров и приемников GPS.
Для реализации системы точного земледелия на сельскохозяйственную технику устанавливаются оптические приборы с бесконтактными датчиками, которые позволяют получать информацию о содержании элементов питания в растениях, что может выступать основой для создания технологических карт-заданий. Преимуществом проведения подобных обследований является возможность проведения работ в условиях туманна и дождя, что является нередким во время весенне-летних и осенних полевых работ [2].
Каждый из рассмотренных методов получения изображений имеет свои преимущества и недостатки, благодаря чему можно выявить, в каком случае целесообразно использовать тот или иной способ.
Для распознавания и идентификации получаемых изображений могут анализироваться многие признаки, в зависимости от поддерживаемой сложности используемой системы. Зачастую в качестве подобных признаков используется цветовая характеристика.
Самым простым преобразованием является бинаризация изображения по порогу. Для изображений RGB и в градациях серого таким порогом является значение яркости. Выбор порога, определяющего бинаризацию, определяет вид самого процесса. Как правило, бинаризация происходит при алгоритме аддитивного выбора порога. Например, таким алгоритмом может стать выбор математического ожидания или моды, а также наибольшего пика гистограммы [3].
При осуществлении анализа необходимо оценивать не только получаемые цветовые значения, но и учитывать такой параметр, как яркость, а также его влияние на конечный результат распознавания.
Для исследования возьмем 15 вариантов яркости одного изображения и проанализируем, каким образом будут изменяться цветовые данные в зависимости от изменяемого параметра.
На рис. 1 показаны варианты колебаний яркости.
Полученные данные и значение параметра яркости занесем в табл. 1, где R – значение красного, G – значение зеленого, B – значение синего, L – значение яркости.
Рис. 1. а – исходное изображение; б – незначительное изменение яркости (затемнение); в – значительное затемнение; г – значительное увеличение яркости
Таблица 1
Значение параметров изображения при разных уровнях яркости
№ |
Значение параметра |
|||
R |
G |
B |
L |
|
1 |
217,7888 |
152,7888 |
98,45551 |
166,8009 |
2 |
198,3443 |
122,3443 |
74,34439 |
150,9078 |
3 |
159,3443 |
87,56661 |
48,45551 |
120,7122 |
4 |
211,5666 |
127,5666 |
79,67773 |
161,1685 |
5 |
244,2332 |
193,5666 |
147,6777 |
189,5093 |
6 |
241,011 |
185,3443 |
136,011 |
186,8238 |
7 |
225,2332 |
162,4555 |
109,3443 |
174,0986 |
8 |
178,5666 |
106,5666 |
57,56662 |
136,8962 |
9 |
158,7888 |
90,67773 |
49,34439 |
121,8141 |
10 |
222,6777 |
158,6777 |
111,011 |
172,6355 |
11 |
208,4555 |
132,4555 |
85,45551 |
160,7828 |
12 |
173,6777 |
100,1221 |
57,12217 |
133,7841 |
13 |
244,011 |
209,6777 |
165,7888 |
192,212 |
14 |
209,3443 |
146,011 |
98,01106 |
163,0335 |
15 |
246,2332 |
209,2332 |
158,1221 |
194,1947 |
Рис. 2. Диаграмма изменения распознавания цвета объекта от яркости
Таким образом, по полученным данным можно построить диаграмму изменения цвета объекта от яркости, показанную на рис. 2.
В данном случае рассмотрены возможные колебания и погрешности в распознавании цвета в 15 экспериментах с одним изображением цветовой модели RGB при разных уровнях яркости.
Распознавание и классификация данных признаков осуществляется в совокупности с нейросетевыми методами. ИНС, применяемая в современном программном обеспечении (ПО), представляет собой математическую модель параллельных вычислений, содержащую взаимодействующие между собой простые процессорные элементы – искусственные нейроны. Преимуществом нейронных сетей перед традиционными алгоритмами является возможность их обучения.
Благодаря совместному использованию рассмотренных методов можно вовремя зарегистрировать отклонения в ходе взращивания сельскохозяйственных культур, что позволит минимизировать потери.
Библиографическая ссылка
Зверева В.И., Зупарова В.В., Воронцов А.А. ИССЛЕДОВАНИЕ МЕТОДОВ ОЦЕНКИ СОСТОЯНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ПОСЕВОВ ПО ЦВЕТОВЫМ ДАННЫМ, ПОЛУЧЕННЫМ С ИЗОБРАЖЕНИЙ // Научное обозрение. Педагогические науки. – 2019. – № 3-2. – С. 11-14;URL: https://science-pedagogy.ru/ru/article/view?id=1945 (дата обращения: 03.10.2024).