iot в сільському господарстві для моніторингу

iot в ільському господарстві відіграє важливу роль у світовій економіці, значно сприяючи продовольчій безпеці та розвитку сільських районів, особливо в країнах, що розвиваються. Зернові культури, такі як кукурудза, пшениця та рис, є основними джерелами їжі, які підтримують багато африканських країн як економічно, так і для виживання. Однак їх виробництво підлягає зростаючій поширеності інвазивних шкідників і руйнівних хвороб. Крім того, фактори зміни клімату, такі як коливання температури та непередбачувані погодні умови, значно сприяють створенню сприятливих умов для розповсюдження спалахів шкідників і хвороб. Тому потрібні стійкі рішення на основі нових технологій.

Традиційні методи контролю

Традиційні методи контролю спалахів шкідників і хвороб покладаються на ручну перевірку та широке застосування хімічних пестицидів на полях фермерами або експертами. Хоча ці методи пропонують певну ефективність, вони є трудомісткими, вимагають багато часу і схильні до людських помилок, що призводить до затримок у реагуванні та поширеного пошкодження врожаю. Більше того, з введенням програм інтегрованого управління шкідниками (IPM), які заохочують стійкі практики контролю шкідників, ці програми все ще покладаються на людську експертизу, не мають можливостей автоматизації в реальному часі та сприяють стійкості до пестицидів серед шкідників. Обмеження цих традиційних методів підкреслюють необхідність нових технологій для вирішення цих проблем.

Виникнення нових технологій

Як нова технологія, Інтернет речей (IoT) дозволяє взаємодію фізичних об’єктів віртуально. Ця технологія використовується в точному сільському господарстві як технологічний інструмент для забезпечення віддаленого та реального моніторингу для прийняття рішень на основі даних. Різноманітні сільськогосподарські датчики, виконавчі механізми та обробні пристрої збирають критично важливі агроекологічні дані, такі як параметри ґрунту, стан здоров’я рослин та погодні умови для моніторингу в реальному часі та автоматизованого прийняття рішень. Для управління шкідниками та хворобами пристрої на базі IoT здатні виявляти та моніторити ранні ознаки зараження шляхом безперервного збору та аналізу даних з поля, зменшуючи залежність від ручної перевірки та оптимізуючи використання ресурсів. Однак багато існуючих рішень IoT залежать від хмарних обчислень, які підлягають затримкам, обмеженням пропускної здатності та обмеженням підключення для малих фермерів з обмеженим доступом до надійної інфраструктури Інтернету, особливо в сільських та віддалених районах. Тому, щоб вирішити ці обмеження, було введено крайові обчислення для обробки даних локально на пристроях IoT, зменшуючи залежність від хмарних рішень і покращуючи реакцію в реальному часі.

Розвиток штучного інтелекту

Штучний інтелект (AI), машинне навчання (ML) та Інтернет речей (IoT) призвели до розвитку розумних рішень у точному сільському господарстві для забезпечення прийняття рішень в реальному часі для контролю та моніторингу спалахів шкідників і хвороб. Конволюційні нейронні мережі (CNN) продемонстрували виняткову продуктивність у обробці зображень, що дозволяє виявляти спалахи шкідників і хвороб на ранніх стадіях та запобігати їх поширенню на великі території. Хмарні супутникові та дронові системи зображення ще більше покращили ці можливості, охоплюючи великі площі та навіть досліджуючи важкодоступні зони. Проте ці технології є дорогими, вимогливими до обчислювальних ресурсів і потребують розвиненої інфраструктури. Більше того, більшість цих технологій покладаються на хмарні обчислення та вимагають стабільного підключення до Інтернету, що робить їх непридатними для фермерів у сільських та віддалених районах з обмеженим доступом до Інтернету.

Пропозиція нового рішення

Для вирішення цих викликів це дослідження представляє енергоефективний портативний IoT пристрій, інтегрований з легким CNN-моделлю під назвою Tiny-LiteNet, спеціально розробленим для застосувань крайових обчислень у точному сільському господарстві. Система включає в себе камеру високої чіткості для захоплення зображень, Raspberry Pi 5 для обробки на пристрої, модуль GSM/GPRS для зв’язку та модель Tiny-LiteNet, оптимізовану для обробки зображень в реальному часі на краю, що дозволяє моніторинг в реальному часі без залежності від потужного підключення до Інтернету. Експериментальні результати показали, що модель Tiny-LiteNet досягла точності 98.6%, компактного розміру моделі 1.2 MB з 1.48 мільйона параметрів, перевершуючи традиційні моделі глибокого навчання, такі як VGGNet-16, Inception3, ResNet50, DenseNet121, EfficientNetB0 та MobileNetv2 з точки зору ефективності продуктивності. Низьке споживання енергії пристрою, зручний дизайн та низька залежність від потужного підключення до Інтернету роблять його практичним інструментом для малих фермерських господарств, що забезпечує моніторинг в реальному часі та стійкі сільськогосподарські практики.

Основні внески

• Розробка портативного, енергоефективного AI-IoT крайового пристрою для виявлення шкідників і хвороб в реальному часі.
• Проектування ефективної легковагової CNN моделі “Tiny-LiteNet”, придатної для розгортання на ресурсно обмежених крайових пристроях.
• Демонстрація її ефективності в умовах малих фермерських господарств з обмеженим підключенням.

Цей внесок забезпечує масштабоване та економічно ефективне рішення для покращення моніторингу здоров’я врожаю та просування стійкого сільського господарства в Африці та інших країнах, що розвиваються.

Структура статті

• Розділ “Супутні роботи” представляє пов’язані роботи.
• Розділ “Методологія” описує методологію.
• Розділ “Валідація числових результатів” обговорює результати.
• Розділ “Результати та обговорення” підсумовує статтю.

Крім того, повний список ключових скорочень та їх описів наведено в Таблиці 1.

Таблиця 1. Номенклатура

Супутні роботи

Різні дослідження були проведені для виявлення рішень для інвазивних шкідників та катастрофічних хвороб, що впливають на врожай. Цей розділ представляє новітні технології, такі як AI, ML та IoT, застосовані в точному сільському господарстві, зокрема для контролю стану здоров’я рослин.

Технології IoT

Технологія IoT з’явилася як рішення в реальному часі для моніторингу та контролю сільськогосподарських шкідників і хвороб. У дослідженні було розроблено систему CROPCARE для реального контролю хвороб рослин шляхом інтеграції мобільного зору на основі MobileNetv2 з IoT, що досягло вражаючих результатів. Паралельна та розподілена симуляційна платформа (PDSF), інтегрована з IoT, була запропонована для моніторингу шкідників. Цей інструмент використовує основний графічний процесор (GPU) для управління кількістю датчиків, що підключені до нього, для контролю та моніторингу шкідників, досягаючи точності 98.65%. Крім того, інтеграція пристроїв IoT з платформами БПЛА модернізувала точне сільське господарство.

Алгоритми машинного навчання

Введення алгоритмів ML, зокрема їх підмножини, а саме DL, дійсно революціонізувало сільськогосподарські практики, автоматизуючи трудомісткі завдання, включаючи виявлення шкідників і хвороб. Прогнозувальні можливості ML дозволяють передбачати спалахи шкідників і хвороб до їх загострення. У роботі N. Ullah та ін. було представлено DeepPestNet, модель конволюційної нейронної мережі для розпізнавання та класифікації 10 видів шкідників з точністю 98.92%. Аналогічно, W. Albattah та ін. запропонували вдосконалену модель EfficientNetV2-B4, досягнувши середніх значень точності, відзиву та точності 99.63%, 99.93% та 99.99% відповідно.

Методологія

Огляд системи

Це дослідження пропонує систему IoT на базі AI для раннього виявлення та класифікації шкідників і хвороб рослин, використовуючи крайові обчислення для обробки в реальному часі. Система інтегрує блок захоплення зображень, модель класифікації на основі глибокого навчання для обробки на пристрої та аналітику на базі хмари для ефективного моніторингу та прийняття рішень. Робочий процес складається з п’яти основних етапів: збір даних, попередня обробка, навчання моделі, розгортання на крайовому пристрої та інференція в реальному часі.

Архітектура IoT

Запропонований крайовий пристрій структурований у вигляді багаторівневої архітектури IoT, розробленої для моніторингу сільськогосподарських шкідників і хвороб в реальному часі. Кожен рівень цієї архітектури, від збору даних до етапу прийняття рішень, має специфічні функції, пов’язані з ним загрози безпеці, заходи безпеки та функціональні компоненти, як підсумовано в Таблиці 3.

Таблиця 3. Архітектурні рівні IoT з функціями, загрозами безпеці та контрзаходами

Результати та обговорення

Цей розділ описує результати дослідження після інтеграції розробленої AI моделі з фізичним крайовим пристроєм.

Валідація числових результатів

Для забезпечення надійної та узагальненої моделі, запропонована модель Tiny-LiteNet була піддана суворій методології оцінювання, а саме, перехресній валідації. Використовувалася техніка п’ятиразової перехресної валідації, що забезпечує рівномірне представлення класів у кожному складі. Крім того, процес повторювався п’ять разів з різними розподілами даних, а середні результати включають точність, відзив, F1-оцінку та точність перехресної валідації.

Порівняльне тестування продуктивності

Для вибору відповідного крайового пристрою з оптимальною продуктивністю для запуску моделі Tiny-LiteNet було проведено всебічне тестування продуктивності на шести крайових платформах. Оцінка продуктивності зосереджувалася на затримці, споживанні енергії, використанні пам’яті та можливостях розгортання для моделі Tiny-LiteNet.

Таблиця 7. Порівняльне тестування крайових пристроїв для розгортання Tiny-LiteNet

Висновок

Це дослідження представляє проектування та реалізацію легкого та енергоефективного AI-пристрою IoT, оптимізованого для виявлення шкідників і хвороб рослин в реальному часі в ресурсно обмежених сільськогосподарських умовах. Розроблена система інтегрує нову легку архітектуру конволюційної нейронної мережі, а саме “Tiny-LiteNet”, оптимізовану для розгортання на краю з вбудованою підтримкою пояснювальності моделі. Експериментальна оцінка показує, що запропонована модель досягає високої точності 98.6%, 98.4% F1-оцінки, 98.2% відзиву, 80 ms часу інференції, компактного розміру моделі 1.2 MB з 1.48 мільйона параметрів, перевершуючи кілька моделей CNN, включаючи VGGNet-16, Inception3, ResNet50, DenseNet121, EfficientNetB0 та MobileNetv2. Крім того, розроблений легкий IoT-крайовий пристрій обробляє дані локально без залежності від підключення до Інтернету, зберігаючи низьке споживання енергії та портативність, що робить його придатним для розгортання в умовах обмежених ресурсів.

Можливість стежити за новинами у більш стислому форматі в Facebook або Telegram повернутися на головну сторінку