DESIGNING AN INTELLIGENT DIGITAL PLATFORM FOR PLANT DISEASE IDENTIFICATION AND GROWTH NORMALISATION "AGROMIR": DEVELOPMENT OF VISUAL COMPONENTS AND DATASETS FORMATION

Research article
DOI:
https://doi.org/10.23649/JAE.2024.44.4
Issue: № 4 (44), 2024
Suggested:
04.03.2024
Accepted:
21.03.2024
Published:
19.04.2024
109
2
XML
PDF

Abstract

The relevance of the research is determined by the necessity to create an intelligent system for identification of diseases of cultivated plants, with the possibility of forming recommendations for normalization of their growth and development in online mode. The paper considers aspects of design and computer implementation (in particular, the development of visual components and formation of datasets) of an intelligent digital platform for the identification of plant diseases and normalization of their growth "Agromir". The developed functional models of the IDEF family are presented, aspects of design using cascading style sheets and computer implementation based on the technology stack including Python programming language and Django framework are reviewed.

1. Введение

Развитие технологий искусственного интеллекта, методов глубокого машинного обучения и нейросетевых технологий обуславливает возможность их широкого применения в различных отраслях народного хозяйства, в том числе сельском хозяйстве. В Российской Федерации реализуется целый ряд государственных программ для развития современного высокоэффективного сельского хозяйства, в частности, ключевой задачей является переход к цифровому сельскому хозяйству, точному земледелию, активному использованию интеллектуальных технологий в АПК

. Согласно посланию Президента Российской Федерации Федеральному Собранию от 29.02.2024, «В современных условиях повышение эффективности всех сфер производительности труда неразрывно связано с цифровизацией, с использованием технологий искусственного интеллекта» и национального проекта «Экономика данных» важнейшим вектором развития и интенсификации сельскохозяйственного производства является разработка и внедрение систем искусственного интеллекта все отрасли народного хозяйства, в том числе сельского
.

Комплексная защита растений от болезней должна проводиться на основе детальных анализов фитоагроценозов, с учетом объективной оценки ожидаемого поражения сельскохозяйственных культур, вероятных размеров наносимого вреда. Контроль за распространением и развитием патогенов позволяет своевременно и эффективно проводить специальные мероприятия, прогнозировать степень развития болезней, их вредоносность и возможный недобор урожая.

Проблемы разработки, адаптации и внедрения систем искусственного интеллекта, цифровых технологий и компьютеризированных программных комплексов рассмотрены в работах Бородычева В.В.

,
, Михайленко И. М.
, Трухачева В.И.
, Юрченко И.Ф.
и других отечественных и зарубежных авторов
,
,
,
,
. Однако остаются недостаточно изучены проблемы разработки интеллектуальных систем и цифровых платформ для идентификации болезней растений с поддержкой функций нормализации их состояния и роста.

2. Материалы и методы

Первым этапом проектирования и компьютерной реализации являлось создание функциональных моделей в нотации семейства IDEF (рисунки 1-3).
Диаграмма IDEF0 цифровой платформы «Агромир»

Рисунок 1 - Диаграмма IDEF0 цифровой платформы «Агромир»

На верхнем уровне материнской диаграммы IDEF0 (Рисунок 1) (уровень A0) отображен процесс идентификации болезни растений. Он начинается с ввода «Видимых признаков», «Данных о местоположении», «Данных о вносимых удобрениях» элементами управления являются «Разработчики администраторы платформы», «Инструменты фильтрации признаков болезней растений», «Инструменты поиска определенного заболевания». В роли механизмов выступают «База данных заболеваний», «Нормативная документация», «Специализированная литература», «Личный опыт квалифицированных специалистов». Каждый этап процесса соединен с предыдущим и последующим этапом линиями потока данных.
Дочерняя диаграмма IDEF0 является процессом разбиения базовой блок-схемы на более мелкие и понятные единицы (Рисунок 2). Это позволяет лучше понять процессы, которые происходят в проекте и увидеть, как они связаны друг с другом. Также декомпозиция помогает оптимизировать процессы и выявить возможные ошибки и проблемы.
Декомпозиция диаграмма IDEF0 цифровой платформы «Агромир»

Рисунок 2 - Декомпозиция диаграмма IDEF0 цифровой платформы «Агромир»

Уровень A0 имеет три подуровня: (A1), который детализирует шаг «Ввода данных». Здесь система получает введенную пользователем информацию. (А2), который детализирует шаг «Анализа данных». Здесь система анализирует полученную пользователем информацию. (A3), который детализирует шаг «Предоставление рекомендаций». Здесь система предоставляет пользователю информацию по болезни и методам её лечения.
Декомпозиция диаграмма IDEF0 блоков А2, А3

Рисунок 3 - Декомпозиция диаграмма IDEF0 блоков А2, А3

Уровень A2 и А3 имеет четыре подуровня: (A21), который детализирует шаг «Выполнения запроса». Здесь система получает введенную пользователем информацию. (А22), который детализирует шаг «Предоставление рекомендаций по лечению». Здесь система предоставляет пользователю информацию о болезни растения. (A23), который детализирует шаг «Выбор культуры». Здесь система предоставляет пользователю выбор культур для просмотра рекомендаций по питанию. (A24), который детализирует шаг «Предоставление рекомендаций питания культур». Здесь система предоставляет пользователю рекомендации по питанию культур.
В целом, диаграмма IDEF0 для цифровой платформы по идентификации болезней растений представляет весь комплекс функций, которые необходимы для полноценной работы системы. Он позволяет понять механизм работы системы и выявить возможные улучшения и оптимизации процесса. Логическая структура цифровой платформы по идентификации болезней растений, представленная на рисунке 4, является инструментом для быстрого и удобного определения заболеваний растений на основе введенных пользователем данных.
Логическая структура цифровой платформы «Агромир»

Рисунок 4 - Логическая структура цифровой платформы «Агромир»

Для формирования datasets использованы общедоступные базы данных и репозитории классифицированных изображений болезней растений типа PlantVillage, структура которых включается набор из 54 306 цветных изображений листьев 14 культур, включая 26 классов различных заболеваний.

3. Результаты и их обсуждение

Первым этапом компьютерной реализации являлась установка и настройка необходимых средств реализации. На рисунке 5 представлен фрагмент листинга процедуры установки и настройки компонентов фреймворка «Django» для формирования структуры и последующего дизайна графического интерфейса.
Установка фреймворка

Рисунок 5 - Установка фреймворка

Дизайн графического интерфейса разрабатываемой платформы реализован с использованием каскадных таблиц стилей Cascading Style Sheets (CSS). Фрагмент листинга подключения файлов с дизайном .css (команда:{% static "css/имя.css" %}) представлен на рисунке 6.
Процедура подключение дизайна с использованием CSS

Рисунок 6 - Процедура подключение дизайна с использованием CSS

Аналогично, при помощи формы выбора, ввода/вывода данных связаны .html файлы с изображениями из формируемого Datasets (Рисунок 7).
Процедура привязки изображений

Рисунок 7 - Процедура привязки изображений

При запуске платформы созданные шаблоны генерируются в стартовый гипертекстовый документ с возможностью авторизации и регистрации (акторы (роли) – пользователь/администратор) (Рисунок 8).
Диалоговое окно авторизации/регистрации на цифровой платформе «Агромир»

Рисунок 8 - Диалоговое окно авторизации/регистрации на цифровой платформе «Агромир»

Для реализации функционала платформы был выбран стек технологий, включающий в себя язык программирования Python, а также фреймворк Django. Финальный вариант интерфейса представлен на рисунке 9.
Финальный вариант интерфейса

Рисунок 9 - Финальный вариант интерфейса

Реализуемая авторами интеллектуальная цифровая платформа «Агромир» имеет высокий потенциал для практического применения в сельскохозяйственном производстве в условиях точного земледелия. Планируется, что дальнейшее развитие и расширение функционала цифровой платформы будет связано с добавлением новых параметров оценки роста и развития культурных растений, в том числе нейросетевого анализа их цветоколористических характеристик, а также включением дополнительных функциональных возможностей в виде кроссплатформенности использования и защищенного облачного хранения данных.

4. Заключение

В ходе дальнейшего развития исследований (поддержанных грантом Российского научного фонда и администрации Волгоградской области (№ 22-21-20041)), посвященных проблемам повышения биопродуктивности фитоагроценозов в условиях точного земледелия осуществлено проектирование и программная реализация интеллектуальной платформы по идентификации болезней растений и нормализации их роста «АГРОМИР». В частности, осуществлена, на базе стека технологий, включающего в себя язык программирования Python, а также фреймворк Django, разработка визуальных компонентов интерфейса и формирование dataset цветных RGB-изображений, пораженных болезнями культурных растений.

Article metrics

Views:109
Downloads:2
Views
Total:
Views:109