Сравнение и отбор ситуаций в системах вывода решений на прецедентах для «умной» фермы
Ключевые слова:
вывод на основе прецедентов, принятие решений, нейросеть, архитектура нейросети, умная фермаАннотация
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.
Литература
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.
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.
Опубликован
2023-07-06
Как цитировать
Глухих, И. Н., Прохошин, А. С., & Глухих, Д. И. (2023). Сравнение и отбор ситуаций в системах вывода решений на прецедентах для «умной» фермы. Информатика и автоматизация, 22(4), 853-879. https://doi.org/10.15622/ia.22.4.6
Раздел
Цифровые информационно-телекоммуникационные технологии
Copyright (c) Игорь Николаевич Глухих, Алексей Сергеевич Прохошин, Дмитрий Игоревич Глухих
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).