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
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.
Comparison and Retrieval of Situations in the Case-Based Reasoning System for Smart-Farm
Abstract
The trend of development of smart farms is aimed at their becoming fully autonomous, robotic enterprises. The prospects for the intellectualization of agricultural production and smart farms, in particular, today are associated with the development of technology systems used to detect, recognize complex production situations and search for effective solutions in these situations. The article presents the concept of such a decision support system on smart farms using the method of decision support based on case-based reasoning - CBR system. Its implementation requires a number of non-trivial tasks, which include, first of all, the tasks of formalizing the presentation of situations and creating methods for comparing and retrieving situations from the KB on this basis. In this study, a smart farm is presented as a complex technological object consisting of interrelated components, which are the technological subsystems of a smart farm, the products produced, the objects of the operational environment, as well as the relationships between them. To implement algorithms for situational decision-making based on precedents, a formalized representation of the situation in the form of a multivector is proposed. This allowed us to develop a number of models of the trained similarity function between situations. The conducted experiments have shown the operability of the proposed models, on the basis of which ensemble architecture of a neural network has been developed for comparing situations and selecting them from the knowledge base in decision-making processes. Of practical interest is monitoring the condition of plants by their video and photo images, which allows detecting undesirable plant conditions (diseases), which can serve as a signal to activate the process of searching for solutions in the knowledge base.
Опубликован
Как цитировать
Раздел
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).