Отметили значительный потенциал для внедрения цифровизации в животноводстве. К актуальным направлениям использования цифровых технологий относится замена ручного сбора данных о фенотипе животных, включая линейные показатели экстерьера. В вопросе создание бесконтактной системы цифрового мониторинга экстерьера крупного рогатого скота важным элементом являются камеры, обеспечивающие точное определение расстояния до объекта. Цифровая реконструкция морфометрии тела животных с помощью бесконтактного метода измерения и автоматическое определение размеров могут эффективно решить проблемы с неточностью и субъективностью бонитёров. (Цель исследования) Изучить возможность использования стереокамер для измерения расстояния до объектов с необходимой точностью, а также проанализировать работу системы стереозрения в разных участках кадра. (Материалы и методы) В исследовании использована стереопара из двух расположенных на плате объективов 1/3-Inch CMOS OV4689 на 4 мегапикселя на расстоянии 6,3 сантиметра друг от друга. Ориентиром достаточной точности измерения расстояния принималось достижение погрешности не более 1-2 процентов (1-2 сантиметра) от расстояния до объекта (0,5-1 метра). В качестве испытательного стенда использовался размеченный лист с шагом 25 сантиметров, а сами стереокамеры выполняли съемку стенда на расстоянии от 30 до 100 сантиметров с шагом 10 сантиметров. (Результаты и обсуждение) В двух этапах исследования применялись две конфигурации камер: одиночная стереокамера и единый блок из трех таких камер. Результаты съемки одиночной стереокамеры показали погрешность измерений 5-10 сантиметров на расстоянии 0,3-1 метра до объекта. Для блока из трех стереокамер точность оказалась аналогичной. Определили, что в центре кадра точность выше: средняя ошибка при близких к нулю углах зрения составила 3 сантиметра. (Выводы) Доказали отсутствие влияния количества стереопар на точности и то, что выявленная погрешность - это предел возможностей стереозрения для данных стереопар.
Интеллектуальное (умное) земледелие является современным этапом развития сельскохозяйственной науки и практики. Его характерная особенность заключается в активном применении методов искусственного интеллекта, в частности, машинного и глубокого обучения, при решении частных задач, направленных на устойчивое производство в растениеводстве. (Цель исследования) Целью данного исследования стал анализ структуры данных и сравнение алгоритмов машинного и глубокого обучения, используемых в прогнозировании урожайности сельскохозяйственных культур. (Материалы и методы) На основе конвергентного подхода с использованием методов когнитивного и семантического анализа авторами рассмотрена предметная область «Применение методов искусственного интеллекта при прогнозировании урожайности сельскохозяйственных культур», а также базовые аспекты, связанные со структурой исходных данных, основные этапы реализации предиктивных моделей и наиболее используемые методы машинного и глубокого обучения. (Результаты и обсуждение) По результатам работы представлены основная структура и способы получения данных, а также типовая схема реализации моделей в предиктивной аналитике урожайности сельскохозяйственных культур. Выделены наиболее распространенные методы машинного и глубокого обучения, подробно рассмотрены их функциональные особенности. На основе сравнительного анализа показано, что глубокое обучения и гибридные подходы превосходят традиционные методы машинного обучения по метрикам ошибок (точности прогнозирования). (Выводы) По результатам исследований установлено преимущество методов глубокого обучения (Rср2 = 0,85) и гибридного подхода (Rср2 = 0,87) в прогнозировании урожайности сельскохозяйственных культур в зависимости от складывающихся условий и управляющего воздействия. Развитием дальнейшей исследовательской работы может быть адаптация современных подходов искусственного интеллекта к пространственным объектам землепользования и культурам с преимущественным использованием данных дистанционного зондирования.