Fotó: iStock
26/09/2024 18:51
A MATE sajtóközleménye:
A projekt konzorciumi formában valósul meg. A Magyar Agrár-és Élettudományi Egyetem, mint kedvezményezett és a TERRA-COOP Termelő és Szolgáltató Korlátolt Felelősségű Társaság együttműködésében.
A projekt célja, egy neurális hálózat alapú képfelismerési algoritmus fejlesztése, amely a növények növekedési fázisainak pontos azonosítását teszi lehetővé. Ezzel növelhető a permetezési hatékonyság, mivel a növényvédő szerek a legoptimálisabb időpontban kerülhetnek kijuttatásra. A szoftver gyapot növekedési fázisain kerül tesztelésre, és képes lesz költséghatékony permetezési megoldásokat kínálni. A végleges modul szigetszerűen vagy vállalatirányítási rendszerekbe integrálva alkalmazható a permetezési folyamatok monitorozására és optimalizálására.
A projektmegvalósítás első évét követően az alábbiakról számolhatunk be:
Az elmúlt év során a projekt keretében jelentős előrelépések történtek, amelyek alapvetően a gyapotnövény növekedési fázisainak precíz azonosítását, valamint a permetezési hatékonyság javítását célozták. A legfontosabb eredmények közé tartozik, hogy sikerült meghatározni a gyapotnövény négy (palánta szakasz, bimbós szakasz, gyapottok szakasz, toknyílási szakasz) a permetezés szempontjából kritikus növekedési fázisát. Ezek a fázisok kulcsfontosságúak a precíziós gazdálkodásban, hiszen a megfelelő permetezési időpontok pontos beazonosításával a növényvédő szerek alkalmazása optimalizálható, ami nemcsak a növények védelmét javítja, hanem a költségeket is csökkenti. Az optimális időzítés eléréséhez a fázisok pontos feltérképezése elengedhetetlen, és ez a folyamat a projekt során sikeresen lezajlott. Továbbá, a konvolúciós neurális hálózat struktúrája is kidolgozásra került, amely a projekt technológiai gerincét képezi. Ez a neurális hálózat képes lesz dinamikusan felismerni a gyapotnövény különböző növekedési fázisait a beérkező képadatok alapján, így támogatva a permetezési műveletek pontos időzítését. A hálózat struktúrájának megtervezése során kiemelt figyelmet fordítottunk a nagy mennyiségű adat hatékony feldolgozására és az azonosítás pontosságára, mivel ezek a tényezők közvetlenül befolyásolják a precíziós mezőgazdasági rendszerek hatékonyságát.
Az adatgyűjtés is folyamatban van, amely során meghatározásra kerültek a neurális hálózat taníttatásához szükséges képparaméterek. Az adatbázis kiépítésre került, amely kifejezetten a képek tárolására szolgál. Ez a struktúra biztosítja a nagy mennyiségű képanyag kezelését és rendszerezését. Az adatgyűjtés a gyapotnövény négy növekedési fázisára terjedt ki, és három szakasz esetében már befejeződött a képek összegyűjtése. A negyedik szakasz adatgyűjtése még folyamatban van, de várhatóan hamarosan lezárul. Ezek az adatok alapvető fontosságúak a neurális hálózat tanításához, hiszen lehetővé teszik a hálózat számára, hogy megtanulja az egyes növekedési fázisok pontos azonosítását a valós környezetben. Ezzel párhuzamosan a permetezési költségkategóriák részletes elkülönítése is megtörtént, ami előkészítette a költséghatékony permetezési módszerek kidolgozását. A különböző költségtényezők részletes elemzésének eredményeként megkezdődött egy költségkalkulációs modell fejlesztése. Ez a modell a projekt során fejlesztett szoftver egyik kulcsfontosságú moduljává válik, mivel képes lesz valós időben figyelni és előrejelezni a permetezési folyamat költségeit, valamint optimalizálni azokat a termelői igényekhez igazítva. Emellett a szoftverfejlesztés alapjai is lefektetésre kerültek, különös tekintettel a neurális hálózat rendszerintegrációjára való fókusszal.
A tevékenységeket jelentős mértékben elősegítette a vállalati partnerrel való szoros szakmai együttműködés, amely az év során rendszeres konzultációk formájában valósult meg. A szakmai tanácsadás során nemcsak a gyapottermesztés specifikus szakmai kérdéseiben, hanem a precíziós gazdálkodás alapjainak gyakorlati szempontú alkalmazásában is jelentős támogatást nyújtottak. A vállalati partner szakértelme révén támogatást nyújtottak a költségkalkulációs modell gyakorlati fejlesztéséhez, valamint az adatgyűjtés, a növénytermesztési szempontok és a rendszerfejlesztés különböző tevékenységeihez is.
Előttünk álló feladatok:
A következő évben a projekt során több fontos feladat megvalósítása várható, amelyek a gyapottermesztéssel kapcsolatos kutatások folytatására és a permetezési hatékonyság javítására irányulnak. Folytatódnak az üzbég fél által biztosított kísérleti állomány elemzései, amelyek célja, hogy még pontosabban definiáljuk a növekedési szakaszokra jellemző jeleket.
A következő mérföldkő eléréséig a neurális hálózatnak meg kell felelnie a minimum 95%-os megbízhatósági szintnek, amely a piac elvárásainak is megfelel. A tanulási fázis befejeztével a tesztelési szakasz során többször megismételjük a megbízhatósági szint érvényességének ellenőrzését. Amennyiben az eredmények elfogadásra kerülnek, a neurális hálózat tanítási szakasza lezárul, de az adatgyűjtés folyamatos marad az előre definiált struktúra szerint, hogy a rendszer informatikai fejlesztése és tesztelése is folytatódhasson.
A permetezési hatékonyság és költségek értékelésére a fuzzy logikán alapuló algoritmus konceptuális megalkotása is a következő mérföldkőig elkészül. Az informatikai fejlesztések során a képfelismerő neurális hálózat mellett integráljuk ezt a fuzzy logikán alapuló értékelő függvényt is.
A következő mérföldkő végére elkészül a permetezési hatékonyságot és költségeket értékelő végleges függvény, valamint a betanított neurális hálózat. Ezzel párhuzamosan a két rendszer informatikai integrációja is megtörténik, és megkezdődik a felhasználói felület fejlesztése. Az újonnan létrehozott kontrollrendszer és automatikus diagnosztizáló rendszer tesztelése szintén megtörténik.