Машинное обучение и дрон: 5 примеров успешного сочетания в России и за рубежом

Автор Категория , , , ,
Машинное обучение и дрон: 5 примеров успешного сочетания в России и за рубежом

Машинное обучение и дрон на страже природы: 5 примеров успешного использования в России и за рубежом

Machine Learning и беспилотник: как искусственный интеллект и бездушное железо помогают сохранить природу и улучшить ведение сельского хозяйства.

Что такое дрон

Дрон или квадрокоптер (частный случай мультикоптера) – это беспилотный летающий аппарат, робот, который управляется дистанционно или двигается автономно с помощью встроенного программного обеспечения [1]. Полет происходит за счет вращения двигателей по сигналам с бортовых датчиков, сенсоров, систем геопозиционирования (GPS) и модуля Wi-Fi [2]. Благодаря последнему беспилотник передает информацию в мировую глобальную сеть, поэтому такой робот стал одним из главных символов явления под названием «Интернет вещей» (Internet of Things, IoT). Концепция IoT предполагает взаимодействие и обмен информацией между различными устройствами, машинами и системами через интернет [3].

дрон, беспилотник, мультикоптер, квадрокоптер с камерой
Дрон – беспилотный летательный аппарат

Различают несколько категорий дронов, в зависимости от их назначения и степени сложности [4]:

  • коммерческие (гражданские) – устройства для перевозки грузов, удобрения полей, строительства зданий и сооружений, научных исследованиях и выполнения прочих полезных функций;
  • потребительские – технологические игрушки для развлечения, с помощью которых можно устроить гоночные соревнования или снимать интересные видеосюжеты с высоты птичьего полета;
  • военные (боевые) – более прочные, функциональные и технически сложные, чем их гражданские аналоги.

Масса дронов варьируется от нескольких сот грамма до десятка килограмм, а размеры – от 3 см до 2 метров в диаметре [3]. За счет оснащения модулем Wi-Fi и камерами, от любительских до профессиональных, беспилотник становится идеальным устройством для ведения съемок в сложных условиях и передачи этих видеоданных на сервер с целью последующей аналитической обработки. Далее мы рассмотрим зарубежные и отечественные примеры успешного сочетания мобильности дронов и методов машинного обучения (Machine Learning) в сфере природопользования и сельского хозяйства.

Как машинное обучение применяется в дронах за границей

  1. Полуавтоматическое распознавание типов деревьев на снимках, сделанных мультикоптером для исследования биоразнообразия и распространения инвазивных видов растений в лесах Японии. Серийный квадрокоптер DJI Phantom 4 со встроенной камерой летал над лесом площадью около 47 гектаров в пригороде Киото, автономно передвигаясь по заданному маршруту на высоте 80 метров и делая снимки. После полета исследователи объединили снимки в ортографическую проекцию и создали на их основе цифровую модель рельефа. Далее с помощью автоматизированной программы была проведена сегментация ортографической проекции для выделения крон деревьев. Затем были созданы 7 классов объектов: 6 видов деревьев и 1 класс для всех остальных объектов (земля, здания и т.д.). После этого исследователи разбили изображение на отдельные объекты, создав набор данных для Machine Learning – сверточной нейросети GoogLeNet. Натренировав нейросеть на части набора данных, исследователи получили среднюю точность распознавания 89%, а для некоторых типов деревьев – 96% [5].
  1. Аналогичная работа была проведена в Финляндии – автоматическое определение дерева по данным лазерного сканирования. Система Machine Learning может распознавать в лесах 3 вида деревьев в автоматическом режиме: березу повислую, сосну обыкновенную и европейскую ель. Программа была обучена с помощью базы данных, которая содержала результаты лазерного сканирования для 30 деревьев каждого вида. Деревья система представляет в виде трехмерной модели, которая строится на основе облака точек, составленного лазерным сканером. Затем модель анализируется по 15 критериям: диаметр ствола, объем кроны, угол наклона веток и т.д., и по результатам анализа определяется вид дерева. Во время испытаний система распознавала 3 вида деревьев с точностью до 95%, причем во время тестов использовались данные разных участков леса. В дальнейшем программа будет использоваться для распознавания большего числа видов, а также для определения количества разных деревьев в лесу [6].
  2. Швейцарские инженеры превратили  дрон в автоматизированную систему Machine Learning для обследования полостей в деревьях. Мультикоптер самостоятельно определяет положение дупла на стволе, после чего подлетает вплотную к стволу и вводит внутрь полости манипулятор со стереокамерой на конце. Для обследования полостей в стволах деревьев был использован автономный беспилотник на базе гексакоптера AscTec Neo, который может поднимать в воздух груз весом до 2-х килограммов, оборудованный манипулятором и стереокамерой. Сначала дрон управляется оператором вручную, а после подлета к нужному дереву переводится в автономный режим. С помощью набора датчиков мультикоптер строит трехмерную карту окружающих объектов и может оценить расположение дупла на стволе, а также направление хода полости и расстояние до ствола. После этого дрон сближается со стволом дерева и аккуратно вводит внутрь полости стереокамеру на манипуляторе для обследования дупла изнутри [7].
  3. В Японии уже более 10 лет фермеры пользуются дронами, самые простые из которые летают над полями, отпугивая насекомых, и следят за сельскохозяйственными животными. Более серьёзные аппараты собирают важную информацию о поле, фотографируя и снимая растения на видео. Самые продвинутые устройства, оснащенные инфракрасной камерой, могут определять количество хлорофилла в растении и состояние почвы, чтобы фермеры использовали химические удобрения и пестициды только на необходимых участках поля и вовремя поливали землю [8]
Machine Learning, машинное обучение, дрон, мультикоптер, квадрокоптер
Машинное обучение и дрон помогают исследовать леса

Машинное обучение в российских дронах

Отечественный агропромышленный сектор пока только планирует внедрять машинное обучение и другие современные инструменты. В 2017 году экспертами Фонда развития интернет-инициатив (ФРИИ) при участии «открытого правительства», Ассоциации интернета вещей и департамента информационных технологий Минсельхоза России была разработана «дорожная карта». Согласно данному документу, к 2019 году 30% российских сельхозпредприятий будут использовать технологии интернета вещей и прогнозировать посевную с помощью дронов. Этот сценарий создан в результате президентского указа от 21 июля 2016 года «О реализации научно-технической политики в интересах АПК» в рамках Стратегии повышения качества пищевой продукции до 2030 года.

По замечанию независимого эксперта в области беспилотных систем Дениса Федутинова, применение умных дронов позволит хозяйствам проводить аэрофотосъемку для планирования работ и оптимально удобрять поля. Его поддерживает заместитель по технологическому развитию ФРИИ Сергей Алимбеков, отмечая, что аналитическая часть концепции IoT сэкономит 20% годовых расходов сельхозпредприятия. Например, был прецедент, когда после внедрения интеллектуальной системы удалось сэкономить более 40% солярки, которую изначально планировали израсходовать на производство.

Эти слова на практике подтверждены опытом владельца фермерского хозяйства «Бобровая долина» Николая Дурманова, который использует беспилотники для наблюдения за состоянием полей, пастбищ и выпасом скота. Информация с дронов о качестве предпосевной обработки полей позволяет экономить семенной материал и удобрения. Фермер отметил особенно большой потенциал беспилотников при планировании и проведении дорогостоящей и сложной мелиорации заросших сельскохозяйственных угодий. А также он высказал уверенность в высокой эффективности дронов с грузоподъемностью от 100 кг, которые незаменимы при обработке полей химикатами в недоступных для малой пилотируемой авиация условиях [9].

Машинное обучение, дрон, мультикоптер, беспилотник, Machine Learning
Машинное обучение и дрон в сельском хозяйстве

Рассмотренные примеры подтверждают эффективность внедрения современных информационных технологий в даже такие традиционные отрасли экономики, как природопользование и сельское хозяйство. Хотите узнать, как машинное обучение и беспилотники используются в других крупнейших секторах отечественной промышленности? Читайте об этом в нашей следующей статье: от нефтегазовой отрасли до покорения космических просторов. 

А как Machine Learning поможет улучшить вашу сферу деятельности, вы узнаете на наших практических курсах, где мы рассказываем все, что нужно аналитикам и инженерам для успешного выбора алгоритмов, средств и инструментов работы с большими данными (Big Data) и машинным обучением. Подробную информацию о занятиях смотрите здесь. Увидимся в классе!

Источники

  1. https://dronomania.ru/faq/chto-takoe-dron.html
  2. https://iot.ru/gadzhety/kak-ustroen-dron
  3. https://www.rbc.ru/technology_and_media/07/03/2017/58bd91bd9a7947243c6fdd97
  4. https://dronomania.ru/faq/chto-takoe-dron.html
  5. https://nplusru/news/2018/05/11/drone
  6. https://nplus1.ru/news/2017/01/24/tree-recognition
  7. https://nplus1.ru/news/2016/09/22/tree-drones
  8. https://www.the-village.ru/village/business/newprof/150673-kem-rabotayut-drony
  9. https://www.rbc.ru/technology_and_media/07/03/2017/58bd91bd9a7947243c6fdd97