Моделирование и оптимизация параметров облачного сервиса для нейросетевой сегментации и прогнозирования урожайности сельскохозяйственных культур тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Белоусов Илья Станиславович

• Белоусов Илья Станиславович
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Белоусов Илья Станиславович

Выводы по разделу

2 ПОСТРОЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ЗАДАЧ ОБРАБОТКИ ИЗОБРАЖЕНИЙ В СЕЛЬСКОМ ХОЗЯЙСТВЕ

2.1 Постановка задачи разработки и параметризации нейронной сети для выявления дефектных участков сельскохозяйственных полей

53

2.2 Обоснование архитектуры и методов параметризации ИНС для распознавания изображений

2.3 Математико-статистическое моделирование показателей качества разрабатываемых нейросетей

Выводы по разделу

3 РАЗРАБОТКА И ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОГО СЕРВИСА ДЛЯ ВЫЯВЛЕНИЯ ДЕФЕКТНЫХ УЧАСТКОВ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ПОЛЕЙ

3.1 Концептуальных подход к созданию SaaS с использованием искусственных нейронных сетей

3.2 Программный инструментарий для создания SaaS сервиса с использованием искусственных нейронных сетей

3.3 Экспериментальное исследование разработанного SaaS-сервиса на основе искусственных нейронных сетей

3.4 Техническо-экономическая эффективность применения разработанного SaaS-сервиса

Выводы по разделу

ЗАКЛЮЧЕНИЕ

Общие выводы

Рекомендации производству

Направление дальнейших исследований

Список литературы

Приложение A. Статистическая оценка результатов параметризации факторной модели

Приложение Б. Благодарности, дипломы и награды отраслевых выставок

Приложение В. Сертификаты международных научных конференций

Введение

Введение диссертации (часть автореферата) на тему «Моделирование и оптимизация параметров облачного сервиса для нейросетевой сегментации и прогнозирования урожайности сельскохозяйственных культур»

Актуальность темы

Промышленный характер сельскохозяйственного производства требует создания новых методов его интенсификации, среди которых важное место занимают интеллектуальные методы распознавания и оценки состояния посевов на значительных площадях с использованием БПЛА.

Наиболее универсальным средством интеллектуального анализа состояния посевов по их цветным изображениям являются глубокие искусственные нейронные сети (ИНС), обучаемые на больших массивах изображений. Процесс обучения ИНС, от результатов которого зависят показатели качества распознавания, может являться достаточно длительным, занимая десятки часов, что требует совершенствования методов его оптимизации.

Разработкой новых архитектурных решений в области нейросетевого распознавания роста и развития посевов агрокультур занимаются исследователи во всех развитых странах, производящих сельскохозяйственную продукцию, прежде всего растениеводческую, использующую значительные земельные площади. Отдельная группа задач связана с отысканием оптимальных сочетаний гиперпараметров проектируемых нейросетей. Решение отмеченных задач разработки, исследования и оптимизация параметров глубоких ИНС для распознавания проблемных участков сельскохозяйственных полей, а также создания облачных нейросетевых сервисов на их основе обуславливает актуальность исследований.

Степень изученности проблемы. Научные основы программирования урожайности в сельскохозяйственном производстве на основе методов математического моделирования заложены в работах академика ВАСХНИЛ С.Ф. Аверьянова, академиков Г.Е. Листопада, И.П.. Кружилина, А.П. Лихацевича, Б.Ю. Маслова, В.Н. Щедрина, чл.-корр. В.И. Ольгаренко, А. Якушева, В.А. Кардаша, И.М. Михайленко и других исследователей. Известны модели различных областей аграрного производства и возделывания агрокультур, включая их биопродуктивность, определяемую физическими процессами в системе «почка-растение-атмосфера».

Различные вопросы создания нейросетевых систем для аграрного производства рассмотрены в работах В. Бородычева, Н. Заводчикова, И. Михайленко, А. Якушева, В. Щедрина, И. Юрченко и др. Значимость применения нейросетевых средств ИИ для сельского хозяйства заключается в возможности расширения использования современных цифровых технологий для решения задачи интеллектуального анализа большого количества разнородных данных, включая графические. С другой стороны, необходимо повышение доступности интеллектуальных технологий за счёт создания специализированных облачных сервисов, например по технологии "Software-as-a-Servюe" (SaaS, «Программное обеспечение как услуга»). Сочетание нейросетевых и SaaS технологий позволит решить выявленное противоречие. При этом намечено создание доступного потребителю программного комплекса, ориентированного на применение графических изображений, получаемых методами дистанционного зондирования Земли (ДЗЗ) или с применением БПЛА, для прогнозирования урожайности сельскохозяйственных культур и управления продукционными процессами. Применение разрабатываемого комплекса позволит даже мелким сельхозтоваропроизводителям повысить продуктивность полей и устойчивость урожаев.

Целью работы является создание, математическое моделирование и оптимизация параметров облачного сервиса для нейросетевой сегментации и прогнозирования урожайности сельско-хозяйственных культур.

Достижение поставленной цели потребовало решения следующих задач:

- провести анализ и выявить характерные признаки эталонных и дефектных участков сельскохозяйственных полей для их нейросетевого распознавания по цветным изображениям;

- обосновать семейство архитектур глубоких ИНС и технологию их параметризации для задачи распознавания участков сельскохозяйственных полей с возможностью выделения дефектных зон;

- построить математические модели обучения глубоких ИНС на основе факторного планирования численных экспериментов по их обучению в широком диапазоне сочетания гиперпараметров ИНС;

- исследовать закономерности зависимости метрик обучения и качества распознавания изображений участков сельскохозяйственных полей с использованием глубоких ИНС и обосновать возможность оптимизации их гиперпараметров;

- обосновать программный инструментарий, разработать серверное и клиентское приложения нейросетевой SaaS-системы и исследовать характеристики их функционирования при распознавании дефектных участков сельскохозяйственных полей.

Научная новизна:

1. Модифицированная модель архитектуры сегментационной нейронной сети для распознавания состояния участков сельскохозяйственных полей по их цветным изображениям на базе архитектуры DeepLab У3.

2. Алгоритм обучения глубокой нейронной сети для интеллектуального распознавания состояния и дефектных участков сельскохозяйственных полей, включающий выбор архитектуры и гиперпараметров сетей (Свидетельство о регистрации программы для ЭВМ RU № 2023617142).

3. На основе численных экспериментов, проведенных по факторному плану Бокса-Бенкена, обоснована совокупность базовых гиперпараметров для глубоких ИНС на базе модели DeepLab У3, а также построена регрессионная модель динамики обучения сегментационных нейросетей, позволяющая прогнозировать предельное значение метрики качества обучения по начальному отрезку временного ряда диаграммы обучения нейросети.

4. Разработанные архитектура и программная реализация Web-сервиса, реализующего модель SaaS, для взаимодействия с сегментационной нейронной сетью, ориентированного на распознавания состояния участков сельскохозяйственных полей.

Практическая значимость

База данных и датасет для интеллектуального нейросетевого распознавания и сегментации специфических цветографических признаков мелиоративного состояния участков сельскохозяйственных полей, разработанный на основе предложенной их классификации (Свидетельство о государственной регистрации базы данных RU №2 2023620632. Набор данных для обучения глубоких искусственных нейронных сетей, сегментирующих дефектные участки сельскохозяйственных полей в системе точного земледелия).

Созданная глубокая ИНС на основе архитектуры DeepLab У3, позволяющая уменьшить трудозатраты при распознавании состояния

участков сельскохозяйственных полей за счет совершенствования нейросетевых методов ИИ в аграрном производстве.

Разработанный SaaS-сервис (Свидетельство о регистрации программы для ЭВМ RU № 2023615406. Клиент-серверное приложение для распознавания дефектных участков сельскохозяйственных полей на основе сегментирования мелиоративного состояния) может стать интеграционной платформой для сторонних приложений, обеспечивающих решение различных интеллектуальных задач сельскохозяйственного производства.

Методология и методы исследования. Реализация перечисленных задач потребовало обоснования применения методов интеллектуального анализа графических данных, математического и компьютерного моделирования, компьютерной оптимизации, машинного обучения. Авторское математическое и программное обеспечение исследований создавалось методами информационных технологий с использованием специализированных библиотек и фреймворков, подходов объектно-ориентированного проектирования, облачных технологий.

В процессе разработке использовались следующие языки программирования Python, Java Script. Использовались библиотеки: NumPy, PyTorch, ReactJs, серверное ПО Nginx, Node.js.

Основные положения, выносимые на защиту:

1. Классификация и база данных специфических цветографических признаков мелиоративного состояния участков сельскохозяйственных полей для интеллектуального нейросетевого распознавания (Свидетельство о государственной регистрации базы данных № 2023620632).

2. Обоснование архитектуры и гиперпараметров сегментационной нейронной сети для распознавания мелиоративного состояния участков сельскохозяйственных полей по их цветным изображениям.

3. Модифицированный алгоритм обучения глубокой нейронной сети для распознавания мелиоративного состояния участков сельскохозяйственных полей (Свидетельство о регистрации программы для ЭВМ RU № 2023617142).

4. Архитектура и программная реализация разработанного SaaS-сервиса для взаимодействия с сегментационной нейронной сетью, ориентированной на распознавания состояния и выявление дефектных зон сельскохозяйственных полей.

Полученные результаты соответствуют следующим областям исследования паспорта научной специальности 1.2.2 ВАК:

1. Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий.

2. Разработка систем компьютерного и имитационного моделирования, алгоритмов и методов имитационного моделирования на основе анализа математических моделей (технические науки).

3. Комплексные исследования научных и технических проблем с применением современной технологии математического моделирования и вычислительного эксперимента.

Достоверность полученных результатов обеспечивается использованием фундаментальных методов математического моделирования, теории нейронных сетей, теории распознавания образов, а также сходимостью результатов с известными отечественными исследованиями и практической апробацией. Результаты соответствуют аналогичным исследованиям и подтверждены экспертами.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих российских и международных конференциях

различного уровня: XXIV региональная конференция молодых исследователей Волгоградской области, 2019; XXV региональной конференции молодых исследователей Волгоградской области, 2020; GEC 2021: Международная научно-исследовательская конференция по глобальным изменениям окружающей среды: экосистемы, климат, природные ресурсы, человек, 2021; Наука и молодежь: новые идеи и решения, Волгоград 2021; Международных научно-практических конференциях Волгоградского ГАУ, «Инновационные технологии в агропромышленном комплексе в условиях цифровой трансформации», февраль, 2022; 60-я научная конференция Волгоградского государственного технического университета, 2023; The 4th International Conference on Data Intelligence and Cognitive Informatics, 2023; The 3rd International Conference on Soft Computing for Security Applications; The 4th International Conference on Image Processing and Capsule Networks (ICIPCN 2023) и др.

Отдельные элементы работы отмечены медалями и благодарностями Всероссийской отраслевой выставки «Золотая осень» 2020-2022 гг.

Исследования, проводимые на различных этапах выполнения работы, вносили вклад в несколько проектов РФФИ, в том числе «Разработка SaaS сервиса для распознавания проблемных участков мелиорируемых сельскохозяйственных полей», проект № 20-37-90142 «Аспиранты».

Личный вклад. Выбор направления исследования определялся совместно с научным руководителем. Результаты получены автором лично. Анализ и интерпретация результатов осуществлялись совместно с научным руководителем. Автором лично разработан комплекс программ, включая клиент-серверное приложение, реализующий предложенные модели, методики и алгоритмы.

С соавторами публикаций по теме исследования обсуждались постановка задач, методы их решения и полученные результаты. Автор

принимал участие в подготовке датасета, аугментации изображений, обучении нейронной сети и разработки клиентской и серверной части сервиса.

Объем и структура работы.

Диссертация состоит из введения, 3 глав, заключения. Объём работы составляет 161 стр. Список литературы включает 159 наименований, включая 71 на иностранных языках. В Приложении представлены исходный код разработанного приложения и алгоритма обучения нейросети.

Глава 1 АНАЛИТИЧЕСКИЙ ОБЗОР ПРИМЕНЕНИЯ

ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В СЕЛЬСКОМ ХОЗЯЙСТВЕ

1.1 Обзор задач математического и нейросетевого моделирования

сельскохозяйственного производства

1.1.1 Особенности сельскохозяйственного производства, как объекта автомат изации

Сельскохозяйственное производство, как система, независимо от внутриотраслевых особенностей может быть представлено в виде 3-х структурных страт, информационно и организационно взаимодействующих между собой (рис. 1.1).

Природные условия и факторы формирования урожая сельскохозяйственных культур, существенно изменить невозможно, но часть из них можно учесть и технологически скорректировать.

В качестве оценки эффективности сельскохозяйственного производства выступает урожайность сельскохозяйственных культур, уровень которой определяется множеством групп факторов различной природы.

Группы факторов укрупненно можно обобщить, как:

- почвенно-климатические;

- агротехнологические;

- организационно-экономические.

- технико-технологические инновационные.

Рисунок 1.1 - Концептуальна модель системы сельскохозяйственного

биопроизводства [34]

Многообразие и неоднородность агротехнических мероприятий, нацеленных на достижение устойчивости и повышение урожайности сельскохозяйственных культур, обусловили деление их на следующие группы:

вещественные вложения (известковые материалы, удобрения, семена, ядохимикаты, стимуляторы роста, влагообеспечение и т.д.);

агротехнические работы (обработка почвы, доставка и внесение в почву известковых материалов, удобрений, ядохимикатов, посев (посадка), междурядная обработка посевов, уборка урожая и т.д.).

Статистическое изучение многих факторов формирования урожая сельскохозяйственных культур затрудняется тем, что точная информация об их влиянии в текущем учете и отчетности сельскохозяйственных организаций не предусмотрена. Так, если информация о качестве почв (балльной оценке) имеется в земельно-учетных документах, то температурный режим на протяжении вегетационного периода в документах сельскохозяйственных организаций не регистрируется. Для восполнения этого недостатка обычно пользуются информационными услугами специализированных (агрометеорологических, гидрологических и др.) организаций.

Трансформация сельскохозяйственного производства методами ее цифровизации, как основной сферы агропромышленного комплекса (АПК) -одно из базовых целевых направлений развития аграрного сектора национальной экономики. Цифровизация сельскохозяйственного производства на основе цифровых платформ необходима для эффективного интеллектуального управления полевыми севооборотами на основе оперативных данных, производственных планов и прогнозов. Интеллектуальные технологии поддержки решений позволяют согласовать оперативную деятельность с данными о почвенно-климатических условиях,

тепло- и влагообеспеченностью, мелиоративному состоянию почв, вредителях и болезнях.

В коллективной монографии «Агропромышленный комплекс России: AGRICULTURE 4.0» [1] систематизированы теоретические положения и практические рекомендации по актуальным вопросам развития современных ИТ и инженерно-технических систем в АПК, функционирования рынка сельскохозяйственной техники, нормативно-методическому обеспечению производителей. Упомянутая монография рассматривает вопросы применения в сельском хозяйстве различных сквозных технологий, приведенных в Национальной программе «Цифровая экономика Российской Федерации». К ним относятся «... производственные технологии TechNet, технологии компонентов робототехники и мехатроники, искусственный интеллект, технологии хранения и анализа больших данных, технологии беспроводной связи и «интернета вещей» [14].

1.1.2 Отраслевые задачи автоматизации и цифровой трансформации сельскохозяйственного производства

Согласно «Стратегии научно-технологического развития Российской Федерации» и программы «Цифровое сельское хозяйство» [14], в ближайшие годы одним из приоритетных направлений развития агропроизводства является переход к высокопродуктивному агро- и аквахозяйству.

Как отмечается в процитированном выше документе, «Целью реализации мероприятий дорожной карты является создание технических, правовых и организационных условий для применения технологий интернета вещей и реализации ключевых задач развития агропромышленного комплекса, на основе отечественных технических решений и оборудования.».

Среди ключевых задач, сформулированных для достижения упомянутой цели, упомянуто и «... развитие инфокоммуникационной инфраструктуры, включая инфраструктуру передачи данных и инфраструктуру цифровых услуг (цифровую инфраструктуру); включение в систему мер государственного стимулирования агропроизводителей требований по использованию технологий интернета вещей.».

Перспективным высокотехнологичным направлением повышения эффективности аграрного производства, путем повышения почвенного плодородия, а также ресурсосбережения, является программируемое аграрное производство с использование интеллектуальных систем управления на основе искусственного интеллекта (ИИ), методов машинного обучения (МО) и средств искусственных нейронных сетей (ИНС) [6].

Развитие методов и алгоритмов МО позволило расширить внедрение систем ИИ в различные отрасли сельского хозяйства. Методы математического и нейросетевого моделирования являются перспективным направлением разработки и исследований в сфере интеллектуализации сельскохозяйственного производства. При этом, переход на новый технологический уклад агропромышленного производства невозможен без создания основанных на знаниях интеллектуальных систем, математических моделей, методов и алгоритмов, а также отраслевых баз данных (БД) и комплексов программ [49].

Повышение продуктивности агрофитоценозов связано с решением совокупности взаимосвязанных проблем, включая системный анализ и структурно-параметрический синтез сложных агропроизводственных систем, обеспечивающих сохранение и повышения плодородия почв при соблюдении агроэкологических норм [Ошибка! Источник ссылки не найден.].

Различные подходы и аспекты повышения продуктивности агрофитоценозов на основе анализа и учета почвенно-климатических, биологических и гидрометеорологических факторов рассматривались в исследованиях Заводчикова Н. Д. [27], Михайленко И. М. [48, 50] и других авторов.

Вопросы планирования и управления программируемым аграрным производством на базе анализа многолетних ретроспективных данных продуктивности агрокультур в засушливых почвенно-климатических условиях Юга России, в том числе с использованием нейросетевых моделей рассмотрены в работах академиков РАН Дубенка Н.Н., Бородычева В.В., Лытова М.Н. [25, 15], а также в публикациях Мелиховой Е.В., Рогачева А.Ф. [43], Четырбоцкова В.А. [86] и др.

Сельские товаропроизводители, использующие интеллектуальные инструменты для сбора и оперативного анализа информации, используют сотни точек сбора агромелиоративной данных на полях. В процессе агрегации и управления информационными потоками в процессе вегетации агрофитоценозов используют интеллектуальные системы обработки данных, полученных с использованием средств дистанционного мониторинга.

Научно-методические проблемы реализации онлайн-мониторинга состояния агрофитоценозов использованием компьютеризированных технологий в исследовании средств автоматизации мониторинга и управления аграрным производством рассмотрены в научных публикациях Бородычева В.В., Долженко В.А. [24], Сыч А.С. [76] и других исследователей.

Отдельные подходы программируемого возделывания агрокультур и управления в точном земледелии изучались отечественными учеными акад. Листопадом Г.Е., проф. Филиным В.И., проф. Соловьевым Д. А. [73], Трухачевым В.И. [7998], и другими исследователями.

Использование для дистанционного получения различной оперативной информации в процессе мониторинга развития агрофитоценозов, а также применение беспилотных летательных аппаратов и других мобильных технологических средств исследовано в работах Захарова Р.В. [28], Щедрина В.Н., Брискина Е.С., Герасуна В.М. и других ученых.

Типовая схема мониторинга и управления режимом орошения сельскохозяйственных культур представлена на рис. 1.2.

Получаемые в процессе мониторинга данные используются для решения задач оперативного управления агропроизводством. При этом используют такие методы обработки данных, как компьютерное зрение, включая решение задач классификации и сегментации графических изображений на базе ИИ и глубокого обучения. Отметим, что основоположниками этих подходов были отец кибернетики Н. Винер и автор персептрона F. Rosenblatt, заложивших теоретические основы киберфизических подходов в различных областях науки и производства. Подходы и алгоритмы функционирования таких систем подробно рассмотрены в работах Cheng, G., Li, Z., Yao X., Guo, L., Wei, V [], Mohammed Abbas Kadhim, Mohammed Hamzah Abed [130].

Отдельные аспекты применения систем компьютерного зрения в рамках геомониторинга, совместно с распознаванием нейросетвым анализом посвящены исследования таких ученых, как Зверев В.И., Воронцов А. А. [29], Ермолаева О.С., Череватова Т.Ф., [85], Алферьев Д.А. [7], Булкин В.И .[17].

Многочисленным проблемам интеллектуального анализа цветных изображений полей с посевами агрокультур, полученных фото- и видеокамерами БПЛА с использованием мультиспектральных высокого разрешения, посвящены исследования Железновой С.В., Ананьева А. А., Вьюнова М.В., Березовского Е. В. [26], а также Князь В.В., Федоренко В.В., Мизгинова В.А. [33] и др. Структура мониторинга и управления режимом орошения агрокультур представлена на рис 1.2.

Рисунок 1.3 - Типовая схема мониторинга и управления режимом орошения сельскохозяйственных культур [15]

Таким образом, известны многочисленные исследования отечественных и зарубежных ученых в области интеллектуального анализа и управления аграрным производством, включая мониторинг с использованием мобильной оптико-регистрирующей техники.

1.1.3 Специфические задачи мониторинга мелиоративного состояния и обеспечения плодородия сельскохозяйственных земель

Зависимость урожайности и качества семян от различных групп агроэкологических факторов, которые необходимо учитывать, классифицировано, в ряде фундаментальных работ, где отмечается, что «.в связи с большой зависимостью качества семян от условий их формирования и созревания требуется учёт всего комплекса экологических факторов.

При сильной засухе, избыточном увлажнении или ранних осенних заморозках формируются семена плохого качества. Этому может способствовать также полегание хлебов из-за большой густоты, избыточного азотного питания и летних ливней. Всё это приводит к снижению биологического урожая и увеличению потерь зерна при уборке, а также к формированию некачественных семян» [20]. Среди факторов, определяющих урожайность, авторы цитируемой работы отмечают необходимость их оптимизации.

Таким образом, по мнению цитируемых авторов, для получения высококачественных семян и устойчивых урожаев сельскохозяйственных культур, также необходимы оптимальные сочетания агротехнологических факторов.

Задачи мониторинга плодородия сельскохозяйственных земель и связанные с ними вопросы обеспечения агро- и эколого-мелиоративного состояния полей требуют использования современных интеллектуальных технологий и информационно-советующих систем.

Рисунок 1.4 Обобщенная схема информационной системы реализации управляющего решения, разработанной ВНИИГиМ [15]

Отдельные вопросы создания таких систем рассмотрены в работах Бородычева В.В., Лытова М.Н., Юрченко И.Ф. и других исследователей Всероссийского НИИ гидротехники и мелиорации (ВНИИГиМ). Обобщенная схема моделирующей информационной системы, разработанной ВНИИГиМ и учитывающей время задержки получения

мониторинговой информации до реализации управляющего решения, приведена на рис. 1.3.

Описанная моделирующая система в качестве исходной информации использует в режиме реального времени данные мониторинга агромелиоративных объектов и процессов вегетации, БД технологических параметров и другие показатели агромелиоративной системы.

Для эффективного функционирования специализированной системы управления технологическими процессами возделывания агроценозов требуются, в том числе, графические данные оперативных наблюдений, получаемые, например, от БПЛА, которые могут анализироваться соответствующей нейросетевой подсистемой [72].

Основные цветографические характеристики изображений полей с культурными растениями сведены в табл. 1.1.

Таблица 1.1 - Типовые дефекты развития сельскохозяйственных агрофитоценозов и их цветографические характеристики

Наименование класса Типичные размеры, м Цветографические характеристики Источник

1 .Низка я полевая всхожесть 10 х10 Изреженные всходы, высокая засорённость посевов, в результате болезней и вредителей, посевы становятся ослабленными и малопродуктивными. https://lektsia.eom/11 xaf03.html

2.Дефи-цит влажности Стеблестой очень изрежен, снижены темпы роста, набора урожайной массы. Авторский

3 .Избыток влажности 1,5 х 2,0 застаивание воды в виде долго не просыхающих луж, гибели культурных растений, изреживанию посевов, https://agrovesti. пе^Н b/advices/fatalnye-oshibki-fermera-

способствует развитию сорной растительности на вымочках. Избыточная влажность почвы так же сильно её переуплотняет, как и высушенная земля, особенно под давлением тяжёлой техники. Почва становится тугая как пластилин регеирЫпеше-pochvy.html

Список литературы диссертационного исследования кандидат наук Белоусов Илья Станиславович, 2024 год

Список литературы

1. Агропромышленный комплекс России: AGRICULTURE 4.0 : Монография в 2 томах. Том. 2. Современные технологии в агропромышленном комплексе России и зарубежных стран. Сельское хозяйство 4.0. Цифровизация АПК / Абрашкина Е.Д. и др. М. : Ай Пи Ар Медиа, 2021. 379 с.

2. Акинин М. В., Никифоров М. Б., Таганов А. И. Нейросетевые системы искусственного интеллекта в задачах обработки изображений. - М.: Горячая линия - Телеком, 2017. -152 с.;

3. Акинин М.В., Логинов А.А., Никифоров М.Б. Способы описания текстур в задачах построения топографических карт И Материалы XI Международной научно-технической конференции «АВИА-2013» (том 4)-2013.

4. Акинина Н.В., Акинин М.В., Никифоров М.Б. Применение нейросетевых методов анализа главных компонент при решении задач обработки данных дистанционного зондирования Земли // Mezinarodni vedecka a prakticka conference «World&Science», - 2014.;

5. Клочко А.Я., Бычкова Н.А., Акинина Н.В. Нейросетевые методы анализа главных компонент в задачах обработки данных дистанционного зондирования Земли // Известия Юго-Западного государственного университета № 6 (51), часть 2. 2013, - С.69-76.

6. Аксенов А. Г. Анализ интеллектуальных систем поддержки принятия решений в сельском хозяйстве // Электротехнологии и электрооборудование в АПК. 2019. № 3 (36). С. 46-51.

7. Алферьев Д.А. Практика реализации сверточных нейронных сетей в сельском хозяйстве и агропромышленном комплексе // АгроЗооТехника. 2020. Т. 3. № 2. С. 4.

8. Асмус В.В. Карасев А.Б. Обоснование и описание структуры базовой методике обработки космических данных для получения тематической информации В сб. Труды ГосНИЦИПР, вып. 29. Гидрометеоиздат. Л. 1987, с.6-12;

9. Асмус В. В. Вадас В. Карасев А.Б. Программный комплекс кластеризации многозональных данных. Исследование Земли из космоса, 1988, N3, с.86-94;

10. Королюк Т.В. Диагностика почв степной и сухостепной зон Предкавказья по материалам аэрокосмической съемки. Почвоведение, 1989, N4, с. 124-132;

11. Кринов Е. Л. Спектральная отражательная способность природных образований. М, Л. АН СССР, 1947, 271 с.

12. Белоусов, И. С. Разработка глубокой нейронной сети для сегментации проблемных участков сельскохозяйственных полей / И. С. Белоусов, А. Ф. Рогачев // Инженерный вестник Дона. - 2022. - № 8(92). - С. 162-174.

13. Бионические информационные системы и их практические применения / под ред. Зинченко Л.А., Курейчик В.М., Редько В.Г. М.: Физматлит, 2011. - 288 с.

14. Блануца В.И. Цифровая экономика Российской Федерации: концептуальный анализ национальной программы // Вестник Пермского университета. Сер. «Экономика». 2020. Том 15. № 4. С. 463-493. doi: 10.17072/1994-9960-2020-4-463-493.

15. Бородычев В.В., Лытов М.Н., Обобщенная модель автоматизированной информационной системы мониторинга и управления орошением в режиме реального времени // Известия нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование № 1 (45), 2017. С.

16. Брыжко И.В., Шабалина Т.В. Геоинформационное обеспечение точного земледелия на примере Тюменской области // ИнтерКарто. ИнтерГИС. 2021. Т. 27. № 4. С. 66-81

17. Булкин В.И. Создание интеллектуальных систем в промышленности и сельском хозяйстве на основе управляемого синтеза искусственных нейронных сетей // Промышленность и сельское хозяйство. 2020. № 4 (21). С. 68-75.

18. Васильев А.Н., Тархов Д.А., Малыхина Г.Ф. Методы создания цифровых двойников на основе нейросетевого моделирования // Theoretical questions of computer science, computational mathematics, computer science and cognitive information technologies. С. 521. DOI: 10.25559/SITITO.14.201803.521-532/

19. Савельева Ю.В., Хоперсков А.В. Научные журналы и эффективность научной работы: поисковые системы и базы данных // Управление большими системами: сборник трудов. 2013. № 44. С. 381-407.

20. Влияние агроэкологических факторов на урожайность и качество семян. URL: https://www. activestudy. info/vliyanie-agroekologicheskix-faktorov-na-urozhainost-i-kachestvo-semyan/

21. Вакуленко, Д. В. Спектральная классификация космоснимков агроландшафта на основе ранжирования каналов наибольшей информативности / Д. В. Вакуленко, А. Г. Кравец // Геоинформатика. - 2022. - № 3. - С. 15-29. - DOI 10.47148/1609-364X-2022-3-15-29.

22. ГОСТ 34.602-21 Информационные технологии. Комплекс стандартов на автоматизированные системы. Техническое задание на создание автоматизированной системы. М.: Российский институт стандартизации, 2021. 9 с.

23. Статистические модели в экономике/А.Ф. Гришин, С.Ф. Котов-Дарти, В.Н. Ягунов. - Ростов н/Д : «Феникс», 2005. - 344 с.

24. Долженко В.А., Балык В., Поляков А.И., Карталов А.В.

Применение мультиспектральной аэрофотосъёмки в комплексе с нейросетью

140

для автоматизации мониторинга в сельском хозяйстве // В сборнике: наукоемкие технологии и инновации (XXIII научные чтения). Сборник докладов Международной научно-практической конференции, посвященной 65-летию БГТУ им. В.Г. Шухова. 2019. С. 33-37.

25. Дубенок Н.Н., Бородычев В.В., Лытов М.Н. Алгоритм учета пространственной неоднородности исходных характеристик орошаемого участка на основе ГИС-технологий // Российская сельскохозяйственная наука. 2019. № 1. С. 66-70.

26. Железова С.В., Ананьев А. А., Вьюнов М.В., Березовский Е. В. Мониторинг посевов озимой пшеницы с применением беспилотной аэрофотосъемки и оптического датчика GreenSeeker RT200 // Вестник Оренбургского государственного университета. 2016. № 6. С. 56-61.

27. Заводчиков Н. Д., Спешилова Н. В., Таспаев С. С. Использование нейросетевых технологий в прогнозировании эффективности производства зерна // Известия Оренбургского государственного аграрного университета. 2015. № 1 (51). С. 216-219.

28. Захарова Р. В., Гайнутдинов И. Г. Применение беспилотного летательного аппарата при десикации масличных культур // Вектор экономики. 2018. № 11 (29). С. 118.

29. Зверева В.И., Воронцов А.А. Искусственные нейронные сети и геоинформационные технологии в сельском хозяйстве // Современные инновационные технологии подготовки инженерных кадров для горной промышленности и транспорта. 2019. № 1 (6). С. 191-196.

30. Интеллектуальные информационные технологии // «Директор информационной службы», 2002. № 05 [Электронный ресурс]. Режим доступа: http://www.osp.ru/cio/2002/05/172154/ (01.04.2022)

31. Как работает облако. URL: https://www. tadviser. ru/ index.php/%D0%A 1 %D 1 %82%D0%B0%D 1 %82%D 1 % 8C%D 1 %8F: %D0%9A%D0%B0%D0%BA %D 1 %80%D0%B0%D0%B 1 %D0

%BE%D 1 %82%D0%B0%D0%B5%D 1 %82 %D0%BE%D0%B 1 %D0%BB%D

0%B0%D0%BA%D0%BE

32. Качанова О.А., Левоневский Д.К. Архитектура программного обеспечения автоматизированного тепличного комплекса на основе облачных технологий // Программная инженерия. 2021. N9. C. 475-489.

33. Князь В.В., Федоренко В.В., Мизгинов В.А., Князь В.А., Пургатхофер В. Использование глубоких свёрточных нейронных сетей для автоматического выделения препятствий на взлетно-посадочной полосе по данным видимого и инфракрасного диапазона // Научная визуализация. 2017. Т. 9. № 4. С. 89-96.

34. Колесников А. В. Гибридные интеллектуальные системы. Теория и технология разработки / Под. ред. А.М. Яшина. СПб.: Изд-во СПбГТУ, 2001. 711 с.

35. Кубланов М.С. Методика построения многомерных регрессионных математических моделей // Научный вестник МГТУ ГА. № 154. 2010. С. 149-151.

36. Куковинец, А. В. Полный факторный эксперимент для исследования фрагментарного метода обнаружения границ объектов на цифровом изображении / А. В. Куковинец // Colloquium-Journal. - 2020. - № 2-1(54). - С. 7-10. - DOI 10.24411/2520-6990-2020-11210.

37. Костяев, А. И. Цифровизация сельского хозяйства и органическое производство / А. И. Костяев, В. Н. Суровцев, А. Л. Ронжин // Вестник Российской академии наук. - 2021. - Т. 91, № 12. - С. 1179-1182. -DOI 10.31857/S0869587321120070..

38. Курганова Н.В., Филин М.А., Черняев Д.С., Шаклеин А.Г., Намиот Д.Е. Внедрение цифровых двойников как одно из ключевых направлений цифровизации производства // International Journal of Open Information Technologies ISSN: 2307-8162 vol. 7, no.5, 2019. - С. 105-114.

39. Лихацевич, А.П. Использование математического

моделирования для повышения достоверности оценки результатов полевого

142

агрономического опыта / А. П. Лихацевич // Вес. Нац. акад. навук Беларуси Сер. аграр. навук. - 2018. - Т. 56, № 3. - С. 321-334. https://doi.org/10.29235/1817-7204-2018-56-3-321-334.

40. Лихацевич, А.П. Математическая модель урожая сельскохозяйственных культур / А. П. Лихацевич // Вес. Нац. акад. навук Беларуси Сер. аграр. навук. - 2021. - Т. 59, № 3. - С. 304-318. https://doi.org/10.29235/1817-7204-2021-59-3-304-318.

41. Лосева Е.Д., Антамошкин А.Н. Алгоритм автоматизированного формирования ансамблей нейронных сетей для решения сложных задач интеллектуального анализа данных // Известия Тульского государственного университета. Технические науки. 2017. № 4. С. 234-243.

42. Лупян Е.А., Барталев С.А., Толпин В.А., Жарко В.О., Крашенинникова Ю.С., Оксюкевич А.Ю. Использования спутникового сервиса ВЕГА в региональных системах дистанционного мониторинга // Современные проблемы дистанционного зондирования Земли из космоса. 2014. Т. 11. № 3. С. 215-232.

43. Мелихова Е.В., Рогачев А.Ф. Математическое моделирование процессов влагопереноса с целью энергосбережения. // Современные энерго-и ресурсосберегающие, экологически устойчивые технологии и системы сельскохозяйственного производства. Сборник научных трудов. Выпуск 12. С. 107-111.

44. Мельников С.В., Алешкин В.Р., Рощин П.М. Планирование эксперимента в исследованиях сельскохозяйственных процессов. - 2-е изд., перераб. и доп.- Л.: Колос, 1980.- 168 с.;

45. Милютин И. Туториал по Ру^гск от установки до готовой нейронной сети. https://neurohive.io/ru/tutorial/glubokoe-obuchenie-s-pytorch/ (12.04.2023)

46. Митус К.Н., Кацко И.А. Выбор наилучших методов оценки эффективности информационных технологий с помощью медианы Кемени //

Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2015. № 110. С. 773-785.

47. Митус, К.Н. Программное обеспечение как услуга: модели и инструменты оценки экономической эффективности : монография / К.Н. Митус, И.А. Кацко, А.А. Митус. — Москва : РУСАЙНС, 2020. — 204 с.

48. Михайленко И. М. Развитие методов и средств применения данных дистанционного зондирования земли в сельском хозяйстве // Тенденции развития науки и образования. 2018. № 41-3. С. 70-83. ; Михайленко И. М. Управление агротехнологиями и роботизированные и роботизированные средства реализации // Инновации в сельском хозяйстве. 2019. № 1 (30). С. 242-258.

49. Михайленко И.М., Тимошин В.Н. Экспертные системы программного управления в точном земледелии // Вестник российской сельскохозяйственной науки. 2020. № 2. С. 11-16.

50. Михайленко И.М., Тимошин В.Н., Малыгин В.Д. Принятие решений о дате заготовки кормов на основе данных дистанционного зондирования Земли и подстраиваемых математических моделей // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 1. С. 169-182.

51. Многоопорная дождевальная машина для прецизионного орошения / Щедрин В.Н., Васильев С.М., Чураев А.А., Снипич Ю.Ф., Куприянов А.А., Завалюев В.Э. Патент на изобретение RU 2631896, 28.09.2017. Заявка № 2016104019 от 08.02.2016.

52. Модели продукционного процесса сельскохозяйственных культур / Р. А. Полуэктов, Э. И. Смоляр, В. В. Терлеев, А. Г. Топаж ; Печатается по решению Редакционно-издательского совета Агрофизического НИИ Россельхозакадемии. - Санкт-Петербург : Издательство Санкт-Петербургского государственного университета, 2006. -396 с.

53. Модель процессов устойчивого развития для цифрового двойника сельскохозяйственного производства / Г. С. Смирнова, Р. А. Сабитов, Р. Т. Сиразетдинов [и др.] // Информационные технологии и вычислительные системы. - 2022. - № 4. - С. 93-102. - DOI 10.14357/20718632210409.

54. Наземная гиперспектральная аппаратура для измерения вегетативных индексов в задачах прецизионного орошения сельскохозяйственных культур / Щедрин В.Н., Васильев С.М., Бабичев А.Н. и др. // Научный журнал Российского НИИ проблем мелиорации. 2018. № 1 (29). С. 1-14.;

55. Нестеров Ю. Е. Метод решения задачи выпуклого программирования со скоростью сходимости 0(1/к2). Докл. АН СССР, 269:3 (1983), 543-547.

56. Новик Ф. С., Арсов Я. Б. Оптимизация процессов технологии металлов методами планирования экспериментов. - М.: Машиностроение; София: Техника, 1980. — 304 с.

57. Облачные сервисы. Взгляд из России. Под ред. Е. Гребнева. М.: CNews, 2011. - 282 с.

58. Орлов С. Технологии разработки программного обеспечения: Учебник/. — СПб.: Питер, 2002. — 464 с.

59. Панарин, Р. Н. Разработка программного обеспечения для цифрового двойника агроробота / Р. Н. Панарин, Л. А. Хворова // Высокопроизводительные вычислительные системы и технологии. - 2021. -Т. 5, № 1. - С. 210-216.

60. Патент RU 2742258, G06F 30/27; G05B 19/418 ВОЕНМ, Birthe ФЕ)

61. Полуэктов Р.А., Смоляр Э.И., Терлеев В.В., Топаж А.Г. Модели продукционного процесса сельскохозяйственных культур. - СПб., 2006.

62. Полякова Н.В., Поляков В.В., Обухова А.А. ИТ-услуга: определение, свойства, структура // Известия Иркутской государственной экономической академии. 2013. № 5. С. 62-68.

63. Проект плана мероприятий («дорожная карта») «Внедрение технологий интернета вещей в агропромышленном комплексе». URL: https://iotas.ru/files/documents/wg/20170307125328857.pdf

64. Резников В.М. Аэрокосмическая система мониторинга: состояние, проблемы, перспективы / В.М. Резников — М.: ФГУ ВНИИ ГОЧС (ФЦ), 2009. - 200 с.

65. Риз Дж. Облачные вычисления: Пер. с англ. / Дж. Риз. СПб.: БХВ-Петербург, 2011. - 288 с.

66. Рогачев А.Ф. Методические подходы к получению и обработке данных дистанционного зондирования для обоснования мелиоративных мероприятий // Известия НВ АУК, 2018, № 4, С. 332-339.

67. Рогачев, А. Ф., Белоусов И. С. Типы слоев свёрточной искусственной нейронной сети для использования в АПК // Приоритетные научные исследования и инновационные технологии в АПК: наука -производству : материалы Национальной научно-практической конференции, Волгоград, 29 октября 2019 года. Том 3. - Волгоград: Волгоградский государственный аграрный университет, 2019. - С. 117-124.

68. Ронжин, А. Л. Системы искусственного интеллекта в решении задач цифровизации и роботизации агропромышленного комплекса / А. Л. Ронжин, А. И. Савельев // Сельскохозяйственные машины и технологии. -2022. - Т. 16, № 2. - С. 22-29. - DOI 10.22314/2073-7599-2022-16-2-22-29.

69. Сафронова Т.И., Степанов В.И. Математические модели в задачах мелиорации (монография) // Международный журнал экспериментального образования. - 2015. - № 10 (часть 2) - С. 165-166.

70. Семененко, Н.Н. Торфяно-болотные почвы Полесья: трансформация и пути эффективного использования / Н.Н. Семененко. -Минск : Беларус. навука, 2015. - 282 с.

71. Скворцов, В. С. Методика построения статической регрессионной многофакторной модели по данным эксперимента с факторным планированием волоконно-оптического гироскопа / В. С. Скворцов, О. И. Лазаренко // Информационно-технологический вестник. -2021. - № 4(30). - С. 103-110.

72. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2017. Т. 6, № 3. С. 28-59. DOI: 10.14529/cmse170303.

73. Соловьев Д. А., Камышова Г. Н., Терехова Н. Н., Бакиров С. М. Моделирование нейроуправления скоростью дождевальных машин // Аграрный научный журнал. 2020. № 7. С. 81-84.

74. Способ диагностики почвенного покрова по данным дистанционной информации / Т.В. Королюк. Патент на изобретение RU 2105974, 27.02.1998. Заявка № 92015630/13. 30.12.1992.

75. Стратегия научно-технологического развития РФ. Утверждена Указом Президента Российской Федерации от 1 декабря 2016 г. N 642. URL: https://sochisirius.ru/sntr (02/02/2023).

76. Сыч А.С., Балык В., Поляков А.И., Карталов А.В. Применение аэрофотосъёмки с применением мультиспектральной камеры в комплексе с нейросетью в сельском хозяйстве // Chronos. 2019. № 9 (36). С. 26-28.

77. Тимофеева, Н. Е. Автоматизированная система построения методов планирования эксперимента: простого, ортогонального, ротатабельного / Н. Е. Тимофеева // Программные продукты, системы и алгоритмы. - 2019. - № 2. - С. 1. - DOI 10.15827/2311-6749.19.2.1.

78. Токарев К.Е., Руденко А.Ю., Кузьмин В.А., Чернявский А.Н. Теория и цифровые технологии интеллектуальной поддержки принятия решений для увеличения биопродуктивности агроэкосистем на основе нейросетевых моделей // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2021. № 4 (64). С. 421-440. DOI: 10.32786/2071-9485-2021-04-42.

79. Трухачев В.И., Белопухов С.Л., Худякова Е.В. и др. Информационная система диагностики состава биологических образцов почвы на основе нейросетевой модели / Свидетельство о регистрации программы для ЭВМ 2023614442, 01.03.2023. Заявка № 2023613269 от 21.02.2023..

80. Туториал: создание нейросети для анализа настроений в комментариях c Kerns. https://neurohive.io/ru/tutorial/neironnaya-set-keras-python/ (12.04.2023).

81. Феоктистова O. Что такое SaaS и как это работает. . URL: https://blog.ringostat.eom/ru/chto-takoe-saas-i-kak-eto-rabotaet/#menu item2 (12.04.2022)

82. Хворова Л.А., Топаж А.Г. Построение моделей агроэкосистем и их адаптация к конкретным условиям // Научно-технические ведомости СПбГПУ. - 2011. - №1(115).

83. Хворова, Л. А. Оптимизация процесса структурно-параметрической идентификации моделей продуктивности агроэкосистем / Л. А. Хворова // Известия Алтайского государственного университета. -2012. - № 1-1(73). - С. 171-175.

84. Центр обработки данных (дата-центр). URL: https://www. tadviser. ru/ index.php/%D0%A 1 %D 1 %82%D0%B0%D 1 %82%D 1 % 8C%D 1 %8F: %D0%A6%D0%B5%D0%BD%D 1 %82%D 1 %80 %D0%BE%D0 %B 1 %D 1 %80%D0%B0%D0%B 1 %D0%BE%D 1 %82%D0%BA%D0%B8 %D 0%B4%)

85. Череватова Т.Ф., Ермолаева О.С. Искусственный интеллект: диагностика болезней растений по распознаванию изображений // Экономика и предпринимательство. 2021. № 2 (127). С. 980-985.

86. Четырбоцкий В.А., Четырбоцкий А.Н., Левин Б.В. Математическое моделирование динамики минерального питания растений в системе «удобрение-почва-растение». Биофизика, 2020, том 65, № 6, с. 12191229.

87. Что такое SaaS: руководство. URL: https://sendpulse.com/ru/support/glossary/saas (12.04.2022)

88. Abadi M., Agarwal A. Barham P. TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems. Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI '16) (Savannah, GA, USA, November, 2-4, 2016), 2016. pp. 265-283.

89. Baldi P., Chauvin Y. Neural Networks for Fingerprint Recognition. Neural Computation. 1993. vol. 5, no. 3. pp. 402-418. DOI: 10.1007/978-3-642-76153-9_35.

90. Batch Norm layer - [Электронный ресурс]. - Режим доступа: https: //leonardoarauj osantos. gitbooks. io/artificial-inteligence/content/batch_norm_layer.html

91. Batch-normalization [Электронный ресурс]. - Режим доступа: http : //neerc. ifmo. ru/wiki/index.php?title=Batch-normalization.

92. Bergstra J., Breuleux O., Bastien F., et al. Theano: a CPU and GPU Math Expression Compiler. Proceedings of the Python for Scientific Computing Conference (SciPy) (Austin, TX, USA, June 28 - July 3, 2010), 2010. pp. 3-10.

93. Bochkovskiy A., Wang Ch. - Y. and Liao H. - Y. M . YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv: 2004.10934, 23 Apr 2020.

94. Cheng, G., Li, Z., Yao X., Guo, L., Wei, V. (2017) Remote sensing image scene classification using bag of convolutional features // IEEE Geosci. Remote Sensing Lett. 14(10) P.1735-1739.

95. Chollet. F., et al. Keras. 2015. Available at: https://github.com/fchollet/keras (accessed: 02.07.2017)

96. Collobert R., Kavukcuoglu K., Farabet C. Torch7: a Matlab-like Environment for Machine Learning. BigLearn, NIPS Workshop (Granada, Spain, December 12-17, 2011), 2011.

97. Duchi, John, Elad Hazan, and Yoram Singer. Adaptive subgradient methods for online learning and stochastic optimization. The Journal of Machine Learning Research 12 (2011): 2121-2159.

98. Estimation of condition of cultivated pastures under remote sensing of earth / V. I. Trukhachev // Engineering for Rural Development Proceedings. 2019. P. 442-449

99. Fukushima K. Neocognitron: a Self-Organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position. Biological Cybernetics. 1980. vol. 36, no. 4. pp. 193-202. DOI: 10.1007/BF00344251.

100. Google Maps [Электронный ресурс]. URL: http://maps.google.ru/maps, Дата обращения: 01.04.2021.

101. Hahnloser R.H.R., Seung H.S., Slotine J.J. Permitted and Forbidden Sets in Symmetric Threshold-Linear Networks. Neural Computation. 2003. vol. 15, no. 3. pp. 621-638. DOI: 10.1162/089976603321192103

102. He K., Sun J. Convolutional Neural Networks at Constrained Time Cost. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (Boston, MA, USA, June 07-12, 2015), 2015. pp. 5353-5360. DOI: 10.1109/CVPR.2015.7299173

103. Improving Sustainable Vegetation Indices Processing on Low-Cost Architectures / A. Saddik, R. Latif, A. El Ouardi [et al.]. - 2022. - Vol. 14, No. 5. - DOI 10.3390/su14052521.

104. He K., Zhang X., Ren S., et al. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (Las Vegas, NV, USA, 27-30 June 2016), 2016. pp. 770-778. DOI: 10.1109/CVPR.2016.90

105. Hebb D.O. The Organization of Behavior. New York: Wiley. 1949. 335 p. DOI: 10.1016/S0361-9230(99)00182-3.

106. Hinton G., Salakhutdinov R. Reducing the Dimensionality of Data with Neural Networks. Science. 2006. vol. 313, no. 5786. pp. 504-507. DOI: 10.1126/science. 1127647;

107. Hinton G.E., Osindero S., Teh Y.-W. A Fast Learning Algorithm for Deep Belief Nets. Neural Computing. 2006. vol. 18, no. 7. pp. 1527-1554. DOI: 10.1162/neco.2006.18.7.1527.

108. Hochreiter S., Bengio Y., Frasconi P., et al. Gradient Flow in Recurrent Nets: the Difficulty of Learning Long-Term Dependencies. A Field Guide to Dynamical Recurrent Neural Networks. Wiley-IEEE Press. 2001. pp. 237-243. DOI: 10.1109/9780470544037.ch14.

109. https://docs.openvino.ai/2021.1/openvino_docs_install_guides_instal ling_openvino_windows.html/

110. https: //habr. com/ru/company/vk/bl o g/311706/

111. https: //www. stemmer-imaging.com/media/uploads/sis/Te/Technology-Forum-EN-Stemmer-Imaging-Neural-Networks.pdf

112. https://www.tensorflow.org/api docs/python/tf/keras/metrics.

113. HUETE F. R. JACKSON R.D. The tasseled cap: size, shape and orientation changes due to soil backgraund. In. Mach. Process. Rem. Sens. Data Quantif. Glod Process: Models, Sens. Syst. and Anal. Meth. 11th Int. Symp. W.Lafayette, ind. 1985, p. 329-337.;

114. The System of Intelligent Identification of Harmful Objects in the Field of Agriculture / M. A. Al-Gunaid, M. V. Shcherbakov, V. V. Tishchenko, V. N. Trubitsin // Communications in Computer and Information Science. - 2021. -Vol. 1448. - P. 177-189. - DOI 10.1007/978-3-030-87034-8_14.

115. Ian Goodfellow Deep Learning (Adaptive Computation and Machine Learning series) / Ian Goodfellow, Yoshua Bengio, Aaron Courville. - The MIT Press, 2016.

116. Ioffe S., Szegedy C. Batch Normalization: Accelerating Deep

Network Training by Reducing Internal Covariate Shift. JMLR Workshop and

151

Conference Proceedings. Proceedings of the 32nd International Conference on Machine Learning (Lille, France, July 06-11, 2015), 2015. v. 37. pp. 448-456.

117. Ivakhnenko A.G. Heuristic Self-Organization in Problems of Engineering Cybernetics. Automatica. 1970. vol. 6, no. 2. pp. 207-219. DOI: 10.1016/0005-1098(70)90092-0.

118. Intelligent support of decision making in waste management using case based reasoning and ontology / M. B. Kultsova, N. P. Sadovnikova, I. G. Zhukova [и др.] // Инновационные информационные технологии. - 2014. - № 3. - С. 407-411.

119. Jason Brownlee A Gentle Introduction to the Rectified Linear Unit (ReLU) / Jason Brownlee. - Режим доступа: https://machinelearningmastery.com/rectified-linear-activation-function-for-deep-learning-neural-networks/

120. Jia Y., Shelhamer E., Donahue J., et al. Caffe: Convolutional Architecture for Fast Feature Embedding. Proceedings of the 22nd ACM International Conference on Multimedia (Orlando, FL, USA, November 03-07, 2014), 2014. pp. 675-678. DOI: 10.1145/2647868.2654889

121. K. G. Liakos, P. Busato, D. Moshou, S. Pearson, D. Bochtis 2018 "Machine learning in agriculture: A review," Sensors, vol. 18, no. 8, p. 2674; A. Chlingaryan, S. Sukkarieh, B. Whelan 2018 "Machine learning approaches for crop yield prediction and nitrogen status estimation in precision agriculture: A review," Comput. Electron. Agricult., vol. 151, pp. 61-69.

122. Kauth R. J. Thomas G.S. The tasseled cap a graphic description of the spektral temporal of agricultural crops development as seen by Landsat. in. Proc. Symp. Mash. Process. Rem. Sens. Data. W.Lafayette, 1976, p.41-51.;

123. Kingma D.P., Ba J.L. Adam: a Method for Stochastic Optimization. International Conference on Learning Representations (San Diego, USA, May 79, 2015), 2015. pp. 1-13.

124. Kingma, Diederik, and Jimmy Ba. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980 (2014).

125. Knipling E. B. Physical and physiological basis for the reflectance of visible and infrared radiation from vegetation.-Remote Sensing of Environment. 1970, 1, p. 155-160.;

126. Kokodey T.A., Kolesnikov A.M., Mit K.N., Mitus A.A. An algorithm for choosing a method of software acquisition // Технологическая перспектива в рамках евразийского пространства: новые рынки и точки экономического роста. материалы 4-ой Международной научной конференции. Под ред. О.Н. Кораблевой, и др. 2018. С. 509-514.

127. Krestovnikov K., Korshunov D., Erashov A., Rogozin A. Scalable Architecture of Distributed Control System for Industrial Greenhouse Complexes. Data Science and Intelligent Systems. 2021. 2. 127-132.

128. LeCun Y., Boser B., Denker J.S., et al. Back-Propagation Applied to Handwritten Zip Code Recognition. Neural Computation. 1998. vol. 1, no. 4. pp. 541-551. DOI: 10.1162/neco.1989.1.4.541.

129. McCulloch W.S., Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity. The Bulletin of Mathematical Biophysics. 1943. vol. 5, no. 4. pp. 115-133. DOI: 10.1007/BF02478259.

130. Mohammed Abbas Kadhim, Mohammed Hamzah Abed. Convolutional Neural Network for Satellite Image Classification // Studies in Computational Intelligence. 2020 P. 165-178

131. Novikoff A.B. On Convergence Proofs on Perceptrons. Symposium on the Mathematical Theory of Automata. 1962. vol. 12. pp. 615-622.

132. NVIDIA Jetson Nano: тесты и первые впечатления. URL: https://habr.com/ru/articles/460723/ (19.07.2019).

133. Perez-Ortiz J.A., Gers F.A., Eck D., et al. Kalman Filters Improve LSTM Network Performance in Problems Unsolvable by Traditional Recurrent Nets. Neural Networks. 2003. vol. 16, no. 2. pp. 241-250. DOI: 10.1016/s0893-6080(02)00219-8

134. PyTorch — ваш новый фреймворк глубокого обучения. URL: https://habr.com/ru/articles/334380/ (02.02.2023).

135. PyTorch. URL: https://blog.skillfactory.ru/glossary/pytorch/.

136. Richardson A. I. Weigand C. D. Distinguishing vegetation from soil background information. Photogramm. Eng. and Rem. Sensing, 1977, N 43, p. 1541-1552.

137. Rosebrock A. Getting started with the NVIDIA Jetson Nano. https://pyimagesearch.com/2019/05/06/getting-started-with-the-nvidia-jetson-nano/ (12.04.2023).

138. S. Khaki and L. Wang, 2019 "Crop yield prediction using deep neural networks," Frontiers Plant Sei., vol. 10, p. 621

139. Panarin R.N., Khvorova L.A. Software development for agricultural tillage robot based on technologies of machine intelligence. Communications in Computer and Information Science. 2022. T. 1526. C. 354-367.

140. Schmidhuber J. Deep Learning in Neural Networks: an Overview. Neural Networks. 2015. vol. 1. pp. 85-117, DOI: 10.1016/j.neunet.2014.09.003.

141. Seide F., Agarwal A. CNTK: Microsoft's Open-Source Deep-Learning Toolkit. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16) (San Francisco, California, USA, August 13-17, 2016), 2016. pp. 2135-2135. DOI: 10.1145/2939672.2945397.

142. Sozykin A.V. An Overview of Methods for Deep Learning in Neural Networks.. Bulletin of the South Ural State University. Series: Computational Mathematics and Software Engineering. 2017. vol. 6, no. 3. pp. 28-59. (in Russian) DOI: 10.14529/cmse170303.

143. SSeg-LSTM: Semantic Scene Segmentation for Trajectory Prediction. Available from: https://www.researchgate.net/publication/335495371_SSeg-LSTM_Semantic_Scene_Segmentation_for_Trajectory_Prediction [accessed Apr 26 2023].

144. Stefan Leijnen and Fjodor van Veen The Neural Network Zoo. Proceedings 2020, 47, 9; doi:10.3390/proceedings2020047009

145. Szegedy C., Liu W, Jia Y. et al. Going Deeper with Convolutions. IEEE Conference on Computer Vision and Pattern Recognition (Boston, MA, USA, June 7-12, 2015), 2015. pp. 1-9. DOI: 10.1109/CVPR.2015.7298594

146. TensorFlow туториал. Часть 1: тензоры и векторы. https://neurohive.io/ru/tutorial/tensorflow-tutorial-tenzory-i-vektory/ (12.04.2023).

147. Tieleman, Tijmen, and Geoffrey Hinton. Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural Networks for Machine Learning 4 (2012): 2.

148. V. Badrinarayanan, A. Handa, and R. Cipolla. "SegNet: A deepconvolutional encoder-decoder architecture for robust semantic pixel-wise labelling". arXiv preprint arXiv:1505.07293, 2015.

149. VGG16 and VGG19. https://keras.io/api/applications/vgg/ (09.04.2023).

150. Viebke A., Pllana S. The Potential of the Intel(r) Xeon Phi for Supervised Deep Learning. IEEE 17th International Conference on High Performance Computing and Communications (HPCC) (New York, USA, August 24-26, 2015), 2015. pp. 758-765. DOI: 10.1109/hpcc-css-icess.2015.45.

151. Weng J., Ahuja N., Huang T.S. Cresceptron: a Self-Organizing Neural Network Which Grows Adaptively. International Joint Conference on Neural Networks (IJCNN) (Baltimore, MD, USA, 7-11 June 1992). 1992. vol. 1. pp. 576581. DOI: 10.1109/ijcnn.1992.287150.

152. Werbos P.J. Applications of Advances in Nonlinear Sensitivity Analysis. Lecture Notes in Control and Information Sciences. 1981. vol. 38, pp. 762-770. DOI: 10.1007/BFb0006203.

153. What is Unified Modeling Language (UML)?. URL: https://www.visual-paradigm.com/guide/uml-unified-modeling-language/what-is-uml/#class-diagram (02.02.2023).

154. Wiesel D.H., Hubel T.N. Receptive Fields of Single Neurones in the Cat's Striate Cortex. The Journal of Physiology. 1959. vol. 148, no. 3. pp. 574591. DOI: 10.1113/jphysiol. 1959.sp006308.

155. Zeiler, Matthew D. ADADELTA: an adaptive learning rate method. arXiv preprint arXiv:1212.5701 (2012).

156. Sik-Ho Tsang. Review: DeepLabv3. Atrous Convolution (Semantic Segmentation). https://towardsdatascience.com/review-deeplabv3-atrous-convolution- semantic-segmentation-6d818bfd 1 d74. (22.07.2022)

157. Fezan (2020) Review DeepLabv3 (Semantic Segmentation). https://medium.com/swlh/review-deeplabv3-semantic-segmentation-52c00ddbf28d. (22.07.2022).

158. Ilya Sutskever, James Martens, George Dahl, Geoffrey E. Hinton. On the importance of initialization and momentum in deep learning // In Proceedings of the 30th international conference on machine learning (ICML-13) / Sanjoy Dasgupta, David Mcallester (ed.). — Atlanta, GA, 2013. — T. 28.

159. Albumentations-team. URL: https: //github. com/albumentations-team/albumen/

Приложение A. Статистическая оценка результатов параметризации

факторной модели

Показатель Коэффициенты Стандартная ошибка ^статистика Р-Значение Нижние 95% Верхние 950%

Y-пересечение -7.076 1.109 -6.383 0.001 -9.926 -4.227

Переменная X 1 0.024 0.004 6.593 0.001 0.015 0.033

Переменная X 2 31.993 4.370 7.321 0.001 20.759 43.227

Переменная X 3 15.821 2.288 6.914 0.001 9.939 21.703

Переменная X 4 0.000 0.000 -6.240 0.002 0.000 0.000

Переменная X 5 -29.393 4.323 -6.798 0.001 -40.506 -18.279

Переменная X 6 -9.796 1.424 -6.878 0.001 -13.457 -6.134

Переменная X 7 -0.047 0.007 -7.091 0.001 -0.064 -0.030

Переменная X 8 -0.013 0.002 -6.794 0.001 -0.018 -0.008

Переменная X 9 -11.346 1.554 -7.300 0.001 -15.342 -7.351

Приложение Б. Благодарности, дипломы и награды отраслевых

выставок

Научный руководитель - Рогачев А.Ф., дт.н., профессор ФГБОУ ПО Волгоградский ГАУ

номинации «Математические методы и компьютерное моделирование» категория «магистранты и аспиранты»

Врио ректора Л :

ФГБОУ ВО «Волгоградский ГАУ»

А.А. IIIи инин

г. Волгоград 18-20 марта 2020 г.

ДЕНЬ ПОЛЯ «ВопгограпАГРО»

ДИПЛОМ

IСТЕПЕНИ

НАГРАЖДАЕТСЯ

БЕЛОУСОВ ИЛЬЯ СТАНИСЛАВОВ И Ч

ЗА УЧАСТИЕ В XIV МЕЖДУНАРОДНОЙ

Н АУЧНО-И РАКТИЧ ИСКОМ КОНФЕРЕН ЦИИ

МОЛОДЫХ ИССЛЕДОВАТЕЛЕЙ

НАУКА И МОЛОДЕЖЬ: НОВЫЕ ИДЕИ И РЕШЕНИЯ

ФГБОУ ВО «Волгоградским

государственный аграрный университет»

Программно-аппаратный комплекс

для неироеетевои классификации состояния

сельскохозяйственных полей по аэрофотоснимкам посевов

Рогачев А.Ф. Мелихова Е.В.. Рыжова Т.Д.. Белоусов И.С

Приложение В. Сертификаты международных научных конференций