В.А. Ненашев1, Р.М. Воронов2, А.В. Березин3, А.Д. Матвеев4, В.К. Лосев5

1–5 Санкт-Петербургский государственный университет аэрокосмического приборостроения (Санкт-Петербург, Россия)

1nenashev.va@yandex.ru

Постановка проблемы. В современном сельском хозяйстве существует необходимость в эффективных методах мониторинга и контроля за состоянием сельскохозяйственных объектов. Это требует создания технологий, способных автоматически распознавать и подсчитывать эти объекты на основе данных, полученных с малых летательных аппаратов.

Цель. Разработать и внедрить метод автоматического распознавания и подсчета сельскохозяйственных объектов на основе обработки потока кадров, снятых с малого летательного аппарата, для повышения эффективности мониторинга и управления сельскохозяйственными ресурсами.

Результаты. Разработана система, использующая методы технического зрения для анализа потока видеокадров, демонстрирующая высокую точность в распознавании и подсчете стогов сена на отснятых кадрах. Получены экспериментальные результаты, подтверждающие эффективность предложенного подхода.

Практическая значимость. Разработанная система имеет значительную практическую значимость для сельского хозяйства, позволяя автоматизировать процесс мониторинга и контроля за состоянием сельскохозяйственных объектов. Это может привести к повышению эффективности использования земельных ресурсов и снижению затрат на ручной труд.

Ненашев В.А., Воронов Р.М., Березин А.В., Матвеев А.Д., Лосев В.К. Распознавание наземных объектов в авиационных системах потоковой обработки оптических кадров // Информационно-измерительные и управляющие системы. 2024. Т. 22. № 4. С. 85−90. DOI: https://doi.org/10.18127/j20700814-202404-10

1. Отмахова Ю.С., Девяткин Д.А., Усенко Н.И. Анализ цифровых технологий в агропродовольственной сфере с использованием методов обработки больших данных // Информационное общество. 2021. № 4−5. С. 334−344.
2. Отмахова Ю.С., Крескин А.Д., Девяткин Д.А., Тихомиров И.А. Анализ научного и патентного ландшафтов в сфере современных технологий глубокой переработки зерна //Инновации. 2020. 2 (256). С. 89.
3. Hongkun, Tian, Tianhai Wang, Yadong Liu, Xi Qiao, Yanzhou Li. Computer vision technology in agricultural automation // Information Processing in Agriculture. 2020. V. 7. № 1. P. 1−19.
4. Nenashev V.A., Shepeta A.P., Kryachko A.F. Fusion radar and optical information in multiposition on-board location systems // 2020 Wave Electronics and its Application in Information and Telecommunication Systems. WECONF 2020. Saint-Petersburg. 01−05 June 2020. P. 9131451.
5. Nenashev V.A., Khanykov I.G. Formation of fused images of the land surface from radar and optical images in spatially distributed on-board operational monitoring systems // Journal of Imaging. 2021. V. 7. № 12.
6. URL: Сено. Большая российская энциклопедия (bigenc.ru) (дата обращения 03.05.2024).
7. URL: Ultralytics | Революция в мире искусственного интеллекта для зрения (дата обращения 03.05.2024).
8. URL:https://roboflow.github.io/roboflow-python (дата обращения 03.05.2024).
9. Peiyuan Jiang, Daji Ergu, Fangyao Liu, Ying Cai, Bo Ma. A review of yolo algorithm developments. Procedia Computer Science. 199:1066−1073. 2022. (дата обращения: 23.03.2023).
10. Jocher G., Chaurasia A., Qiu J. (2023). YOLO by Ultralytics (Version 8.0.0) [Электронный ресурс]. Режим доступа. URL: https://github.com/ultralytics/ultralytics (дата обращения: 27.03.2023).