Нейромережеві технології моніторингу та аналізу руйнівних пошкоджень аграрних ділянок.

Abstract

Здійснено аналіз існуючих інтелектуальних технологій виявлення та класифікації руйнівних пошкоджень аграрних ділянок. Розроблено моделі класифікації аграрних ділянок за ступенем пошкоджень та сегментації зображень пошкоджених ділянок з використанням нейромережевої архітектури U-Net. Запропоновано прогнозну модель для визначення термінів відновлення пошкоджених ділянок з гібридним використанням архітектур TFT і LSTM та аналізу даних про стан ґрунтів і кліматичних факторів. Реалізовано інтеграцію розроблених моделей для створення інтелектуальної системи класифікації пошкоджень, сегментації уражених ділянок та прогнозування термінів рекультивації. Для реалізації системи були обрані: платформа WPF для створення зрозумілого та сучасного інтерфейсу, ONNX Runtime для ефективної роботи моделей штучного інтелекту, а також використання CSV-файлів для структурованого зберігання й обміну даними. Результати тестування підтверджують працездатність запропонованого підходу.

An analysis of existing intelligent technologies for detecting and classifying destructive damage to agricultural plots was carried out. Models for classifying agricultural plots by the degree of damage and segmenting images of damaged plots using the U-Net neural network architecture were developed. A predictive model was proposed for determining the terms of restoration of damaged plots by hybridising TFT and LSTM architectures, along with an analysis of data on soil states and climatic factors. The integration of the developed models was implemented to create an intelligent system for classifying damage, segmenting affected plots, and predicting the terms of reclamation. The following components were selected for the implementation of the system: the WPF platform for creating a clear and modern interface, ONNX Runtime for the efficient operation of artificial intelligence models, and the use of CSV files for structured data storage and exchange. The testing results confirm the operability of the proposed approach.