Rozprawa naukowa nr 497

Inżynieria rolnicza jest jedną z dziedzin, w której powszechnie stosuje się metody sztucznej inteligencji. Zasadne jest poszukiwanie nowych rozwiązań technologicznych z dziedziny głębokiego uczenia modeli neuronowych. Wytworzone głębokie modele SSN realizowałyby proces oceny jakości nadlowej pomidorów, a także pozwoliłyby na określenie z dużą dokładnością parametrów kompostowanego materiału z osadu ściekowego.
Nowo opracowane modele będą mogły wspierać procesy decyzyjne dotyczące rozwiązywania problemów inżynierii rolniczej. Będą mogły posłużyć jako jądro systemów ekspertowych wspierających proces niezależnej i automatycznej oceny jakości sprzedawanych pomidorów szklarniowych.

[fragment książki]

Cel pracy. Celem było wykorzystanie metod głębokiego uczenia sztucznych sieci neuronowych (SSN) do procesu generowania nowych, oryginalnych modeli neuronowych, wspomagających procesy produkcyjne w inżynierii rolniczej, podczas oceny jakości pomidorów szklarniowych odmiany ‘Cappricia’ oraz określenia zawartości substancji suchej i suchej substancji organicznej w kompostowanym materiale pochodzącym z osadu ściekowego.
Analiza dziedziny problemowej wykazała, że nie ma dostępnych, szybkich i efektywnych metod oceny przeznaczonych do identyfi kacji jakościowej pomidorów szklarniowych. Stwierdzono również brak takich metod w identyfi kacji zawartości suchej substancji i suchej substancji organicznej w kompostowanym osadzie ściekowym. Przedstawiona w pracy dziedzina badawcza charakteryzuje się wysokim stopniem złożoności i celowe było podjęcie nowych, oryginalnych badań nad użyciem nowoczesnych technologii informatycznych w inżynierii rolniczej.
Materiał i metodyka. W pierwszym etapie prac pozyskano materiał badawczy w postaci cyfrowych zdjęć analizowanych obiektów. Następnie przeprowadzono proces komputerowej analizy obrazu, za pomocą autorskiego oprogramowania PiAO (Przetwarzanie i Analiza Obrazów), co pozwoliło na uzyskanie i identyfikację cech charakterystycznych badanych obiektów. Etap ten był niezbędny do przygotowania zbiorów uczących, tak by w dalszej kolejności przeprowadzić proces modelowania neuronowego z wykorzystaniem technik głębokiego uczenia w programie H₂O.
Wyniki i wnioski. W pracy zaprezentowano nowe, oryginalne modele głębokich sztucznych sieci neuronowych wspomagających identyfi kację jakości i ocenę pomidorów szklarniowych oraz oryginalne modele neuronowe określające zawartość substancji suchej i suchej substancji organicznej w kompostowanym osadzie ściekowym. Przeprowadzone badania symulacyjne potwierdziły hipotezę, że jakość generowanych modeli neuronowych zależy w istotny sposób od metod uczenia sieci oraz jakości i liczebności pozyskanych danych empirycznych. Porównano wyniki badań dwóch dostępnych metod uczenia modeli SSN – tradycyjnej i uczenia głębokiego – które można wykorzystać w produkcji pomidorów i kompostowaniu osadu ściekowego. 

1. Wstęp

2. Przegląd literatury
2.1. Metody komputerowej analizy obrazu
2.2. Sztuczne sieci neuronowe
2.3. Głębokie modele neuronowe – metody uczenia głębokiego
2.4. Modelowanie neuronowe i metody uczenia głębokiego w problemach inżynierii rolniczej
2.5. Podsumowanie

3. Zdefiniowanie dziedziny problemowej
3.1. Uzasadnienie podjęcia tematyki badawczej
3.2. Sformułowanie problemu naukowego
3.3. Cel i zakres pracy

4. Materiał badawczy oraz metodyka badań
4.1. Materiał badawczy
4.2. Metodyka badań
4.3. Użyte oprogramowanie

5. Wyniki procesu modelowania neuronowego
5.1. Określanie parametrów jakościowych pomidorów
5.2. Ocena wytworzonyych modeli neuronowych określających parametry pomidorów
5.3. Określanie zawartości substancji suchej (SS) i suchej substancji organicznej (SSO) w próbkach kompostu
5.4. Ocena wytworzonych modeli neuronowych określających parametry kompostu

6. Podsumowanie

7. Wnioski

8. Literatura

Aim of study. The aim of the study was using deep learning methods artifi cial neural networks (ANN) to generate new original neural models supporting the production processes applied in agricultural engineering while assessing the quality of greenhouse tomatoes of ‘Cappricia’ cultivar, as well as describing the content of both dry matter and dry organic matter in the material subjected to composting and deriving from sewage sludge.
The analysis of the area in focus proved that there are no accessible, fast and effective methods of assessment developed for the qualitative identification of greenhouse-grown tomatoes. Absence of such methods was also observed in the field of identification of both dry and dry organic matter content in sewage sludge subjected to composting. The research area presented in the below work is of a high degree of complexity and thus it was advisable to undertake new and original investigations on applying modern informatics solutions technologies in the field of agricultural engineering.
Material and methodology. The first stage of the proceedings consisted in obtaining the research material i.e. digital images of the analysed objects. Next, the process of computer analysis of the image was conducted applying the original author’s soft ware PaIA (Processing and Image Analysis). Processing and Image Analysis provided for both obtaining and identification of the characteristics of the investigated objects. The stage was indispensible to develop learning sets in order to procede with the process of neural modelling applying deep learning techniques in H₂O program.
Results and conclusions. The work presents new original models of deep artificial neural networks supporting the process of both quality identification and assessment of greenhouse tomatoes, as well as original neural models defi ning the content of dry matter and dry organic matter in sewage sludge subjected to composting. The carried out simulation tests confirmed the hypothesis that the quality of the generated neural models is to a high degree dependent upon the network learning methods, as well as the quality and numbers of the gained empirical data. The tests results of two available learning ANN models methods-traditional and deep learning – which can be used in tomatoes production and composting of sewage sludge were compared.