В статье рассматривается повышение эффективности бизнес-процессов городских ферм с помощью внедрения инструментов искусственного интеллекта и компьютерного зрения. Авторами затрагивается вопрос оценки ожидаемого объема продукции на городской ферме на примере плодов земляники. В рассматриваемом случае объем урожая и сроки созревания определяются многими факторами, однако, для оперативного прогноза с учетом фактического состояния дел на ферме необходимо опираться на имеющееся состояние выращиваемой продукции. В обычных условиях это выполняется человеком (агрономом), который по результатам визуального наблюдения делает выводы о предполагаемых объемах продукции. При этом опытный специалист способен учесть не только степени зрелости плода, но и их кондицию, соответствие требованиям к продукции, разную степень зрелости и т. п. Подобная работа не только требует высокого уровня знаний, но и является весьма трудоемкой, особенно, на значительных площадях выращивания растений. В условиях городской фермы, где модули выращивания располагаются вертикально, добавляются еще и трудности доступа для визуального наблюдения и подсчетов. В работе исследуются возможности моделей компьютерного зрения для оперативного сбора данных и оценки ожидаемого объема продукции на городской ферме. На примере выращивания земляники поставлены и решены задачи обнаружения плодов с выделением классов спелости и определения кондиции плода на изображениях реальных кустов ягод, выращиваемых в условиях городской фермы. Использованы предобученные нейронные сети, собраны наборы обучающих данных, на которых нейросети были дообучены для выполнения поставленной задачи. Результаты обнаружения использованы для подсчета оценки ожидаемого объема урожая продукции заданного качества.
The article discusses improving the efficiency of business processes of urban farms through the introduction of artificial intelligence and computer vision tools. The authors touch upon the issue of estimating the expected volume of production on an urban farm using the example of strawberry fruits. In the case under consideration, the volume of the crop and the ripening period are determined by many factors, however, for an operational forecast, taking into account the actual state of affairs on the farm, it is necessary to rely on the existing state of the grown products. Under normal conditions, this is done by a person (an agronomist), who, based on the results of visual observation, draws conclusions about the expected volumes of products. At the same time, an experienced specialist is able to take into account not only the degree of maturity of the fetus, but also their condition, compliance with product requirements, different degrees of maturity, etc. Such work not only requires a high level of knowledge, but is also very time-consuming, especially in large areas of plant cultivation. In the conditions of an urban farm, where the cultivation modules are arranged vertically, the difficulties of access for visual observation and calculations are also added. The paper explores the possibilities of computer vision models for operational data collection and estimation of the expected volume of production on an urban farm. Using the example of strawberry cultivation, the tasks of detecting fruits with the allocation of ripeness classes and determining the condition of the fruit on images of real berry bushes grown in an urban farm were set and solved. Pre-trained neural networks were used, training data sets were collected, on which neural networks were retrained to perform the task. The detection results were used to calculate the estimate of the expected yield volume of products of a given quality.