The object of research, development or design (in Russian) : Объектом настоящего исследования являются методы поддержки процессов точного земледелия с помощью беспилотных летательных аппаратов (БПЛА).

The object of research, development or design (in Kazakh) : Зерттеу нысаны – ұшқышсыз (пилотсыз) ұшу аппараттарының (ҰҰА немесе ПҰА) көмегімен нақты егіншілік процестерін қолдау әдістері

Aim of work (in Russian) : Цель исследования: разработка моделей обработки данных и планирования полетов технически разнородных БПЛА для решения задач точного земледелия на базе методов искусственного интеллекта

Aim of work (in Kazakh) : Зерттеудің мақсаты жасанды интеллект әдістері негізінде нақты егіншілік міндеттерін шешу үшін техникалық әртекті ПҰА-ның деректерін өңдеу және ұшуын жоспарлау модельдерін әзірлеу болып табылады.

Методы исследования (на русском) : Анализ научных источников с целью выявления методов и средств для решения задач поддержки точного земледелия методами машинного обучения с применением БПЛА, вычислительные эксперименты, моделирование и прототипирование компонентов программной системы

Методы исследования (на казахском) : ПҰА пайдалана отырып, машиналық оқыту әдістерін пайдалана отырып, нақты ауыл шаруашылығын қолдау мәселелерін шешудің әдістері мен құралдарын анықтау мақсатында ғылыми дереккөздерді талдау, есептеу эксперименттері, бағдарламалық жүйенің құрамдас бөліктерін модельдеу және прототиптеу.

Obtained results and novelty (in Russian) : Выполнена генерация дополнительных наборов видеоданных, проведена запись видеоданных и фотоизображений высокого качества с борта БПЛА, получены синтетический и реальный наборы данных в объеме нескольких часов видео в разных условиях освещенности. Разработаны методы предобработки видео и других данных (фотоизображений) получаемых с борта БПЛА, получены и апробированы методы предварительной обработки данных для синтетических и реальных данных, реализованные в виде программных модулей и пригодные для решения задач точного земледелия. Проведена адаптация существующих методов машинного обучения для решения задач обработки данных полученных с борта БПЛА на наземном вычислительном комплексе. Разработаны методы для решения задач распознавания изображений и выявления различий между кадрами с помощью предобученных моделей (YOLO v3 Darknet, Alexnet, Inception v3,ResNet 50). Проведена адаптация методов МО (YOLO v3 darknet) для обработки изображений на борту БПЛА. Разработана программная среда для проведения вычислительных экспериментов и симуляций облётов заданной территории группой дронов с целью выполнения задач видео/фотосъёмки, опрыскивания и поиска, реализован алгоритм оптимизации плана облёта территории группой дронов, учитывающий ряд критериев оптимизации. Чтобы решить проблему оптимизации, был использован генетический алгоритм. Проведены испытания системы планирования полетов, идентификации и классификации в упрощенной среде подписан протокол испытаний.

Obtained results and novelty (in Kazakh) : Қосымша бейнемәліметтер жинақтарын генерациялау жүзеге асырылды, ПҰА -дан жоғары сапалы бейне деректер мен фотосуреттер түсірілді, әртүрлі жарықтандыру жағдайында бірнеше сағаттық бейненің көлемінде синтетикалық және нақты деректер жинақтары алынды. ПҰА -дан алынған бейне және басқа да мәліметтерді (фотографиялық кескіндерді) алдын ала өңдеу әдістері әзірленді, бағдарламалық модульдер түрінде енгізілген және нақты ауыл шаруашылығы мәселелерін шешуге жарамды синтетикалық және нақты деректер үшін деректерді алдын ала өңдеу әдістері алынды және сынақтан өтті. ПҰА -дан алынған мәліметтерді жердегі есептеу кешенінде өңдеу мәселелерін шешуге қолданыстағы машиналық оқыту әдістерін бейімдеу жүргізілді. Алдын ала дайындалған модельдерді қолдану арқылы суретті тану және кадрлар арасындағы айырмашылықты анықтау әдістері шешілді (YOLO v3 Darknet, Alexnet, Inception v3, ResNet 50). ҰШҚ бортында суретті өңдеуге арналған ML әдістерін (YOLO v3 darknet) бейімдеу жүргізілді. Зерттеулер нәтижесінде зерттеудің келесі кезеңін орындау үшін қажетті аппараттық-техникалық алғышарттар жасалды. Деректер жиынтығы мен бағдарламалық прототиптер дайындалды.

The main constructive and technical economic indicators (in Russian) : В целом, возможная прибыль Казахстана от применения технологий точного земледелия только от зерновых и зернобобовых культур может составлять до 695 миллионов долларов (до 42 миллионов долларов в результате использования сельскохозяйственных БПЛА) без учета рыночных особенностей реализации зерна. Дополнительные можно отметить повышение экологической чистоты продукции в связи с более точным и экономным применением пестицидов, повышение производительности труда при планировании и выполнении агротехнических мероприятий. Проект окажет влияние на две описанные выше группы экономических факторов в сельскохозяйственном производстве. Кроме этого, проект оказывает воздействие на повышение уровня научной компетенции (в проекте работают докторанты) и формирование научно-технического направления, связанного с применением сельскохозяйственных БПЛА и машинного обучения в Казахстане. Полученные результаты используются также для повышения качества преподавания дисциплин Машинное обучение, Глубокое обучение, Искусственный интеллект.

The main constructive and technical economic indicators (in Kazakh) : Тұтастай алғанда, Қазақстанның дәнді және бұршақ дақылдарынан ғана дәл егіншілік технологияларын қолданудан алатын мүмкін пайдасы нарықты есепке алмағанда 695 миллион долларға дейін (ауылшаруашылық ұшқышсыз ұшу аппараттарын пайдалану нәтижесінде 42 миллион долларға дейін) болуы мүмкін. астықты өткізу ерекшеліктері. Пестицидтерді неғұрлым дәл және үнемді қолдануға байланысты өнімнің экологиялық тазалығының жоғарылауын, агротехникалық шараларды жоспарлау және жүзеге асыру кезінде еңбек өнімділігін арттыруды қосымша атап өтуге болады. Жоба жоғарыда сипатталған ауыл шаруашылығы өндірісіндегі экономикалық факторлардың екі тобына әсер етеді. Сонымен қатар, жоба ғылыми құзіреттілік деңгейін арттыруға (докторанттар жобада жұмыс істейді) және Қазақстанда ауылшаруашылық ұшқышсыз ұшу аппараттарын және машиналық оқытуды қолданумен байланысты ғылыми-техникалық бағытты қалыптастыруға әсер етеді. Алынған нәтижелер Machine Learning, Deep Learning, Artificial Intelligence пәндерін оқыту сапасын арттыру үшін де қолданылады.

Level of implementation (in Russian) :

Level of implementation (in Kazakh) :

Efficiency (in Russian) :

Efficiency (in Kazakh) :

Field of application (in Russian) : Точное земледелие, машинное обучение, высшее образование, сельскохозяйственные БПЛА

Field of application (in Kazakh) : Нақты егіншілік, машиналық оқытуды, жоғарғы білім, ауылшаруашылық ұшқышсыз ұшу аппараттарын