XVII Международная студенческая научная конференция Студенческий научный форум - 2025

Современное сельское хозяйство сталкивается с множеством вызовов, среди которых особое место занимают болезни и вредители растений. Томаты, как одна из самых популярных и экономически значимых культур, подвержены воздействию различных патогенов и насекомых-вредителей, что может привести к значительным потерям урожая и ухудшению качества продукции. По данным Всемирной организации здравоохранения, потери от заболеваний растений могут достигать до 30% от общего объема производства. В связи с этим, эффективное распознавание и диагностика заболеваний и вредителей становятся ключевыми задачами для агрономов и фермеров [1].

С развитием технологий искусственного интеллекта (ИИ) открываются новые горизонты для решения этих проблем. Алгоритмы машинного обучения и компьютерного зрения позволяют автоматизировать процесс диагностики, значительно ускоряя его и повышая точность. Использование ИИ в агрономии не только улучшает качество мониторинга состояния растений, но и способствует более эффективному использованию ресурсов, таких как пестициды и удобрения, что в свою очередь снижает негативное воздействие на окружающую среду [2].

Для анализа деятельности по определению болезней и лечению томатов рассмотрим диаграмму прецедентов (Use Case Diagram) UML взаимодействия овощевода и эксперта по заболеваниям томатов. Основные участники прецедентов овощевод и эксперт.

Диаграмма прецедентов UML представлена на рисунке 1.

Рисунок 1 – Диаграмма прецедентов UML “как есть” деятельности по определению болезней и лечению томатов

На рисунке 1 представлены прецеденты взаимодействия акторов овощевод и эксперт при определении болезней и лечения томатов.

Овощевод выполняет прецеденты “Поиск информации о болезнях томатов”, “Сбор зараженных образцов”, “Отправка зараженных образцов эксперту” и “Лечение томата”.

Эксперт выполняет прецеденты “Выявление болезни” и “Дача рекомендаций”.

На рисунке 2 представлена архитектура “как-есть” деятельности по определению болезней и лечению томатов в терминах архитектурной нотации AcrhiMate [3].

Рисунок 2 – Диаграмма ArchiMate бизнес-слоя архитектуры “как-есть” деятельности по определению болезней и лечению томатов

На рисунке 2 представлены бизнес-роли овощевод и эксперт и их назначения на выполнение бизнес-процессов определения болезней и лечения томатов.

Овощевод выполняет такие бизнес-процессы как “Сбор зараженных образцов”, “Отправка зараженных образцов эксперту” и “Лечение томата”.

Эксперт выполняет такие бизнес-процессы как “Выявление болезни” и “Дача рекомендаций”.

Определим проблемы исследуемой деятельности по определению болезней и лечению томатов с помощью мотивационного слоя, представленного диаграммной ArchiMate [3] на рисунке 3.

Рисунок 3 – Диаграмма ArchiMate мотивационного слоя архитектуры деятельности по определению болезней и лечению томатов

На диаграмме ArchiMate (рисунок 3) представлен драйвер “Высокая урожайность здоровых томатов” и его оценки “Потеря урожайности из-за заболевания томатов” и “Низкая скорость определения болезни”, которые определили две последовательные цели: “Оперативное определение заболевания” и “Разработка приложения определения заболеваний по фото в режиме реального времени”.

На рисунке 4 представлена диаграмма ArchiMate архитектуры “как будет” деятельности по определению болезней и лечению томатов с учетом поставленных целей архитектурных изменений мотивационной диаграммы рисунка 3.

Рисунок 4 – Диаграмма ArchiMate архитектуры «как будет» деятельности по определению болезней и лечению томатов на основе искусственного интеллекта

В архитектуре «как будет» определена единственная бизнес-роль «Овощевод» и его назначения на бизнес-процессы “Сбор зараженных образцов”, “Отправка зараженных образцов эксперту” и “Лечение томата”, которые теперь поддерживаются сервисами “Фотографирование томатов”, “Загрузка фотографий”, “Постановка диагноза”, “Просмотр архива результатов обработки фотографий” и “Рекомендация по лечению” приложения AgroVision.

Основными функциями приложениями AgroVision являются “Диагностирование заболеваний по фотографиям томатов” и “Генерация рекомендаций по лечению томатов”.

Приложение использует технологические функции “Хранения загруженных фотографий” и “Обработка изображений для анализа”, а также сервис “Доступ к AgroVision”, который реализуется узлом, объединяющем устройство “Телефон” и артефакт “AgroVision”.

Рассмотрим подробнее функционал приложения “AgroVision” с помощью диаграммы прецедентов UML, представленной на рисунке 5.

Рисунок 5 – Диаграмма прецедентов UML использования овощеводом приложения AgroVision на основе искусственного интеллекта

На рисунке 5 представлены прецеденты взаимодействия актора овощевод с приложением AgroVision при определении болезней и лечения томатов.

Овощевод выполняет прецеденты “Фотосьемка образцов томатов”, “Обработка фотографий”, “Получение результатов определения болезней томатов” и “Получение рекомендаций по лечению”.

В результате разработки приложения “AgroVision”, сократилось количество участников деятельности процесса вдвое, овощевод может обходиться без консультации эксперта, об этом говорит сравнение диаграмм ArchiMate и UML «как есть» и «как будет».

Таким образом, на основе разработанных диаграмм «как-есть» и «как-будет» в нотациях ArchiMate и UML архитектуры деятельности по определению болезней и лечению томатов (рисунки 1-5) показана актуальность разработки программы определения болезней и лечения томатов на основе искусственного интеллекта, что позволит повысить урожайность здоровых томатов.

Список используемых источников

1. Приложение для выявления болезней растений и вредителей // agrio.app – URL: https://agrio.app/Приложение-для-выявления-болезней-ра/ (дата обращения: 16.11.2024).

2. Искусственный интеллект против болезней растений // osp.ru – URL: https://www.osp.ru/os/2022/03/13056296 (дата обращения: 04.12.2024).

3. Зараменских Е. П. Архитектура предприятия: учебник для вузов / Е. П. Зараменских, Д. В. Кудрявцев, М. Ю. Арзуманян; под редакцией Е. П. Зараменских. — Москва: Издательство Юрайт, 2022. — 410 с.