сотрудник с 01.01.2024 по настоящее время
Мценск, Орловская область, Россия
сотрудник с 01.01.2022 по настоящее время
Москва, г. Москва и Московская область, Россия
сотрудник с 01.01.2025 по настоящее время
Липецк, Липецкая область, Россия
сотрудник с 01.01.2024 по настоящее время
Рязань, Рязанская область, Россия
УДК 004.89 Прикладные системы искусственного интеллекта. Интеллектуальные системы, обладающие знаниями
В данном исследовании проводится количественный анализ влияния влажности воздуха на ключевые метрики качества изображения: контрастность (C) и индекс структурного сходства (SSIM). Методология включала искусственную деградацию референсных изображений для моделирования эффектов конденсата (роса, водяной туман) при уровнях влажности 45–90%. Результаты демонстрируют статистически значимую отрицательную корреляцию: с ростом влажности до 90% контрастность снижается на 37.8%, а SSIM — на 26.5% относительно базовых значений. Установлено, что порог существенного ухудшения восприятия (SSIM ≤ 0.85) достигается при относительной влажности около 73%. Исследование определяет критический предел влажности (65–70%) для некорректной работы незащищенных СМЗ и обосновывает необходимость разработки алгоритмов компенсации или исключения артефактов, индуцированных влагой, для обеспечения надежности систем точного земледелия. Результаты исследования формируют теоретическую базу для разработки требований к аппаратной защите оптики, алгоритмам предобработки изображений или правилам исключения данных, полученных в условиях, способствующих конденсации, что необходимо для обеспечения экологической надежности и точности систем автоматизированного контроля в агропромышленном комплексе.
машинное зрение, микроклимат теплицы, влажность, качество изображения, конденсат, точное земледелие, экологическая безопасность
Введение. Современные технологии в настоящее время получают достаточно широкое распространение во всех отраслях государства, в том числе, в агропромышленном комплексе. Применение систем технического зрения (СТЗ) является эффективным, но нераспространенным способом повышения эффективности отдельных предприятий агропромышленного комплекса, не смотря на значительное увеличение количества и качества исследований в данной области [1].
Известные исследования, направленные на применение СТЗ на технике для автоматизации процессов посадки, обработки и сбора урожая, для осуществления мониторинга больших открытых территорий и для решения иных задач земледелия в агропромышленном комплексе. Немаловажным и перспективным за счет своей потенциальной эффективности является применение СТЗ в контролируемых условиях земледелия, а именно, в теплицах. Потенциально высокая эффективность применения таких систем обуславливается неизменными условиями работы периферийных устройств СТЗ и возможностью создания необходимых условий по освещению, а также меньшим воздействием условий окружающей среды в случае применения СТЗ в полевых условиях, таких как осадки, запыленность и др., значительно влияющих на качество обработки и определения объектов и их свойств на полученных изображениях [2,3].
Теплица является спроектированным для создания определенных условий для возделывания культур строением, обладающим рядом преимуществ в сравнении с открытым грунтом, но в то же время сложной средой для применение автоматизированных систем мониторинга за состоянием роста и развития болезней. Замкнутый характер микроклимата в теплице создает условия, характеризующиеся высокой относительной влажностью и ограниченной циркуляцией воздуха, что может приводить к перепадам влажности, образованию водяного тумана и выпадению росы [4].
Туман и росса являются факторами, оказывающими непосредственное влияние на качество исходного изображения и, соответственно, на качество оценки состояния культуры и принимаемых системой мониторинга решений. Аналитическое исследование влияния данных факторов позволит предусмотреть некоторые факторы работы СТЗ в тепличных условиях до их фактического применения, оценить степень их влияния на качество работы системы и предусмотреть возможные направления решения выявленных факторов [5].
Выпадение росы на объективах камер СТЗ и появление водяного тумана непосредственно влияют на оптические свойства периферийных устройств системы и приводят к заметным искажениям изображений, снижения четкости, контраста и искажения цвета, что существенно влияет на качество работы вычислительного модуля, так как большинство систем обработки и анализа изображений основываются на определении контура и формы объекта, а также его цветовой идентификации [6].
Целью данного аналитического исследования является оценка влияния водяного тумана и росы на качество получаемых изображений и точность определения объекта на изображении и его состояния.
Данное исследование направлено на количественную оценку взаимосвязи между конкретными параметрами влажности и критическими показателями качества изображения, такими как контрастность, отношение сигнал/шум (SNR) и структурное сходство (SSIM). Основная цель исследования состоит в том, чтобы создать теоретическую базу исследования механизмов деградации, определяющая критические пороговые значения для снижения производительности и обеспечивающая основу для разработки более экологичных систем машинного зрения для сельского хозяйства.
Материалы и методы. Определено, что ключевыми параметрами, оказывающими непосредственное влияние не качество изображения и, как следствие, точность определение объекта и его состояния являются на изображении являются: четкость, контрастность и искажение цвета [7]. Тогда в качестве аналитического эксперимента настоящего исследования определяются два основных показателя:
– Контрастность (контраст, C), являющаяся отдельным показателем качества изображения.
– Структурное сходство (SSIM) – факторный показатель, зависящий от четкости изображения (размытия) и искажения цвета.
Для определения влияния тепличных условий на качество работы аналитической системы мониторинга за состоянием окружающей среды были проанализированы исследования, определяющие влияние влажности на изображение [8]. Далее, были отобраны 100 референсных изображений, на которые с помощью искусственной деградации с помощью фильтров и преобразований были наложены эффекты до достижения состояния изображения, соответствующего
45 %, 60 %, 70 %, 80 % и 90 % влажности, соответственно. Таким образом, было получено 500 изображений для проведения аналитического эксперимента. Стоит отметить, что все эксперименты проводились при условии выпадения росы и образования водяного тумана при соответствующих показателях влажности.
Для достижения требуемого уровня качества изображений применялись следующие методы искусственной деградации:
– рассеяние света на микрокаплях (размытие по Гауссу),
– ухудшение видимости (манипулирование контрастом),
– искажение структуры (локальные фильтры, уменьшающие SSIM) [9].
Эксперимент включал в себя аналитическое определение показателя контраста и индекса структурного сходства для каждого набора изображений, соответствующих определенной влажности и сравнение их с исходным набором изображений. Аналитическое исследование основывалось на следующих зависимостях:
1. Контраст – измеряется как разница между максимальной и минимальной интенсивностями пикселей [10]:
, (1)
где и
представляют собой максимальную и минимальную интенсивность пикселей соответственно.
2. SSIM для оценки сходства эталонного и «искусственного» изображения был рассчитан в соответствии с формулой [11]:
, (2)
где μх, μy, – это локальные значения, σху – стандартные отклонения, а С1 и С2 являются стабилизирующими константами.
Результаты аналитического эксперимента по оценке показателя контрастности и индекса структурного сходства представлены в таблице 1.
Таблица 1
Средние показатели качества изображения относительно уровня влажности
|
Влажность воздуха (%) |
Контраст (C) |
SSIM |
|
45 |
0,82 |
0,98 |
|
60 |
0,76 |
0,93 |
|
70 |
0,69 |
0,86 |
|
80 |
0,58 |
0,79 |
|
90 |
0,51 |
0,72 |
Полученные данные демонстрируют устойчивую зависимость между уровнем влажности в теплице и показателями контрастности (C) и индекса структурного сходства.
Немаловажными факторами являются условия образования водяного тумана и выпадения росы, так как влажность воздуха в отрыве от данного показателя не является основополагающим фактором изменения качества изображения [12].
Точка росы – температура, при которой начинается образование конденсата в воздухе с определённой температурой и относительной влажностью [13].
Температура точки росы Td была рассчитана с использованием приближения Магнуса–Тетенса:
, (3)
где T – температура, °С, RH – относительная влажность в объемных долях, a = 17,27,
b = 237,7 °С,
Результаты определения точки росы для исследуемых показателей влажности и характерных для тепличных условий температур воздуха, соответствующих 20 °С, 25 °С и 30 °С, представлены в таблице 2.
Таблица 2
Результаты аналитического определения точки росы
|
Температура (°C) |
Относительная влажность воздуха (%) |
Средняя точка росы (°C) |
|
20 |
45 |
7,6 |
|
60 |
12,0 |
|
|
70 |
14,2 |
|
|
80 |
16,3 |
|
|
90 |
18,2 |
|
|
25 |
45 |
12,3 |
|
60 |
16,5 |
|
|
70 |
19,3 |
|
|
80 |
21,2 |
|
|
90 |
23,1 |
|
|
30 |
45 |
16,0 |
|
60 |
21,4 |
|
|
70 |
23,7 |
|
|
80 |
25,8 |
|
|
90 |
28,1 |
Результаты определения точки росы позволяют выявить условия, при которых возможно образование водяного тумана и выпадения росы. Стоит отметить характерную зависимость между температурой окружающей среды и средней точкой росы, а также более подробно рассмотреть механизм образования тумана и росы, которые имеют различную природу возникновения.
Водяной туман в тепличных условиях может возникать при условиях снижения температуры воздуха и влажности при отсутствии снижения или при незначительном снижении температуры грунта [14]. Контакт холодного и сухого воздуха и теплого влажного грунта приводит к конденсации влаги из почвы и возникновению стойкого тумана [15].
Выпадение росы имеет схожую природу образования, но характеризуется иными изменениями условий окружающей среды. Так, образование росы можно описать следующим образом: воздух может содержать в себе определенное количество влаги, которое зависит от температуры, чем больше температура, тем больше влаги, соответственно, при снижении температуры избыточное количество влаги выделяется в виде капель жидкости в первую очередь на поверхности более холодных предметов.
Таким образом, точка росы служит не только расчетным параметром, но и точным физическим индикатором, предопределяющим область ухудшения качества изображения, обусловленного прямым воздействием конденсата.
Основная часть. Результаты определения показателей качества изображений, как фактора, являющего основополагающим для определения состояния культур с помощью систем технического зрения, позволяют сделать вывод о резком снижении качества изображения и получаемых результатов анализа. В свою очередь понимание механизма образования водяного тумана и выпадения росы позволяет сформировать такие требования к периферийному оборудованию и программно-аппаратному комплексу интеллектуальной системы автоматизированного контроля за ростом и состояние тепличных культур, при которых в случае наблюдения системой условий для образования водяного тумана или росы, полученные снимки будут автоматически исключены из дальнейшего анализа для исключения ложного срабатывания системы и некорректных дальнейших решений оператора или системы.
Дальнейший анализ зависимости показателя контрастности от влажности окружающей среды при соблюдении условий для выпадения росы и образования водяного тумана позволил определить стандартное отклонение и относительное снижение контрастности, представленные в таблице 3.
Таблица 3
Ухудшение контрастности при различных уровнях влажности (при 25°C)
|
Влажность, % |
Контраст, C |
Стандартное отклонение |
Относительное снижение контрастности (%) |
|
45 |
0,82 |
0,011 |
0 |
|
60 |
0,76 |
0,012 |
7,3 |
|
70 |
0,69 |
0,015 |
15,9 |
|
80 |
0,58 |
0,016 |
29,3 |
|
90 |
0,51 |
0,018 |
37,8 |
Анализ зависимости между относительной влажностью и контрастностью показал, что снижение контрастности является одним из наиболее чувствительных и ранних индикаторов снижения качества изображения под воздействием влаги. Контрастность напрямую отражает разницу яркостей между объектом и фоном, и небольшое ее уменьшение приводит к заметному ухудшению визуальной разделимости структур на изображении. При повышении относительной влажности увеличенная концентрация водяного пара и образование микрокапель на оптических поверхностях приводят к рассеянию света, из-за чего изображение становится более “плоским” и менее информативным.
Зависимость между влажностью и контрастностью может быть аппроксимирована уравнением регрессии:
(4)
где С0 = 0,82 – базовый контраст в сухих условиях, а k1 =0,0041 – коэффициент деградации.
Как показано на рисунке 1, контрастность изображения линейно снижается с увеличением влажности, особенно при относительной влажности выше 70 %.
Рис. 1. Зависимость контраста от относительной влажности
Анализ значений индекса структурного сходства, характеризующегося размытием и искажением цвета, позволил определить стандартное отклонение и относительное снижение SSIM. Результаты представлены в таблице 4.
Таблица 4
Изменение индекса SSIM в зависимости от влажности (при 25°C)
|
Влажность (%) |
SSIM |
Стандартное отклонение |
Относительное снижение SSIM (%) |
|
45 |
0,98 |
0,005 |
0 |
|
60 |
0,93 |
0,008 |
5,1 |
|
70 |
0,86 |
0,010 |
12,2 |
|
80 |
0,79 |
0,014 |
19,4 |
|
90 |
0,72 |
0,015 |
26,5 |
При относительной влажности воздуха до 60 % SSIM оставался выше 0,9, однако, при дальнейшем повышении уровня влажности, он линейно падал до 0,72, что указывает на искажения изображений, потерю детализации текстуры и локальное размытие из-за конденсата.
Зависимость SSIM от влажности была смоделирована с использованием квадратичного полинома:
, (5)
где а0 = 0,98, а1 = -0,0017 и а2 = -1,6·10-5.
Порог ухудшения восприятия, определенный как SSIM ≤ 0,85, был достигнут при относительной влажности воздуха = 73% ± 2 % (рис. 2).
Рис. 2. Зависимость SSIM от относительной влажности
Результаты аналитического исследования продемонстрировали статистически устойчивую корреляцию между моделируемыми условиями влажности в теплице и ухудшением ключевых показателей качества изображения. Коэффициенты корреляции были рассчитаны между относительной влажностью и основными показателями — контрастностью (C) и индексом структурного сходства (SSIM) – с использованием синтетических образцов, что дало значения
R = -0,982 и R = -0,938 соответственно. Эти значения свидетельствуют о том, что даже в вычислительных условиях повышенные параметры влажности оказывают значительное влияние на стабильность качества изображении.
Совокупные результаты демонстрируют, что уровни влажности, превышающие 65–70 %, представляют собой критический предел для большинства систем машинного зрения без внешней защиты от влажности. Сочетание эффектов приводит к искажению качества изображений, получаемых интеллектуальной системой мониторинга и снижению точности обработки изображений.
Выводы. Существует статистически значимая отрицательная корреляция между относительной влажностью воздуха в теплице и ключевыми метриками качества изображения. Повышение влажности с 45 % до 90 % приводит к прогрессирующему ухудшению изображения: контрастность (C) снижается на 37,8 %, а индекс структурного сходства (SSIM) – на 26,5 %. Коэффициенты корреляции составили R = -0.982 для контрастности и R = -0.938 для SSIM, что подтверждает устойчивость выявленной зависимости. Определены критические пороговые значения влажности для работы систем машинного зрения. Качественная деградация изображений, при которой SSIM опускается ниже порога восприятия в 0.85, наступает при относительной влажности воздуха около 73 % ± 2 %. Для большинства незащищенных систем машинного зрения диапазон влажности выше 65–70 % представляет собой критический предел, за которым существенно снижается точность обработки и анализа изображений. Основным физическим механизмом деградации является образование конденсата (водяного тумана и росы). Точечный анализ условий конденсации с использованием модели точки росы (приближение Магнуса–Тетенса) показал, что именно достижение точки росы, а не абстрактный уровень влажности, является непосредственным индикатором начала ухудшения качества изображения из-за рассеяния света на микрокаплях и искажения оптического пути. Полученные результаты формируют практическую основу для повышения надежности интеллектуальных систем мониторинга. Для обеспечения корректной работы в тепличных условиях необходимы: аппаратные решения (защита оптических компонентов от конденсата с помощью подогрева, гидрофобных покрытий или герметичных кожухов); программно-алгоритмические меры (разработка алгоритмов, компенсирующих артефакты, вызванные влагой, или автоматически исключающих из анализа изображения, полученные в условиях, благоприятных для конденсации); системные требования (формирование спецификаций по допустимому микроклимату для размещения камер и пороговых значений для принятия решений). Таким образом, исследование количественно обосновывает значимое влияние влажностного режима теплицы на работу систем машинного зрения и предлагает конкретные направления для разработки более экологически устойчивых решений в области точного земледелия.
1. Астапов Р.Л., Мухамадеева Р.М. Автоматизация подбора параметров машинного обучения и обучение модели машинного обучения // Актуальные научные исследования в современном мире. 2021. № 5-2(73). С. 34–37. EDN GJEUNW.
2. Некрасов А.Д. Использование машинного зрения в различных отраслях // Научный Лидер. 2022. № 3(48). С. 28–29. EDN RTACEU.
3. Саватеев С.И., Саватеев В.И., Шлаев В.И., Васильев Д.М. Современные подходы и перспективы развития машинного зрения в промышленности и производстве // Наука сегодня: вызовы, перспективы и возможности : Материалы международной научно-практической конференции. В 2-х частях, Вологда, 11 декабря 2019 года. Т. Ч. 1. Вологда: ООО "Маркер", 2019. С. 102–104. EDN JBKOGQ.
4. Акулов А.А., Омельченко Н.А., Талдыкин Д.С., Ганжа Н.М. Перспективы и эффективность применения систем машинного зрения в агропромышленном комплексе Российской Федерации // Актуальные проблемы современного общества, науки и образования : сборник статей II Международной научно-практической конференции, Пенза, 20 августа 2025 года. Пенза: Наука и Просвещение (ИП Гуляев Г.Ю.), 2025. С. 14–19. EDN RSFSOQ.
5. Косников С.Н., Газизов Р.Р., Кост А.Е. Искусственный интеллект в управлении сельскохозяйственными операциями: снижение затрат и повышение эффективности производства // Друкеровский вестник. 2023. № 3(53). С. 284–293. DOI:https://doi.org/10.17213/2312-6469-2023-3-284-293. EDN BVAWTW.
6. Газеев Е.Д. Применение машинного зрения в сельском хозяйстве // Автоматизированные системы управления и информационные технологии : материалы всероссийской научно-технической конференции, Пермь, 07–09 июня 2024 года. Пермь: Пермский национальный исследовательский политехнический университет, 2024. С. 426–431. EDN QQHPKR.
7. Кузнецов В.А., Смирнов В.В. Применение нейросетей в системах машинного зрения // Традиции и инновации в строительстве и архитектуре. Строительные технологии: сборник статей / Самарский государственный технический университет. Самара: Самарский государственный архитектурно-строительный университет, 2017. С. 514–516. EDN WOOHNA.
8. Щербаков Н.А., Садов А.А. Возможность применения машинного зрения для определения фаз роста растений на примере томатов // Обзор тенденций в агропромышленном комплексе: сборник статей конференции студентов, аспирантов и молодых ученых «Тенденции в АПК», Екатеринбург, 24 октября 2022 года. Екатеринбург: Уральский государственный аграрный университет, 2022. С. 99–100. EDN POFSAD.
9. Манукян Р.Л., Петрашин И.В. Машинное зрение. Основные компоненты машинного зрения // Современная наука: актуальные вопросы, достижения и инновации: сборник статей VII Международной научно-практической конференции: в 4 ч., Пенза, 05 июня 2019 года. Т. Ч. 2. Пенза: "Наука и Просвещение" (ИП Гуляев Г.Ю.), 2019. С. 295–297. EDN HEJCRG.
10. Яковлева Е.А. Применение технологий машинного зрения в условиях ограниченных ресурсов // Информационная безопасность регионов России (ИБРР-2023): XIII Санкт-Петербургская межрегиональная конференция. Материалы конференции, Санкт-Петербург, 25–27 октября 2023 года. Санкт-Петербург: Санкт-Петербургское Общество информатики, вычислительной техники, систем связи и управления, 2023. С. 303–304. EDN SXCAHQ.
11. Рашитов А.Р., Булатасов И.Р. Применение математических методов в машинном зрении // Роль математики в становлении специалиста-2023: материалы Международной научно-практической конференции, Уфа, 18 мая 2023 года. Уфа: Уфимский государственный нефтяной технический университет, 2023. С. 38–50. EDN VSASDS.
12. Богданов Л.А. Машинное зрение и распознавание изображений // Академическая наука - проблемы и достижения, North Charleston, SC, USA, 07–08 июля 2014 года / н.-и. ц. «Академический». Т. 2. North Charleston, SC, USA: CreateSpace, 2014. С. 119. EDN SWGEHH.
13. Пономарев А.Н., Казанцева Л.В. Машинное зрение: актуальность и применение // Научно-технический вестник Поволжья. 2021. № 4. С. 100–102. EDN VGJJVW.
14. Ситников В.В., Люминарский В.В., Коробейников А.В. Обзор методов распознавания объектов, используемых в системах машинного зрения // Вестник ИжГТУ имени М.Т. Калашникова. 2018. Т. 21, № 4. С. 222–229. DOI:https://doi.org/10.22213/2413-1172-2018-4-222-229. EDN YTZICT.
15. Хуснуллин А.А. Технологии машинного зрения: от распознавания лиц до контроля качества на производстве // Молодежь и XXI век - 2025: Сборник научных статей 14-й Международной молодежной научной конференции. В 5-ти томах, Курск, 20–21 февраля 2025 года. Курск: ЗАО "Университетская книга", 2025. С. 435–438. EDN BAJPOC.
