кейс
Определение бактериального
заражения воздуха в птичниках
Ноу-хау для ранней диагностики инфекций на птицефермах
О проекте
Заказчиком разработки выступила зарубежная компания-производитель биотехнологий, которая уделяет особое внимание биологической безопасности в птицеводстве.
Дистанционный мониторинг состояния воздуха при помощи искусственного интеллекта на предмет наличия возбудителей инфекций — в своем роде беспрецедентная задача. Технология должна определять наличие инфекции в реальном времени и сигнализировать об опасном изменении качества воздуха. Разработка нашей команды может быть масштабирована на тысячи предприятий в области сельского хозяйства.
Технологический стек
Keras
Azure
PyTorch
MLFlow
Python
PostgreSQL
Plotly
Flask
ETNA
TensorFlow
Индустрия
АгроТех, Искусственный интеллект и машинное обучение
Платформа
Веб
Команда
7 человек
Продолжительность работы
5 месяцев
Вызов проекта
Возможность выявления патогенов в воздухе с точностью 80-90% с помощью специальных сенсоров
Схема: Архитектура проекта
Наше решение
Этап 1
Выбор датчиков и принцип их работы
Этап 2
Тестирование
Этап 3
Обработка данных
Этап 4
Машинное обучение
Этап 5
Дизайн интерфейса
1 этап
Выбор датчиков и принцип их работы
Для начала мы собрали список параметров состояния воздуха, оказывающих значительное влияние на конечный результат. На основе этих данных мы модернизировали сенсоры, оценивающие состояние воздуха, а также откалибровали их с учетом воздействия климатических условий.
Каждый отдельный сенсор настраивается оптимальным образом, чтобы вовремя “заметить” патогенный микроорганизм в воздухе. Наша команда шаг за шагом тестировала и настраивала приборы с учетом того, что климатические условия могут меняться. Высокая точность данных служит залогом правильного определения вредоносных элементов.
Отдельно остановимся на выборе сенсорных устройств. Для анализа воздуха по разработанной нами методике мы приобрели сенсоры, которые анализируют запах и состояние воздуха. Выбранный датчик определяет летучие органические и сероорганические соединения, а также угарный газ и водород. Датчики размещаются на потолке в шахматном порядке на расстоянии 8 - 10 м друг от друга, а датчики угарного газа — на высоте от 0.3 - 1 м от пола, поскольку этот газ тяжелее воздуха и скапливается внизу. Дополнительно, мы предложили использовать совершенно другой тип сенсоров, на основе измерения биохимических и электрических параметров. Глубокая доработка промышленных образцов датчиков и синхронизация их работы дала возможность добиться позитивного результата.
Схема размещения датчиков в помещении
2 этап
Тестирование — воздействие на датчики зараженным воздухом
Тестирование велось в лаборатории. Так как здесь требуется учитывать нелинейное изменение выходных данных от температуры, в герметичном стерильном боксе мы создали разную степень бактериальной обсемененности воздуха (степени заражения). Таким образом мы протестировали работу сенсорной системы в реальных внешних условиях, определили пределы и точность измерений.
3 этап
Обработка данных
Этот этап позволил нам выявить закономерности и аномалии в микробиологических и физико-химических параметрах воздуха. Команде нужно было классифицировать данные, которые мы получали от сенсоров. Но это было только одна из задач по отношению к их анализу. При обработке данных мы также использовали многомерную статистику, анализ методами нечёткой логики, вероятностное программирование.
4 этап
Машинное обучение
Объем данных измерялся терабайтами, требуя создания специализированных каналов обработки данных в рамках машинного обучения. Для этого мы задействовали платформы MLFlow и Azure. Специалисты по анализу данных и ML из нашей команды проводили соответствующее обучение на моделях данных. Результаты, полученные нами в результате обработки, помогли нам уменьшить ошибки и улучшить другие метрики нейронной сети.
Таким образом, действие системы сравнимо с работой противопожарной сигнализации. Когда выявляется определенное изменение воздуха, срабатывает оповещение и соответствующее уведомление отправляется в интерфейс.
5 этап
Дизайн интерфейса
Для визуализации данных, построения графиков и проведения анализа мы создали легковесный интерфейс для операторов ферм. Здесь в режиме реального времени можно наблюдать за состоянием воздуха на участках. Когда сенсоры регистрируют отклонение от нормальных параметров качества воздуха, система высылает мгновенное предупреждение.
Результаты
Наличие возбудителей заболевания определяется быстро, дистанционно и на основе анализа качества воздуха
Созданное MVP решение продемонстрировало способность справиться с поставленной задачей. В настоящее время мы работаем над созданием готовой версии и запуском пилота на одной из крупнейших птицеферм на Ближнем Востоке.
Система срабатывает, когда процесс заражения начался не ранее чем 3-4 часа назад
Это свидетельствует о надежности метода.
Давайте обсудим ваш проект
Заполните форму или свяжитесь удобным для Вас способом
Остались вопросы?
Нажимая на кнопку, вы даете согласие на обработку персональных данных и соглашаетесь c политикой конфиденциальности