TECHNIKA ROLNICZA OGRODNICZA LEŒNA 5/2007

prof. dr hab. Piotr Boniecki, mgr in¿.Aleksander Jêdruœ, mgr in¿. Pawe³ Ni¿ewskiAkademia Rolnicza im.Augusta Cieszkowskiego w PoznaniuInstytut In¿ynierii Rolniczej

bonie@au.poznan.pl

Streszczenie

W pracy podjêto badania maj¹ce na celu okreœlenie mo¿liwoœci wykorzystania sztucznych sieci neuronowych w procesieprognozowania poziomu wydajnoœci mlecznoœci krów. Celem by³o zaprojektowanie, wytworzenie i przetestowanie systemuinformatycznego, opartego na technologii sztucznych sieci neuronowych, s³u¿¹cego do predykcji masy wydojonego mleka.Proponowana aplikacja „Milko” jest systemem informatycznym, którego zadaniem jest prognoza masy uzyskanego w czasiedoju mleka. Jej j¹drem jest sztuczna sieæ neuronowa, nauczona z wykorzystaniem pozyskanych danych empirycznych. Programuzupe³niony jest w system pomocy zawieraj¹cy ogólne wiadomoœci o produkcji mleka przez krowy, informacje o zasadachkorzystania z aplikacji, bêd¹ce wsparciem dla potencjalnego u¿ytkownika oraz elementarne wiadomoœci o sieciachneuronowych.

e-mail:

Neuronowy system informatyczny wspomagaj¹cy procesprognozowania masy mleka uzyskanego podczas doju

Wprowadzenie

Projektowanie i implementacja sztucznej sieci neuronowej

Ostatnia dekada to dynamiczny rozwój nauk informaty-cznych oraz technologii komputerowych. Ten bezsporny faktstworzy³ m.in. mo¿liwoœci rozwoju szeregu dyscyplinnaukowych, w tym równie¿ szeroko rozumianej in¿ynieriirolniczej. Coraz czêœciej proponowane jest efektywnewykorzystanie w rolnictwie nowoczesnych metod informa-tycznych zwi¹zanych ze sztuczn¹ inteligencj¹, a w szczególno-œci aplikacji bazuj¹cych na metodach sztucznych siecineuronowych. G³ówn¹ zalet¹ modeli neuronowych jest ichzdolnoœæ do uogólniania nabytej, podczas uczenia, wiedzy.Obszary, w których modele neuronowe dobrze siê sprawdzaj¹to, m.in. prognozowanie, rozpoznawanie, klasyfikowanie orazdiagnozowanie.

Celem pracy by³o zaprojektowanie, wytworzenie i przete-stowanie systemu informatycznego, opartego na technologiisztucznych sieci neuronowych, s³u¿¹cego do predykcji masywydojonego mleka.

Podstaw¹ do podjêcia tematu by³a obserwacja rosn¹cejdynamiki zmian zachodz¹cych w mleczarstwie, a zw³aszczaintensyfikacja produkcji wyrobów, których pó³produktem jestmleko. Wzrastaj¹ca konkurencja na rynku mleka i stale rosn¹cewymagania co do jakoœci surowca, zmuszaj¹ producentów dozwiêkszania wydajnoœci krów oraz zmniejszania strat. Wzwi¹zku z tym, w celu przewidywania poziomu produkcjimleka, przy wyst¹pieniu okreœlonych warunków w czasie doju,zaistnia³a potrzeba opracowania narzêdzia do prognozowaniatego zjawiska w warunkach polskich. Opracowany systemmo¿e byæ równie¿ wykorzystany przez rolników indywidu-alnych, jako instrument wspomagaj¹cy procesy decyzyjne wprodukcji mleka.

Zgodnie z przyjêtymi za³o¿eniami j¹drem ca³ego systemuinformatycznego winna byæ, uprzednio wygenerowana,sztuczna sieæ neuronowa. Dlatego najwa¿niejszym etapempracy nad powstaniem systemu by³o wytworzenie adekwa-tnego modelu neuronowego o jak najlepszej jakoœci [2].Zosta³o to osi¹gniête w kilku fazach:1. W oparciu o studia literaturowe i badania w³asne wybrano

nastêpuj¹ce czynniki maj¹ce znacz¹cy wp³yw na iloœæwydojonego mleka:- wiek krowy,

- zawartoœæ krwi rasy holsztyñsko-fryzyjskiej,- dzieñ laktacji, w jakim znajduje siê krowa,- sposób doju,- pora doju.

Wielkoœci te uznano za reprezentatywne cechy charaktery-zuj¹ce proces pozyskiwania mleka. W konsekwencjiprzyjêto je jako piêæ zmiennych wejœciowych dla tworzonejsieci neuronowej. Jako pierwsz¹ zmienn¹ wyjœciow¹przyjêto masê wydojonego mleka [1].

2. Budowa adekwatnego zbioru ucz¹cego w oparciu oposiadane dane empiryczne. Materia³ badawczy do pracypozyskano w oparciu o dane pochodz¹ce z pracmagisterskich wykonanych w Instytucie In¿ynieriiRolniczej. Kolejnym etapem by³o uporz¹dkowanie danychi zbudowanie zbioru ucz¹cego, który pos³u¿y³ nastêpnie dozaprojektowania i uczenia sieci neuronowej (rys. 1). Zbiórzawiera³ 154 przypadki ucz¹ce i podzielony zosta³standardowo na podzbiory w stosunku odpowiednio 2 : 1 : 1(ucz¹cy : walidacyjny : testowy).

3. W trakcie testów zauwa¿ono, ¿e wyniki b³êdów dla zbiorówwalidacyjnego i testowego s¹ do siebie zbli¿one.Sugerowa³o to, ¿e sieæ dobrze generalizuje nabyt¹ wiedzê.Zrezygnowano wiêc ze zbioru testowego i przeznaczonojego przypadki na rzecz powiêkszenia zbiorów ucz¹cego iwalidacyjnego w celu uzyskania jeszcze lepszychwyników.

4. Przetestowanie wybranych algorytmów ucz¹cych iwyszukanie odpowiedniej topologii sztucznej siecineuronowej. Najlepszy neuronowy model predykcji masywydojonego mleka, na podstawie posiadanego zbiorudanych, uzyskano przy zastosowaniu jednokierunkowychsieci wielowarstwowych typu perceptron wielowarstwowy

( ) , uczonych zwykorzystaniem algorytmu wstecznej propagacji b³êdów

( ) i douczanych przy u¿yciualgorytmu . Na rys. 2.przedstawiono schemat wygenerowanego modeluneuronowego [4].

Wed³ug modelu kaskadowego pierwsz¹ faz¹ tworzeniaaplikacji jest okreœlenie wymagañ. Efektem jest sporz¹dzeniedokumentu zawieraj¹cego konkretne cele, wymagania, zakres i

MLP M P

BP B P

Milko”

u l t iLayer ercep t ron

ack ropagationgradientów sprzê¿onych

Technologie u¿yte w trakcie projektowania systemuinformatycznego „

ogólny opis projektowanej aplikacji. Kolejny etap, zwany faz¹projektowania, polega na wykonaniu szczegó³owego opisuimplementacji systemu. W fazie tej niezwykle wa¿na jestznajomoœæ œrodowiska programistycznego, gdy¿ jegomo¿liwoœci i ograniczenia determinuj¹ funkcjonalnoœæprzysz³ego systemu [6]. Prócz za³o¿eñ projektowych,rezultatem postêpowania powinny byæ diagramy modeluj¹ceobiektowe podejœcie do wytwarzanego systemu (rys. 3). Dowykonania diagramu pos³u¿ono siê programem Dia 0.96.

Rys. 2. Topologia wytworzonej sieci neuronowej typu

Rys. 3. Diagram przypadków u¿ycia

MLP

Rys. 1. Fragment zbioru ucz¹cego

Zgodnie z za³o¿eniem j¹drem aplikacji ma byæwytrenowana sztuczna sieæ neuronowa. Konieczny wiêc sta³siê wybór narzêdzia do budowy i uczenia sieci neuronowych.Do tego celu wykorzystano modu³ „Sieci neuronowe”zaimplementowany w programie .Wygenerowana sieæ neuronowa wyeksportowana zosta³anastêpnie do generatora kodu, umo¿liwiaj¹cego eksport kodusieci neuronowej do tworzonej aplikacji „ .

Obecnie dostêpnych jest wiele, zró¿nicowanych podwzglêdem efektywnoœci, narzêdzi programistycznych. Przyprojektowaniu budowanego systemu informatycznego„ wykorzystano œrodowisko .Uznano, ¿e platforma ta, poprzez swoj¹ wszechstronnoœæ,bogaty zestaw narzêdzi i nowatorskie rozwi¹zania, bêdzienajlepszym œrodowiskiem do wytworzenia zamierzonegooprogramowania [7]. Aplikacja pisana by³a w jêzyku ,wiêc wygenerowany przez program kodmusia³ ulec pewnym modyfikacjom wynikaj¹cym z ewolucjirodziny jêzyków C.

Do aplikacji do³¹czony zosta³ system pomocy, któregocelem jest szybkie nauczenie u¿ytkownika pracy z programem ipomoc w odpowiednim doborze zakresu danych. System po-mocy wykonany zosta³ za pomoc¹ programu .

Testowanie programu przeprowadzane by³o podczasimplementacji programu, a tak¿e po wytworzeniu wszystkichmodu³ów systemu informatycznego. Celem testowania by³aprzede wszystkim detekcja i korekta ewentualnych b³êdów waplikacji, jak równie¿ ocena jej niezawodnoœci. Odbywa³o siêono na dwa sposoby: statyczny, sprowadzaj¹cy siê do analizykolejnych instrukcji kodu, i dynamiczny, polegaj¹cy naporównaniu rezultatów otrzymanych po wykonaniu kolejnychfragmentów aplikacji z wynikami oczekiwanymi. Bardzowa¿nym i wysoce zaawansowanym narzêdziem, umo¿liwi-aj¹cym wykrycie wszystkich b³êdów w aplikacji, nawet tychnajbardziej ukrytych jest zawarty w œrodowisku )

Umo¿liwia on obserwacje przebiegu poszczegó-lnych funkcji aplikacji, znajdywanie b³êdnych fragmentówkodu, pracê krokow¹ czy punkty wstrzymania, œledzeniezmiennych, a tak¿e wybór poziomu ostrzegania.

Ostatni etap (wed³ug modelu kaskadowego) stanowi³a fazakonserwacji oprogramowania, polegaj¹ca na przekazaniuu¿ytkownikowi wytworzonej i przetestowanej aplikacji.Zadaniem u¿ytkownika jest zg³aszanie wykrytych b³êdów ipropozycji udoskonaleñ do twórców oprogramowania.

Statistica v.7.0

Borland C++ Builder 6.0

C++Statistica v.7.0 C

Help&Manual 4

C++ Builderdebugger.

Milko”

Milko”

TECHNIKA ROLNICZA OGRODNICZA LEŒNA 5/2007

Testowanie aplikacji „

Opis systemu informatycznego „

Milko”

Weryfikacja

Milko”

Walidacja

Milko”

Milko”

Testowanie i ocena jakoœci wytworzonej aplikacji ma du¿eznaczenie dla poprawnoœci jej dzia³ania. Proces ten przek³adasiê na zweryfikowanie czy wytworzona aplikacja spe³niaogólne normy przyjête dla systemów IT oraz czy spe³niapostawione przed ni¹ zadania w fazie okreœlania wymagañklienta.

Weryfikacja polega³a na sprawdzeniu czy wytworzonysystem spe³nia postawione mu uprzednio wymaganiazdefiniowane w poprzednich fazach cyklu ¿ycia oprogramo-wania.

Proces weryfikacji przeprowadzony zosta³ bezpoœrednio pozakoñczeniu pracy przy projektowaniu i implementacjisystemu „ . Odby³ siê on w dwóch etapach:- statycznym, sprowadzaj¹cym siê do analizy kolejnych

instrukcji kodu,- dynamicznym, polegaj¹cym na porównaniu rezultatów

otrzymanych podczas dzia³ania aplikacji z wynikamioczekiwanymi, otrzymanymi podczas doœwiadczeñpolowych.Wynikiem weryfikacji by³a pe³na zgodnoœæ funkcjonowa-

nia aplikacji z wymaganiami postawionymi w fazie okreœlaniawymagañ oraz poprawnoœæ przeprowadzania procesuprognozowania. Uznano, ¿e porównanie wynikówempirycznych i wyników otrzymanych podczas korzystania zaplikacji bêdzie najlepszym sposobem oceny jakoœci systemu.Po przeprowadzonym testowaniu uznano, ¿e b³¹d mieœci siê wdopuszczalnych granicach i umo¿liwia przeprowadzeniewiarygodnej prognozy w przyjêtym zakresie danych.

Zadaniem walidacji jest wykazanie, ¿e wytworzony systemnadaje siê do praktycznego wykorzystania. Program „przetestowany zosta³ przez grupê potencjalnych u¿ytko-wników, czego efektem by³o okreœlenie jego cech funkcjona-nych:- przyjazny interfejs u¿ytkownika: wszystkie funkcje

programu umieszczone s¹ w rozwijanym menu g³ównymprogramu i nazwane s¹ w taki sposób, aby u¿ytkownik niemia³ w¹tpliwoœci, jak otworzyæ interesuj¹cy go modu³,

- szybkoœæ: obs³uga, wyœwietlanie modu³ów, jak i samproces prognozowania odbywa siê bardzo szybko, co nienara¿a u¿ytkownika na oczekiwania i straty czasu,

- ³atwoœæ obs³ugi: poruszanie siê po programie jest bardzo³atwe i intuicyjne.Dodatkowo program „Milko” przetestowany zosta³ pod

k¹tem zgodnoœci dzia³ania na ró¿nych systemach operacyjnychz rodziny „Windows” i na ró¿nych platformach sprzêtowych,co umo¿liwi³o okreœlenie jego wymagañ systemowych i sprzê-towych.

Program „Milko” nie wymaga instalowania dodatkowychbibliotek zewnêtrznych, gdy¿ wszystkie wymagane sk³adnikioprogramowania zosta³y do³¹czone do programu na etapiekompilacji, poprzez u¿ycie odpowiednich opcji kompilatora.

Minimalne wymagania sprzêtowe i systemowe:- komputer klasy PC z procesorem Pentium,- pamiêæ operacyjna RAM 64 MB (zalecane 128 MB),- 20 MB wolnego miejsca na dysku HDD,- system operacyjny Windows 98/2000/XP.

Program zosta³ skompilowany w taki sposób, aby nie by³akonieczna procedura instalacyjna. Program „Milko.exe”mo¿na uruchomiæ bezpoœrednio z dowolnego folderu, w

którym siê znajduje zbiór wykonywalny. W tym samymfolderze powinien znajdowaæ siê zbiór pomocy „Milko.hlp”oraz podfolder „Dane”, w którym zawarty jest zbiór ucz¹cy„DaneKompl.txt.” Dziêki temu program mo¿na uruchomiæ zdowolnego noœnika danych, np. pendrive'a, dyskietki itp.Plikiem uruchamiaj¹cym aplikacjê jest „Milko.exe”. Pouruchomieniu pojawia siê okno informacyjne (rys. 4), któremówi u¿ytkownikowi o zasadzie dzia³ania programu.

Po klikniêciu przycisku start wyœwietli siê g³ówne oknoprognozy (rys. 5).

Na g³ówne okno prognozy sk³adaj¹ siê:- Kontrolki s³u¿¹ce do wprowadzania danych wejœciowych.

Trzy kontrolki do wprowadzania danychnumerycznych o okreœlonej masce i siedem kontrolek

, zgrupowane w osobnych panelachumo¿liwiaj¹ce wybór sposobu i pory doju.

- Przycisk „Prognozuj" uruchamiaj¹cy mechanizmprognozowania.

- Kontrolka „Label”, za poœrednictwem której wyœwietlanyzostaje wynik prognozy.

- Obraz graficzny.- Menu g³ówne.

W menu g³ównym okna prognozowania dostêpne s¹ nastê-puj¹ce opcje:- Prognozuj masê mleka - uruchamia mechanizm prognozo-

wania.- Poka¿ zbiór ucz¹cy - otwiera okno tekstowe z ca³ym zbiorem

ucz¹cym, który pos³u¿y³ do trenowania sieci. Daje tomo¿liwoœæ u¿ytkownikowi wykorzystania danych wsymulatorze sieci i uczenia w³asnych modeli neuronowych.

Rys. 4. „ okno informacyjneMilko”

Rys. 5. „ - g³ówne okno prognozy

MaskEdit

RadioButton

Milko”

TECHNIKA ROLNICZA OGRODNICZA LEŒNA 5/2007

- Pomoc - uruchamia system pomocy, daj¹cy u¿ytkownikowiobszerniejsze informacje na temat zmiennych wejœciowych.Wa¿n¹ informacj¹ na tym panelu s¹ zakresy danych, jakieprzyjmuje program do prognozowania.

- O programie wyœwietla ogólne informacje na tematprogramu.

- Zamknij aplikacje - zamyka okno i powraca do okna informa-cyjnego.

Wprowadzanie danych wejœciowych obarczone jest œcis³¹kontrol¹ b³êdów, umo¿liwiaj¹c¹ podanie ich tylko z góryokreœlonego zakresu. W momencie, kiedy u¿ytkownikwprowadzi na wejœcie sieci dan¹ wykraczaj¹c¹ poza ustalonyzakres, poinformowany zostanie o tym odpowiednimkomunikatem i proces prognozowania nie zostanieprzeprowadzony. O ustalonym zakresie u¿ytkownik jest infor-mowany na bie¿¹co po najechaniu na wybrane pole, w postacidymka informacyjnego. Inn¹ mo¿liwoœci¹ uzyskaniainformacji o dopuszczalnych zakresach jest skorzystanie z po-mocy w menu „Pomoc” (rys. 6).

Rys. 6. Okno pomocy aplikacji „Milko”

Uwagi koñcowe

„1. Wytworzony system komputerowy pozwalaprognozowaæ wielkoœæ produkcji mleka. Z³o¿onoœæmodelowanego zjawiska pozwala przyj¹æ, ¿e œredni b³¹dpredykcji pope³niany przez aplikacjê jest akceptowalny.

2. Proponowany system informatyczny spe³nia za³o¿eniafunkcjonalne postawione w fazie okreœlania wymagañ orazwszelkie wymogi in¿ynierii oprogramowania podwzglêdem jakoœci i funkcjonalnoœci.

3. Na podstawie przeprowadzonych testów stwierdzono, i¿techniki neuronowe s¹ w³aœciwym narzêdziem generali-zacyjnym, umo¿liwiaj¹cym wytworzenie modelu doprognozy produkcji mleka.

4. Najlepszy neuronowy model do predykcji masywydojonego mleka, na podstawie posiadanego zbiorudanych, uzyskano przy zastosowaniu jednokierunkowychsieci wielowarstwowych typu uczonych zwykorzystaniem algorytmu wstecznej propagacji b³êdów idouczanych przy u¿yciu algorytmu gradientówsprzê¿onych.

5. Zaprojektowana aplikacja jest narzêdziem umo¿liwia-j¹cym oszacowanie iloœci wydojonego mleka na podstawiedanych agrotechnicznych. Mo¿e byæ równie¿ z powo-dzeniem wykorzystana przez rolników w celu doboruodpowiednich zwierz¹t przeznaczonych do u¿ytkowania.

[1] Rutkowska D., Piliñski M., Rutkowski L.: Siecineuronowe, algorytmy genetyczne i systemy rozmyte.Wydawnictwo Naukowe PWN, Warszawa-£ódŸ 1997

[2] Osowski S.: Sieci neuronowe do przetwarzania informacji.Oficyna Wydawnicza Politechniki Warszawskiej,Warszawa 2000

[3] Hertz J., Krogh A., Palmer R. G.: Wstêp do teorii obliczeñneuronowych. WNT, Warszawa 1993

[4] Boniecki P.: Sieci neuronowe typu MLP oraz RGB jakokomplementarne modele aproksymacyjne w procesiepredykcji plonu pszen¿yta. Journal of Research andApplications in Agricultural Engineering, Poznañ 2004,Vol. 49(1), str. 28-33

[5] Boniecki P., Weres J.: Wykorzystanie technik neuronowychdo predykcji wielkoœci zbiorów wybranych p³odówrolnych. Journal of Research and Applications inAgricultural Engineering, Poznañ 2003, Vol. 48, str. 56-60

[6] Jaszkiewicz A. : In¿ynier ia oprogramowania .Wydawnictwo Helion S.A., Gliwice 1997

[7] Daniluk A.: C++Builder. Kompendium programisty.

Milko”

MLP

Literatura

Neural information system helping in the process of predicting the massof obtained milk during milking

Summary

Neural techniques constitute an alternative to describing and analyzing empirical systems in agricultural engineering. Artificialneural networks, referred to as neural networks for short, are a rapidly growing field of knowledge with applications reaching intomany areas of science. The properties of such networks are ideal for many practical applications. Neural networks constitute auniversal approximation system for representing multi-dimensional data sets. They have an ability to learn and adapt to changingenvironments and generalize on the acquired knowledge, which makes them a system of artificial intelligence. At the heart of thenetwork's operation are learning algorithms which allow for designing a proper network structure and selecting its parameters tobest suit the problem at hand. The thesis describes utilisation of neural network model type MLP (MultiLayer Perceptron) to buildinformation system “Milko” for prediction the mass of milk during milking.

TECHNIKA ROLNICZA OGRODNICZA LEŒNA 5/2007