Preview

Сельскохозяйственные машины и технологии

Расширенный поиск

Интеллектуальные технологии и роботизированные машины для возделывания садовых культур

https://doi.org/10.22314/2073-7599-2021-15-4-35-41

Полный текст:

Аннотация

Показали, что существующие модели промышленных роботов не могут выполнять технологические процессы уборки урожая яблок. Отметили необходимость разработки специальных исполнительных устройств, захватных приспособлений и новых алгоритмов управления для сбора урожая в садоводстве. (Цель исследования) Разработать систему интеллектуального управления промышленными технологиями в садоводстве и роботизированные технические средства для мониторинга урожайности и сбора плодов. (Материалы и методы) Использовали современные методы компьютерного моделирования и программирования. Применили методологию системного анализа, теорию искусственных нейронных сетей, распознавание образов, цифровую обработку сигналов. Разработку программного обеспечения программно-аппаратных средств проводили в соответствии с требованиями ГОСТ. Использовали языки программирования С/С++ с библиотекой OpenCV, Python-среду разработки Spyder, фреймворк PyTorch и Flask, а также JavaScript. Разметку изображений для обучения нейронных сетей провели в VGG ImageAnnotator и в Labelbox. При проектировании оперировали методом конечных элементов, программной средой САПР SolidWorks. (Результаты и обсуждение) Создали систему интеллектуального управления промышленными технологиями в садоводстве на базе программно-аппаратного комплекса «Агроинтеллект ВИМ». Показали, что концепция системы реализуется с помощью компьютерной и коммуникационной техники, роботизированных машин, программного обеспечения для сбора, систематизации, анализа и хранения данных. Определили, что захват аккуратно фиксирует яблоко и надежно удерживает его. Время на фиксацию плода в зависимости от размера составляет 1,5-2,0 секунды, максимальные размеры плода – 85 на 80 миллиметров, а его максимальный вес – 500 граммов. (Выводы) Разработанный программно-аппаратный комплекс системы интеллектуального управления промышленными технологиями «Агроинтеллект ВИМ» обеспечивает оперативную обработку в реальном времени информации, необходимой для проектирования интеллектуальных агротехнологий с применением роботизированных машин и систем искусственного интеллекта.

Об авторах

И. Г. Смирнов
Федеральный научный агроинженерный центр ВИМ
Россия

Игорь Геннадьевич Смирнов, доктор технических наук, главный научный сотрудник

Москва



Д. О. Хорт
Федеральный научный агроинженерный центр ВИМ
Россия

Дмитрий Олегович Хорт, кандидат сельскохозяйственных наук, ведущий научный сотрудник

Москва



А. И. Кутырев
Федеральный научный агроинженерный центр ВИМ
Россия

Алексей Игоревич Кутырев, кандидат технических наук, научный сотрудник

Москва



Список литературы

1. Хорт Д.О., Кутырев А.И., Смирнов И.Г., Воронков И.В. Разработка системы автоматизированного управления агротехнологиями в садоводстве // Сельскохозяйственные машины и технологии. 2021. Т. 15. N2. С. 61-68.

2. Ampatzidis Y., Tan L., Haley R., Whiting M.D. Cloud-basedharvest managementinformation system for hand-harvested specialtycrops. Computers and electronics in agriculture. 2016. 122. 161-167.

3. Fountas S., Sorensen C.G., Tsiropoulos Z., Cavalaris C., Lia­kos V., Gemtos T. Farm machinery management information system. Computers and electronics in agriculture. 2015. 110. 131-138.

4. Khort D., Kutyrev A., Filippov R., Semichev S. Development control system robotic platform for horticulture. E3S Web of Conferences. 2021. 262. 01024.

5. Khort D., Kutyrev A., Filippov R., Kiktev N., Komar­chuk D. Robotized platform for picking of strawberry berries. IEEE International Scientific-Practical Conference: Problems of Infocommunications Science and Technology. 2019. 869-872.

6. Khort D.O., Kutyrev A.I., Filippov R.A., Vershinin R.V. Device for robotic picking of strawberries. E3S Web of Conferences. 2020. 193. 01045.

7. Wu A., Zhu J., Ren T. Detection of apple defect using laser-induced light backscattering imaging and convolutional neural network. Computers and Electrical Engineering. 2020. 81. 106454.

8. Sofu M.M., Er O., Kayacan M.C., Cetisli B. Design of an automatic apple sorting system using machine vision. Computers and Electronics in Agriculture. 2016. 127. 395-405.

9. Baranowski P., Mazurek W. and Pastuszka-Wozniak J. Supervised classification of bruised apples with respect to the timeafter bruising on the basis of hyperspectral imaging data. Postharvest Biology and Technology. 2013. 86. 249-258.

10. Bhatt A.K., Pant D. Automatic apple grading model deve­lopment based on back propagation neural network and machine vision, and its performance evaluation. AI and Society. 2015. 30(1). 45-56.

11. Smirnov I.G., Kutyrev A.I., Kiktev N.A. Neural network for identifying apple fruits on the crown of a tree. E3S Web of Conferences. 2021. 270. 01021.

12. Kavdır I., Guyer D.E. Evaluation of different pattern re­cognition techniques for apple sorting. Biosystems engineering. 2008. 99. 211-219.

13. Zhang B., Huang W., Gong L., Li J., Zhao C., Liu C., Huang D. Computer vision detection of defective apples using automatic lightness correction and weighted RVM classifier. Journal of Food Engineering. 2015. 146. 143-151.

14. Kleynen O., Leemans V., Destain M.-F. Development of a multi-spectral vision system for the detection of defects on apples. Journal of Food Engineering. 2005. 69. 41-49.

15. Unay D., Gosselin B., Kleynen O., Leemans V., Destain M.-F., Debeir O. Automatic grading of Bi-colored apples by multispectral machine vision. Computers and Electronics in Agriculture. 2011. 75. 204-212.

16. Blasco J., Aleixos N., Moltó E. Machine vision system for automatic quality grading of fruit. Biosystems Engineering. 2003. 85(4). 415-423.

17. Kavdir I., Guyer D.E. Comparison of artificial neural networks and statistical classifiers in apple sorting using textural features. Biosystems Engineering. 2004. 89. 331-344.

18. Gene-Mola J., Gregorio E., Guevara J., Auat F., Sanz-Cortiella R., Escola A., Lorens J., Morros J.-R., Ruiz-Hidalgo J., Vilaplana V., Rosell-Polo J.R. Fruit detection in an apple orchard using a mobile terrestrial laser scanner. Biosystems engineering. 2019. 187. 171-184.

19. Gongal A., Amatya S., Karkee M., Zhang Q., Lewis K. Sensors and systems for fruit detection and localization: a review. Computers and Electronics in Agriculture. 2015. 116. 8-19.

20. Steinbrener J., Posch K., Leitner R. Hyperspectral fruit and vegetable classification using convolutional neural networks. Computers and Electronics in Agriculture. 2019. 162. 364-372.

21. Lv J., Wang J., Xu L., Ma Z., Yang B. A segmentation method of bagged green apple image. Scientia Horticulturae. 2019. 246. 411-417.


Для цитирования:


Смирнов И.Г., Хорт Д.О., Кутырев А.И. Интеллектуальные технологии и роботизированные машины для возделывания садовых культур. Сельскохозяйственные машины и технологии. 2021;15(4):35-41. https://doi.org/10.22314/2073-7599-2021-15-4-35-41

For citation:


Smirnov I.G., Khort D.O., Kutyrev A.I. Intelligent Technologies and Robotic Machines for Garden Crops Cultivation. Agricultural Machinery and Technologies. 2021;15(4):35-41. (In Russ.) https://doi.org/10.22314/2073-7599-2021-15-4-35-41

Просмотров: 66


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2073-7599 (Print)
ISSN 2618-6748 (Online)