Показатели качества работы автоматизированной машины для ухода за растениями картофеля в селекции и семеноводстве

При выращивании картофеля в целях селекции и семеноводства важно как можно раньше выявить зараженные растения. В связи с этим необходимо провести комплекс работ по созданию цифровой системы автоматизированного выявления и распознавания здоровых и зараженных растений. (Цель исследования) Определить закономерности изменения показателей качества работы машины для ухода за растениями картофеля. (Материалы и методы) Исследования проведены на площади селекционно-опытной делянки. Разработана система критериев для оценки идентификации зараженных растений. (Результаты и обсуждение) Определена требуемая достоверность измерительной операции системы технического зрения машины и прогнозирования текущего состояния системы идентификации зараженных растений с учетом статистической информации о распределении косвенного параметра (наличие признаков заражения на внутренней стороне листа растения) и погрешности его измерений. Достоверность работы системы идентификации зараженных растений зависит от точности технических средств измерений состояния растений, методов измерений, программного обеспечения обработки полученных измерений, других параметров. (Выводы) Управление измерительной информацией заключается в обоснованном выборе косвенного параметра, обеспечивающего точность распознавания зараженных растений с доверительным интервалом вероятности 0,95. Установлено, что точность классификации растений на первой эпохе обучения системы идентификации зараженных растений составила 0,797 или 79,7 процентов для всех растений. Корректность распознавания заболевших растений составляла 0,607 или 60,7 процентов. Стоит отметить, что уже на данной эпохе корректность распознавания здоровых растений достигала 99,9 процентов.

1. Лобачевский Я.П., Дорохов А.С., Сибирев А.В. Современное состояние технологического обеспечения производства овощных культур в Российской Федерации // Овощи России. 2023. N5. 5-10. DOI: 10.18619/2072-9146-2023-5-5-17.

2. Дорохов А.С., Аксенов А.Г., Сибирёв А.В., Пономарев А.Г., Сазонов Н.В. Теоретические предпосылки интенсификации уборки лука-севка // Сельскохозяйственные машины и технологии. 2023. N3. С. 85-92. DOI: 10.22314/2073-7599-2023-17-3-85-92.

3. Yanykin D.V., Paskhin M.O., Simakin A.V., et al. Plant photochemistry under glass coated with up conversion luminescent film. Applied Sciences. 2022. 12. 7480. DOI: 10.3390/app12157480.

4. Golmohammadi A., Bejaei F., Behfar H. Design, development and evaluation of an online potato sorting system using machine vision. International Journal of Agriculture and Crop Sciences. 2013. N6. 396-402. DOI: cabdirect.org/cabdirect/abstract/20133372449.

5. Lü J.Q., Shang Q.Q., Yang Y. et al. Design optimization and experiment on potato haulm cutter. Transactions of the CSAM. 2016. N47(5). 106-114. DOI: 10.1080/0305215X.2016.1164855.

6. Dorokhov A., Aksenov A., Sibirev A. et al. Results of laboratory studies of the automated sorting system for root and onion crops. Agronomy. 2021. Vol. 11. N6. 1257. DOI: 10.3390/AGRONOMY11061257. EDN: EMOYFO.

7. Лобачевский Я.П., Лачуга Ю.Ф., Измайлов А.Ю., Шогенов Ю.Х. Научно-технические достижения агроинженерных научных организаций в условиях цифровой трансформации сельского хозяйства // Техника и оборудование для села. 2023. N4(310). С. 2-5. DOI: 10.33267/2072-9642-2023-4-2-5. EDN: KIGZDF.

8. Лобачевский Я.П., Ценч Ю.С. Принципы формирования систем машин и технологий для комплексной механизации и автоматизации технологических процессов в растениеводстве // Сельскохозяйственные машины и технологии. 2022. N16(4). C. 4-12. DOI: 10.22314/2073-7599-2022-16-4-4-12. EDN: IDJFYV.

9. Попов В.Д., Валге А.М., Папушин Э.А. Повышение эффективности производства продукции растениеводства с использованием информационных технологий // Технологии и технические средства механизированного производства продукции растениеводства и животноводства. 2009. Т. 81. С. 32-39. EDN: THYQKD.

10. Измайлов А.Ю., Лобачевский Я.П., Дорохов А.С. и др. Современные технологии и техника для сельского хозяйства - тенденции выставки Аgritechnika 2019 // Тракторы и сельхозмашины. 2020. N6. C. 28-40. DOI: 10.31992/0321-4443-2020-6-28-40.

11. Ценч Ю.С., Годлевская Е.В. Математическое моделирование как инструмент проектирования сельскохозяйственных машин и агрегатов (применительно к истории развития научной школы Южного Урала) // Сельскохозяйственные машины и технологии. 2023. Т. 17. N2. C. 4-12. DOI: 10.22314/2073-7599-2023-17-2-4 12.

12. Ракутько С.А., Ракутько Е.Н., Медведев Г.В. Разработка экспериментального фитотрона и его применение в исследованиях по энергоэкологии светокультуры // Сельскохозяйственные машины и технологии. 2023. Т. 17. N2. C. 40-48. DOI: 10.22314/2073-7599-2023-17-2-40-48.

13. Sojka R.E., Horne D.J., Ross C.W., Baker C.J. Subsoiling and surface tillage effects on soil physical properties and for age oat stand and yield. Soil and Tillage Research. 1997. N40 (3-4). 25-144. DOI: 10.1016/S0167-1987(96)01075-6.

14. Федоренко В.Ф. Тенденции цифровизации и интеллектуализации сельского хозяйства // Инновации в сельском хозяйстве. 2019. N1(30). С. 231-241. EDN: IKJJHN.

15. Черноиванов В.И. Цифровые технологии в АПК // Техника и оборудование для села. 2018. N5. С. 2-4. EDN: XORBJR.