Аппаратно-программный комплекс для сбора фруктов
- Authors: 1, 2, 2
-
Affiliations:
- Самарский Государственный Технический Университет
- Самарский государственный технический университет
- Issue: Vol 1 (2024)
- Pages: 364-365
- Section: ЧАСТЬ I. Информационные технологии и техническая кибернетика
- URL: https://vietnamjournal.ru/osnk-sr2024/article/view/632810
- ID: 632810
Cite item
Full Text
Abstract
Обоснование. Сельское хозяйство является ключевой отраслью мировой экономики, обеспечивая пищей миллиарды людей. Однако, с увеличением числа населения и сокращением числа работников в сельском хозяйстве, возникает необходимость в поиске эффективных и инновационных решений для увеличения производства. Автоматизация сельскохозяйственных процессов, включая сбор урожая, становится крайне важной для обеспечения продовольственной безопасности и снижения зависимости от человеческого труда.
В данном контексте использование беспилотных летательных аппаратов (дронов) для сбора фруктов представляется как перспективное и эффективное решение. Дроны обладают уникальными возможностями для преодоления проблем, связанных с нехваткой рабочей силы, сезонностью сельскохозяйственных работ, а также увеличением производительности и точности сбора. Кроме того, автоматизация процесса сбора фруктов позволит сократить расходы на рабочую силу, снизить нагрузку на человеческий фактор и повысить качество собираемого урожая.
Цель — создание программно-аппаратного комплекса для автоматизированного сбора фруктов с использованием дронов и технологии YOLO v8, который обеспечит высокую точность, эффективность и экономичность сельскохозяйственного производства.
Методы. Для выявления преимуществ и недостатков различных подходов использовался метод анализа и сравнения. Проведены эксперименты с различными вариантами реализации комплексов на основе следующих критериев: точность распознавания фруктов, производительность системы, устойчивость к погодным условиям, энергоэффективность и удобство использования.
Результаты. Разработка системы распознавания сортов яблок и степени их зрелости:
Данные для обучения: были собраны и аннотированы большие объемы изображений различных сортов яблок на разных этапах их зрелости.
Модель: использовались современные алгоритмы компьютерного зрения и глубокого обучения YOLO v8 для распознавания сортов и оценки степени зрелости.
Обучение: модель обучалась на предварительно размеченных данных и проходила итерационные процессы валидации и тестирования.
Методы распознавания:
- извлечение признаков: анализ цветов, текстур и форм яблок для определения сорта и зрелости;
- предсказание: система использует обученную модель для классификации изображений, полученных с камер дронов, определения сорта и оценки зрелости каждого яблока.
Аппаратная часть:
- дроны: были выбраны и настроены конкретные модели дронов, способные не только собирать данные, но и выполнять задачи сбора урожая;
- камеры и сенсоры: интеграция высококачественных камер и дополнительных сенсоров для сбора изображений и данных об окружающей среде.
Результаты тестирования:
Оценка производительности: анализ результатов показал высокую точность распознавания сортов и зрелости яблок. Основные метрики (точность, полнота и F-мера) соответствуют заданным стандартам.
Выводы. Одновременный полет всех дронов позволяет ускорить сбор фруктов, но требует высокой точности координации. Последовательный полет обеспечивает высокую безопасность, но снижает производительность. Использование подхода с лидером и ведомыми дронами улучшает координацию, однако сложно в реализации. Автономная координация предлагает наивысшую точность и адаптивность, но требует значительных вычислительных ресурсов. Таким образом, каждый подход имеет свои преимущества и недостатки, и выбор наиболее подходящего варианта зависит от конкретных условий и требований проекта. При выборе реализации программно-аппаратного комплекса для сбора фруктов необходимо учитывать все аспекты и выбирать наиболее оптимальный и безопасный вариант.
Full Text
Обоснование. Сельское хозяйство является ключевой отраслью мировой экономики, обеспечивая пищей миллиарды людей. Однако, с увеличением числа населения и сокращением числа работников в сельском хозяйстве, возникает необходимость в поиске эффективных и инновационных решений для увеличения производства. Автоматизация сельскохозяйственных процессов, включая сбор урожая, становится крайне важной для обеспечения продовольственной безопасности и снижения зависимости от человеческого труда.
В данном контексте использование беспилотных летательных аппаратов (дронов) для сбора фруктов представляется как перспективное и эффективное решение. Дроны обладают уникальными возможностями для преодоления проблем, связанных с нехваткой рабочей силы, сезонностью сельскохозяйственных работ, а также увеличением производительности и точности сбора. Кроме того, автоматизация процесса сбора фруктов позволит сократить расходы на рабочую силу, снизить нагрузку на человеческий фактор и повысить качество собираемого урожая.
Цель — создание программно-аппаратного комплекса для автоматизированного сбора фруктов с использованием дронов и технологии YOLO v8, который обеспечит высокую точность, эффективность и экономичность сельскохозяйственного производства.
Методы. Для выявления преимуществ и недостатков различных подходов использовался метод анализа и сравнения. Проведены эксперименты с различными вариантами реализации комплексов на основе следующих критериев: точность распознавания фруктов, производительность системы, устойчивость к погодным условиям, энергоэффективность и удобство использования.
Результаты. Разработка системы распознавания сортов яблок и степени их зрелости:
Данные для обучения: были собраны и аннотированы большие объемы изображений различных сортов яблок на разных этапах их зрелости.
Модель: использовались современные алгоритмы компьютерного зрения и глубокого обучения YOLO v8 для распознавания сортов и оценки степени зрелости.
Обучение: модель обучалась на предварительно размеченных данных и проходила итерационные процессы валидации и тестирования.
Методы распознавания:
- извлечение признаков: анализ цветов, текстур и форм яблок для определения сорта и зрелости;
- предсказание: система использует обученную модель для классификации изображений, полученных с камер дронов, определения сорта и оценки зрелости каждого яблока.
Аппаратная часть:
- дроны: были выбраны и настроены конкретные модели дронов, способные не только собирать данные, но и выполнять задачи сбора урожая;
- камеры и сенсоры: интеграция высококачественных камер и дополнительных сенсоров для сбора изображений и данных об окружающей среде.
Результаты тестирования:
Оценка производительности: анализ результатов показал высокую точность распознавания сортов и зрелости яблок. Основные метрики (точность, полнота и F-мера) соответствуют заданным стандартам.
Выводы. Одновременный полет всех дронов позволяет ускорить сбор фруктов, но требует высокой точности координации. Последовательный полет обеспечивает высокую безопасность, но снижает производительность. Использование подхода с лидером и ведомыми дронами улучшает координацию, однако сложно в реализации. Автономная координация предлагает наивысшую точность и адаптивность, но требует значительных вычислительных ресурсов. Таким образом, каждый подход имеет свои преимущества и недостатки, и выбор наиболее подходящего варианта зависит от конкретных условий и требований проекта. При выборе реализации программно-аппаратного комплекса для сбора фруктов необходимо учитывать все аспекты и выбирать наиболее оптимальный и безопасный вариант.
About the authors
Самарский Государственный Технический Университет
Email: ivan.st.2003@yandex.ru
студент
Russian Federation, СамараСамарский государственный технический университет
Email: a.v.bartenev@yandex.ru
студент
Russian Federation, СамараСамарский государственный технический университет
Author for correspondence.
Email: samgtu@kaizerov-es.ru
студент
Russian Federation, СамараSupplementary files
