Этот проект стал дипломной работой команды выпускников ПИШ, и в конце июня молодые инженеры успешно его защитили.
Работа над ним началась в декабре 2023 года. Команда разработчиков – четыре специалиста, каждый из которых отвечает за свою сферу проекта: «Анализ и применение машинного обучения для идентификации сорной и дробной фракции зерна» (Татьяна Макарова), «Сравнительный анализ вычислительных устройств разных производителей для обработки видеопотока пробоотборника» (Иван Орехов), «Исследование способов оценки загрязненности стекла видеокамеры с применением технического зрения» (Николай Прудников), «Исследование программных методов распознавания сорности и дробности зерна» (Даниил Чеботарев). Научный руководитель – инженер молодежной лаборатории «Интеллектуальные электрические сельскохозяйственные машины и комплексы» ДГТУ Гарри Исраелян.
В условиях неоднородности растительного покрова сельскохозяйственных полей механизаторам во время уборки приходится постоянно перенастраивать параметры комбайна для обеспечения высокого качества технологической массы. Содержание сорных примесей и поврежденных зерен в 3,5 раза превышает норму, установленную стандартами, при обычных способах уборки.
Она пояснила, что при разных настройках узлов комбайна в бункер машины загружается разное по составу зерно, которое может быть избыточно дробленым или более засоренным. Это напрямую влияет на оценочную стоимость этой массы при продаже для последующих этапов переработки.
Цель нашего проекта – улучшение технических параметров системы оценки качества обмолота зерновых посредством повышения (до более 83%) точности распознавания сорной и дробной фракций. При этом суммарная мощность, потребляемая этой системой, не должна превышать 50 Вт, а минимизация загрязнения окна видеокамеры, размещенной в пробоотборнике, достигается путем улучшения конструкции последнего.
Пробоотборник, оснащенный видеокамерой, электроникой и одноплатным компьютером, через который проходит зерно, устанавливается на зерновой элеватор комбайна – конечный узел, после которого зерно попадает в бункер. Камера фиксирует изображение зерна, далее алгоритмы машинного обучения детектируют разные фракции и рассчитывают процент сорных примесей и дробленых зерен. Получая эту информацию, механизатор принимает решение о перенастройке комбайна. Он может, например, изменить скорость работы вентилятора, степень открытия решет, отрегулировать зазор подбарабанья.
Реализация проекта включала в себя 4 модуля: пробоотборник; модуль электроники, реализующий автоматизированный сбор, обработку и хранение данных; нейросетевой алгоритм для анализа зерновой массы; модуль передачи данных, ответственный за визуализацию информации для конечного пользователя.
В результате проделанной командной работы были достигнуты следующие результаты – точность распознавания сорной и дробной фракций составила 85%, граничное значение загрязненности окна видеокамеры составило 15% (вероятность загрязнения снижена в 4,3 раза за счет обновленной – наклонной конструкции пробоотборника), суммарная мощность, потребляемая всей системой, уменьшена до 45 Вт.
Присутствовавшие на защите представители компании Ростсельмаш выставили высокую оценку этому проекту и выразили готовность предоставить возможность молодым инженерам продолжить разработку своего проекта, уже влившись в коллектив компании.
Директор Института перспективного машиностроения «Ростсельмаш» Владислав Пигенко сказал, что дипломный проект должен быть обязательно внедрен в реальное производство и ребята очень близко подошли к этому этапу. Следующий шаг – полевые испытания, отработка на надежность и подготовка производства для серийной установки на комбайны. Эту работу выпускники продолжат на комбайновом заводе Ростсельмаш.
У команды в настоящее время есть план по увеличению числа распознаваемых сельхозкультур, а также по повышению скорости обработки данных с последующим тестированием системы в полевых условиях.
Игорь Голота, управление информационной политики
isdstu@mail.ru
