Preview

Мехатроника, автоматизация, управление

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Метод точечного орошения и внесения удобрений с использованием группы автономных роботизированных агентов

https://doi.org/10.17587/mau.24.142-151

Аннотация

На сегодняшний день климатические изменения, ограниченность доступных природных ресурсов в совокупности с ростом общего объема потребления постоянно повышают требования к сельскохозяйственным объектам. Современные сельскохозяйственные угодья должны приносить все больше урожая с учетом постоянно растущих запросов к качеству готовой продукции. В связи с этим растет потребность отраслевых предприятий в инновационных решениях, обеспечивающих рост производительности и снижение издержек на производстве. Одним из наиболее перспективных инновационных направлений развития агропромышленного комплекса на текущий момент является внедрение роботизированных сельскохозяйственных систем точечного земледелия, нацеленных на автоматизацию различных производственных операций. Одной из актуальных задач в области роботизированных сельскохозяйственных систем автоматизации является задача разработки методов и подходов к точечному орошению и внесению удобрений, отличающихся высоким уровнем автономности, широкой рабочей областью и способностью к выполнению поставленных задач в непрерывном режиме. В рамках настоящего исследования был предложен метод точечного внесения удобрений, основанный на использовании группы гетерогенных робототехнических средств. Гетерогенный состав системы обеспечивает возможность замены аккумуляторных батарей и пополнения растворных баков робототехнических средств, осуществляющих внесение удобрений в зонах выполнения операций посредством использования специализированных наземных роботов. Апробация предложенного метода проводилась в виртуальной среде Gazebo на примере сада колонновидных яблонь площадью в несколько гектаров, включающего в себя более 8000 деревьев. Итоговая консолидированная оценка эффективности предложенного решения, усредненная по всем выделенным группам задач, составила 74,6 %. Средняя доля пропущенных в рамках эксперимента деревьев составила 7,8 %. Согласно результатам проведенного эксперимента предложенное решение позволяет не только успешно выполнять задачи по внесению удобрений на крупных сельскохозяйственных объектах в непрерывном режиме работы, но и проводить автономную идентификацию потенциальных зон, на которых требуется осуществить внесение удобрений.

Об авторе

Р. Н. Яковлев
Санкт-Петербургский Федеральный исследовательский центр, РАН
Россия

Младший научный сотрудник.

Санкт-Петербург, 199178



Список литературы

1. Доктрина продовольственной безопасности Российской Федерации. URL: http://www.scrf.gov.ru/security/economic/document108/ (дата обращения 11.07.2022).

2. Стратегия развития агропромышленного и рыбохозяйственного комплексов Российской Федерации на период до 2030 года. URL: https://docs.cntd.ru/document/564654448 (дата обращения 11.07.2022).

3. Shamshiri R., Weltzien C., Hameed I. A., Yule I., Grift T., Balasundram S. K., Chowdhary G. Research and development in agricultural robotics: A perspective of digital farming farming // International Journal of Agricultural and Biological Engineering. 2018. Vol. 11, N. 4. P. 1—14.

4. Bechar A., Vigneault C. Agricultural robots for field operations. Part 2: Operations and systems // Biosystems engineering. 2017. Vol. 153. P. 110—128.

5. Guzey A., Akinci M. M., Guzey H. M. Smart Agriculture With Autonomous Unmanned Ground and Air Vehicles: Approaches to Calculating Optimal Number of Stops in Harvest Optimization and a Suggestion // Artificial Intelligence and IoTBased Technologies for Sustainable Farming and Smart Agriculture. IGI Global. 2021. P. 151—174.

6. Tsouros D. C., Bibi S., Sarigiannidis P. G. A review on UAV-based applications for precision agriculture // Information. 2019. Vol. 10, N. 11. P. 349.

7. Vardhan P. H., Dheepak S., Aditya P. T., Arul S. Development of automated aerial pesticide sprayer // International Journal of Engineering Science and Research Technology. 2014. Vol. 3, N. 4. P. 458—462.

8. ME S. M., Maguteeswaran R., BE N. G., Srinivasan G. Quadcopter UAV based fertilizer and pesticide spraying system // Int. Acad. Res. J. Eng. Sci. 2016. Vol. 1. P. 8—12.

9. Николаенков А. А., Осипов Е. В. Компоновка беспилотного летательного аппарата аграрного назначения. 2018. URL: http://elib.osu.ru/handle/123456789/5789 (дата обращения 12.12.2022).

10. Baluprithviraj K. N., Naveena P., Palanisamy R. Quadcopter based Automatic Spattering of Pesticides and Fertilizers // Journal of Electronic Design Engineering. 2016. Vol. 2. N. 2.

11. Yanliang Z., Qi L., Wei Z. Design and test of a six-rotor unmanned aerial vehicle (UAV) electrostatic spraying system for crop protection // International Journal of Agricultural and Biological Engineering. 2017. Vol. 10, N. 6. P.68—76.

12. Qin W., Xue X., Zhang S., Gu W., Wang B. Droplet deposition and efficiency of fungicides sprayed with small UAV against wheat powdery mildew // International Journal of Agricultural and Biological Engineering. 2018. Vol. 11, N. 2. P. 27—32.

13. Tang Y., Hou C. J., Luo S. M., Lin J. T., Yang Z., Huang W. F. Effects of operation height and tree shape on droplet deposition in citrus trees using an unmanned aerial vehicle // Computers and Electronics in Agriculture. 2018. Vol. 148. P.1—7.

14. Площадь сельскохозяйственных угодий по категориям хозяйств // Сельское хозяйство, охота и охотничье хозяйство, лесоводство в России, 2011. URL: https://www.gks.ru/bgd/regl/b11_38/IssWWW.exe/Stg/04-01.htm (дата обращения 11.07.2022).

15. Xue J., Su B. Significant remote sensing vegetation indices: A review of developments and applications // Journal of sensors. 2017. Vol. 2017.

16. Ghazal M., Al Khalil Y., Hajjdiab H. UAV-based remote sensing for vegetation cover estimation using NDVI imagery and level sets method // Signal Processing and Information Technology (ISSPIT), 2015 IEEE International Symposium on. 2015. P. 332—337.

17. Daroya R., Ramos M. NDVI image extraction of an agricultural land using an autonomous quadcopter with a filtermodified camera // Control System, Computing and Engineering (ICCSCE), 2017 7th IEEE International Conference on. 2017. P. 110—114.

18. Schubert E., Sander J., Ester M., Kriegel H. P., Xu X. DBSCAN revisited, revisited: why and how you should (still) use DBSCAN // ACM Transactions on Database Systems (TODS). 2017. Vol. 42, N. 3. P. 1—21.

19. Yan Z., Liang J., Pan W., Li J., Zhang C. Weakly-and semi-supervised object detection with expectation-maximization algorithm // arXiv preprint arXiv:1702.08740. 2017.


Рецензия

Для цитирования:


Яковлев Р.Н. Метод точечного орошения и внесения удобрений с использованием группы автономных роботизированных агентов. Мехатроника, автоматизация, управление. 2023;24(3):142-151. https://doi.org/10.17587/mau.24.142-151

For citation:


Iakovlev R.N. Method of Precise Irrigation and Fertilization Using a Group of Autonomous Robotic Agents. Mekhatronika, Avtomatizatsiya, Upravlenie. 2023;24(3):142-151. (In Russ.) https://doi.org/10.17587/mau.24.142-151

Просмотров: 215


ISSN 1684-6427 (Print)
ISSN 2619-1253 (Online)