CC BY
3
Статья поступила в редакцию: 12.03.2024 Received: 12.03.2024
Одобрена после рецензирования: 22.03.2024 Approved after reviewing: 22.03.2024
Принята к публикации: 09.04.2024 Accepted for publication: 09.04.2024
Научная статья УДК 637.112.5; 637.115
ИССЛЕДОВАНИЕ СИСТЕМЫ МАШИННОГО ЗРЕНИЯ РОБОТИЗИРОВАННОЙ УСТАНОВКИ ПРЕДДОИЛЬНОЙ ПОДГОТОВКИ ВЫМЕНИ КОРОВ
Мухтар Ахмиевич Керимов1, Николай Вячеславович Муханов2, Дмитрий Владимирович Барабанов3^
1Санкт-Петербургский государственный аграрный университет, Санкт-Петербург, Россия 2,3ФГБОУ ВО Верхневолжский ГАУ, Иваново, Россия.
1Martan-rs@yandex.ru, https:orcid.org/0000-0003-0358-1114 2nikem81@rambler.ru, https:orcid.org/0000-0003-1773-3625 3Barabanov_dmitry@mail.ru, https:orcid.org/0000-0003-2199-8781
Аннотация. Применение доильных роботов позволяет исключить ручной труд при обслуживании дойного стада. Однако данные системы достаточно дороги для массового использования. Решением этой проблемы может стать разработка систем, позволяющих роботизировать отдельные технологические операции. Анализ литературы и патентных документов показал, что достаточно перспективным является роботизация подготовительных операций перед доением на доильных установках типа «Карусель» при помощи роботизированной установки преддоильной подготовки вымени коров, которая располагается на входе в доильный зал и выполняет подмыв и массаж вымени в автоматическом режиме. Создание такой установки, в первую очередь, требует разработки системы машинного зрения. В статье рассмотрена система машинного зрения роботизированной установки преддоильной подготовки вымени коров, построенная на базе двух 2D видеокамер. Целью исследования является оценка точности данного способа определения координат по величине погрешности. Исследование было проведено в три этапа. На первом этапе была оценена величина погрешности в определении координат предложенной системы машинного зрения. Установлено, что точность определения координат можно повысить при помощи угловых поправок, которые в различных точках рабочей области имеют разное значение. На втором этапе были построены математические модели, описывающие характер распределения угловых поправок в пределах рабочей
118
области. На основе данных моделей предложена методика двухуровневого расчёта координат. На третьем этапе исследований проведена оценка погрешности в определении координат при использовании методики двухуровневого расчёта. Установлено, что применение данной методики позволяет повысить точность определения координат в 2 раза и расширить область, в которой погрешность определения координат не превышает 1 см. Проведенные исследования позволили сделать вывод о том, что система машинного зрения на базе двух камер может быть использована для позиционирования рабочего органа в роботизированной установке преддоильной подготовки вымени.
Ключевые слова: молочное скотоводство, роботизация, преддоильная подготовка вымени, манипулятор, машинное зрение
Для цитирования: Керимов М.А., Муханов Н.В., Барабанов Д.В. Исследование системы машинного зрения роботизированной установки преддоильной подготовки вымени и повышение её точности // АгроЭкоИнженерия. 2024. № 1(118). С. 118-135 https://doi.org/
Research article
Universal Decimal Code 637.112.5; 637.115
INVESTIGATION OF THE MACHINE VISION SYSTEM OF THE ROBOTIC INSTALLATION
OF PRE-MILKING UDDER COWS PREPARATION
Mukhtar А. Kerimov1, Nikolay V. Muhanov2, Dmitry V. Barabanov3H
1St. Petersburg State Agrarian University, Saint Petersburg, Russia 23FSBEIHE "Verkhnevolzhsk SUAB", Ivanovo, Russia
1Martan-rs@yandex.ru, https:orcid.org/0000-0003-0358-1114 2nikem81@rambler.ru, https:orcid.org/0000-0003-1773-3625 3Barabanov_dmitry@mail.ru, https:orcid.org/0000-0003-2199-8781
Abstract. The use of milking robots eliminates manual labour in the dairy herd servicing. Yet, these systems are quite expensive for mass use. The solution to this problem can be designing of robots for individual technological operations. According to literature and patents analysis, robotisation of pre-milking operations in Carousel milking parlours shows great promise. A robotic unit is located at the entrance to the milking parlour. Its function is to wash and massage the cow udder in automatic mode before the milking. Designing of such unit requires the development of a machine vision system in the first place. The article considers the machine vision system of a robotic unit for pre-milking cow udder treatment. The system was based on two 2D video cameras. The research aim was to check the accuracy of this method of determining coordinates by the magnitude of error. The research was carried out in three stages. The first stage estimated the magnitude of error. It was established that the accuracy of determining coordinates could be improved by using angular corrections, which had different values at different points of the working area. The second stage created mathematical models describing the nature of the distribution of angular corrections within the working area. Based on these models, a two-level coordinate calculation technique was proposed. The third stage estimated the error in determining the coordinates using the two-level calculation method. The study revealed that the use of this
technique allowed improving the accuracy of the considered machine vision system two-fold and expanding the area within which the error in determining the coordinates did not exceed 1 cm. The conducted research allowed concluding that a machine vision system based on two cameras could be used for positioning the working tool in a robotic pre-milking cow udder treatment unit.
Keywords: dairy cattle breeding, robotization, cow udder washing and massage, manipulator, machine vision.
For citation: Kerimov M.A., Muhanov N.V., Barabanov D.V. Investigation of the machine vision system of the robotic installation of pre-milking udder preparation and improvement of its accuracy. AgroEcoEngineering. 2024; 1(1): 118-135. (In Russ.) https://doi.org/
Введение. В настоящее время в России применяются привязный и беспривязный способы содержания коров. При этом с точки зрения трудозатрат, необходимых для обслуживания дойного стада, технология с беспривязным способом содержания коров является более эффективной. В связи с этим последние годы в России отметились активным ростом поголовья коров, содержащихся беспривязно. По состоянию на 2022 год доля хозяйств с привязным способом содержания в Российской Федерации снизилась до 50,2 %.
Вне зависимости от способа содержания, правила машинного доения коров требуют при их доении выполнения преддоильной подготовки, которая включает в себя подмыв вымени и его массаж, вытирание вымени насухо и сдаивание первых струек молока. Данная операция является наиболее трудозатратной, поэтому разработка систем, обеспечивающих выполнение подготовительных операций в автоматическом режиме, является достаточно актуальной задачей.
В настоящее время в большинстве хозяйств подмыв и массаж вымени осуществляется вручную или с применением технических средств, позволяющих частично механизировать данную операцию. Зачастую подготовка вымени коров к доению осуществляется путём подмыва тёплой водой с последующим вытиранием вымени насухо при помощи полотенца. В доильных залах достаточно распространено применение различных дезинфицирующих средств, которые наносят при помощи одноразовых или многоразовых салфеток, а также при помощи специальных стаканов и распылителей. [1, 2].
Полностью исключить ручной труд при подготовке вымени к доению позволяют доильные роботизированные системы, в которых обработка сосков перед доением осуществляется при помощи двух роликовых щёток или специального гигиенического стакана [3, 4]. Однако, данные системы имеют достаточно высокую стоимость, что затрудняет их массовое внедрение [5]. Решением этой проблемы может стать разработка роботизированных систем со значительно упрощенной конструкцией, которые позволят роботизировать отдельные технологические операции, в частности - преддоильную подготовку.
С целью снижения затрат труда при доении коров на конвейерно-кольцевых доильных установках типа «Карусель» разрабатывается роботизированная установка преддоильной подготовки вымени коров, которая устанавливается на входе в доильный зал и выполняет в автоматическом режиме подмыв и массаж вымени. В этом случае оператору доильного зала остаётся вытереть вымя насухо и сдоить первые струи молока. Доильные установки данного типа наиболее удобны для использования роботов, поскольку обслуживание животных здесь приближено к поточной линии промышленного предприятия [6].
Одной из наиболее важных частей любого робота, применяемого для доения коров, является система машинного зрения, которая надежно определяет положение сосков вымени в пространстве и управляет перемещением манипулятором рабочего органа. Успешность разработки роботизированной установки преддоильной подготовки вымени коров, в первую очередь, определяет разработка данной системы.
Учёными и инженерами на основе различных физических принципов разработано множество способов реализации машинного зрения. Для определения положения сосков вымени были предложены сенсорные устройства и системы на основе фотоэлементов [7, 8]. Также множество исследований посвящено применению в системах машинного зрения доильных роботов ультразвуковых систем, при использовании которых успешность подключения доильных стаканов достигала 94% [9, 10].
В современных роботизированных системах всё более широкое применение находят 3D камеры и лазерные системы [11]. Данные системы позволяют строить карту глубины, подходы к формированию которой могут быть различными. В 3D TOF камерах глубина пространства измеряется по времени, которое затрачивает луч на движение от источника до препятствия, и обратно. В камерах 3D RGB-D совмещены датчик глубины пространства и RGB камера, передающая данные о цвете объекта [12, 13, 14]. Данные системы достаточно сложны с технической точки зрения и, кроме того, имеют высокую стоимость.
Задачу измерения глубины пространства также позволяет решить использование стереоскопических систем [11], которые можно построить на базе двух 2D камер, в качестве которых можно использовать достаточно дешёвые модули.
Исходя из этого, в роботизированной установке преддоильной подготовки вымени коров для определения положения сосков вымени предложена система машинного зрения, построенная на базе двух видео камер, осуществляющих съёмку вымени с двух сторон за счёт скрещивания оптических осей (рис. 1). Данные камеры располагаются на элементах конструкции станка, имеют большое базовое расстояние и имеют возможность разворота в сторону вымени [15]. Это позволяет вынести камеры за пределы станка и исключить воздействие на них животных. Координаты сосков в этом случае определяются по величине смещения сосков относительно центра изображений, получаемых с камер (рис. 1) [16].
Рис. 1. Определение координат сосков вымени: 1 - вымя; 2 - камера №1; 3 - камера №2; 4 -изображение, получаемое с первой камеры; 5 - изображение, получаемое со второй камеры; Ь11, И12, Ь13, И14 - смещение сосков относительно центра на первом изображении; h21, h22, И23, И24 - смещение сосков относительно центра на втором изображении.
121
Fig. 1. Determination of the coordinates of udder nipples: 1 - udder; 2 - camera No. 1; 3 - camera No. 2; 4 - image obtained from camera No.1; 5 - image obtained from camera No.2; h11, h12, h13, h14 - nipples displacement relative to the center in first image; h21, h22, h23, h24 - nipples displacement relative to the center in the second image.
Предварительные испытания системы машинного зрения показали справедливость теоретических расчётов и позволили определить величину погрешности в определении координат, среднее значение которой оказалось равным 0,014 м [17]. Величина погрешности в определении координат предложенной системы машинного зрения велика для точного позиционирования, однако даже она может быть нивелирована за счёт использования рабочего органа с двумя роликовыми щётками большого радиуса.
При проведении исследований разворот камер осуществлялся при помощи шаговых двигателей, на валах которых они были закреплены [17]. При этом формулы для расчёта координат содержат угловые величины, определяемые углом разворота камер. Поэтому возникло предположение о том, что точность в определении координат можно повысить, введя в расчёт поправки на угол поворота камер, которые компенсируют неточности в работе поворотного механизма. Таким образом, угловые поправки представляют из себя некоторую угловую величину, которая добавляется к углу поворота камер при расчёте координат.
Для определения угловых поправок была разработана методика их расчёта. Экспериментальные исследования, проведенные с учётом угловых поправок, показали, что их использование значительно снижет погрешность в определении координат системой машинного зрения, построенной на базе двух 2D видеокамер. Установлено, что в различных точках рабочей области, величина поправки на угол поворота камер имеет различное значение, а значит их можно рассматривать, как функцию координат:
Ла = f1(x, y, z)
, (1)
Л$ = /2( x, y, z)
где а - угол поворота первой камеры, в - угол поворота второй камеры, Да - поправка на угол поворота первой камеры, Дв - поправка на угол поворота второй камеры.
Для поиска функций Да = ¡1(х,у,х) и Дв = /2(х,у,2) была рассмотрена задача оптимизации, где критерием оптимизации является величина погрешности в определении координат сосков машинным зрением. На основе полученных данных предложен двухступенчатый способ определения координат сосков вымени.
Целью исследования является оценка точности предложенного способа определения координат сосков вымени коровы в роботизированной установке преддоильной подготовки вымени по величине погрешности.
Материалы и методы. Для исследования предложенного способа определения координат сосков вымени коров была создана лабораторная установка, моделирующая работу роботизированной установки преддоильной подготовки вымени коров и её машинного зрения (рис. 2). Камеры системы машинного зрения крепились при помощи направляющих из алюминиевого профиля и металлических кронштейнов к боковым стенкам станка. В качестве камер системы машинного зрения были использованы модули HBV-1615. Поворот камер осуществлялся при помощи шаговых двигателей №та17 Ж4401, на валах которых они были закреплены. Начальное положение камер устанавливалось при помощи экранов калибровки, закрепленных на боковых стенках при помощи алюминиевого профиля. Данные экраны использовались для установки камер перед проведением измерений в
122
положение, при котором их оптические оси параллельны друг другу и осевой линии станка. Во время калибровки мишень камер совмещается с мишенью экранов (рис. 3).
Рис. 2. Внешний вид лабораторной установки: 1 - станок; 2 - входная дверца; 3 - экран калибровки; 4 - манипулятор; 5 - блок управления; 6 - выходная дверца; 7 - алюминиевый
профиль для крепления камер; 8 - камера. Fig. 2. Appearance of the laboratory installation: 1 - milking stall; 2 - entrance gate; 3 - calibration screen; 4 - manipulator; 5 - control unit; 6 - exit gate; 7 - aluminum profile for mounting cameras;
8 - camera.
Рис. 3. Программа для работы с лабораторной установкой: 1 - указатели, отмечающие положение соска, 2 - горизонтальное смещение соска; 3 - вертикальное смещение соска; 4 -запуск алгоритма подбора поправки; 5 - калибровка камеры по мишени; 6 - результат подбора угловых поправок; 7 - фактические координаты соска. Fig 3. The program for working with the laboratory setup: 1 - pointers marking the nipple position; 2 - horizontal nipple displacement; 3 - vertical nipple displacement; 4 - start of correction selection
algorithm; 5 - camera calibration to the target; 6 - the result of angular corrections selection; 7 -
actual nipple coordinates.
При проведении исследований измерялись координаты макета соска вымени коровы, который размещался в пределах рабочей области, размеры и положение которой определены на основе ранее проведенного кинематического анализа, среднестатистических данных о размерах вымени коров и зоотехнических требований к технологии машинного доения коров. Рабочая область представляет из себя прямоугольный параллелепипед с основанием в виде прямоугольника, стороны которого равны 40 см и 100 см соответственно. Рабочая область была разбита на три уровня плоскостями, расположенными на высоте 45 см, 52,5 см и 60 см. Каждая плоскость была разбита на квадраты со стороной 20 см, что позволило получить сетку с 18-ю узловыми точками. С учетом всех трёх плоскостей в рабочей области было выделено 54 точки, в каждую из которых помещался макет соска (рис. 4).
5
Рис. 4. Исследуемая рабочая область: 1 - границы станка лабораторной установки;
2 - рабочая область; 3 - точки размещения макета соска и измерений; 4 - первая камера;
5 - шаговый двигатель первой камеры; 6 - вторая камера; 7 - шаговый двигатель второй
камеры; 8 - штатив; 9 - макет соска.
Fig 4. The working area under study: 1 -boundaries of the milking stall of the laboratory installation; 2 - working area; 3 - nipple mock-up placement and measurement points; 4 - camera
No.1; 5 -stepper motor of camera No.1;
6 - camera No.2; 7 - stepper motor of camera No.2; 8 - tripod; 9 - nipple mock-up.
В каждой узловой точке производился расчёт поправок на угол порота камер Да и Др, обеспечивающих минимальную погрешность в определении координат системой машинного зрения. В этих же точках, с учётом полученных значений поправок, рассчитывалась величина погрешности. Измерения погрешности и расчёт поправок в каждой точке проводились с пятикратной повторностью при различных углах разворота камер.
Погрешность в определении координат системой машинного зрения осуществлялась путем сравнения координат двух точек. Первая точка определяется фактическими координатами макета соска, которые определялись при помощи лазерного дальномера, а вторая - координатами соска, вычисленными системой машинного зрения:
Ar = V(x1 - X2 )2 + (У - У )2 + (zl - Z2 )
(2)
где Аг - погрешность в определении координат системой машинного зрения, XI, у1, ц -фактические координаты макета соска вымени, хг, уг, ¿2 - координаты макета соска, вычисленные при помощи системы машинного зрения.
Для расчёта угловых поправок в программе для работы с лабораторной установкой был реализован алгоритм их подбора методом перебора. Блок-схема данного алгоритма приведена на рисунке 5. Подбор поправок осуществляется в пределах отрезка [Аа.тш; Аатах] и [АРтш; АРтах] с шагом Ьа и hp соответственно. Данные параметры устанавливаются вручную в настройках программного обеспечения. На каждом шаге алгоритма осуществляется сравнение рассчитанных машинным зрением координат с фактическими координатами. В проведенных исследованиях, при анализе степени влиянии угловых поправок на погрешность в определении координат, их подбор для обеих камер осуществлялся в пределах [-5;5] градусов с шагом 0,1 градуса. При проведении факторного эксперимента расчёт поправок был осуществлен в пределах [-3;3] с шагом 0,01 градуса.
Рис. 5. Блок-схема алгоритма подбора поправок. Fig. 5. Block diagram of the correction selection algorithm.
Алгоритм подбора поправок был использован при построении математической модели, описывающей распределение величины угловых поправок в пространстве, т.е. Да = /](х,у,2) и Дв = /2(х,у,г). Данная модель представляет собой уравнение регрессии, полученное на основе данных проведенного трёхуровневого трёхфакторного эксперимента (рис. 6), для которого были определены факторы и уровни их варьирования. Так как величина угловых поправок имеет пространственное распределение в пределах рабочей области, то в качестве факторов, влияющих на величину погрешности системы машинного зрения Дг были приняты координаты x, у, z.
Рис. 6. Факторы, определяющие распределение угловых поправок: 5к - ошибка установки камер; 5h - ошибка установки флага на изображении; 5Шм - ошибка измерения координат
макета.
Fig. 6. Factors determining the distribution of angular corrections: 5к - camera installation error; 5h - error setting the flag on the image; 5изм - error measuring layout coordinates.
Уровни варьирования факторов были определены исходя из размеров и положения рабочей области в границах станка роботизированной установки преддоильной подготовки вымени коров (таблица 1). Сочетание факторов в каждой точке плана эксперимента фактически обозначало координаты точки, в которую помещался макет соска и производился расчёт поправок Да и Др. На рисунке 4 показаны границы рабочей области по высоте, соответствующие расстоянию от пола до основания соска. При проведении экспериментов координата z измерялась для конца соска. Кроме того, для удобства установки макета соска в заданную точку, отсчёт высоты осуществлялся от нижних перекладин боковых стенок (рис. 2). Поэтому, значения уровней варьирования фактора X3, отличаются от схемы рабочей области, приведенной на рисунке 4 и составляют 0,255, 0,33 и 0,405 м, соответственно.
Таблица 1. Уровни варьирования факторов и их кодированное обозначение.
Table 1. The levels of factors variation and their coded designation.
Факторы Кодированное обозначение Уровни варьирования факторов
-1 0 +1
x X1 1,244 (м) 1,744 (м) 2,244 (м)
y X2 0,249 (м) 0,449 (м) 0,649 (м)
z X3 0,255 (м) 0,330 (м) 0,405 (м)
На заключительном этапе экспериментальных исследований в каждой выделенной точке рабочей области было произведено измерение погрешности в определении координат. В этом случае координаты рассчитывались в два этапа. На первом этапе определялись
предварительные координаты макета соска, после чего при помощи полученных математических моделей, описывающих распределение угловых поправок, осуществлялся расчёт поправок Да и Др, соответствующих данной точке. После этого производился повторный расчёт координат и оценка погрешности в каждой точке рабочей области, но с учетом поправок на угол поворота камер.
Результаты исследований. В результате проведенных исследований установлено, что во всех выделенных точках рабочей области, можно подобрать угловую поправку на угол поворота камер, которая значительно снижет ошибку в определении координат. Величина угловой поправки для первой камеры, в зависимости от исследуемой точки рабочей области, находится в пределах отрезка [-1,70; 0,60], а для второй - [-0,90; 0,40]. Данные значения не превышают величины одного шага шагового двигателя, применяемого для разворота камер, который равен 1,80.
Погрешность в определении координат с использованием угловых поправок снижается практически в 3,8 раза и составляет 0,0035 (м). Соответственно так же значительно снижаются и ошибки в определении отдельных координат (таблица 2). При этом в 90 % измерений величина погрешности не превышала 0,007 м, а её максимальное значение среди всех 270 измерений составило 0,02 м. Это значение меньше аналогичного показателя, полученного при расчёте погрешности без учёта поправок, более чем в два раза.
Таблица 2. Результаты измерения погрешности. Table 2. Error measurement results.
Параметр Расчёт погрешности без поправки Расчёт погрешности с учётом поправки
Погрешность определения координат, Дг (м) 0,014 0,0036
Погрешность определения координаты х, Дx (м) 0,011 0,001
Погрешность определения координаты у, Ду (м) 0,0058 0,001
Погрешность определения координаты z Дz, (м) 0,0032 0,0032
Погрешность определения координат в плоскости ХО^ ДХО^ (м) 0,013 0,001
Методика определения координат сосков такова, что их координата z вычисляется, после того как вычислены координаты в плоскости, то есть х и у. Поэтому координату z можно вычислить, как по отношению к первой, так и второй камере. В экспериментах третья координата z рассчитывалась как среднее значение по данным с двух камер. В таблице 2 представлена погрешность в определении координаты z по отношению к среднему двух камер.
Анализ результатов, представленных в таблице 2, показывает, что погрешность в определении координаты z при расчёте координат без учёта поправки и с поправкой, имеет практически одинаковое значение, равное 0,0032 м, что говорит о том, что рассматриваемая система машинного зрения наибольшую ошибку делает при определении координат в плоскости.
На рисунке 7 приведены графики, отражающие характер распределения средних значений погрешности в определении координат системой машинного зрения без учёта поправок на угол поворота камер в различных точках рабочей области. Как видно из рисунка 7, погрешности менее 1 см имеют точки рабочей области, координаты которых расположены в области 1,244 < х < 1,644 (м) (рис. 4). Это точки, расположенные ближе всего к камерам системы машинного зрения. При дальнейшем удалении точек от камер, погрешность значительно увеличивается и превышает значения в 1,5 см. В точках последнего ряда рабочей области погрешность в определении координат системой машинного зрения увеличивается до 2 см.
Рис. 7. Среднее значение погрешности в различных точках рабочей области без учёта
поправок на угол поворота камер.
Fig. 7. The average error value at various points of the working area without taking into account
corrections for the rotation angle of cameras.
В результате статистической обработки экспериментальных данных о величине угловых поправок, обеспечивающих минимальную величину погрешности, в различных точках рабочей области, получены математические модели, адекватно описывающие их распределение в пространстве (3). Данные уравнения были добавлены в программное обеспечение и на их основе реализован алгоритм двухступенчатого определения координат (рис. 8).
[Да = 3,63 -1,84 • x - 3,60 • y - 5,45 • z +1,25 • x • y + 2,76 • x • z, [Aft = -0,56 + 0,088 • x +1,04 • y + 0,61 • x • y - 2,68 • y2.
НАЧАЛО
Ввод:
a,p,hir,h1B,h2r,h2B.
Предварительный расчёт координат
"прел' Упрел' ^пред'
t
Расчёт поправок
Аа = 3,63- 1,84-х - 3,60-у - 5,45-z + 1,25-х-у + 2,76-x-z
Ар = -0,56 + 0,088 х + 1,04у + 0,61 х-у - 2,68х 2 -1-
а = а + Да р = р + др
Расчёт координат с учётом поправок X, у, Z.
1
/ Вывод: X, у, Z. / 1
КОНЕЦ
Рис. 8. Блок-схема алгоритма двухступенчатого расчёта координат. Fig. 8. Block diagram of the two-stage coordinate calculation algorithm.
Использование алгоритма двухступенчатого расчёта координат позволило значительно снизить величину ошибки в определении координат. Среднее значение погрешности в определении координат, рассчитанное по всем исследуемым точкам рабочей области, составило 0,0073 м со средним квадратическим отклонением 0,0036 м. Среди всех 270 измерений погрешности, в 80% случаев, величина погрешности не превышала 0,01 м.
На рисунке 9 приведены графики, отражающие распределение погрешности в определении координат системой машинного зрения в различных точках рабочей области при двухуровневом расчёте. Как видно из рисунка 9, точки, в которых погрешность в определении координат не превышает 1 см, расположены в пределах 1,244 < х < 2,04 (рис. 4). Только в точках последнего ряда рабочей области среднее значение погрешности превышало значение в 1 см. Кроме того, во всех точках плоскости с координатой 0,33 м, погрешность в определении координат не превышает одного сантиметра.
Рис. 9. Среднее значение погрешности в различных точках рабочей области при
двухуровневом расчёт координат.
Fig. 9. The average error value at various points of the workspace with a two-level coordinate
calculation.
Обсуждение. Алгоритм двухуровневого определения координат позволяет расширить область, в точках которой погрешность не превышает 1 см (рис. 7 и 9). Протяженность данной области по отношению к оси х без использования поправок на угол поворота камеры составляет 40 см, в то время, как использование алгоритма с поправками, позволяет получить аналогичную область с протяженностью 80 см, что практически в два раза больше.
Использование данного алгоритма позволяет снизить погрешность в определении координат практически в два раза с 0,014 м до 0,0073 м, при том, что величина угловой поправки не превышает величины одного шага шагового двигателя, применяемого для разворота камер. Достигнутая точность в определении координат достаточна для осуществления преддоильной подготовки вымени. В частности, при осуществлении подготовительных операций роботом, данная погрешность может быть нивелирована за счёт использования рабочего органа с двумя роликовыми щёткам большого радиуса.
Использование поправок на угол поворота камер при расчёте координат позволяет получить достаточно обширную рабочую область с размером 80х40х15 см. В пределах этой области среднее значение погрешности в определении координат составляет 1 см. Это позволяет расширить область станка роботизированной установки преддоильной подготовки вымени, в которой может быть зафиксировано животное для осуществления подготовительных операций. Это позволяет снизить требования к размерам коров, для которых преддоильная подготовка вымени осуществляется при помощи данного робота.
Следует так же отметить, что многие оптические устройства, поставляемые на рынок в виде готовых модулей для использования в качестве систем машинного зрения различных роботов, нуждаются в калибровке [18]. В частности, настройку доильных роботов, как правило, осуществляют сервисные специалисты компаний, производящих данный вид оборудования. Это требует дополнительных, и, порой, значительных затрат. В этом аспекте, приведенный алгоритм двухступенчатого расчёта координат, можно рассматривать как способ калибровки системы машинного зрения роботизированной установки преддоильной подготовки вымени. В целом, угловые поправки не только нивелируют неточности в развороте камер, но также позволяют учесть неточности в установке камер. Рассмотренный выше алгоритм расчёта угловых поправок может быть реализован программно, а калибровка осуществлена без привлечения сервисных специалистов.
Выводы. Проведенные исследования системы машинного зрения роботизированной установки преддоильной подготовки вымени, построенной на базе стереоскопической системы, включающей в себя две 2D камеры, расположенных на боковых стенках станка установки, в целом подтвердили теоретические расчёты и позволяют сделать вывод о применимости данной системы для определения координат сосков вымени при осуществлении подготовительных операций перед доением. Значительно повысить точность данного метода определения координат сосков вымени коров позволяет алгоритм двухуровневого расчёта.
Тем не менее, на данном этапе работ над системой машинного зрения роботизированной установки преддоильной подготовки вымени коров положение соска на изображениях, получаемых с камер, отмечается вручную, при помощи специальных указателей. Для автономной работы данной системы необходимо в программном обеспечении реализовать алгоритмы распознавания положения сосков на изображении. Для этого могут быть использованы нейронные сети.
Организованная подобным образом система машинного зрения будет иметь более сложную программную составляющую, но при этом достаточно простую электронную часть. С точки зрения масштабирования, это позволит получать достаточно дешёвые устройства, использование которых позволит упростить конструкцию и снизить стоимость роботизированной установки преддоильной подготовки вымени коров.
СПИСОК ИСТОЧНИКОВ
1. Рузин С. С., Кирсанов В. В., Павкин Д. Ю., Довлатов И. М. Разработка модифицированного доильного стакана модуля санитарно-гидравлической обработки сосков вымени коровы // Техника и технологии в животноводстве. 2021. № 2(42). С. 3541. https://doi .org/10.51794/27132064-2021-2-35.
2. Курак А.С., Тимошенко В.Н., Музыка А.А., Москалёв А.А., Шейграцова Л.Н., Садомов Н.А. Влияние различных способов преддоильной подготовки вымени коров на рефлекс молокоотдачи // Зоотехническая наука Беларуси. 2023. Т. 58, № 2. С. 182-189 URL: https://zootech.belal.by/jour/article/view/1780
3. Sharipov D. R., Yakimov O. A., Gainullina M. K. Development of automatic milking systems and their classification // IOP Conference Series: Earth and Environmental Science. 2021. Vol. 659, 012080. https://doi.org/10.1088/1755-1315/659/1/012080
4. Filho L., Lopes M., Brito S., Rossi G., Conti L., Barbari M. Robotic milking of dairy cows: a review // Semina: Ciencias Agrarias. 2020. Vol 41(6). P. 2833-2850. https://doi.org/10.5433/1679-0359.2020v41n6p2833
5. Кирсанов В. В., Павкин Д. Ю., Рузин С. С., Цымбал А. А. Сравнительная технико-экономическая оценка автоматизированных и роботизированных доильных установок // Агроинженерия. 2020. № 3(97). С. 39-43. https://doi.org/10.26897/2687-1149-2020-3-39-43
6. Керимов М. А., Барабанов Д. В., Нам И. Я. Г. Оптимизация технологии доения коров за счет совершенствования роботизированной установки преддоильной подготовки вымени // АгроЗооТехника. 2023. Т. 6, № 1. https://doi.org/10.15838/alt.2023.6.1.6
7. Карташов Л. П., Шлейников В. Б. Устройство для ориентации доильных стаканов. Патент №2143800 РФ, заявл. 15.10.1997; опубл. 10.01.2000. Бюл. №1. URL: https://patenton.ru/patent/RU2143800C1
8. Колодезев С. В., Башев И. Ю., Слесарев М. Ю., Сушинский А. Б. Автоматизированная доильная установка. Авторское свидетельство № 1777728 СССР, заявл. 12.07.1990; опубл. 30.11.1992. Бюл. №44. URL: https://patentdb.ru/image/4223228.
9. Sorrenti D. G., Cattaneo M., Villa V. Ultrasonic-based localization of cow teats for robotized milking // Cybernetics and Systems. 2008. Vol. 39 (4). P. 310-332 https://doi.org/10.1080/01969720802039453.
10. Schillingmann D., Mottram T.T. Automatic milking: development of a robot system and ultrasonic teat location // Cybernetics and Systems. 2008. Vol. 50 (1). P. 69-78 https://doi. org/10.1006/jaer.1993.1033.
11. Кирсанов В. В., Павкин Д. Ю., Юрочка С. С., Матвеев В. Ю. Сравнительный анализ и подбор систем технического зрения в молочном животноводстве // Вестник НГИЭИ. 2019. № 1(92). С. 69-79. URL: https://elibrary.ru/item.asp?id=36926989
12. Henry P., Krainin M., Herbst E., Ren X., Fox D. RGB-D mapping: using kinect-style depth cameras for dense 3D modeling of indoor environments // The International Journal of Robotics Research. 2012. Vol. 31(5). P. 647 - 663. https://doi.org/10.1177/02 78364911434148
13. Akhloufi M.A. 3D vision system for intelligent milking robot automation // Proc. SPIE 9025, Intelligent Robots and Computer Vision XXXI: Algorithms and Techniques. 2014. Vol. 9025, 90250N (In Eng.) https://doi.org/10.1117/12.2046072
14. Piatti D, Rinaudo F. SR-4000 and CamCube3.0 Time of Flight (ToF) cameras: tests and comparison // Remote Sensing. 2012. Vol. 4(4). P. 1069-1089. https://doi.org/10.33 90/rs4041069
15. Барабанов Д. В., Муханов Н. В. Система машинного зрения роботизированной установки преддоильной подготовки вымени. В сб.: Научное обеспечение развития АПК в условиях импортозамещения: сб. науч. тр. по материалам межд. науч.-практ. конф. посвящается 115-летию Санкт-Петербургского государственного аграрного университета (24-26 января 2019 г., Санкт-Петербург-Пушкин). СПб-Пушкин: СПбГАУ. 2019. Т. 1. С. 304307. URL: https://www.elibrary.ru/download/elibrary_38530659_81770608.pdf
16. Mukhanov N. V., Barabanov D. V., Krupin A. V., Abalikhin A.M., Marchenko S.A. Theoretical detection of udder coordinates under optical method of manipulator positioning. In: AgroSMART - Smart solutions for agriculture. Proc. Int. Sci. Prac. Conf. 2018. Vol. 151. P. 504-509. https://doi.org/10.2991/agrosmart-18.2018.95
17. Керимов, М. А., Барабанов Д. В. Испытания системы машинного зрения роботов-дояров в молочном скотоводстве. В сб.: Приоритеты развития АПК в условиях цифровизации и структурных изменений национальной экономики: Материалы межд. науч.-практ. конф. профессорско-преподавательского состава, посвященной 190-летию со дня рождения И.А. Стебута (24-26 мая 2023 г., Санкт-Петербург-Пушкин). СПб.: СПбГАУ. 2023. С. 139-145. URL: https://www.elibrary.ru/download/elibrary_54170350_80799691.pdf
18. Rovira-Mas F. Global 3D terrain maps for agricultural applications. In: Bhatti A (ed.) Advances in Theory and Applications of Stereo Vision [Internet] InTech Publ. 2011. P. 227-242. https://doi.org/10.5772/13003.
REFERENCES
1. Ruzin S.S., Kirsanov V.V., Pavkin D.Yu., Dovlatov I.M. Design of a modified milking machine cup for sanitary-and-hydraulic cow udder teats treatment module. Tekhnika i tekhnologii v zhivotnovodstve = Machinery and technologies in livestock. 2021;2(42):35-41 (In Russ.) https://doi .org/10.51794/27132064-2021-2-35
2. Kurak A.S., Timoshenko V.N., Musyka A.A., Moskalev A.A., Sheigratsova L.N., Sadomov N.A. Influence of different ways of pre-milking udder preparation on the milk-ejection reflex. Zootekhnicheskaya nauka Belarusi = Zootechnical Science of Belarus. 2023;58(2):182-189 (In Russ.) URL: https://zootech.belal.by/jour/article/view/1780
3. Sharipov D. R., Yakimov O. A., Gainullina M. K. Development of automatic milking systems and their classification. IOP Conference Series: Earth and Environmental Science. 2021;659:012080 (In Eng.) https://doi.org/10.1088/1755-1315/659/1/012080.
4. Filho L., Lopes M., Brito S., Rossi G., Conti L., Barbari M. Robotic milking of dairy cows: a review. Semina: Ciências Agrârias. 2020;41(6):2833-2850 (In Eng.) https://doi.org/10.5433/1679-0359.2020v41n6p2833.
5. Kirsanov V. V., Pavkin D. YU., Ruzin S. S., Cymbal A. A. Comparative technical and economic assessment of automated and robotized milking plants. Agroinzheneriya = Agricultural Engineering. 2020;3(97):39-43 (In Russ.) https://doi.org/10.26897/2687-1149-2020-3-39-43
6. Kerimov M. A., Barabanov D. V., Nam I. YA. G. Optimization of cow milking technology by improving robotic pre-milking udder preparation unit. AgroZooTekhnika = Agricultural and Livestock Technology. 2023; 6(1) (In Russ.) https://doi.org/10.15838/alt.2023.6.1.6
7. Kartashov L. P., Shleinikov V. B. Device for orientation of milking cups. Patent No. 2143800 of the Russian Federation. 1997. (In Russ.) URL: https://patenton.ru/patent/RU2143800C1
8. Kolodezev S.V., Bashev I. Yu., Slesarev M. Yu., Sushinsky A. B. Automated milking unit. Author's certificate № 1777728 USSR. 1990. (In Russ.) URL: https://patentdb.ru/image/4223228
9. Sorrenti D. G., Cattaneo M., Villa V. Ultrasonic-based localization of cow teats for robotized milking. Cybernetics and Systems. 2008;39(4):310-332 (In Eng.) https://doi.org/10.1080/01969720802039453
10. Schillingmann D., Mottram T.T. Automatic milking: development of a robot system and ultrasonic teat location. Cybernetics and Systems. 2008;50(1):69-78 (In Eng.) https://doi .org/10.1006/jaer.1993.1033
11. Kirsanov V. V., Pavkin D. YU., Yurochka S. S., Matveev V. YU. Comparative analysis and selection of technical vision systems in dairy animal breeding. Vestnik NGIEI = Bulletin NGIEI. 2019;1(92):69-79. (In Russ.) URL: https://elibrary.ru/item.asp?id=36926989
12. Henry P., Krainin M., Herbst E., Ren X., Fox D. RGB-D mapping: using kinect-style depth cameras for dense 3D modeling of indoor environments. The International Journal of Robotics Research. 2012;31(5):647-663. (In Eng.) https://doi.org/10.1177/027836491143 4148
13. Akhloufi M.A. 3D vision system for intelligent milking robot automation // Proc. SPIE 9025, Intelligent Robots and Computer Vision XXXI: Algorithms and Techniques. 2014; 9025: 90250N (In Eng.) https://doi.org/10.1117/12.2046072
14. Piatti D, Rinaudo F. SR-4000 and CamCube3.0 Time of Flight (ToF) cameras: tests and comparison. Remote Sensing. 2012;4(4):1069-1089. (In Eng.) https://doi.org/10.3390/ rs4041069.
15. Barabanov D. V., Mukhanov N. V. Machine vision system of a robotic unit for pre-milking udder preparation. In: Scientific support for the development of the agro-industrial complex in the context of import substitution. Proc. Int. Sci. Pract. Conf. (24-26 January 2019, Saint Petersburg--Pushkin). Saint Petersburg - Pushkin: St. Petersburg SAU. 2019;1:304-307. (In Russ.) URL: https://www.elibrary.ru/download/elibrary_38530659_81770608.pdf
16. Mukhanov N. V., Barabanov D. V., Krupin A. V., Abalikhin A.M., Marchenko S.A. Theoretical detection of udder coordinates under optical method of manipulator positioning. In: AgroSMART - Smart solutions for agriculture. Proc. Int. Sci. Prac. Conf. 2018;151:504-509. (In Eng.) DOI: https://doi.org/10.2991/agrosmart-18.2018.95
17. Kerimov, M. A., Barabanov D. V. Tests of the machine vision system of milking robots in dairy cattle breeding. In: Priorities for the development of the agro-industrial complex in the context
of digitalization and structural changes in the national economy. Proc. Int. Sci. Prac. Conf. (2426 May 2023, St. Petersburg-Pushkin). Saint Petersburg: St. Petersburg SAU. 2023;139-145. (In Russ.) URL: https://www.elibrary.ru/download/elibrary_5417
0350_80799691.pdf
18. Rovira-Mas F. Global 3D terrain maps for agricultural applications. In: Bhatti A (ed.) Advances in Theory and Applications of Stereo Vision [Internet] InTech. Publ. 2011:227-242. (In Eng.) https://doi.org/10.5772/13003
Об авторах About the authors
Мухтар Ахмиевич Керимов, доктор технических наук, профессор кафедры технических систем в агробизнесе, Санкт-Петербургский государственный аграрный университет, 196601, Россия, Санкт-Петербург, г. Пушкин, Петербургское шоссе, д. 2 Martan-rs@yandex.ru https:orcid.org/0000-0003-0358-1114 Mukhtar A. Kerimov Doctor of Technical Sciences, Professor of the Department of Technical Systems in Agribusiness, Saint Petersburg State Agrarian University, 196601, Russia, Saint Petersburg, Pushkin, Peterburgskoye Shosse, 2 Martan-rs@yandex.ru https:orcid.org/0000-0003-0358-1114
Николай Вячеславович Муханов, кандидат технических наук, декан инженерно-экономического факультета, Верхневолжский государственный агробиотехнологический университет, 153012, Россия, Иваново, ул. Советская, д. 45 nikem81@rambler.ru https:orcid.org/0000-0003-1773-3625 Nikolay V. Muhanov, Candidate of Technical Sciences, Dean of the Faculty of Engineering and Economics, Verkhnevolzhsk State University of Agronomy and Biotechnology, 153012, Russia, Ivanovo, Sovetskaya Str., 45 nikem81@rambler.ru https:orcid.org/0000-0003-1773-3625
Дмитрий Владимирович Барабанов, научный сотрудник научно-исследовательского управления, Верхневолжский государственный агробиотехнологический университет, 153012, Россия, Иваново, ул. Советская, д. 45 barabanov_dmitry@mail.ru https:orcid.org/0000-0003-2199-8781 Dmitry V. Barabanov research associate, Office of Research
Management, Verkhnevolzhsk State University of Agronomy and Biotechnology, 153012, Russia, Ivanovo, Sovetskaya Str., 45 barabanov_dmitry@mail .ru https:orcid.org/0000-0003-2199-8781
Заявленный вклад авторов Все авторы настоящего исследования принимали непосредственное участие в планировании, выполнении и анализе данного исследования в равных долях. Authors'contribution All authors of this study were directly involved in the planning, execution and analysis of this study in equal shares.
Конфликт интересов Авторы заявляют об отсутствии конфликта интересов Conflict of interests The authors declare no conflict of interest
Авторы прочитали и одобрили окончательный вариант рукописи к публикации The authors have read and approved the final version of the manuscript for publication
Статья поступила в редакцию: 14.03.2024 Received: 14.03.2024
Одобрена после рецензирования: 01.04.2024 Approved after reviewing: 01.04.2024
Принята к публикации: 09.04.2024 Accepted for publication: 09.04.2024
Научная статья УДК 631.22
ПУТИ СОКРАЩЕНИЯ РАСХОДА ВОДЫ ПРИ ПРОИЗВОДСТВЕ МОЛОКА
НА ФЕРМАХ КРС
Татьяна Юрьевна Миронова1^, Сергей Владимирович Ковалёв2, Виктор Евгеньевич Хазанов3, Татьяна Ивановна Гордеева4
Институт агроинженерных и экологических проблем сельскохозяйственного производства (ИАЭП) - филиал ФГБНУ ФНАЦ ВИМ, Санкт-Петербург, Россия
1 mironova-tat@mail.ru, https://orcid.org/0000-0001-6959-049X
2 kovalyov.sv@yandex.ru, https://orcid.org/ 0009-0009-1310-4283
3 cow-sznii@yandex.ru, https://orcid.org/ 0000-0003-2370-0643
4 cow-sznii@yandex.ru
Аннотация. В связи с повышенным вниманием во всем мире к сохранению водных ресурсов важно знать количество используемой воды в сельскохозяйственном секторе, в том числе и на фермах КРС, для определения путей её экономного использования. Цель исследований - повышение эффективности водопользования за счет сокращения расхода и вторичного использования водных ресурсов на животноводческих предприятиях при производстве молока. На основе нормативных данных и методов ведения хозяйства, характерных для Северо-Западного федерального округа, определено водопользование молочной фермы беспривязного содержания. Общий расход воды для фермы на 1000 коров со шлейфом и среднесуточной продуктивностью 28 кг/гол составляет 189,97 м3/сут. 64 % этой воды используется на поение животных и приготовление кормов, 23,6 % - на охлаждение молока и в настоящее время находит повторное использование в системе поения животных. Вода, использованная на технологические нужды, образует стоки, и составляет 22,82 м3/сут. Из этой воды 30,2 % (6,89 м3) приходится на уборку доильного зала, 26,2 % (5,98 м3) - на промывку доильно-молочного оборудования, 19,3 % (4,4 м3) - на мытье поилок. Стоки, за исключением от промывки доильно-молочного оборудования, поступают в систему навозоудаления. На ферме образуется около 83,6 т экскрементов животных, которые
