CC BY
25
^y^yFWWWW^y? ТРУНПППГИИ MA ШИНЫ И ПКПРУППЛй НИР
^y^yFWWWW^y? ППЯ ЛГРППРПМЫШПРННПГП КПМППРКГА V¥VV¥V¥¥¥VV
4.3.1. ТЕХНОЛОГИИ, МАШИНЫ И ОБОРУДОВАНИЕ ДЛЯ АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА
Научная статья
УДК 519.816: 519.876: 631.171
DOI: 10.24412/2227-9407-2023-1-7-22
Комплексная методика выбора наилучшего варианта робота для прополки сорняков по совокупности его характеристик
Иршат Рашитович Кафиев1в, Петр Сергеевич Романов2, Ирина Петровна Романова3
1 Башкирский государственный аграрный университет, Уфа, Россия
23 Коломенский институт (филиал) Московского политехнического университета, Коломна, Россия 1 kafiev02@maiLrus', https://orcid.org/0000-0003-2034-5260 2romanov_p_s@mail.ru, https://orcid.org/0000-0002-9969-3139 3i-p-romanova@yandex.ru, https://orcid.org/0000-0001-5883-9907
Аннотация
Введение. В статье представлена комплексная методика принятия решения по выбору наилучшего варианта робота для прополки сорняков по совокупности его количественных и качественных характеристик. Материалы и методы. Сегодня различными производителями сельскохозяйственных роботов предлагаются роботы для прополки сорняков, различающиеся по своим характеристикам (как количественным, так и качественным), и в первую очередь по методу прополки. При этом разные модели роботов для прополки сорняков различаются по этим характеристикам разнонаправленно. Одни модели роботов имеют преимущество по одним характеристикам перед другими моделями роботов, но могут уступать по ряду других характеристик. Для покупателя или арендатора этой техники желательно иметь интегральный показатель, по которому можно провести сравнение разных моделей роботов и выбрать лучший из них. Для проведения сравнительного анализа роботов для прополки сорняков предлагается комплексная методика, позволяющая принимать решение по выбору наилучшего варианта такого робота по количественным и качественным характеристикам на основе двух методов: метода спектрального анализа (МСА) и метода анализа иерархий (МАИ). Результаты. Осуществлена постановка задачи и предложена комплексная методика принятия решения по выбору наилучшего варианта робота для прополки сорняков по совокупности его количественных и качественных характеристик. Разработанная методика применена для решения задачи выбора варианта робота для прополки сорняков по совокупности его количественных и качественных характеристик из основных моделей роботов, представленных на рынке сельскохозяйственной техники: Laser Weeder (Carbon Robotics); FD20 (Farm Droid); AVO (Ecorobotix); Boni Rob (Deepfield Robotics); Dino (Naïo Technologies).
Заключение. На основе анализа опубликованных статей по роботам для прополки сорняков определены их основные количественные и качественные характеристики. Также для сравнения выбраны наиболее популярные модели роботов для прополки сорняков. Осуществлена постановка задачи и предложена комплексная методика выбора наилучшего варианта робота для прополки сорняков по совокупности его количественных и качественных характеристик, включающая методы спектрального анализа и анализа иерархий. На ее основе получены интегральные количественные оценки по каждому из вариантов роботов для прополки сорняков. По совокупности количественных и качественных характеристик был получен ранжированный ряд вариантов роботов: Laser Weeder (Carbon Robotics); FD20 (Farm Droid); AVO (Ecorobotix); BoniRob (Deepfield Robotics);
(© Кафиев И. P., Романов П. С., Романова И. П., 2023
Контент доступен под лицензией Creative Commons Attribution 4.0 License. The content is available under Creative Commons Attribution 4.0 License.
Вестник НГИЭИ. 2023. № 1 (140). C. 7-22. ISSN2227-9407 (Print) Bulletin NGIEI. 2023. № 1 (140). P. 7-22. ISSN2227-9407 (Print)
ТРГНМП! nfllFS МЛГШМРЯ Л МП Fn/iiPMriVT¥¥¥¥¥¥¥¥¥¥¥
F/ll? THF IMTWIGTBIAI rrtMDI CY
^^^^^^^^^ run inn aun°-ii\uusimal ьитгьсл
Dino (Nai'o Technologies). Установлено, что на построение ранжированного ряда вариантов роботов по совокупности характеристик большее влияние оказали качественные характеристики. Комплексная методика может быть использована при принятии решения по выбору по совокупности количественных и качественных характеристик наилучшего варианта и других технических систем.
Ключевые слова: количественные и качественные характеристики, комплексная методика выбора варианта робота для прополки сорняков, метод анализа иерархий, метод спектрального анализа, принятие решений, робот для прополки сорняков
Для цитирования: Кафиев И. Р., Романов П. С., Романова И. П. Комплексная методика выбора наилучшего варианта робота для прополки сорняков по совокупности его характеристик // Вестник НГИЭИ. 2023. № 1 (140). С. 7-22. DOI: 10.24412/2227-9407-2023-1-7-22
A comprehensive method of choosing the best work option for weeding weeds according to the totality of its characteristics
Irshat R. KafievPetr S. Romanov2, Irina P. Romanova3
1 Bashkir State Agrarian University, Ufa, Russia
2'3 Kolomna Institute (branch) of Moscow Polytechnic University, Kolomna, Russia 1 kafiev02@mail. ruB,,https://orcid.org/0000-0003-2034-5260 2romanov_p_s@mail.ru, https://orcid.org/0000-0002-9969-3139 3i-p-romanova@yandex.ru, https://orcid.org/0000-0001-5883-9907
Abstract
Introduction. The article presents a comprehensive method of making a decision on choosing the best variant of a robot for weeding weeds according to the totality of its quantitative and qualitative characteristics. Materials and methods. Today, various manufacturers of agricultural robots offer robots for weeding weeds, differing in their characteristics (both quantitative and qualitative), and, first of all, by the method of weeding. At the same time, different models of robots for weeding weeds differ in these characteristics in different directions. Some robot models have an advantage in some characteristics over other robot models, but may be inferior in a number of other characteristics. For the buyer or tenant of this equipment, it is desirable to have an integral indicator by which you can compare different robot models and choose the best one. To conduct a comparative analysis of robots for weeding, a comprehensive methodology is proposed that allows making a decision on choosing the best variant of such a robot based on quantitative and qualitative characteristics based on two methods: the spectral analysis method (MSA) and the hierarchy analysis method (MAI).
Results. The problem statement is carried out and a comprehensive method of decision-making is proposed for choosing the best variant of a robot for weeding weeds according to the totality of its quantitative and qualitative characteristics. The developed technique is applied to solve the problem of choosing a variant of a robot for weeding weeds based on the totality of its quantitative and qualitative characteristics from the main robot models presented on the agricultural machinery market: Laser Weeder (Carbon Robotics); FD20 (Farm Droid); AVO (Ecorobotix); Boni Rob (Deepfield Robotics); Dino (Nai'o Technologies).
Conclusion. Based on the analysis of published articles on robots for weeding, their main quantitative and qualitative characteristics are determined. Also, the most popular models of robots for weeding were selected for comparison. The problem statement is carried out and a complex methodology is proposed for choosing the best variant of a robot for weeding weeds according to the totality of its quantitative and qualitative characteristics, including methods of spectral analysis and hierarchy analysis. Based on it, integral quantitative estimates were obtained for each of the variants of robots for weeding weeds. According to the combination of quantitative and qualitative characteristics, a ranked number of variants of ro-bots were obtained: Laser Weeder (Carbon Robotics); FD20 (Farm Droid); AVO (Ecorobotix); Boni Rob (Deepfield Robotics); Dino (Nai'o Technologies). It was found that qualitative characteristics had a greater
ХХХХХХХХХХХ технологии, машины и оборудование ХХХХХХХХХХХ
VWWVWVW ППЯ ЛГРППРПМЫШПРННПГП КПМППРКГА ¥¥¥¥¥¥¥¥¥¥¥
influence on the construction of a ranked number of robot variants based on a set of characteristics. The complex methodology can be used when making a decision on the choice of a combination of quantitative and qualitative characteristics of the best option and other technical systems.
Keywords: robot for weeding, quantitative and qualitative characteristics, decision-making, spectral analysis method, hierarchy analysis method, a comprehensive method for selecting a variant of a robot for weeding
For citation: Kafiev I. R., Romanov P. S., Romanova I. P. A comprehensive method of choosing the best work option for weeding weeds according to the totality of its characteristics // Bulletin NGIEI. 2023. № 1 (140). P. 7-22. DOI: 10.24412/2227-9407-2023-1-7-22
Введение
Если автоматизация производственных и технологических процессов в промышленности начала реализовываться в середине двадцатого столетия, то автоматизировать технологические процессы в сельском хозяйстве оказалось не так просто, особенно процессы в полеводстве. В промышленности для автоматизации широко использовали роботов, вначале манипуляционных, управляемых по жесткой программе (роботы первого поколения), затем пришло время адаптивных роботов (роботов второго поколения), в настоящее время дополнительно применяют роботов третьего поколения - интеллектуальных. Управление последними построено на технологиях искусственного интеллекта. В сельском хозяйстве робототехнические системы стали широко применяться в конце двадцатого века, и особенно в XXI веке. Причем не только в логистических центрах, на фермах, птицефабриках, тепличных хозяйствах, но и в полеводстве. На поля вышли беспилотные тракторы и комбайны, выполняющие сложные технологические операции по обработке земли и уборке урожая [1; 2; 3; 4].
Робототехника является на сегодняшний день одним из самых стремительно развивающихся направлений современной науки, что связано в первую очередь с развитием компьютерной техники и появившимися в связи с этим возможностями для совершенствования автоматических систем управления. Фактически создание автономных средств для выполнения каких-либо задач ограничивается возможностями сенсоров, которые получают информацию о состоянии окружающей среды, и процессорами программных средств, при помощи которых происходит её обработка и формирование управляющих команд. На начальном этапе развития робототехники существенным достижением считалось качество получаемой от датчиков информации, сопоставимое с информацией, получаемой человеком от своих органов чувств. Но сейчас уже наблю-
дается существенное превосходство технических средств над человеческим телом, причем не столько в плане физической силы и выносливости, что было достигнуто достаточно давно, а именно в качестве и количестве получаемой в режиме реального времени информации об окружающих объектах [5; 6; 7].
Технический прогресс позволил производить огромное количество доступных по цене и небольших по размеру сенсорных систем: камер высокого разрешения, обеспечивающих технологию компьютерного зрения; сонаров, инфракрасных дальномеров, ToF-камер, радаров и лидаров для определения линейных, угловых перемещений, расстояния, ускорения, сил и моментов и других механических величин; измерителей температуры, тока и напряжения, интенсивности светового потока, радиоактивных и магнитных полей; акустических сенсоров; детекторов химического состава. Оснащение робота компактными и эффективными сенсорными системами позволяет делегировать ему выполнение сложных задач и проведение точных манипуляций. Это оказывается востребованным во многих областях производства, в том числе и в сельском хозяйстве [8; 9].
Сельское хозяйство обеспечивает производство незаменимого продукта - питания, без которого существование человечества невозможно. Аграрная отрасль отвечает за производство и переработку овощей, фруктов, зерновых культур, мяса и рыбы, кормов для сельскохозяйственных животных. Специфика производства заключается в сезонности, которая приводит к неравномерности использования трудовых ресурсов в течение года и, как следствие, к оттоку кадров из отрасли, чему способствует также невысокая оплата труда. Вследствие этого роботизация сельского хозяйства является на сегодняшний день насущной необходимостью.
Выполняемые в растениеводстве и животноводстве операции, как правило, несложны и рутинны, имеют высокий уровень повторяемости и легко реализуются в алгоритмах, что позволяет заменить
technologies, machines and equipment
' for the agro-industrial complex
людей автоматизированными системами. На сегодняшний день уже разработано достаточно большое количество различных роботов: платформы для перевозки грузов, роботы-пастухи, роботы-доярки, автоматические кормушки и уборщики конюшен и хлевов, автономные трактора для вспашки земли, посева семян и уничтожения сорняков. Роботы для прополки сорняков появились относительно недавно, позже, чем многие другие. Причина, прежде всего, в сложности выполняемой операции. Прополка требует как строго контролируемого перемещения трактора между рядами выращиваемых культур, так и определения и уничтожения сорняков, при этом урожай должен оставаться неповрежденным [10; 11; 12; 13].
К решению проблемы прополки есть несколько подходов. Первый предполагает рыхление почвы вокруг посевов по координатам, контролируемым при помощи высокоточной навигации, например, GPS RTK. Координаты выращиваемых культур в таком случае должны быть известны заранее, а значит, требуется высокоточный посев также при помощи робота и с использованием GPS RTK. Такой подход имеет много преимуществ: урожай получается экологически чистым, не загрязненным гербицидами; рыхление благотворно влияет на посевы и увеличивает размеры и качество выращиваемой культуры; получается существенная экономия средств на химикатах. Механическое удаление сорняков возможно и путем срезания их ножами, стальной проволокой или вдавливанием в грунт. Все эти способы несколько хуже, чем рыхление, но также позволяют обходиться без гербицидов, что является существенным достоинством [14; 15].
Второй подход - это химическое прицельное воздействие на сорняки, что позволяет сократить количество гербицидов минимум в 10 раз. Для обеспечения такого воздействия требуются высокоточные камеры и большая база фотографий различных сорных растений, а также система распознавания образов, позволяющая, с одной стороны, не пропускать сорняки, принимая их за урожай, с другой - не допускать прополки ценных культур, перепутанных с сорными растениями. Преимущество заключается в точечном воздействии, что делает продукцию более экологически чистой и экономит денежные средства. В то же время оснащение робота камерами увеличивает его стоимость.
Третий подход - тепловое прицельное воздействие на сорняки, тепловая энергия передается при помощи мощного лазера. Преимуществами, как и в
механической прополке, являются экологичность продукции и экономия. Но, как и в предыдущем подходе, для точечного воздействия требуется система распознавания образов.
Еще одним существенным фактором, влияющим на выращивание урожая, является масса робота - чем она больше, тем существеннее нарушение микроструктуры почвы за счет уплотнения.
Остальные характеристики роботов для прополки больше касаются финансовой стороны вопроса: робот на солнечных батареях автономный, экологически чистый и работает без затрат на топливо, в отличие от роботов, имеющих дизельный двигатель. В то же время утилизация аккумуляторов и отработанных солнечных батарей требует затрат средств и загрязняет окружающую среду. Многофункциональность робота также является большим достоинством. Не каждое фермерское хозяйство может позволить себе отдельную технику для перевозки грузов и прополки, посадки, обработки химикатами, рыхления растений.
Возможность брать технику в аренду на небольшой срок от нескольких месяцев до года - это тоже большой плюс. Покупка прополочного робота требует больших финансовых вложений, которые окупаются, как правило, в течение двух-трёх лет, в отличие от труда сезонных рабочих, который оказывается хоть и невыгодным в отдаленной перспективе, но зато не требует существенных материальных вложений на первом этапе, расходы являются не одноразовыми и предварительными, а постепенными.
Таким образом, роботы для прополки сорняков могут быть описаны характеристиками, которые являются как количественными, так и качественными. При этом разные модели роботов для прополки сорняков различаются по этим характеристикам разнонаправленно. Одни модели роботов имеют преимущество по одним характеристикам перед другими моделями роботов, но могут уступать по ряду других характеристик. Для покупателя или арендатора этой техники желательно иметь интегральный показатель, по которому можно провести сравнения разных моделей роботов и выбрать лучший из них.
Цель исследования - создание и применение комплексной методики принятия решения по выбору наилучшего варианта робота для прополки сорняков по совокупности его количественных и качественных характеристик.
технологии, машины и оборудование для агропромышленного комплекса
Материалы и методы
Сегодня различными производителями сельскохозяйственных роботов предлагаются роботы для прополки сорняков, различающиеся по своим характеристикам (как количественным, так и качественным), и в первую очередь по методу прополки. Известны следующие методы прополки, которые применяются при разработке данных роботов: обработка гербицидами, механический (обрезка стальной проволокой, трамбовка штырём, срезание лезвием), лазерная обработка (выжигание лазером). Рассмотрим основные модели роботов для прополки сорняков на основе публикаций.
Швейцарская компания Ecorobotix специализируется на производстве интеллектуальных распылителей сверхвысокой точности, которые позволяют применять гербициды, фунгициды, инсектициды или жидкие удобрения прицельно, что не только сокращает расход средств до 95 %, но и уменьшает химическую нагрузку на почву и повышает экологичность продукции. Распылители позволяют применять как селективные гербициды против сорняков (опрыскиваются даже сорняки рядом с посевами), так и неселективные (вокруг каждого растения поддерживается безопасная зона в 4 см без опрыскивания). Роботы с интеллектуальными распылителями, выпускаемые компанией, предназначены для обработки как пропашных (сахарная свекла, рапс, маис, соя, цикорий), так и овощных(стручковая фасоль, лук, салат айсберг, салат, шпинат, зелень) культур, а также лугов и газонов и позволяют успешно бороться с такими большими сорняками, как шотландский чертополох и картофель, проросший из прошлогодних клубней, потерянных или пропущенных во время уборки урожая. Управление роботами осуществляется с планшета путем выбора типа культуры и типа обработки, все остальные параметры автоматически настраиваются в соответствии со скоростью и направлением движения. Распознавание образов растений для различения выращиваемых культур и сорняков осуществляется при помощи камер для распознавания урожая. Компания Ecorobotix выпускает две модели роботов - AVO (полностью автономный робот на солнечных батареях с аккумуляторами, заряжающимися днем и обеспечивающими работу в ночное время) и ARA (приставка к трактору).
Датская компания Farm droid выпускает один из самых успешных европейских полевых роботов для посева семян, рыхления и прополки таких культур, как сахарная свекла, лук, рапс, шпинат и салат,
FD20, работающий автоматически с использованием высокоточной технологии GPS. Робот обеспечивает органическое производство без применения гербицидов. Прополка осуществляется обрезкой сорняков стальной проволокой, в том числе ещё до прорастания семян. Поскольку FD20 сам осуществляет посев с точностью до 1 мм, то он может осуществлять прополку по навигатору, без использования камер и датчиков для распознавания урожая и сорняков. Робот работает на солнечных батареях полностью автономно и имеет два аккумулятора, которые заряжаются в светлое время суток и обеспечивают круглосуточную работу. FD20 имеет небольшую массу, что позволяет не повреждать микроструктуру почвы за счет уплотнения. Компания Amazone предложила усовершенствовать FD20, добавив возможность высокоточного опрыскивания гербицидами по данным прецизионных мест расположения выращиваемых растений, сохраненных в GPS-системе сева. Такая обработка позволит сократить использование гербицидов на 90 %.
Американская компания Carbon Robotics с 2021 года производит автономные роботы для прополки Laser Weeder, уничтожающие сорняки при помощи лазера. Лазеры не нарушают структуру почвы, в отличие от гербицидов, что приводит к получению экологически чистых продуктов и более высокой урожайности. Интеллектуальные технологии компьютерного зрения, основанные на обучении, позволяют идентифицировать сорняки, нацеливать на них лазерный луч и уничтожать. Для распознавания растений используются камеры с высоким разрешением, а встроенный суперкомпьютер обрабатывает полученную в режиме реального времени информацию за миллисекунды. Мощные на 150 Вт лазеры направляют тепловую энергию на меристему каждого сорняка, что позволяет уничтожать более 100 000 сорняков в час с помощью восьми одновременно работающих лазерных модулей. Laser Weeder выпускается как в варианте прицепа, так и в виде самоуправляемого робота с дизельным двигателем. Прицеп имеет тридцать одновременно работающих лазерных модулей и обеспечивает в три раза большую производительность, чем автономный аналог. Лучше всего Laser Weeder подходит для прополки таких культур, как брокколи, цветная капуста, кале, морковь, мангольд, лук, латук, кинза и шпинат.
Немецкая компания Deepfield Robotics (Bosch, Amazonen Werke совместно с Техническим институтом Оснабрюка) разрабатывает автономный полевой
technologies, machines and equipment
' for the agro-industrial complex
прополочный робот Boni Rob с самостоятельной системой навигации, составлением карт проведенных работ, подготовкой документации, включая создание базы статистики. Робот автоматически находит сорняки на пути следования, отличая их по форме листьев, и вдавливает их штырём диаметром 1 см глубже в землю, примерно на 3 см. Если растение большое, робот продолжает трамбовку. Компания предлагает экономически целесообразное решение, заключающееся в том, что фермер может купить только одну платформу и несколько самых необходимых ему модулей, а другие модули, по мере необходимости, он сможет брать в аренду у специализирующейся на этом организации.
Робот Dino разработан французской компанией Naïo Technologies и предназначен для механической прополки овощей (салата, лука, моркови, пастернака, капусты, лука-порея, цветной капусты, различных трав (чеснок, кинза, мята)) на крупных овощных фермах. Прополка осуществляется механическим способом при помощи мотыг L- и V-образной формы, а рыхление - двумя различными типами манипуляторов. Прополка возможна не только между рядами, но и непосредственно в рядах благодаря технологии компьютерного зрения. Маршрут движения робота прокладывается заранее благодаря тому, что приемник RTK/GNSS, установленный на магнитном креплении, снимает необходимые координаты посевов еще на этапе посадки при установке его на сеялку или посадочную машину. Робот Dino имеет небольшую массу и очень маневренный - он способен разворачиваться практически на месте. Роботы Dino доступны как для покупки, так и для аренды по доступной цене порядка 400 $ в месяц.
Надо отметить, что на рынке прополочной техники присутствует немалое количество роботов, сконструированных в рамках исследовательских проектов университетов и пока ещё не доведенных до коммерческих образцов.
На основе анализа опубликованных статей по роботам для прополки сорняков определены их основные технические характеристики, которые представлены в таблице 1.
В таблице 1 отражены в основном количественные и частично качественные характеристики. К качественным характеристикам можно отнести: метод прополки, распознавание сорняков, сенсорная система, автономность работы, система управления роботом, дополнительные функции.
Для проведения сравнительного анализа предлагается комплексный подход, позволяющий принимать решение по выбору наилучшего варианта робота для прополки сорняков по количественным и качественным характеристикам на основе двух методов: метода спектрального анализа (МСА) и метода анализа иерархий (МАИ) [16; 17; 18; 19; 20]. Разработанная на основе данного подхода методика получения интегральной количественной оценки по каждому из вариантов роботов для прополки сорняков и порядок построения ранжированного ряда их вариантов состоит из следующих этапов.
1. Определить набор количественных и качественных характеристик предложенных для исследования моделей (вариантов) роботов для прополки сорняков.
2. Упорядочить варианты роботов и их количественные характеристики с помощью МСА. На данном этапе получим ранжированные ряды рассматриваемых вариантов роботов и их количественных характеристик.
3. Нормировать ранжированный ряд вариантов роботов на базе процедуры МАИ. Получим вектор приоритетов вариантов роботов по их количественным характеристикам.
4. Упорядочить варианты роботов и их качественные характеристики с помощью МАИ. Получим вектор приоритетов качественных характеристик, вектор глобальных приоритетов и ранжированный ряд вариантов роботов.
5. Суммировать векторы приоритетов для количественных и качественных характеристик для каждого варианта робота.
6. Построить упорядоченный ряд вариантов роботов по сумме оценок п. 5 (от большей суммы к меньшей).
7. Проанализировать результаты и сделать выводы о наилучшем варианте робота (чем выше ранг, тем лучше вариант робота) и о важности той или иной характеристики в принятии решения.
Рассмотрим комплексную методику решения сформулированной задачи исследований по выбору наилучшего варианта робота для прополки сорняков по ранее предложенному алгоритму, а также основные положения МСА и МАИ. Для сравнения выберем следующие модели роботов для прополки сорняков: AVO (Ecorobotix); FD20 (Farm Droid); Laser Weeder (Carbon Robotics); Boni Rob (Deepfield Robotics); Dino (Naïo Technologies).
технологии, машины и оборудование для агропромышленного комплекса
Таблица 1. Технические характеристики роботов для прополки Table 1. Specifications of weeding robots
Модель робота для прополки / Robot model for weeding
Характеристика/ Characteristic ARA (Ecorobotix) AVO (Ecoro-botix) FD20 (Farm Droid) Laser Weeder (Carbon Robotics) Laser Weeder (Carbon Robotics) Boni Rob (Deepfield Robotics) Dino (Naïo Technologies)
1 2 3 4 5 6 7 8
Метод прополки / Weeding method
Распознавание сорняков / Weed Recognition
Обработка гербицидами / Herbicide treatment
1 камера высокого азрешения 1 high resolution camera
Обработка гербицидами / Herbicide treatment
Обрезка стальной проволокой / Steel wire trimming
Лазер / Laser
1 камера
высокого
/ разреше-
ния / 1 high
resolution
camera
GPS-
система сева / GPS seeding system
12 камер высокого разрешения / 12 high resolution camera
Лазер / Laser
12 камер высокого разрешения / 12 high resolution camera
Точность
позиционирования, мм / Positioning accuracy, mm Объем резервуара для распыляемой жидкости, л / Volume of the tank for the sprayed liquid, l Объем резервуара для воды, л / Volume of the water tank, l
10
10
200
500
120
Тип двигателя / Engine type
Трактор / Tractor
Электри- Электри- Дизель-
ческий, ческий, ный,
3 кВт / 2x400 Вт / 55 кВт /
Electric, Electric, Diesel,
3 kW 2x400 W 55 kW
Трамбовка
штырём / Ramming with a pin
2 камеры высокого разрешения / 2 high resolution camera
10
Посев семян, пропашка / Sowing seeds, plowing
Дополнительные
функции/ - -
Additional functions
Трактор / Tractor
Механический (по 2 вида лезвий и манипуляторов) / Mechanical (2 types of blades and manipulators)
1 камера высокого разрешения / 1 high resolution camera
Дизельный, 2,2 кВт / Diesel, 2,2 kW
20
Перевозка
грузов, рыхление / Cargo transportation, loosening
Электрический, 4x650 Вт/ Electric, 4x650W
1
3
3
3n jPgS^S3 3 о о а
К CJQ g о S
J* I
3 о & H №
о о о сз
е S « §
о п "С
я и О)
0 g
s
та
1 н-
s «
р
о о
а о
W
» 5
s 00 s
С\ и s я
ё s
St
к»
OJ
Ut 0\
00
'-J ft a s ft
JO OJ
Ut
g
g
g
I
to
On
I
g
О
о
СЗ СЗ ft
S о сз
Я
и
ё
Е ft н
Я
и р
«
Е ft н
Я
й
р «
Е ft н
OJ р
О
ч
р О
ч
OJ
Р
О
ч
Я
ё s р s
СТ В I
s- Ё Ч
" н О Я
ё ё Р s
В I
s- Ё Ч
S s or
^ 3 OJ ^
^ р о
н: i V ч SB 0»н' н
Я
й
ё
Е ft н
OJ р
О
ч
0
1 ft
О-
р
р
to
I
s я s
(уз ft сз
о
й
«
I ft та Е
О ч
(уз
я
О я ч И
(уз 2
о
ч
(уз
Я
О ^
II й f® 2 та 2 к
О о Я О
Q ч р ч
5 (УЗ S (УЗ
Й м ft M
^ с. ^
Камеры, GPS RTK, 2 двумерных лазерных сканера, щупы, чувствительные к нажиму / Cameras, GPS RTK, 2 two-dimensional laser scanners, pressure sensitive probes
о о-
SB
S
<
Ut
"oo
о
On
"to
та я ft 8 ft ^ о " о 3 d <5 P S о ^ s ►в- a OQ Й
tr1 СЛ J g о" 3 E S" та cr a a 3 J» S
to ON JO
"o
"OJ OJ
JO "to 2,04
JO J3N
"to
JO
"o "o
JO
3 ft
era"
з:
0Q
2 I й в
. S 1
i-i y ^
о й a
о*? ё
я я «
to
00 о
Ut
о
00
Ut
OJ
о о о
00 Ut
о
to
Ut
о
Ы
Я* Р
Й S
та ^
â Ï
ft ^
о- 2
о eg.
0Q о
О Н-Ъ
8
о р
я ft та ft W
о
ы
s
g
о о
to 00
Ux
о
OJ
о о
та ё
ся о
о О
ÛJ й
я а ft л я Е 1 ft
о\
п
ё ft s
я ft H
сз о
и H
Р s д а
п tu
1 ^ *
^ s ft ^ to s
та о
W
Ux
0
3 ^
1 -и
СЛ
со ё а
их On о
ft
tl р
СЛ
s
Ut >
Ui On
о
ю
H
a ft H
сз о
a ft H
сз о
а ft H
сз о
а ft H
сз о
и; S
Е и
ft 5
i g
ft H
к §
OQ я
OJ
V ^
00 Ю
a
о
Ю
О to
Л к Л Л
g Е о ^ »
ю
Ю
M
„с"
ё è
§ £ > ?
сг л
On
о
Ui
ю
Ui
о
g3 2 О- g
s °
i ъ ft о
ста' Я1
Kg
0Q я
СВ1 та ся
I
" s
Л w
^ о
ся g
са о
S S ft а о ас
On
о
Ux
о
00 00
Ui OJ Ut
о о о
о о
00 о о
и
«5
ю
ю
ю
On
3
50
3
0
§
а л
ё а ft
H
й.
01
и а с
Е
i s s
s 8 I
я
M сз о-о
s-
i fx
о
2 в
s?
s
s
On
I
СЧ
<o
I
H
технологии, машины и оборудование для агропромышленного комплекса
Результаты Комплексная методика принятия решения по выбору наилучшего варианта робота для прополки сорняков по совокупности его количественных
и качественных характеристик Применим указанную методику поэтапно.
1. Определить набор количественных и качественных характеристик, предложенных для исследования вариантов роботов для прополки сорняков.
Количественные характеристики и выбранные для сравнения роботы приведены в таблице 2. Качественные характеристики будут рассмотрены позже при использовании МАИ.
2. Упорядочить варианты роботов и их количественные характеристики с помощью МСА. На данном этапе получим ранжированные ряды рассматриваемых вариантов роботов и их количественных характеристик.
Метод спектрального анализа подробно рассмотрен в [19; 20], поэтому приведем только постановку задачи и некоторые его положения.
Постановка задачи для решения МСА. Для сравнения даны n вариантов технических систем (ТС) (роботов) - ТСг, i = 1, n ,с количественными характеристиками вариантов роботов Xj, j = 1, т . Необходимо определить предпочтительность того или иного варианта ТС (робота).
По одной характеристике Xj предпочтительность варианта ТС (робота) ТСг- выявляют показателем Xj. Считается, на начальном шаге, что все характеристики равнозначны, т. е. Wi(0) = 1,
V,(0) = 1, где W(0), V,(0) - значения весовых
J i J
коэффициентов нулевой итерации соответственно для вариантов ТС (роботов) и для их характеристик. Необходимо по всем xij, i = 1, n, j = 1,m упорядочить варианты ТС (роботов) в ряд, затем выбрать наилучший из вариантов роботов из этого ряда.
Таблица 2. Основные характеристики роботов для прополки сорняков
Table 2. The main characteristics of robots for weeding weeds
Характеристики / Characteristics
масса, рабочая скорость, производи- точность пози- стоимость,
Модель робота / кг / ширина, м / м/с / тельность, ционирования, млн руб. /
Robot Model weight, working speed, га/ч / мм / positioning cost,
kg width, m m/s productivity, accuracy, mm million
ha/h rubles
AVO (Ecorobotix) 750 2,04 1,0 0,6 10 0,8
FD20 (Farm Droid) 1 184 3,0 0,3 0,15 1 4,0
Laser Weeder (Carbon Robotics) 4 535 2,79 2,23 0,3 3 6,0
Boni Rob (Deepfield Robotics) 850 2,04 0,09 0,065 10 2,0
Dino (Naïo Technologies) 1 250 2,1 1,1 0,21 20 7,0
Источник: составлено авторами на основании данных таблицы 1 ([1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15])
В МСА используется итерационная
процедура:
W(fc) = ZTLi l$(fc-% / ma** 15(*-1)% (1)
■l ¿-17 = 1 -j / 111ЫЛ1 Zj;=1 'у
K-(fc) = 11=1 / ma* 11=1 rç(fc-%, (2)
если увеличение x
max < x,
W
приводит к улучшению свойств ТС;
min ы
(3)
если уменьшение x
приводит к улучшению свойств ТС,
где п - число вариантов ТС (роботов); т -количество характеристик; к = 1, К - номер итерации в итерационном процессе (если к ^<х>, то
W, v ^ const); W(k\ v
коэффициентов k-й итерации для вариантов ТС (роботов) и для их характеристик соответственно.
Задача решается по алгоритму, приведенному в [19; 20]. Алгоритм предполагает решение задачи на основе итерационной процедуры с занесением промежуточных расчетов в таблицу по форме таблицы 3 (в ней стрелками также показан порядок проведения расчетов по итерациям). При вычислениях на ПЭВМ k задают заранее.
Г (к)
- значения весовых
x
у
x
у
ТРГНМП1 nfllFS МЛГШМРЯ АМП Fn/iiPMriVT¥¥¥¥¥¥¥¥¥¥¥
F/II? THF imtwiçtbiai rnuDi rr
run inn aun°-ii\uusimal ьитгьял
Таблица 3. Форма записи промежуточных расчетов Table 3. The form of recording intermediate calculations
V1 . • V . V r m wr w[l) w<2) W3)
W1 хп Xlm 1 w/u ... w/3)
W 'к Xim i" wr "... w/3)
Wn Хп1 • xnj . X iim Г w,r "... wj3)
У?> 1 1 . . 1
/ / ___
V2 V(2) . . v/2) . V 2 m
V]3) / ✓ s
V4 V(4) . . V(4) . V 4) m *
Источник: составлено авторами
Значения весовых коэффициентов обычно начинают повторяться при k > 7 [19; 20], поэтому k выбирают не меньше 7. Вычисления должны проводиться до тех пор, пока значения Wt(k) и y.(k)
не примут значения весовых коэффициентов, полученных на предыдущей итерации, или пока не будет достигнут заданный порог числа итераций. Получив на какой-то итерации повторяющиеся
значения Wi(k), на их базе строится ранжированный
ряд вариантов ТСг-, i = 1, n (роботов). Оптимальный вариант ТС (робота) - ТСо выбирают по формуле:
W = max W(k), где Wo - весовой коэффициент k-й
i
итерации варианта ТС (робота), имеющий наибольшее значение.
Результаты решения МСА. На базе данных из таблицы 2 с помощью МСА и компьютерной программы (разработана в Delphi 7), при k = 10 получены сравнительные оценки вариантов роботов для прополки сорняков и количественных характеристик, используемых для сравнения.
В результате вычислений был получен ранжированный ряд вариантов роботов: AVO (Ecorobotix) - 1 (1,0); FD20 (Farm Droid) -
2 (0,7695); Laser Weeder (Carbon Robotics) -
3 (0,7187); Dino (Naïo Technologies) - 4 (0,5990); Boni Rob (Deepfield Robotics) - 5 (0,5977).
Ранжированный ряд характеристик роботов: рабочая ширина, м - 1 (1,0); масса, кг - 2 (0,8469); производительность, га/ч - 3 (0,6204); скорость, м/с
- 4 (0,5402); стоимость, млн руб. - 5 (0,5290); точность позиционирования - 6 (0,4073).
3. Нормировать ранжированный ряд вариантов роботов на базе процедуры МАИ. Получим вектор приоритетов вариантов роботов по их количественным характеристикам.
AVO (Ecorobotix) - 1 (0,2714); FD20 (Farm Droid) - 2 (0,2088); Laser Weeder (Carbon Robotics) -3 (0,1950); Dino (Naïo Technologies) - 4 (0,1626); Boni Rob (Deepfield Robotics) - 5 (0,1622).
4. Упорядочить варианты роботов и их качественные характеристики с помощью МАИ, описанному в [19; 20]. С целью выбора наилучшего варианта робота для прополки сорняков из представленных для сравнения по основным качественным характеристикам с помощью МАИ приведем следующую постановку задачи.
Постановка задачи. Необходимо провести сравнение ряда роботов для прополки сорняков (5 вариантов роботов): AVO (Ecorobotix); FD20 (Farm Droid); Laser Weeder (Carbon Robotics); Boni Rob (Deepfield Robotics); Dino (Naïo Technologies) по качественным характеристикам (критериям), которым должны удовлетворять роботы. При рассмотрении роботов предложены следующие качественные характеристики, расположенные в последовательности по их важности: метод прополки, распознавание сорняков, сенсорная система, автономность работы, система управления роботом, дополнительные функции. Характеристики выбраны на основе данных таблицы 1 и описаний моделей роботов.
технологии, машины и оборудование для агропромышленного комплекса
Метод прополки: метод прополки сорняков может быть гербицидным (обработка гербицидами), механическим (обрезка стальной проволокой, трамбовка штырём, с использованием лезвий и манипуляторов), лазерным.
Распознавание сорняков - средства распознавания, их количество, размещение, влияние на точность позиционирования.
Сенсорная система (датчики и т. п.) -количество и тип датчиков, возможности по определению места положения робота (позиционирование робота).
Автономность работы: тип двигателя, его мощность, тип энергии (топлива) для двигателя, время автономной работы без дозаправки (подзарядки), объем резервуара для распыляемой жидкости - для гербицидной прополки.
Система управления роботом - тип пульта управления, система связи.
Дополнительные функции - наличие дополнительных возможностей по использованию робота, посев семян, применение удобрений, пропашка и т. п.
В качественные показатели не включены экономические показатели роботов, т. к. они отражены количественными показателями.
Рассмотрим варианты роботов на основе выбранных критериев (качественных показателей) с учетом данных таблицы 1 и описаний роботов для прополки сорняков, приведенных в [1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12].
По показателю «Метод прополки»: один робот AVO (Ecorobotix) использует гербицидный метод прополки сорняков, роботы FD20 (Farm Droid), Boni Rob (Deepfield Robotics), Dino (Naïo Technologies) используют механический метод (первый из них -обрезкой стальной проволокой, второй - трамбовкой штырём, третий - с использованием лезвий и манипуляторов), Laser Weeder (Carbon Robotics) использует лазерный метод. Применение гербицидов несет химическую нагрузку на почву и снижает экологичность продукции. Механическое удаление сорняков путем срезания их ножами, стальной проволокой или вдавливанием в грунт является существенным достоинством, т. к. позволяет получать экологически чистую продукцию. Преимуществами использования лазерного метода, как и в механической прополке, являются экологичность продукции и экономия. Поэтому роботы FD20 (Farm Droid), Boni Rob (Deepfield
Robotics), Dino (Naïo Technologies) и Laser Weeder (Carbon Robotics) обладают преимуществом перед роботом AVO (Ecorobotix). Но им для точечного воздействия требуется более совершенная система распознавания образов. Робот Laser Weeder может уничтожать сорняки, используя тепловую энергию во время движения, что обеспечивает ему преимущество перед роботами, использующими механический метод прополки.
По показателю «Распознавание сорняков» робот модели Laser Weeder (Carbon Robotics) имеет значительно лучшие возможности по распознаванию в сравнении с другими роботами, робот Boni Rob (Deepfield Robotics) по данному показателю хуже Laser Weeder, но лучше остальных роботов, роботы Dino (Naïo Technologies) и AVO (Ecorobotix) одинаковы, но несколько лучше, чем робот FD20 (Farm Droid), т. к. GPS-система сева в сравнении с данными от камер высокого разрешения имеет меньшую точность в определении нахождения сорняков.
По показателю «Сенсорная система» лучше других датчиками оборудован робот модели Dino (Naïo Technologies), т. е. имеет многосенсорную систему для управления роботом на поле. Несколько хуже по этому показателю выглядит AVO (Ecorobotix), затем идет Laser Weeder, далее Boni Rob (Deepfield Robotics), замыкает группу робот модели FD20 (Farm Droid). Но в то же время робот FD20 (Farm Droid) имеет лучшую характеристику по точности позиционирования положения робота на поле перед другими. На втором месте идет Laser Weeder. Хуже всех по точности позиционирования выглядит робот Dino (Naïo Technologies). Но так как точность позиционирования, измеряемая в мм, у всех роботов одного порядка, то разница по этому показателю менее существенна, чем наличие большего количества датчиков разного типа.
По показателю «Автономность работы» робот Laser Weeder обладает более мощным дизельным двигателем, но в сравнении с BoniRob (который оснащен дизелем мощностью всего 2,2 кВт), он почти в 2,5 раза имеет меньшее время автономной работы. Остальные модели роботов оснащены электрическими двигателями разной мощности, при этом AVO (Ecorobotix) при мощности двигателя 3 кВт по автономности работы без подзарядки сравним с роботом Dino (Naïo Technologies), имеющим 4 двигателя общей мощностью 2,6 кВт (8 часов). Зато FD20 (Farm Droid) при мощности
technologies, machines and equipment
' for the agro-industrial complex
электродвигателя 800 Вт может работать на поле без подзарядки, как и Boni Rob, 24 часа. Роботы с электродвигателями AVO (Ecorobotix) и FD20 (Farm Droid) также обладают некоторым преимуществом перед Dino (Naïo Technologies) по возможности работать от солнечных батарей.
По показателю «Система управления роботом»: управление всеми моделями роботов осуществляется одинаково с помощью планшетов, система связи также однотипная. По этому показателю все роботы одинаковы.
По показателю «Дополнительные функции»: робот Boni Rob может дополнительно производить посев семян и вносить в почву удобрения, FD20 -осуществлять посев семян и пропашку земли, Dino обладает способностью перевозить грузы и рыхлить почву. Поэтому эти модели роботов имеют преимущество перед AVO и Laser Weeder, которые не имеют дополнительных функций. Причем лучшим по этому показателю является Boni Rob.
Результаты решения МАИ. С помощью ПЭВМ вычислены: вектор приоритетов качественных характеристик и вектор глобальных приоритетов вариантов роботов по их качественным характеристикам, на базе последнего получен ранжированный ряд вариантов роботов (приведены в таблице 4).
Laser Weeder - 1 (0,3546); FD20 - 2 (0,1856); Boni Rob - 3 (0,1726); Dino - 4 (0,1675); AVO -5 (0,1198).
5. Суммировать векторы приоритетов для количественных и качественных характеристик для каждого варианта робота. Полученные обобщенные приоритеты дополнительно нормируем делением на 2. Нормированный обобщенный вектор приоритетов приведен в таблице 5. В таблице также даны ранги вариантов роботов.
6. Построить упорядоченный ряд вариантов роботов по сумме оценок п. 5 (от большей суммы к меньшей). Laser Weeder (Carbon Robotics) - 1 (0,2748); FD20 (Farm Droid) - 2 (0,1972); AVO (Ecorobotix) -3 (0,1956); Boni Rob (Deepfield Robotics) - 4 (0,1676); Dino (Naïo Technologies) - 5 (0,1648).
7. Проанализируем полученные результаты.
При оценке вариантов роботов только по
количественным характеристикам (методом спектрального анализа) ранжированный ряд роботов следующий: AVO (Ecorobotix); FD20 (Farm Droid); Laser Weeder (Carbon Robotics); Dino (Naïo Technologies); Boni Rob (Deepfield Robotics). Наибольшее влияние на ранжирование оказали следующие характеристики: рабочая ширина, масса, производительность роботов, а скорость перемещения по полю, стоимость и точность позиционирования роботов сыграли меньшую роль.
При построении ранжированного ряда роботов только по качественным характеристикам (с помощью МАИ) был получен следующий результат: Laser Weeder (Carbon Robotics); FD20 (Farm Droid); Boni Rob (Deepfield Robotics); Dino (Naïo Technologies); AVO (Ecorobotix).
Таблица 4. Результаты расчетов на базе МАИ Table 4. Results of calculations based on MAI
Модель робота / Robot Model
Обобщенные или глобальные приоритеты / Generalized or global priorities
Вектор приоритетов характеристик / Vector of priorities of characteristics
Качественные характеристики / Qualitative characteristics
AVO FD20
Laser Weeder Boni Rob
Dino
0,1198
0,1856
0,3546 0,1726
0,1675
0,381
0,256
0,178 0,102
0,056 0,027
Метод прополки / Weeding method Распознавание сорняков / Weed Recognition Сенсорная система / Sensor system Автономность работы / Autonomy of work Система управления роботом / Robot control system Дополнительные функции / Additional functions
Источник: составлено авторами на основании расчетов на ПЭВМ
технологии, машины и оборудование для агропромышленного комплекса
Таблица 5. Нормированный обобщенный вектор приоритетов Table 5. Normalized generalized priority vector
Модель робота / Robot Model
Нормированный обобщенный вектор приоритетов / Normalized generalized priority vector
Ранг / Rank
AVO 0,1956
FD20 0,1972
Laser Weeder 0,2748
Boni Rob 0,1676
Dino 0,1648 Источник: составлено авторами на основании расчетов на ПЭВМ
3 2 1
4
5
При этом на этот результат наибольшее влияние оказали такие качественные характеристики, как: Метод прополки и Распознавание сорняков и отчасти - Сенсорная система. Такие характеристики, как Автономность работы, Система управления роботом оказали меньшее влияние, а весомость вклада в ранжирование характеристики Дополнительные функции было совсем незначительным.
По совокупности количественных и качественных характеристик получен ранжированный ряд вариантов роботов: Laser Weeder (Carbon Robotics); FD20 (Farm Droid); AVO (Ecorobotix); Boni Rob (Deepfield Robotics); Dino (Naïo Technologies).
Таким образом, на построение ранжированного ряда вариантов роботов по совокупности характеристик большее влияние оказали качественные характеристики, что привело к перемещению робота AVO (Ecorobotix), занимающего по количественным характеристикам 1-е место, на общее 3-е место, а робот Laser Weeder (Carbon Robotics) переместился с 3-го (по количественным характеристикам) на общее 1 -е место. Робот FD20 (Farm Droid) прочно обосновался на 2-м месте как по количественным, так и по качественным характеристикам. Оценки (приоритеты) роботов Boni Rob (Deepfield Robotics) и Dino (Naïo Technologies) по количественным и качественным характеристикам не сильно отличались друг от друга, поэтому и заняли соответствующие места - 4-е и 5-е. На окончательное распределение мест в ранжированном ряде вариантов этих роботов также сыграли качественные характеристики.
Наибольшее влияние на построение полученного обобщенного ранжированного ряда роботов по совокупности количественных и качественных характеристик оказали: качественные характеристики: метод прополки, распознавание сорняков, сенсорная система; количественные: рабочая ширина, масса и производительность роботов.
Заключение
В результате анализа роботов сельскохозяйственного назначения определена важность разработки и использования в сельском хозяйстве роботов для прополки сорняков. Установлено, что различные производители сельскохозяйственных роботов предлагают роботы для прополки сорняков, различающиеся по своим характеристикам (как количественным, так и качественным) и в первую очередь по методу прополки.
На основе анализа опубликованных статей по роботам для прополки сорняков определены их основные количественные и качественные характеристики. В качестве основных количественных характеристик роботов выбраны: рабочая ширина прополки; масса; производительность; скорость перемещения по полю; стоимость; точность позиционирования. К качественным характеристикам можно отнести: метод прополки, распознавание сорняков, сенсорную систему, автономность работы, систему управления роботом, дополнительные функции. Также для сравнения выбраны наиболее популярные модели роботов для прополки сорняков.
Осуществлена постановка задачи и предложена комплексная методика выбора наилучшего варианта робота для прополки сорняков по совокупности его количественных и качественных характеристик, включающая методы спектрального анализа и анализа иерархий. На ее основе получены интегральные количественные оценки по каждому из вариантов роботов для прополки сорняков. По совокупности количественных и качественных характеристик был получен ранжированный ряд вариантов роботов: Laser Weeder (Carbon Robotics); FD20 (Farm Droid); AVO (Ecorobotix); Boni Rob (Deepfield Robotics); Dino (Naïo Technologies). Установлено, что на построение ранжированного ряда вариантов роботов по совокупности характеристик большее влияние оказали качественные ха-
technologies, machines and equipment
' for the agro-industrial complex
рактеристики. Отмечено, что наибольшее влияние чественные: рабочая ширина, масса и производи-
на построение полученного обобщенного ранжи- тельность роботов.
рованного ряда роботов по совокупности количе- Комплексная методика может быть использова-
ственных и качественных характеристик оказали: на при принятии решения по выбору по совокупности
качественные характеристики: метод прополки, количественных и качественных характеристик
распознавание сорняков, сенсорная система; коли- наилучшего варианта и других технических систем.
СПИСОК ИСТОЧНИКОВ
1. Abrosimov V K., Eliseev V V. Current state and development potential for the national agricultural robotics // Extreme Robotics. 2019. V. 1. № 1. P. 59-66.
2. Marinoudi V., S0rensen C. G., Pearson S., Bochtis D. Robotics and labour in agriculture // A context consideration. Biosystems Engineering. 2019. V. 184. P. 111-121.
3. MahmudM. S. A., Abidin M. S. Z., Mohamed Z., Abd Rahman M. K. I., Iida M. Multi-objective path planner for an agricultural mobile robot in a virtual greenhouse environment // Computers and Electronics in Agriculture.
2019. V. 157. P. 488-499.
4. Vij A., Vijendra S., Jain A., Bajaj S., Bassi A., Sharma A. IoT and Machine Learning Approaches for Automation of Farm Irrigation System Procedia // Computer Science. 2020. V. 167. P. 1250-1257.
5. Harapanahalli S., Mahony N. O., Hernandez G. V., Campbell S., Riordan D., Walsh J. Autonomous Navigation of mobile robots in factory environment // Procedia Manufacturing.2019. V. 38. P. 1524-1531.
6. Erfani S., Jafari A., HajiahmadA. Comparison of two data fusion methods for localization of wheeled mobile robot in farm conditions // Artificial Intelligence in Agriculture. 2019. V. 1. P. 48-55.
7. AyazM., Ammad-Uddin M., Sharif Z., Mansour A., el-Hadi M. Aggoune Internet-of-Things (IoT) based Smart Agriculture: Towards Making the Fields Talk // IEEE Access. 2019. V. XX. P. 1-34.
8. Khalaji A. K., Jalalnezhad M. Robust forward\backward control of wheeled mobile robots // ISA Transactions. 2021.
9. Milella A., Reina G., FogliaM. Computer vision technology for agricultural robotics // Sensor Review. 2006. V. 26. P. 290-300.
10. Fountas S., Mytonas N., Malounas I., Rodias E., Santos C. H., Pekkeriet E. Agricultural robotics for field operations // Sensors MDPI Review. 2020. P. 27.
11. Gonzalez-de-Santos P., Ribeiro A., Fernandez-Quintanilla C., et al. Fleets of robots for environmentally-safe pest control in agriculture // Precision Agriculture. 2017. V. 18. P. 574-614.
12. Chebrolu N., Lottes Ph., Schaefer A., Winterhalter W. et al. Agricultural robot dataset for plant classification, localization and mapping on sugar beet fields // The International Journal of Robotics Research. 2017. V. 36 (10). P. 1045-1052.
13. Akhila Gollakota, Srinivas M. B. Agribot - A multipurpose agricultural robot // 2011 Annual IEEE India Conference 16-18 Dec. 2011.
14. Astrand B., Baerveldt A.-J. An Agricultural Mobile Robot with Vision-Based Perception for Mechanical Weed Control // Autonomous Robots. 2002. V. 13. P. 21-35.
15. Клочков А. В. Механические и физические методы борьбы с сорняками // Наше сельское хозяйство.
2020. № 15 (239). С. 80-87.
16. Acharya V., Sharma S. K., Gupta S. K. Analyzing the factors in industrial automation using analytic hierarchy process // Computers & Electrical Engineering. 2018. V. 71. P. 877-886.
17. Пителинский К. В. Метод анализа иерархий и особенности его применения // Методы менеджмента качества. 2022. № 7. С. 61.
18. Орлов А. И. Подходы к решению актуальных задач науки об организации производства // Инновации в менеджменте. 2022. № 1 (31). С. 10-17.
19. Romanov P., Romanova I. Methodical apparatus for selecting the best motor transport vehicle by the set of its characteristics // Advances in Intelligent Systems and Computing. 2020. Т. 1116 AISC. P. 853-864.
20. Kafiev I., Romanov P., Romanov I. The method of selecting the best technical system by the set of characteristics // 2019 International Multi-Conference on Industrial Engineering and Modern Technologies, Far East Con.2019. P.8934392.
ХХХХХХХХХХХ технологии, машины и оборудование ХХХХХХХХХХХ
VWWVWVW ППЯ ЛГРППРПМЫШ ПРННПГП КП МП ПР КГ Л ¥¥¥¥¥¥¥¥¥¥¥
Статья поступила в редакцию 19.10.2022; одобрена после рецензирования 21.11.2022;
принята к публикации 23.11.2022.
Информация об авторах:
И. Р. Кафиев - к.т.н., доцент кафедры «Электрические машины и электрооборудование», тел. +7-917-413-02-38, Spin-code: 1540-8480;
П. С. Романов - д.т.н., профессор кафедры «Автоматизация производства и информационные технологии», тел. +7-916-584-91-65, Spin-code: 1407-6588;
И. П. Романова - к.т.н., доцент кафедры «Автоматизация производства и информационные технологии», тел. +7-926-792-43-39, Spin-code: 6127-9592.
Заявленный вклад авторов: Кафиев И. Р. - решение организационных и технических вопросов по подготовке текста. Романов П. С. - общее руководство проектом, анализ и дополнение текста статьи. Романова И. П. - сбор и обработка материалов, подготовка первоначального варианта текста.
Авторы заявляют об отсутствии конфликта интересов.
REFERENCES
1. Abrosimov V. K., Eliseev V. V. Current state and development potential for the national agricultural robotics, Extreme Robotics. 2019. Vol. 1, No. 1, pp. 59-66.
2. Marinoudi V., S0rensen C. G., Pearson S., Bochtis D. Robotics and labour in agriculture, A context consideration. Biosystems Engineering, 2019, Vol. 184, pp. 111-121.
3. Mahmud M. S. A., Abidin M. S. Z., Mohamed Z., AbdRahman M. K. I., Iida M. Multi-objective path planner for an agricultural mobile robot in a virtual greenhouse environment, Computers and Electronics in Agriculture, 2019, Vol. 157, pp. 488-99.
4. Vij A., Vijendra S., Jain A., Bajaj S., Bassi A., Sharma A. IoT and Machine Learning Approaches for Automation of Farm Irrigation System, Procedia Computer Science, 2020, Vol. 167, pp. 1250-1257.
5. Harapanahalli S., Mahony N. O., Hernandez G. V., Campbell S., Riordan D., Walsh J. Autonomous Navigation of mobile robots in factory environment, Procedia Manufacturing, 2019, Vol. 38, pp. 1524-1531.
6. Erfani S., Jafari A., Hajiahmad A. Comparison of two data fusion methods for localization of wheeled mobile robot in farm conditions, Artificial Intelligence in Agriculture, 2019, Vol. 1, pp. 48-55.
7. Ayaz M., Ammad-Uddin M., Sharif Z., Mansour A., el-Hadi M. Aggoune Internet-of-Things (IoT) based Smart Agriculture: Towards Making the Fields Talk, IEEE Access, 2019, Vol. XX., pp. 1-34.
8. Khalaji A. K., Jalalnezhad M. Robust forward\backward control of wheeled mobile robots, ISA Transactions,
2021.
9. Milella A., Reina G., Foglia M. Computer vision technology for agricultural robotics, Sensor Review, 2006, Vol. 26, pp. 290-300.
10. Fountas S., Mytonas N., Malounas I., Rodias E., Santos C. H., Pekkeriet E. Agricultural robotics for field operations, Sensors MDPIReview, 2020, pp. 27.
11. Gonzalez-de-Santos P., Ribeiro A., Fernandez-Quintanilla C., et al. Fleets of robots for environmentally-safe pest control in agriculture, Precision Agriculture, 2017, Vol. 18, pp. 574-614.
12. Chebrolu N., Lottes Ph., Schaefer A., Winterhalter W., et al. Agricultural robot dataset for plant classification, localization and mapping on sugar beet fields, The International Journal of Robotics Research, 2017, Vol. 36 (10), pp. 1045-1052.
13. Akhila Gollakota, Srinivas M. B. Agribot - A multipurpose agricultural robot, 2011 Annual IEEE India Conference, 16-18 Dec., 2011.
14. Astrand B., Baerveldt A.-J. An Agricultural Mobile Robot with Vision-Based Perception for Mechanical Weed Control, Autonomous Robots, 2002, Vol. 13, pp. 21-35.
Вестник НГИЭИ. 2023. № 1 (140). C. 7-22. ISSN2227-9407 (Print) Bulletin NGIEI. 2023. № 1 (140). P. 7-22. ISSN2227-9407 (Print)
ТРГНМП1ПП1РЯ МДГШМРЯ Л МП Fn/iiPMriVT¥¥¥¥¥¥¥¥¥¥¥
F/ll? THF IMmiGTDlAl rrtMDI CY
^^^^^^^^^ run inn aun°-ii\uusimal ьитгьсл
15. Klochkov A. V. Mekhanicheskiei fizicheskie metody bor'by s sornyakami [Mechanical and physical methods of weed control], Nashe sel'skoe hozyajstvo [Our agriculture], 2020, No. 15 (239), pp. 80-87.
16. Acharya V., Sharma S. K., Gupta S. K. Analyzing the factors in industrial automation using analytic hierarchy process, Computers & Electrical Engineering, 2018, Vol. 71. pp. 877-886.
17. Pitelinskij K. V. Metod analiza ierarhij i osobennosti ego primeneniya [Method of analysis of hierarchies and features of its application], Metody menedzhmenta kachestva [Methods of quality management], 2022, No. 7, pp. 61.
18. Orlov A. I. Podhody k resheniyu aktual'nyh zadach nauki ob organizacii proizvodstva [Approaches to solving urgent problems of the science of organization of production], Innovacii v menedzhmente [Innovations in Management], 2022, No. 1 (31), pp. 10-17.
19. Romanov P., Romanova I. Methodical apparatus for selecting the best motor transport vehicle by the set of its characteristics, Advances in Intelligent Systems and Computing, 2020, Vol. 1116 AISC, pp. 853-864.
20. Kafiev I., Romanov P., Romanov I. The method of selecting the best technical system by the set of characteristics, 2019 International Multi-Conference on Industrial Engineering and Modern Technologies, Far East Con., 2019, pp. 8934392.
The article was submitted 19.10.2022; approved after reviewing 21.11.2022; accepted for publication 23.11.2022.
Information about the authors: I. R. Kafiev - Ph. D. (Engineering), Associate Professor of the Department «Electric Machines and Equipment», phone: +7-917-413-02-38, Spin-code: 1540-8480;
P. S. Romanov - Dr. Sci. (Engineering), Professor of the Department «Production automation and information technology», phone: +7-916-584-91-65, Spin-code: 1407-6588;
I. P. Romanova - Ph. D. (Engineering), Associate Professor of the Department «Production automation and information technology», phone: +7-926-792-43-39, Spin-code: 6127-9592.
Contribution of the authors: Kafiev I. R. - solved organizational and technical questions for the preparation of the text. Romanov P. S. -- managed the research project, analyzing and supplementing the text. Romanova I. P. - collection and processing of materials, preparation of the initial version of the text.
The authors declare no conflicts of interests.
