CC BY
2
TFfflAifliiirwc мдгтмгс дмгъ rniirDMctrr Jjfyify^^^p^^ lzlmvuluulzb, мльпичсэ ш\и суимгмым
f/ii? thf imtwigtbiai глшrv
run i nc nunu-inuuz mirtl, ьитгьсл ^
Научная статья УДК 637.116-83
Б01: 10.24412/2227-9407-2023-12-36-47
Разработка метода определения однородности рассыпного комбикорма
Григорий Сергеевич Малышев1, Оксана Александровна Тареева23
1 Акционерное общество «Опытное Конструкторское Бюро Машиностроения имени И. И. Африкантова», Нижний Новгород, Россия
2Нижегородский государственный инженерно-экономический университет, Княгинино, Россия
1 grlg0r@yandex.ru, https://orcid.org/0000-0002-8147-988X
2 oksya-kn@mail. т3, https://orcid. org/0000-0002-2682-1216
Аннотация
Введение. Статья посвящена анализу существующих методов оценки качества смешивания компонентов комбикорма для сельскохозяйственных животных и птицы. Основным критерием качества корма является его однородность. Исследования показали, что ключевым недостатком известных способов определения однородности смеси является необходимость отбора проб, что существенно снижает ресурсоэффективность процесса смешивания. В ходе исследования были проанализированы тенденции развития процесса приготовления качественных кормов и выявлены возможности использования компьютерных технологий при оценке их однородности. В работе предложен метод оценки качества смешивания с использованием нейронных сетей при непосредственном приготовлении комбикормов.
Материалы и методы. В работе представлена методика определения качества кормосмеси с использованием разработанного программно-аппаратного комплекса на базе искусственной свёрточной нейронной сети. При проведении экспериментальных исследований предполагается установка видеокамер с источником света, помещенных в боксы с прозрачной торцевой частью и расположенных в труднодоступных местах бункера-смесителя. Изображения с камер будут поступать на коммутатор, подключенный к ПЭВМ. С помощью фреймворка Keras будет производиться обучение нейронной сети.
Результаты. Для выявления необходимых признаков объекта исследования будет использоваться предобу-ченная сеть с архитектурой УОО с установленным классификатором на 4 категории, который будет обучаться на сформированном наборе изображений со смесями.
Обсуждение. Анализ отечественных и зарубежных научных источников показал, что современный уровень развития искусственного интеллекта позволяет распознавать изображения на уровне человеческого восприятия. При условии обучения нейронных сетей на большом обучающем датасете появляется возможность проведения оценки качества смеси, независимо от числа компонентов смеси, их цвета, концентрации. Заключение. Разработанная программа на основе нейронных сетей позволит проводить оценку качества многокомпонентной смеси в режиме реального времени.
Ключевые слова: глубокое обучение, искусственная нейронная сеть, искусственный интеллект, качество смеси, кормосмесь, машинное обучение, обнаружение объектов, обработка изображений, однородность кор-мосмеси, сыпучие компоненты
Для цитирования: Малышев Г. С., Тареева О. А. Разработка метода определения однородности рассыпного комбикорма // Вестник НГИЭИ. 2023. № 12 (151). С. 36-47. БОТ: 10.24412/2227-9407-2023-12-36-47
С., Тареева О. А., 2023
Контент доступен под лицензией Creative Commons Attribution 4.0 License. The content is available under Creative Commons Attribution 4.0 License.
© Малышев Г.
XXXXXXXXXXX технологии, машины и оборудование XXXXXXXXXXX
ППЯ ЛГРППРПМЫШПРННПГП КПМППРКГА
ДЛЯ АГ ГО11рОМЫШЛЕППО1 О комплекса
Methods for determining the uniformity of the feed mixture
Grigory S. Malyshev1, Oksana A. Tareeva2B
1 Joint Stock Company «Experimental Design Bureau of Mechanical Engineering named after 1.1. Afrikantova», Nizhny Novgorod, Russia
2 Nizhegorodsky State University of Engineering and Economics, Knyaginino, Russia 1 grlg0r@yandex.ru, https://orcid.org/0000-0002-8147-988X
2oksya-kn@mail.ruB, https://orcid.org/0000-0002-2682-1216
Abstract
Introduction. The article is devoted to the analysis of existing methods for assessing the quality of mixing components of compound feed for farm animals and poultry. The main criterion of feed quality is its uniformity. Studies have shown that the key disadvantage of the known methods for determining the homogeneity of the mixture is the need for sampling, which significantly reduces the resource efficiency of the mixing process. In the course of the study, trends in the development of the process of preparing high-quality feeds were analyzed and the possibilities of using computer technologies in assessing their homogeneity were identified. The paper proposes a method for assessing the quality of mixing using neural networks in the direct preparation of compound feeds.
Materials and methods. The paper presents a method for determining the quality of a feed mixture using a developed software and hardware complex based on an artificial convolutional neural network. When conducting experimental studies, it is assumed to install video cameras with a light source placed in boxes with a transparent end part and located in hard-to-reach places of the mixer hopper. The images from the cameras will be sent to the switch connected to the PC. The neural network will be trained using the Keras framework.
Results. To identify the necessary features of the object of study, a pre-trained network with the VGG architecture with an installed classifier for 4 categories will be used, which will be trained on a generated set of images with mixtures. Discussion. Analysis of domestic and foreign scientific sources has shown that the current level of development of artificial intelligence allows you to recognize images at the level of human perception. If neural networks are trained on a large training dataset, it becomes possible to evaluate the quality of the mixture, regardless of the number of components of the mixture, their color, concentration.
Conclusion. The developed program based on neural networks will allow assessing the quality of a multicomponent mixture in real time.
Keywords: feed mixture, feed mixture uniformity, mixture quality, bulk components, machine learning, deep learning, artificial neural network, artificial intelligence, image processing, object detection
For citation: Malyshev G. S., Tareeva O. A. Methods for determining the uniformity of the feed mixture // Bulletin NGIEI. 2023. № 12 (151). P. 36-47. DOI: 10.24412/2227-9407-2023-12-36-47
Введение
Положительный эффект по результатам деятельности сельскохозяйственного предприятия зависит от продуктивности содержащихся животных и птицы, состояния их здоровья и качества получаемой продукции. В свою очередь, перечисленные факторы во многом зависят от качества кормления, под которым подразумевается комплекс элементов: качество заготавливаемых кормов; сбалансированность составленных рационов; эффективность работы используемого оборудования для приготовления и раздачи кормов.
Незаменимым в сельскохозяйственном производстве остается сухой полнорационный сбалансированный по основным элементам комбикорм, в состав которого включают минеральные, витаминные и другие добавки, благодаря чему обеспечивается высокая продуктивность животных и птицы. При его приготовлении важное значение отводится процессам дозирования и смешивания. Согласно зоотехническим требованиям при весовом дозировании допускается погрешность 0,1-2 % от дозы, а однородность смешивания должна составлять не менее 95 %. Отклонение от установленных норм
[ technologies, machines and equipment : for the agro-industrial complex
может привести к заболеваниям животных и снижению их продуктивности.
В настоящее время для приготовления сухих комбикормов используется специализированное оборудование отечественных и зарубежных производителей: ООО «Доза-Агро», АО «Жаско», ООО «Агроинжиниринг», Lely, Delaval и др. Однако используемые в настоящее время машины и технологические линии по приготовлению комбикормов имеют общий недостаток - существенное отклонение от нормируемой погрешности при дозировании и смешивании кормовых компонентов. Причиной ошибок может служить отсутствие автоматической системы наблюдения и учета однородности приготавливаемой кормовой смеси в используемых машинах. Такой недостаток негативно отражается на здоровье животных, их продуктивности, а в итоге -на показателях эффективности работы целого хозяйства.
Усовершенствованию и повышению эффективности работы кормоприготовительного оборудования, и непосредственно дозаторов и смесителей, посвящен целый ряд научных исследований.
Разработке оптимальной конструкции дозирующих устройств с целью снижения энергозатрат и повышения точности дозирования посвящены работы Сысуева В. А., Алёшкина А. В., Савиных П. А., Сыроватки В. И., Лялина Е. А., Садова В. В., Фу-фачева В. С. и многих других [1; 2; 3; 4; 5; 6; 7]. Благодаря научным изысканиям ученых в настоящее время используется широкое разнообразие дозаторов, отличающихся по конструктивным признакам: шнековые, барабанные, тарельчатые и др.; по конструктивным признакам рабочего органа: без движущегося рабочего органа, с рабочим органом поступательного, вращательного, вибрационного, возвратно-поступательного движения.
Приготовление многокомпонентной смеси предполагает наличие нескольких дозирующих машин. Благодаря работам В. А. Любартовича, Б. А. Федосенкова, А. В. Каталымова, Г. А. Рогин-ского, А. М. Григорьева и др., в современном производстве используются автоматизированные электротехнические комплексы на базе асинхронных электроприводов с микроконтроллерным управлением весовым оборудованием по принципу многокомпонентного взвешивания [8; 9; 10; 11].
Новым научным направлением в поиске решений точного дозирования компонентов корма является разработка адаптивного алгоритма управ-
ления частотно-регулируемым электроприводом дозатора в реальном времени [12].
Смешивание - это заключительная операция в приготовлении комбинированного корма. Необходимо отметить, что процесс смешивания компонентов используется в различных областях производства, будь то промышленность, медицина или сельское хозяйство. Одним из главных критериев качества смеси при этом является ее однородность [13]. Получить многокомпонентную смесь, отвечающую зоотехническим требованиям по значению однородности, за минимальное время работы смесителя - одна из основных задач научных исследований, большая часть которых посвящена обоснованию конструктивных и технологических параметров смесителей и их рабочих органов [14; 15; 16; 17]. При длительном смешивании наблюдается процесс сегрегации, то есть однородность смеси начинает уменьшаться [18]. Поэтому контролировать качество смеси необходимо непосредственно в процессе ее приготовления. Недостатком существующих методик определения качества смеси является обязательный отбор проб после завершения цикла смешивания. При этом качество смеси не всегда соответствует нормам регламентирующих документов. В результате анализа работ по исследованию процесса смешивания выявлено несколько методов анализа проб.
Первый заключается в определении в пробах контрольного компонента методом разбора проб, когда в качестве контрольного компонента используют такой, содержание которого в кормосмеси наблюдается в меньшем количестве [19; 20; 21; 22; 23].
Сысуев В. А., Алешкин А. В., Савиных П. А. [24] предлагают определять в отобранных пробах содержание контрольного компонента, в качестве которого используются целые зерна злаковых или свеклы.
Алешкин В. Р. предлагает определять концентрацию с помощью введения в контрольный компонент радиоактивного вещества или вводить в смесь флуоресцирующий компонент и регистрировать его в пробах с помощью флуориметра [25].
В работе авторов [19] описывается способ определения концентрации контрольного компонента, в основе которого находится разделяющий признак по электрофизическим свойствам кор-мосмесей (влажности, электропроводности, сопротивления, электрической проницаемости и др.).
технологии, машины и оборудование) для агропромышленного комплекса ]
Современные способы определения однородности смеси предполагают применение компьютерной обработки изображения анализируемых проб [26; 27; 28].
Использование известных методов с применением компьютерных технологий позволяет корректно определить качество смеси, состоящей только из двух компонентов, так как в этих способах предлагается анализировать только бинарное изображение. Также к недостаткам указанных способов следует отнести то, что при низкой яркостной градации оцениваемых смесей или слабом освещении при фотографировании данный метод становится не эффективным из-за присутствия на фотографиях теней, границ, изменения оттенков смесей и т. д. В связи с этим нами разработана методика определения однородности кормовой смеси на базе искусственных нейронных сетей.
Материалы и методы
Предлагаемая методика предполагает определение качества смеси в online-режиме. Это позволит оценить однородность смеси в любой момент времени смешивания и при необходимости остановить его, тем самым получить смесь с заданной однородностью. При этом время смешивания может быть сокращено, тем самым увеличится ресурсоэффек-тивность.
В основе предлагаемой методики оценки однородности смеси лежит программно-аппаратный комплекс на базе искусственной свёрточной нейронной сети. Данная сеть будет анализировать изображения смеси, поступающие с камер, смонтированных в смесителе. Внедрение нейронной сети позволяет обойти ряд принципиальных ограничений, возникающих при использовании классических систем цифровой обработки изображений, эффективность которых резко снижается при наличии нескольких компонентов в смеси. Кроме того, классические цифровые методы теряют эффективность при наличии на фотографии смеси теней, границ, элементов конструкций, замутнений. Компоненты смеси могут комбинироваться в различных соотношениях. То есть в случае приготовления многокомпонентной смеси нейронная сеть на вход, помимо изображений, будет получать информацию о процентном соотношении компонентов. Наличие данных входов предполагает использование, помимо свёрточной сети, также и полносвязной нейронной сети. Возможности бесплатного фреймворка Keras, который будет использоваться для обучения
нейронной сети, позволяют комбинировать оба типа сетей в процессе обучения и эксплуатации. Для обучения сети формируется обучающая выборка из фотографий смеси. Изображения смеси поступают на компьютер от установленных в нескольких точках смесителя видеокамер.
Минимальное количество точек наблюдения составляет 30, поэтому предполагается использование видеокамер наблюдения и прозрачных боксов с источником света, внутри которых будут смонтированы камеры или торцы оптоволоконных световодов. Бокс будет защищать оптические элементы камер и торцов световодов от повреждений. Источник света необходим для организации фотосъёмки внутри бака смесителя, внутрь которого не проникает наружное световое излучение. Сигналы с камер будут поступать на коммутатор, подключенный к ПЭВМ. Анализ изображений с разных камер будет производиться последовательно: запрос на анализ изображений может быть инициирован пользователем либо может производиться автоматически с определённым интервалом времени. Выданные нейросетью данные будут записываться в файл и выводиться на экран монитора, подключенного к ПЭВМ. При проведении анализа использованы основные положения научных исследований, описанные в работе Н. В. Оболенского [29].
Результаты
Изображения, которые будут предъявляться сети в процессе обучения и эксплуатации, не имеют абстрактных признаков (к таковым относятся, например, глаза, уши, перья птиц). Изображения из обучающего набора характеризуются признаками низкого уровня (например, текстурой), для выявления которых достаточно использовать свёрточные сети с малым числом слоёв (не более пятнадцати), так как активация на низкоуровневых признаках происходит на первых слоях сети. Для выявления указанных признаков хорошо зарекомендовала себя сеть с архитектурой VGG. Будет использоваться уже предобученная сеть: полносвязный классификатор сети удаляется, вместо него будет установлен классификатор на 4 категории, который будет обучаться на сформированном наборе изображений со смесями.
Обсуждение
Глубокий анализ литературных источников позволил выявить основные способы определения качества смеси, применяемые в России, странах СНГ и зарубежными исследователями. Известны разработанные в России методы, по которым можно
[ technologies, machines and equipment : for the agro-industrial complex
определить качество смеси, состоящей только из двух компонентов [30; 31; 32; 33; 34; 35]. Для двух-компонентных смесей достаточно анализировать бинарные изображения или, по крайней мере, чёрно-белые изображения. Ограничение на количество компонентов смеси является существенным недостатком таких методов, хотя бинаризация существенно упрощает процедуру дальнейшей обработки изображений.
Также известно применение классических методов сегментации изображений (в том числе, цветных), которые описаны в работах Рафаэля С. Гонса-леса, Ричарда Е. Вудса, Визильтера Ю. В., Желто-ва С. Ю., Князя В. А., Ходарева А. Н., Моржина А. В. и др. [36; 37; 38; 39; 40].
Под сегментацией изображения понимают задачу разбиения плоскости кадра на ряд связных областей, каждая из которых обладает некоторой внутренней однородностью того или иного вида (например, однородной яркостью пикселей). Методы сегментации, описанные в указанных выше источниках, могут быть успешно использованы для выявления на цветном изображении областей, соответствующих различным компонентам смеси. То есть классические методы сегментации подходят для исследования многокомпонентных смесей. Тем не менее цветовая сегментация изображения требует предварительной обработки крупного набора изображений (порядка 1000), на которых присутствует цветовая составляющая, соответствующая определённому компоненту смеси. Например, в книге [41] указано, что для выявления на изображении пикселей, цвет которых соответствует оттенкам кожи, понадобилось обработать порядка 900 изображений фрагментов кожи размерами 3^3 пикселя. Цветовая сегментация в данном примере производилась по предварительно построенной модели распределения цвета искомого объекта в цветовом пространстве HSV (Hue, Saturation, Value - цветовой тон, насыщенность, мера яркости).
Также к недостаткам классической цветовой сегментации изображения следует отнести то, что при низкой яркостной градации оцениваемых смесей или слабом освещении при фотографировании данные методы становятся неэффективным из-за присутствия на фотографиях теней, границ, изменения оттенков смесей и т. д. Тем не менее, несмотря на то, что классические методы цветовой сегментации изображений не позволят автоматизировать процесс определения качества перемешивания компонентов
смеси, они будут полезны в процессе разметки обучающих изображений для нейронной сети.
Отметим также, что в статье [33] указывается, что в настоящее время не выработаны универсальные критерии оценки качества сыпучих составов. Это означает, что даже в случае реализации методов, представленных выше, нельзя быть полностью уверенными в корректности оценки, полученной с помощью описанных в литературных источниках цифровых алгоритмов. Только опытный эксперт способен достаточно точно определить качество смеси. Однако эксперты не всегда в состоянии формализовать свои знания, зачастую они интуитивные и неполные.
Все указанные выше недостатки существующих методов обработки изображений (за исключением недостатка, который заключается в необходимости подготовки большого количества обучающих изображений) можно решить путём использования искусственных нейронных сетей, которые в большей степени распространены за рубежом [44; 45; 46; 47; 48; 49; 50; 51; 52; 53; 54; 55; 56].
Уникальность современных нейронных сетей в том, что они полностью автоматически синтезируют признаки [58], характеризующие объект исследования (качество смеси, в нашем случае). Машинное обучение автоматизирует процесс извлечения знаний из данных, предъявленных сети в процессе обучения. Обучение глубоких нейронных сетей автоматизирует ещё и предварительную обработку сложно структурированных данных, таких как изображения [59]. Таким образом, использование нейронных сетей решает проблему невозможности формализации (математического описания) знаний и интуитивных подходов, которые позволяют опытному эксперту определять качество смеси.
На настоящем этапе развития систем искусственного интеллекта нейронные сети способны классифицировать изображения на уровне человека [60]. Это означает, что при условии грамотного формирования набора обучения для нейронной сети появляется возможность создать программный комплекс, полностью автоматизирующий процесс определения качества смеси, независимо от числа компонентов смеси, их цвета, концентрации. Более того, если в обучающий набор включить изображения с низкой яркостной градацией оцениваемых смесей, то проблема некорректного определения качества сети из-за плохого качества предъявляемых сети изображений также будет исключена.
XXXXXXXXXXX технологии, машины и оборудование XXXXXXXXXXX
ППЯ ДГРППРПМЫШПРННПГП КПМППРКГД
1. Сысуев В. А., Савиных П. А., Турубанов Н. В., Чернятьев Н. А., Казаков В. А., Саитов В. Е. Патент 2563689. Способ приготовления комбикормов; заявка № 2014113057/13; опубл. 20.09.2015; Бюл. № 26.
2. Фуфачев В. С. Повышение эффективности функционирования комбикормового агрегата путем совершенствования технологического процесса и рабочих органов дозатора: дис. ... канд. техн. наук. Киров. 2009. 188 с.
3. Sirovatka V., Dorokhov A., Kirsanov V., Pavkin D., Nikitin E. Stady Results of the On-Bord Weight control System as Exemplified by Feed Mixture Preparation Using a Trailed Feed Mixer-and-Distributor // E3S Web of Conferences. 13. Сер. «13th International Scientific and Practical Conference on State and Prospects for the Development of Agribusiness, Interagromash 2020». 2020. С. 03006.
4. Лялин Е. А. Обоснование основных конструктивно-технологических параметров спирально-винтового дозатора комбикормов: дис. ... канд. техн. Наук. Саранск. 2019. 175 с.
5. Федоренко И. Ч., Садов В. В. Методы выбора оборудования для технологических линий комбикормовых цехов. Вестник Алтайского государственного аграрного университета. 2018. №7(165). С. 147-152.
6. Булатов С. Ю., Нечаев В. Н., Сергеев А. Г., Савиных П. А. Результаты исследований весового дозирования ингредиентов комбикорма. Техника и оборудование для села. 2021. № 1 (283). С. 20-24.
7. Сергеев А. Г., Булатов С. Ю., Нечаев В. Н., Савиных П. А., Шамин А. Е. Оценка характеристик системы дозирования компонентов комбикорма в условиях хозяйства // Аграрный научный журнал. 2020. № 8. С. 93-99.
8. Суфиянов Р. Ш., Каталымов А. В. Влияние уплотняемости сыпучего материала на критический размер выпускного отверстия бункерного устройства // Известия высших учебных заведений. Серия: Химия и химическая технология. Т. 54. № 1. 2011. С. 100-103.
9. Bukreev V.G., Lyapushkin S.V., Gusev N.V. Accuracy Enhancement of Electrotechnical System for Bulk Material Batching // MATEC Web of Conferences. 2014. С. 01025.
10. Ляпушкин С. В., Гусев Н. В., Арсентьев О. В. Алгоритм адаптивной работы автоматической системы дозирования сыпучих материалов на основе статистических баз данных // Вестник Иркутского государственного технического университета. № 11. 2012. C. 181-186.
11. Симикова А. А., Сулимова А. А., Федосенков Б. А. Разработка моделей вейвлет-мониторинга процессов приготовления смесей // Мехатроника, автоматика и робототехника. № 9. 2022. С. 73-76.
12. Ляпушкин С. В. Повышение эффективности управления электроприводом автоматизированного комплекса дозирования сыпучих материалов : дис. ... канд. техн. наук. Томск, 2015. 146 с.
13. Оболенский Н. В., Булатов С. Ю., Свистунов А. И. Исследование процесса смешивания компонентов комбикорма // Вестник научных конференций. 2015. № 1-1 (1). С. 111-117.
14. Чупшев А. В., Коновалов В. В., Терюшков В. П., Шабурова Г. В. Аналитическое определение параметров лопастных смесителей для турбулентного перемешивания сухих смесей // Вестник Ульяновской государственной сельскохозяйственной академии. 2012. № 1. С. 135.
15. Бакин М. Н., Капранова А. Б., Верлока И. И. Современные методы математического описания процесса смешивания сыпучих материалов // Фундаментальные исследования. 2014. № 5. С. 923-927.
16. Извеков Е. А. Оценка качества работы кормоприготовительных агрегатов и пути совершенствования их конструкции // Вестник Воронежского государственного аграрного университета. 2014. № 4. С. 98-103.
17. Утолин В. В., Гришков Е. Е., Лавров А. М. Теоретическое обоснование конструктивно-технологических параметров спирального смесителя // Вестник Рязанского государственного агротехнологи-ческого университета им. П. А. Костычева. 2015. № 1 (25). С. 70-76.
18. Булатов С. Ю., Воронов Е. В., Шамин А. Е., Сергеев А. Г. Оценка равномерности распределения премиксов в полнорационных кормах при их подготовке в смесителях // Пермский аграрный вестник. 2019. № 3
Заключение
что значительно превосходит параметры аналогов как российских, так и зарубежных методик, и ее развитие и внедрение в производство позволит укрепить позиции России в плане технологического прорыва и развития на мировом рынке.
Таким образом, предлагаемая методика позволяет, во-первых, получать данные о качестве смеси в реальном времени, во-вторых, оценивать распределение сразу нескольких компонентов в смеси,
СПИСОК ИСТОЧНИКОВ
(27). С. 4-12.
XXXXXXXXXXX технологии, машины и оборудование XXXXXXXXXXX
^WWVVWW ППЯ ЛГРППРПМЫШ ПРННПГП КПМППРКГА
ДЛЯ АГ ГО11рОМЫШЛЕППО1 О комплекса
40. Рафаэл С. Гонсалес, Ричард Е. Вудс. Цифровая обработка изображений. М. : Техносфера. 2012. 1105 с.
41. Визильтер Ю. В., Желтов С. Ю., Князь В. А., Ходарев А. Н., Моржин А. В. Обработка и анализ цифровых изображений с примерами на LabVIEW и IMAQ Vision. М. : ДМК Пресс. 2016. 464 с.
42. Bing Han, Gopalakrishnan Srinivasan, Kaushik Roy. RMP-SNN: Residual Membrane Potential Neuron for Enabling Deeper High-Accuracy and Low-Latency Spiking Neural Network // Neural and Evolutionary Computing (cs.NE); Computer Vision and Pattern Recognition; Machine Learning. https://doi.org/10.48550/arXiv.2003.01811
43. Lin M., Chen Q., Yan S. Network In Network // CoRR. Abs. 1312.4400V3. 2013. https://api.semanticscholar.org/CorpusID:16636683.
44. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition // arXiv: 1409.1556. 2015. https://doi.org/10.48550/arXiv.1409.1556.
45. Gao Huang, Zhuang Liu, Laurens van der Maaten, Kilian Q. Weinberger. Densely Connected Convolutional Networks // IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 2261-2269.
46. Kaiwen Duan, Song Bai, Lingxi Xie, Honggang Qi, Qingming Huang, Qi Tian. CenterNet: Keypoint Triplets for Object Detection // arXiv: 1904.08189. 2019. https://doi.org/10.48550/arXiv.1904.08189.
47. Zhu R., Zhang S., Wang X., Wen L., Shi H., Bo L., Mei. T. Scratchdet: Training single-shot object detectors from scratch // Proceedings of the IEEE conference on computer vision and pattern recognition. 2019.
48. Yukang Chen, Tong Yang, Xiangyu Zhang, Gaofeng Meng, Xinyu Xiao, Jian Sun. DetNAS: Backbone Search for Object Detection // arXiv: 1903.10979. 2019. https://doi.org/10.48550/arXiv.1903.10979.
49. Hanxiao Liu, Karen Simonyan, and Yiming Yang. DARTS: differentiable architecture search // ICLR. abs/1806.09055. 2019.
50. Xianzhi Du, Tsung-Yi Lin, Pengchong Jin, Golnaz Ghiasi, Mingxing Tan, Yin Cui, Quoc V. Le, Xiaodan Song. SpineNet: Learning Scale-Permuted Backbone for Recognition and Localization // IEEE/CVF on Computer Vision and Pattern Recognition (CVPR). 2020. P. 11592-11601. https://doi.org/10.48550/arXiv.1912.0502.
51. Mingxing Tan, Bo Chen, Ruoming Pang, Vijay Vasudevan, Mark Sandler, Andrew Howard, and Quoc V Le. Mnas-net: Platform-aware neural architecture search for mobile // CVPR. 2019.
52. Tan M., Quoc V. Le. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // arXiv: 1905.11946v5. 2020. Режим доступа: https://arxiv.org/pdf/1905.11946.pdf. 11 Sep. 2020.
53. Real E., Aggarwal A., Huang Y., and Le Q. V. Regularized evolution for image classifier architecture search // AAAI. 2019.
54. Pham H., Dai Z., Xie Q., Luong M.-T., Quoc V. Le. Meta Pseudo Labels // arXiv: 2003.10580. 2021. DOI: 10.1109/CVPR46437.2021.01139.
55. Metz L., Maheswaranathan N., Cheung B. and Sohl-Dickstein J. Meta-learning update rules for unsupervised representation learning // International Conference on Learning Representations. 2019.
56. Zheng Qin, Zeming Li, Zhaoning Zhang, Yiping Bao, Gang Yu, Yuxing Peng, Jian Sun. ThunderNet: Towards Real-time Generic Object Detection // arXiv: 1903.11752. 2022. https://doi.org/10.48550/arXiv.1903.11752.
57. Zeming Li, Chao Peng, Gang Yu, Xiangyu Zhang, Yangdong Deng, and Jian Sun. Detnet: Design backbone for object detection // Proceedings of the European Conference on Computer Vision (ECCV). 2018. P. 334-350.
58. Хайкин Саймон. Нейронные сети. Полный курс. М. : Диалектика/Вильямс. 2019. 1104 с.
59. Архангельская Е. В., Кадурин А. А., Николенко С. И. Глубокое обучение. Погружение в мир нейронных сетей. СПб. : Питер. 2020. 481 с.
60. Шолле Ф. Глубокое обучение на Python. СПб. : Питер. 2020. 400 с.
Дата поступления статьи в редакцию 19.10.2023, одобрена после рецензирования 14.11.2023,
принята к публикации 15.11.2023.
Информация об авторах: Г. С. Малышев - к.т.н., доцент, AuthorlD: 980801; О. А. Тареева - к.т.н., доцент, Spin-код: 1242-4318.
TFfflAifliiirwc мдгтмгс дмгъ rniirDMctrr lzlmvuluulzb, млспичял суимгмым
f/ii? thf imtwigtbiai глшrv
run 1 nc agrU-u\UUs mirtl, ьитгьсл
Заявленный вклад авторов:
Малышев Г. С. - подготовка текста статьи, проведение анализа и подготовка первоначальных выводов, анализ полученных результатов, подготовка первоначального варианта текста, написание основной части текста, участие в обсуждении материалов статьи, представление данных в тексте, компьютерные работы. Тареева О. А. - поиск аналитических материалов в отечественных и зарубежных источниках, сбор и обработка материалов, участие в обсуждении материалов статьи, анализ и дополнение текста статьи, сбор данных и доказательств, обеспечение ресурсами, подготовка литературного обзора, совместное осуществление анализа научной литературы по проблеме исследования.
Авторы заявляют об отсутствии конфликтов интересов.
REFERENCES
1. Sysuev V. A., Savinyh P. A., Turubanov N. V., Chernyat'ev N. A., Kazakov V. A., Saitov V. E. Patent 2563689. Sposob prigotovleniya kombikormov [Method of preparation of compound feeds]; zayavka No. 2014113057/13; opubl. 20.09.2015; Byul. No. 26.
2. Fufachev V. S. Povyshenie effektivnosti funkcionirovaniya kombikormovogo agregata putem sover-shenstvovaniya tekhnologicheskogo processa i rabochih organov dozatora [Improving the efficiency of the functioning of the feed unit by improving the technological process and the working bodies of the dispenser. Ph. D. (Engineering) diss.], Kirov, 2009, 188 p.
3. Sirovatka V., Dorokhov A., Kirsanov V., Pavkin D., Nikitin E. Stady Results of the On-Bord Weight control System as Exemplified by Feed Mixture Preparation Using a Trailed Feed Mixer-and-Distributor In the collection: E3S Web of Conferences, Episode 13, «13th International Scientific and Practical Conference on State and Prospects for the Development of Agribusiness, Interagromash 2020», 2020, pp. 03006.
4. Lyalin E. A. Obosnovanie osnovnyh konstruktivno-tekhnologicheskih parametrov spiral'no-vintovogo dozatora kombikormov [Substantiation of the main design and technological parameters of the spiral-screw feed dispenser. Ph. D. (Engineering)], Saransk, 2019, 175 p.
5. Fedorenko I. Ch., Sadov V. V. Metody vybora oborudovaniya dlya tekhnologicheskih linij kombikormovyh cekhov [Methods of equipment selection for technological lines of feed mills], Vestnik Altajskogo gosudarstvennogo agrarnogo universiteta [Bulletin of the Altai State Agrarian University], 2018, No. 7 (165), рр. 147-152.
6. Bulatov S. YU., Nechaev V. N., Sergeev A. G., Savinyh P. A. Rezul'taty issledovanij vesovogo dozirovaniya ingredientov kombikorma [Results of research on the weight dosing of feed ingredients], Tekhnika i oborudovanie dlya sela [Machinery and equipment for the village], 2021, No. 1 (283), pp. 20-24.
7. Sergeev A. G., Bulatov S. Yu., Nechaev V. N., Savinyh P. A., Shamin A. E. Ocenka harakteristik sistemy dozirovaniya komponentov kombikorma v usloviyah hozyajstva [Evaluation of the characteristics of the dosing system of feed components in farm conditions], Agrarnyj nauchnyj zhurnal [Agricultural Scientific Journal], 2020, No. 8, pp. 93-99.
8. Sufiyanov R. Sh., Katalymov A. V. Vliyanie uplotnyaemosti sypuchego materiala na kriticheskij razmer vypusknogo otverstiya bunkernogo ustrojstv [Influence of compaction of bulk material on the critical size of the outlet of the hopper devices], Izvestiya vysshih uchebnyh zavedenij. Seriya: Himiya i himicheskaya tekhnologiya [News of higher educational institutions. Series: Chemistry and Chemical Technology], Vol. 54, No. 1, 2011, pp. 100-103.
9. Bukreev V. G., Lyapushkin S. V., Gusev N. V. Accuracy Enhancement of Electrotechnical System for Bulk Material Batching, MATEC Web of Conferences, 2014, pp. 01025
10. Lyapushkin S. V., Gusev N. V., Arsent'ev O. V. Algoritm adaptivnoj raboty avtomaticheskoj sistemy dozirovaniya sypuchih materialov na osnove statisticheskih baz dannyh [Algorithm of adaptive operation of the automatic dosing system of bulk materials based on statistical databases], Vestnik Irkutskogo gosudarstvennogo tekhnicheskogo universiteta [Bulletin of Irkutsk State Technical University], No. 11, 2012, pp. 181-186.
11. Simikova A. A., Sulimova A. A., Fedosenkov B. A. Razrabotka modelej vejvlet-monitoringa processov prigotovleniya smesej [Development of wavelet monitoring models for the preparation of mixtures], Mekhatronika, avtomatika i robototekhnika [Mechatronics, automation and robotics], No. 9, 2022, pp. 73-76.
44
XXXXXXXXXXX технологии, машины и оборудование XXXXXXXXXXX
ППЯ ЛГРППРПМЫШ ПРННПГП КПМППРКГА
ДЛЯ АГ ГОирОМЫШЛЕППО1 О комплекса
12. Lyapushkin S. V. Povyshenie effektivnosti upravleniya elektroprivodom avtomatizirovannogo kompleksa dozirovaniya sypuchih materialov [Improving the efficiency of electric drive control of the automated bulk materials dosing complex. Ph. D. (Engineering) diss.], Tomsk, 2015, 146 p.
13. Obolenskij N. V., Bulatov S. Yu., Svistunov A. I. Issledovanie processa smeshivaniya komponentov kombi-korma [Investigation of the process of mixing feed components], Vestnik nauchnyh konferencij [Bulletin of scientific conferences], 2015, No. 1-1 (1), pp. 111-117.
14. Chupshev A. V., Konovalov V. V., Teryushkov V. P., Shaburova G. V. Analiticheskoe opredelenie par-ametrov lopastnyh smesitelej dlya turbulentnogo peremeshivaniya suhih smesej [Analytical determination of the parameters of paddle mixers for turbulent mixing of dry mixtures], Vestnik Ul'yanovskoj gosu-darstvennoj sel'sko-hozyajstvennoj akademii [Bulletin of the Ulyanovsk State Agricultural Academy], 2012, No. 1, pp. 135.
15. Bakin M. N., Kapranova A. B., Verloka I. I. Sovremennye metody matematicheskogo opisaniya processa smeshivaniya sypuchih materialov [Modern methods of mathematical description of the process of mixing bulk materials], Fundamental'nye issledovaniya [Fundamental research], 2014, No. 5, pp. 923-927.
16. Izvekov E. A. Ocenka kachestva raboty kormoprigotovitel'nyh agregatov i puti sovershenstvovaniya ih kon-strukcii [Evaluation of the quality of feed preparation units and ways to improve their design], Vestnik Voronezhskogo gosudarstvennogo agrarnogo universiteta [Bulletin of the Voronezh State Agrarian University], 2014, No. 4, pp. 98-103.
17. Utolin V. V., Grishkov E. E., Lavrov A. M. Teoreticheskoe obosnovanie konstruktivno-tekhnologicheskih parametrov spiral'nogo smesitelya [Theoretical substantiation of the design and technological parameters of the spiral mixer], VestnikRyazanskogo gosudarstvennogo agrotekhnologicheskogo universiteta im. P. A. Kostycheva [Bulletin of the Ryazan State Agrotechnological University named after P. A. Kostychev], 2015, No. 1 (25), pp. 70-76.
18. Bulatov S. Yu., Voronov E. V., Shamin A. E., Sergeev A. G. Ocenka ravnomernosti raspredeleniya premik-sov v polnoracionnyh kormah pri ih podgotovke v smesitelyah [Evaluation of the uniformity of the distribution of premixes in complete feeds during their preparation in mixers], Permskij agrarnyj vestnik [Perm Agrarian Bulletin], 2019, No. 3 (27), pp. 4-12.
19. Nikitin E. A., Pavkin D. Y., Izmailov A. Yu., Aksenov A. G. Assessing the homogeneity of forage mixtures using an RGB camera as exemplified by cattle rations, Applied Sciences (Switzerland), 2022, Vol. 12, No. 7, DOI: 10.3390/app12073230.
20. Terekhova A. A., Vlasova V. N., Komar A. E. Sistema avtomaticheskogo upravleniya dvuhkomponentnogo smeshivayushchego ustrojstva [Automatic control system of a two-component mixing device], Paradigma [Paradigm], No. 1, 2020, pp. 54-57.
21. Savinyh P. A., Aleshkin A. V., Turubanov N. V., Zyryanov D. A. Opredelenie racional'nyh parametrov smesitelya teoreticheskimi issledovaniyami vzaimodejstviya vintovoj poverhnosti shneka s materialom [Determination of the rational parameters of the mixer by theoretical studies of the interaction of the screw surface of the screw with the material], Tekhnika i tekhnologii v zhivotnovodstve [Equipment and technologies in animal husbandry], No. 1 (41), 2021,pp.76-84.
22. Bernhardt E. Pererabotka termoplasticheskih materialov [Processing of thermoplastic materials], Moscow: Goskhimizdat, 1962, 647 p.
23. Mohnatkin V. G., Poyarkov M. S., Gorbunov R. M. Statisticheskaya ocenka kachestva smeshivaniya kormov [Statistical evaluation of feed mixing quality], Uluchshenie ekspluatacionnyh pokazatelej sel'skohozyajstven-noj energetiki [Improving the operational performance of agricultural energy], Vol. 22, Kirov, 2022, pp. 70-73.
24. Marczuk A., Sysuev V., Aleshkin A., Savinykh P., Turubanov N., Tomporowski A. Theoretical sStudies of the Interaction Between Screw Surface and Material in the Mixer, Materials, Vol. 14, No. 4, 2021, pp. 1-29.
25. Popoldnev R. S., Ziganshin B. G., Dmitriev A. V., Haliullin D. T., Aleshkin A. V., Kashapov I. I., Sabi-rov B. M., Hajdarov R. R. Patent RU 2788535 C1. Izmel'chitel'-smesitel' kormov [Shredder-feed mixer], zayav. 2022105492; opubl. 23.01.2023. Byul. 3.
26. Dyomin O. V., Smolin D. O. Opredelenie kachestva smeshivaniya sypuchih materialov [Determination of the mixing quality of bulk materials], Sbornik nauchnyh trudov SWorld [Collection of scientific papers SWorld], Odessa, 2011, pp. 73-74.
27. Dyomin O. V., Smolin D. O. Sposob opredeleniya kachestva smesi komponentov, razlichayushchihsya po cvetu [Method for determining the quality of a mixture of components that differ in color], Sbornik nauchnyh trudov SWorld [Collection of scientific papers SWorld], Odessa, 2012, pp. 54-56.
technologies, machines and equipment
f/ii? thf imtwigtbiai глшfv¥¥¥¥¥¥v¥¥¥¥¥¥
for the agro-industrial complex
28. Cherpickij S. N., Korolev L. V., Tarshis M. Yu. Matematicheskoe modelirovanie processa smeshivaniya sypuchih materialov v barabanno-lopastnom smesitele [Mathematical modeling of the process of mixing bulk materials in a drum-blade mixer], Izvestiya vuzov. Himiya i himicheskaya tekhnologiya [News of universities. Chemistry and chemical technology], Vol. 65, No. 9, 2022, pp. 112-120, DOI: 10.6060/ivkkt.20226509.6504.
29. Obolenskij N. V., Bulatov S. Yu., Svistunov A. I. Izobretatel'stvo - put' k nauchnomu uspekhu [Invention is the path to scientific success], Nizhnij Novgorod, 2016, 205 p.
30. Lebedev A. E., Vinogradov A. E., Gudanov I. S., Sheronina I. S., Kapranova A. B., Vinogradova E. A., Lomov A. A., Lavrent'ev Yu. B. Patent RU 2780612 C9. Agregat dlya smesheniya sypuchih materialov [A unit for mixing bulk materials], zayav. 022105380; opubl. 10.01.2023; Byul. 1.
31. Cherpickij S. N., Tarshis M. Yu., Korolev L. V., Kapranova A. B. Sistema kontrolya kachestva sypuchej smesi v barabannom ustrojstve nepreryvnogo dejstviya [The quality control system of the bulk mixture in a continuous drum device], Umnye kompozity v stroitel'stve [Smart composites in construction], 2020, Vol. 1, No. 1, pp. 56-64.
32. Tarshis M. Yu. Issledovanie kachestva sypuchej smesi. Modelirovanie. Kriterii. Eksperiment [Investigation of the quality of the bulk mixture. Modeling. Criteria. Experiment]. Yaroslavl': Publ. YAGTU, 2015, 120 p.
33. Cherpickij S. N., Tarshis M. Yu., Korolev L. V. Razrabotka effektivnyh metodov i kriteriev ocenki kachestva smeshivaniya sypuchih materialov [Development of effective methods and criteria for assessing the quality of mixing bulk materials], MNTFpervye Kosyginskie chteniya. Simpozium SETT [ISTF the first Kosygin readings. SETT Symposium], 2017, Vol. 1, pp. 197-199.
34. Tarshis M. Yu., Cherpickij S. N., Korolyov L. V., Kapranova A. B. Patent 32690539. Sposob issledovaniya kachestva smesi komponentov, razlichayushchihsya po cvetu [A method for investigating the quality of a mixture of components that differ in color], zayav. 02.07.2018; opubl. 04.06.2019, Byul. No. 16.
35. Tarshis M. Yu., Korolyov L. V., Zajcev A. I. Patent No. 2495398. Sposob opredeleniya kachestva kompo-nen-tov, razlichayushchihsya po cvetu zayavl [A method for determining the quality of components that differ in color], 19.04.2012; opubl. 27.01.2010; Byul. No. 1.
36. Tarshis M. Yu., Korolyov L. V., Zajcev A. I. Patent 32385454. Sposob opredeleniya kachestva smesi kom-ponentov, razlichayushchihsya po cvetu [A method for determining the quality of a mixture of components that differ in color], zayav. 06.11.2008; opubl. 27.03.2010; Byul. No. 9.
37. Tarshis M. Yu., Cherpickij S. N. Metod issledovaniya i kontrolya kachestva smesi v ustrojstve nepreryvnogo dejstviya [Method of investigation and quality control of the mixture in a continuous device], Mekhatronika, avtomatika i robototekhnika [Mechatronics, automation and robotics], No. 2, 2018, pp. 170-172.
38. Cherpickij S. N., Rodionov M. A., Tarshis M. Yu. K raschetu parametrov barabanno-lopastnogo smesitelya sypuchih materialov [To calculate the parameters of a drum-blade mixer of bulk materials], Mashinostroenie: inno-vacionnye aspekty razvitiya [Mechanical engineering: innovative aspects of development], Saint-Petersburg, 2020, pp. 35-38.
39. Tarshis M. Yu., Korolev L. V., Cherpickij S. N. K raschetu barabanno-lopastnogo smesitelya sypuchih materialov [To the calculation of a drum-blade mixer of bulk materials], Matematicheskie metody v tekhnologiyah i tekhnike [Mathematical methods in technology and engineering], No. 3, 2022, pp. 30-33.
40. Rafael S. Gonsales, Richard E. Vuds. Cifrovaya obrabotka izobrazhenij [Digital image processing], Moscow: Tekhnosfera, 2012, 1105 p.
41. Vizil'ter Yu. V., Zheltov S. Yu., Knyaz' V. A., Hodarev A. N., Morzhin A. V. Obrabotka i analiz cifrovyh izobrazhenij s primerami na LabVIEW IMAQ Vision [Processing and analysis of digital images with examples on LabVIEW IMAQ Vision], Moscow: DMK Press, 2016, 464 p.
42. Bing Han, Gopalakrishnan Srinivasan, Kaushik Roy. RMP-SNN: Residual Membrane Potential Neuron for Enabling Deeper High-Accuracy and Low-Latency Spiking Neural Network, Neural and Evolutionary Computing (cs.NE); Computer Vision and Pattern Recognition; Machine Learning, https://doi.org/10.48550/arXiv.2003.01811
43. Lin M., Chen Q., Yan S. Network In Network, CoRR, Abs. 1312.4400V3, 2013, https://api.semanticscholar.org/CorpusID:16636683.
44. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition, arXiv, 1409.1556. 2015. https://doi.org/10.48550/arXiv.1409.1556.
XXXXXXXXXXX технологии, машины и оборудование XXXXXXXXXXX
^WWVVWW ППЯ ЛГРППРПМЫШ ПРННПГП КПМППРКГА
ДЛЯ АГ ГОирОМЫШЛЕППО1 О комплекса
45. Gao Huang, Zhuang Liu, Laurens van der Maaten, Kilian Q. Weinberger. Densely Connected Convolutional Networks, IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 2261-2269. https://arxiv.org/pdf/1608.06993.pdf.
46. Kaiwen Duan, Song Bai, Lingxi Xie, Honggang Qi, Qingming Huang, Qi Tian. CenterNet: Keypoint Triplets for Object Detection, arXiv: 1904.08189, 2019. https://doi.org/10.48550/arXiv.1904.08189.
47. Zhu R., Zhang S., Wang X., Wen L., Shi H., Bo L., Mei. T. Scratchdet: Training single-shot object detectors from scratch, Proceedings of the IEEE conference on computer vision and pattern recognition, 2019.
48. Yukang Chen, Tong Yang, Xiangyu Zhang, Gaofeng Meng, Xinyu Xiao, Jian Sun. DetNAS: Backbone Search for Object Detection, arXiv, 1903.10979, 2019. https://doi.org/10.48550/arXiv.1903.10979.
49. Hanxiao Liu, Karen Simonyan, and Yiming Yang. DARTS: differentiable architecture search, ICLR, abs/1806.09055, 2019.
50. Xianzhi Du, Tsung-Yi Lin, Pengchong Jin, Golnaz Ghiasi, Mingxing Tan, Yin Cui, Quoc V. Le, Xiaodan Song. SpineNet: Learning Scale-Permuted Backbone for Recognition and Localization, IEEE/CVF on Computer Vision and Pattern Recognition (CVPR), 2020. pp. 11592-11601. https://doi.org/10.48550/arXiv.1912.0502.
51. Mingxing Tan, Bo Chen, Ruoming Pang, Vijay Vasudevan, Mark Sandler, Andrew Howard, and Quoc V Le. Mnas-net: Platform-aware neural architecture search for mobile, CVPR, 2019.
52. Tan M., Quoc V. Le. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks, arXiv, 2020, 1905.11946v5, https://arxiv.org/pdf/1905.11946.pdf.
53. Real E., Aggarwal A., Huang Y., and Le Q. V. Regularized evolution for image classifier architecture search, AAAI, 2019.
54. Pham H., Dai Z., Xie Q., Luong M.-T., Quoc V. Le. Meta Pseudo Labels, arXiv, 2003.10580, 2021. https://arxiv.org/pdf/2003.10580v4.pdf. 2021. DOI:10.1109/CVPR46437.2021.01139.
55. Metz L., Maheswaranathan N., Cheung B. and Sohl-Dickstein J. Meta-learning update rules for unsuper-vised representation learning, International Conference on Learning Representations, 2019.
56. Zheng Qin, Zeming Li, Zhaoning Zhang, Yiping Bao, Gang Yu, Yuxing Peng, Jian Sun. ThunderNet: Towards Real-time Generic Object Detection, arXiv: 1903.11752, 2022, https://doi.org/10.48550/arXiv.1903.11752.
57. Zeming Li, Chao Peng, Gang Yu, Xiangyu Zhang, Yangdong Deng, and Jian Sun. Detnet: Design backbone for object detection, Proceedings of the European Conference on Computer Vision (ECCV), 2018, pp. 334-350.
58. Hajkin Sajmon. Nejronnye seti. Polnyj kurs [Neural networks. Full course], Moscow: Dialektika/Vil'yams, 2019, 1104 p.
59. Arhangel'skaya E. V., Kadurin A. A., Nikolenko S. I. Glubokoe obuchenie. Pogruzhenie v mir nejronnyh setej [Deep learning. Immersion in the world of neural networks], Saint-Petersburg: Piter, 2020, 481 p.
60. Sholle F. Glubokoe obuchenie na Python [Deep learning in Python], Saint-Petersburg: Piter, 2020, 400 p.
The article was submitted 19.10.2023; approved after reviewing 14.11.2023; accepted for publication 15.11.2023.
Information about the authors: G. S. Malyshev - Ph. D. (Engineering), AuthorID: 980801; O. A. Tareeva - Ph. D. (Engineering), Associate Professor, Spin code: 1242-4318.
The declared contribution of the authors:
Malyshev G. S. - preparation of the text of the article, analysis and the preparation of the initial findings, analysis of findings, preparation of the initial version of the text, writing the main body of text, participation in the discussion of the article, the presentation of data in text, computer work.
Tareeva O. A. - search for analytical materials in domestic and foreign sources, collection and processing of materials, participation in the discussion of the article materials, analysis and addition of the text of the article, collection of data and evidence, provision of resources, preparation of a literary review, joint analysis of scientific literature on the research problem.
The authors declare that there is no conflict of interest.
