CC BY
49
Решение проблем автоматизации процесса сбора плодоовощной
продукции
М.И. Анчёков, А.Л. Кильчукова, С.Х. Шалова
ФГБУН Институт информатики и проблем регионального управления КБНЦ РАН
Аннотация: В статье актуализируется вопрос повышения производительности труда сельскохозяйственного производства за счет автоматизации и внедрения робототехники. В результате исследования было выяснено, что хозяйства различного типа испытывают потребность в автоматизации процесса уборки урожая, что обусловило дальнейшие направления анализа. Представлен обзор современного состояния рынка сельскохозяйственных роботов и выявлены его ключевые игроки. Предложено решение автоматизации процесса сбора плодоовощной продукции с помощью семейства роботов AgroMultiBot.
Ключевые слова: сельское хозяйство, автоматизация и роботизация сельскохозяйственного производства; производительность труда, конкуренты, семейство роботов AgroMultiBot.
Растущая численность населения планеты к 2050 году по прогнозам демографов достигнет 9 миллиардов человек - для удовлетворения такого спроса производство сельскохозяйственной продукции должно увеличиться на 25% [1]. Значительное увеличение потребности в продуктах питания будет способствовать фокусированию государств на стимулирование производительности труда в сельском хозяйстве и рост урожайности за счет повышения эффективности реализуемых агротехнологий в результате их автоматизации [2, 3].
Сложившиеся тенденции обуславливают возможность роста мирового рынка сельскохозяйственных роботов, который по прогнозам Global Industry Analysts, Inc достигнет 15 млрд. долларов к 2020 году. Инвестиции в сельскохозяйственные технологии за 2015 год составили около 4,6 млрд долларов (вдвое больше, чем в 2014 году), по данному предмету заключено было 526 сделок [4].
В соответствии с данными, приведенными Venture Pulse Report 2015, ежегодное мировое финансирование в сельскохозяйственные технологии
возросли в 2014на 166% по сравнению с 2013 годом и на 92% в 2015 по сравнению с предыдущим отчетным периодом.
Дроны и роботы могут полностью вытеснить человеческий фактор на определенных участках работы, обладая при этом мощным потенциалом в повышении рентабельности.
Сельскохозяйственная отрасль является перспективным рынком для развития большинства самых интересных разработок в области робототехники, в связи с наличием в ней многочисленных проблем и возможностью для компаний занять определенную нишу. Ключом стремительно возросшего интереса со стороны государств к сельскохозяйственным технологиям, в том числе робототехнике, является снижение издержек фермеров и хозяйств различного типа, позволяющее обеспечить доступность продуктов питания для всего населения, повышение производительности труда, улучшения качества продукции.
На наш взгляд, адаптация существующей сельскохозяйственной техники к необходимым требованиям фермеров наряду с созданием новой с последующим переходом к безлюдным формам организации труда является наиболее жизнеспособной стратегией развития на рынке сельскохозяйственных роботов.
При этом, по результатам опроса, проведенного в ходе нашего исследования рынка сельскохозяйственных роботов, было выявлено, что 90% респондентов (хозяйств различных типов) испытывают потребность в автоматизации процесса уборки урожая, что обусловило дальнейшие направления анализа.
Ключевыми игроками на рынке сельскохозяйственной техники в 2015 году являлись такие компании как Auto Probe Technologies LLC (сельхозтехника), Deere&Company (John Deere - многофункциональная с/х техника (разных направлений, в том числе комбайны)), De Laval International
AB (сельскохозяйственная техника для животноводства), AGRO Corporation (с/х техника, тракторы), GEA Group Aktiengesellschaft (с/х техника для ферм, с углубленной специализацией на животноводстве), AGROBOT (робот-сборщик клубники) и Vision Robotics Corporation (робот-сборщик апельсинов).
Исследованиями и разработками в области роботостроения активно занимаются в Институте информатики и проблем регионального управления Кабардино-Балкарского научного центра РАН, на базе которого создан прототип мобильного робота для сбора плодоовощной продукции на открытом грунте в безлюдном режиме «AgroMultiBot.Garnet», являющийся первым в составе семейства роботов для безлюдного сельскохозяйственного производства (Рисунок 1).
Рис. 1 Робот-сборщик плодоовощной продукции AgroMultiBot.Garnet.
Семейство роботов AgroMultiBot реализует концепцию безлюдного сельскохозяйственного производства на основе последовательной разработки и внедрения серии мобильных автономных роботов. Каждый из них будет выполнять определенный отличный от других набор агротехнических операций. Совместное применение всех роботов обеспечит полный функционально замкнутый цикл сельскохозяйственного производства.
AgroMultiBot - это семейство роботов: робот-сборщик для открытого грунта «Garnet», робот-сборщик для теплиц «Hyacinth», пропашной робот
«Pearl», транспортный робот «Topaz», сервисный робот «Sapphire», зарядная станция «Chrysolite», культиватор-фитосанитар «Ruby», ороситель «Diamond» и другие роботы.
Основная функциональность робота-сборщика реализована в навесном роботизированном модуле, представляющим собой раму с двумя манипуляторами, ленточным транспортером, ворошителем и системой датчиков для распознавания плодов (рисунок 2).
Рис. 2 Навесной роботизированный модуль.
Для отработки основных алгоритмов была разработана тестовая платформа, состоящая из навесного роботизированного модуля и транспортной платформы на шинах низкого давления (рисунок 3).
Рис. 3 Тестовая платформа. 3Б модель и ее реализация.
Фермер сможет приобретать и внедрять каждого из этих роботов отдельно, либо приобрести все семейство сразу. Внедрение каждого из них
позволит в несколько раз повысить эффективность сельскохозяйственного производства. Роботы могут использоваться совместно с уже имеющимися в хозяйстве машинами и средствами автоматизации.
Семейство роботов AgroMultiBot реализуется на основе двух ключевых технологий: Try&Fly и MACROS. Try&Fly - универсальная технология самообучения роботов для решения задач целенаправленного перемещения в пространстве и манипулирования объектами на основе нейрокогнитивной адаптивной сенсомоторной петли (Neurocognitiveadaptivesensorymotorloop (NCASL), реализуемой с помощью мультиагентной рекурсивной когнитивной архитектуры [5, 6]. MACROS - универсальная технология самообучения мультиагентных коллаборативных роботов для решения задач понимания и выполнения безлюдными робототехническими комплексами сложных миссий [7].
Технологии Try&Fly и MACROS реализованы в виде аппаратно-программных комплексов. Такой подход в реализации технологий позволяет получить независимые продукты, которые имеют потенциал самостоятельной реализации в виде коммерческих продуктов. Данными аппаратно-программными комплексами можно оснастить существующую сельскохозяйственную технику тем самым интегрировать их в процесс роботизации сельского хозяйства.
Для обнаружения плодов огурца используется система компьютерного зрения на основе мультиспектральной съемки. Данный подход основывается на том, что строение плодов огурца и листвы имеют различия в спектрах поглощения и отражения инфракрасного излучения [8]. Это качество позволяет системе компьютерного зрения эффективно выделять плоды огурца на фоне листвы.
Разрабатываемый в ИИПРУ КБНЦ РАН сельскохозяйственный робот, позволяет решить проблемы:
:
1) низкий уровень производительности и эффективности традиционной уборки;
2) высокие издержки организации ручного сбора урожая;
3) высокая степень повреждаемости плодов при механизированных видах уборки;
4) существенное повреждение почвенного слоя.
Преимуществами использования AgroMultiBot в процессе сельскохозяйственного производства являются:
1) замещение до 25 человек на поле;
2) дополнительный сбор 30-50 процентов урожая, остающихся гнить на поле при традиционной уборке;
3) обеспечение индивидуального ухода за каждым растением;
4) низкий срок окупаемости.
Несмотря на то, что рынок сельскохозяйственной робототехники является относительно молодым, на нем можно отметить ряд конкурентов, представленных на рисунке 4.
Рис. 4 Конкуренты AgroMultiBot на рынке сельскохозяйственной
робототехники.
Среди конкурентных преимуществ AgroMultiBot можно выделить следующие:
1) ожидаемая производительность в 3-5 раз выше, чем при ручной уборке;
2) сокращение производственных расходов за счет сбора продукции в безлюдном режиме;
3) сбережение плодов за счет применения интеллектуальной системы идентификации плодов, многозвенного манипулятора, мультиагентного взаимодействия с другими роботами в составе AgroMultiBot;
4) сбережение почвенного слоя и посадок за счет применения одноосной транспортной платформы на широкопрофильных катках;
5) возможность поэтапного перехода к безлюдному сельскохозяйственному производству за счет постепенного внедрения роботов для различных агротехнических операций;
6) возможность круглосуточной работы в любых климатических условиях, допускающих возделывание на грунте, за счет обеспечения энергией и обслуживания автономными сервисными роботами и зарядными станциями;
7) возможность быстрой перенастройки на требуемый вид уборки.
Сельскохозяйственные роботы являются лишь частью общей тенденции к
большей автоматизации процессов каждого из типов человеческой деятельности [9, 10]. Роботы используются гораздо шире, чем ожидалось, в различных секторах, и эта тенденция, вероятно, продолжится в разрезе робототехники, становящейся столь же распространенной, как и компьютерная техника в течение последующих 15 лет.
Работа выполнена при поддержке гранта РФФИ № 15-01- 05844.
Литература
1. Кильчукова А.Л. Вопросы продовольственной безопасности России // Международная научно-практическая конференция «Глобальные
вызовы современности и проблемы устойчивого развития», г. Нальчик,
2015, с. 536-541.
2. Кумышева З.Х., Шалова С.Х. Влияние процессов глобализации на эколого-экономическое развитие // ХХУ1 Международная Научно-практическая конференция «Трансформация экономических теорий и процессов», г. Санкт-Петербург, 2014, с.39-41.
3. Думанова А. Х., Кумышева З. Х., Шалова С. Х. Глобальные дисбалансы и их влияние на эколого-экономическое развитие // Инженерный вестник Дона, 2014, №4 URL: ivdon.ru/ru/magazine/archive/n4y2014/2731.
4. AgTech Investing Report Year in Review 2015. February URL: research.agfunder.com/2016/AgFunder-Agtech-Investing-Report-Midyear-
2016.pdf (accessed 23/04/2016)
5. Нагоев З.В. Интеллектика, или мышление в живых и искусственных системах. Нальчик: Издательство КБНЦ РАН, 2013. 211 с.
6. Anchokov M., Denisenko V., Nagoev Z., Sundukov Z., Tazhev B. Interactive Collaborative Robotics and Natural Language Interface Based on Multi-agent Recursive Cognitive Architectures Interactive Collaborative Robotics // Lecture Notes in Computer Science. 2016. pp 107-112.
7. Нагоев З.В., Нагоева О.В. Извлечение знаний из многомодальных потоков неструктурированных данных на основе самоорганизации мультиагентной когнитивной архитектуры мобильного робота // Известия КБНЦ РАН. 2016. №68(2). C. 145-152
8. Key van Asefpour Vakilian an Artificial Neural Network Approach to Identify Fungal Diseases of Cucumber (Cucumis sativus L.) Plants Using Digital Image Processing // Journal Archives of Phytopathology and Plant Protection. 2013. №46. pp. 1-9.
9. Phillip R. Lane and Gian Maria Milesi-Ferretti Global Imbalances and External Adjustment after the Crisis // IMF Working Paper, 2014. pp. 5-14/ URL: imf.org/external/pubs/ft/wp/2014/wp14151.pdf
10.Кильчукова А.Л., Хуранова З.Б., Кясов Т.А. Инструменты повышения эффективности управления АПК региона и обеспечение его устойчивого развития // Инженерный вестник Дона, 2015, №1-1 URL: ivdon.ru/ru/magazine/archive/n1y2015/2767.
References
1. Kilchukova A.L. Mezhdunarodnaya Nauchno-prakticheskaya konferentsiya «Global'nye vyzovy sovremennosti i problemy ustoychivogo razvitiya yuga Rosii» (Proc. International Scientific and Practical Conference "The global challenges of today and problems of sustainable development of southern Russia"). Nalchik, 2015, pp.536-541.
2. Kumysheva Z.Kh., Shalova S.Kh. Mezhdunarodnaya Nauchno-prakticheskaya konferentsiya «Transformatsiya ekonomicheskikh teoriy i protsessov» (Proc. International Scientific and Practical Conference "Transformation of economic theories and processes"). Sankt-Peterburg, 2014, pp.39-41.
3. Dumanova A.H., Kumysheva Z.H., Shalova S.Kh. Inzenernyj vestnik Dona (Rus), 2014, №4 URL: ivdon.ru/ru/magazine/archive/n4y2014/2731.
4. AgTech Investing Report Year In Review 2015. February URL: research.agfunder.com/2016/AgFunder-Agtech-Investing-Report-Midyear-2016.pdf (accessed 23/04/2016)
5. Nagoev Z.V. Intellektika, ili myshlenie v zhivykh i iskusstvennykh sistemakh [Intellectics, or thinking in natural and artificial systems.]. Nal'chik: Izdatel'stvo KBNTs RAN, 2013. 211 p.
6. Nagoev Z.V., Nagoeva O.V. Izvestiya KBNTs RAN. 2016. №68 (2). Pp. 145-152.
7. Anchokov M., Denisenko V., Nagoev Z., Sundukov Z., Tazhev B. Interactive Collaborative Robotics and Natural Language Interface Based on Multi-agent Recursive Cognitive Architectures Interactive Collaborative Robotics. Lecture Notes in Computer Science. 2016. pp. 107-112.
8. Key van Asefpour Vakilian An Artificial Neural Network Approach to Identify Fungal Diseases of Cucumber (Cucumis sativus L.) Plants Using Digital Image Processing. Journal Archives of Phytopathology and Plant Protection. 2013. №46. pp.1-9.
9. Phillip R. Lane and Gian Maria Milesi-Ferretti Global Imbalances and External Adjustment after the Crisis. IMF Working Paper, 2014. pp. 5-14/ URL: imf.org/external/pubs/ft/wp/2014/wp14151.pdf
10.Kil'chukova A.L., Khuranova Z.B., Kyasov T.A. Inzenernyj vestnik Dona (Rus), 2015, №1-1 URL: ivdon.ru/ru/magazine/archive/n1y2015/2767.
