Обоснование инновационной технологии сортофитопрочистки в селекционно-семеноводческих посадках картофеля и овощных культур

Цель исследований – теоретически обосновать процесс сортофитопрочистки в селекционно-семеноводческих посадках картофеля и овощных культур с использованием технологий машинного зрения и элементов роботизации. В статье выполнен анализ современных неразрушающих методов обнаружения заболеваний биологических объектов; технологических процессов и машин для удаления плодов овощных культур с растения в системе цифрового сельскохозяйственного производства с элементами роботизации на операциях ухода за растениями и сбора товарной продукции. Установлена актуальность разработки инновационной технологии и технических средств для удаления зараженных растений картофеля и овощных культур в селекции и семеноводстве. Для проведения оздоровительных приемов производства семян овощных культур и картофеля разработана инновационная технология и машина для удаления зараженных растений картофеля и овощных культур в селекционносеменоводческих посадках, обеспечивающая движение по полю с использованием технологий машинного зрения с определением заражённого растения или растения, не соответствующего сортовым признакам с последующим его удалением. В процессе исследований (2021-2022 гг.) разработаны морфологическая матрица выбора технических средств использования функционирующих элементов реализации инновационной технологии сортофитопрочистки овощных культур и картофеля, а также теоретические основы инновационной технологии удаления зараженных биологических объектов. Выявлен показатель эффективности реализации инновационной технологии сортофитопрочистки, учитывающий параметры экономических и агротехнических показателей, а также металлоемкости, энергоемкости, экологичности и надежности. Представлены аналитические исследования машинной технологии и технических средств удаления зараженных растений овощных культур и картофеля. Выполнено обоснование инновационной технологии сортофитопрочистки овощных культур и картофеля, в части исключения в технологии обнаружения зараженных растений картофеля беспилотного летательного аппарата с качественной оценкой целесообразности выбора технических средств при использовании функционирующих элементов реализации разрабатываемой технологии по критериям экономической и агротехнической оценки, а также металлоемкости, энергоемкости и надежности. Оценка целесообразности выбора технических средств для функционирования элементов инновационной технологии показала, что по комплексу критериев процесс сортофитопрочистки овощных культур и картофеля целесообразно осуществлять без применения беспилотного летательного аппарата, используя в конструкции машины оптическую систему идентификации зараженных растений.

1. Петухов С. Н. Состояние технического и технологического обеспечения селекции и оригинального семеноводства картофеля. Агротехника и энергообеспечение. 2018;(4):76‒84. Режим доступа: https://www.elibrary.ru/item.asp?id=36852656 EDN: YVECCT

2. Пономарев А. Г., Колчин Н. Н., Зернов В. Н., Петухов С. Н. Селекции и семеноводству картофеля необходима механизация. Картофель и овощи. 2017;(3):22‒24. Режим доступа: http://potatoveg.ru/mexanizaciya/selekcii-i-semenovodstvu-kartofelya-neobxodima-mexanizaciya.html

3. Лобачевский Я. П., Дорохов А. С., Сибирев А. В. Современное состояние технологического обеспечения производства овощных культур в Российской Федерации. Овощи России. 2023;(5):5‒10. DOI: https://doi.org/10.18619/2072-9146-2023-5-5-17 EDN: CYLUBG

4. Краснощеков Н. В. Агроинженерная стратегия: от механизации сельского хозяйства к его интеллектуализации. Тракторы и сельхозмашины. 2010;77(8):5–8. Режим доступа: https://journals.eco-vector.com/0321-4443/article/view/68902/ru_RU#!

5. Симаков Е. А., Анисимов Б. В., Коршунов А. В., Дуркин М. Л. О концепции развития оригинального, элитного и репродукционного семеноводства картофеля в России. Картофель и овощи. 2005;(2):2‒5. Режим доступа: http://potatoveg.ru/wp-content/uploads/2013/03/kio_2_2005v.pdf

6. Федоренко В. Ф., Мишуров Н. П., Неменущая Л. А. Анализ состояния и перспективы развития селекции и семеноводства овощных культур: науч. аналит. обзор. М.: ФГБНУ «Росинформагротех», 2019. 96 с. Режим доступа: https://rosinformagrotech.ru/data/elektronnye-kopii-izdanij/rastenievodstvo/send/5-rastenievodstvo/1396-analiz-sostoyaniya-i-perspektivy-razvitiya-selektsii-i-semenovodstva-ovoshchnykh-kultur-2019

7. Лобачевский Я. П., Ценч Ю. С. Принципы формирования систем машин и технологий для комплексной механизации и автоматизации технологических процессов в растениеводстве. Сельскохозяйственные машины и технологии. 2022;16(4):4–12. DOI: https://doi.org/10.22314/2073-7599-2022-16-4-4-12 EDN: IDJFYV

8. Лачуга Ю. Ф., Измайлов А. Ю., Лобачевский Я. П., Шогенов Ю. Х. Интенсивные машинные технологии, роботизированная техника и цифровые системы для производства основных групп сельскохозяйственной продукции. Техника и оборудование для села. 2018;(7):2‒7.

9. Лобачевский Я. П., Дорохов А. С. Цифровые технологии и роботизированные технические средства для сельского хозяйства. Сельскохозяйственные машины и технологии. 2021;15(4):6‒10. DOI: https://doi.org/10.22314/2073-7599-2021-15-4-6-10 EDN: YFRZDV

10. Лобачевский Я. П., Бейлис В. М., Ценч Ю. С. Аспекты цифровизации системы технологий и машин. Электротехнологии и электрооборудование в АПК. 2019;(3(36)):40‒45. Режим доступа: https://www.elibrary.ru/item.asp?id=41192528 EDN: RLCDHO

11. Van Henten E. J., Van Tuijl B. A. J., Hemming J., Kornet J. G., Bontsema J., Van Os E. A. Field test of an autonomous cucumber picking robot. Biosystems Engineering. 2003;86(3):305‒313. DOI: https://doi.org/10.1016/J.BIOSYSTEMSENG.2003.08.002

12. Ji C., Feng Q., Yuan T., Li W. Development and performance analysis on cucumber harvesting robot system in greenhouse. Robot. 2011;33(6):726‒730. DOI: https://doi.org/10.3724/SP.J.1218.2011.00726

13. Tarrio P., Bernardos A. M., Casar J. R., Besada J. A. A harvesting robot for small fruit in bunches based on 3-D stereoscopic vision. Computers in Agriculture and Natural Resources, 4th World Congress Conference, Florida, 2006. pp. 270‒275. URL: https://elibrary.asabe.org/abstract.asp?JID=1&AID=21885&CID=canr2006&T=1

14. Feng Q., Wang X., Zheng W., Qiu Q., Jiang K. A new strawberry harvesting robot for elevated‒trough culture. International Journal of Agricultural and Biological Engeneering. 2012;5(2):1‒8. URL: https://www.ijabe.org/index.php/ijabe/article/view/495

15. Дорохов А. С., Аксенов А. Г., Сибирёв А. В., Мосяков М. А. Аналитические исследования машиннотехнологических комплексов для сортофитопрочистки посадок картофеля и овощных культур в селекции и семеноводстве. Аграрный научный журнал. 2022;(4):76‒82. DOI: https://doi.org/10.28983/asj.y2022i4pp76-82 EDN: DHXNNI

16. Feng Q. C., Zou W., Fan P. F., Zhang C. F., Wang X. Design and test of robotic harvesting system for cherry tomato. International Journal of Agricultural and Biological Engeneering. 2018;11(1):96‒100. DOI: https://doi.org/10.25165/j.ijabe.20181101.2853

17. Jin Х., Jie L., Wang Sh., Qi H. J., Li Sh. W. Classifying wheat hyperspectral pixels of healthy heads and fusarium head blight disease using a deep neural network in the wild field. Remote Sens. 2018;10(3):395. DOI: https://doi.org/10.3390/rs10030395

18. Militante S., Gerardo B., Medina R. Sugarcane Disease Recognition using Deep Learning. IEEE Eurasia Conference on IOT, Communication and Engineering (ECICE), 2019. рp. 575‒578. DOI: https://doi.org/10.1109/ECICE47484.2019.8942690

19. Gold K. M., Townsend P. A., Chlus A., Herrmann I., Couture J. J., Larson E. R., Gevens A. J. Hyperspectral Measurements Enable Pre-Symptomatic Detection and Differentiation of Contrasting Physiological Effects of Late Blight and Early Blight in Potato. Remote Sensing. 2020;12(2):286. DOI: https://doi.org/10.3390/rs12020286

20. Zhang W., Zhu Q., Huang M., Guo Ya, Qin J. Detection and Classification of Potato Defects Using Multispectral Imaging System Based on Single Shot Method. Food Analytical Methods. 2019;12:2920‒2929. DOI: https://doi.org/10.1007/s12161-019-01654

21. Solovchenko A. E., Shurygin B. M., Kuzin A. I., Solovchenko O. V., Krylov A. S. Extraction of Quantitative Information from Hyperspectral Reflectance Images for Noninvasive Plant Phenotyping. Russian Journal of Plant Physiology. 2022;69:144. DOI: https://doi.org/10.1134/S1021443722601148