Применение метода водораздела при определении размеров пересекающихся частиц измельченного зерна

Определение гранулометрического состава измельченного зерна имеет важное значение при кормлении сельскохозяйственных животных и птицы. Традиционно применяется ситовой метод определения гранулометрического состава. С развитием современных цифровых технологий появилась возможность определения гранулометрического состава зерна без использования специальных рассевов. Предложен способ, позволяющий определить  размеры частиц измельченного зерна с применением цветовой кластеризации и морфологической сегментации.  Но данный способ не решает проблемы наложения частиц, когда несколько соприкасающихся компонентов воспринимаются как одна большая частица, что в конечном итоге влияет на конечный результат анализа и дает серьезную погрешность относительно традиционного способа рассевом. В связи с этим было решено усовершенствовать  способ путём дополнительного анализа изображения методом водораздела. В статье представлены результаты оценки размеров частиц измельченного зерна при их пересечении и наложении друг на друга. Методика определения размеров заключалась в реализации следующих операций: получение изображения; энтропийная фильтрация полутонового изображения; вычисление среднего значения цвета для каждого цветового кластера изображения;  построение уточнённой бинарной маски; вычисление градиентного представления изображения с зёрнами; вычисление маркеров переднего плана изображения; вычисление фоновых маркеров; удаление из градиентного представления изображения всех локальных минимумов яркости вне построенных маркеров; применение метода водораздела; определение площади и максимального диаметра Ферета и сортировка всех областей по размеру. В результате анализа изображений частиц измельченного зерна по предложенной методике построены гистограммы распределения частиц по их площадям и длинам. Выявлена сложность оценки размеров измельченного зерна существующими классическими методами и установлено, что метод водораздела дает достаточно высокую погрешность (около 32 %) при определении площади частиц, но может быть применен при определении линейных размеров частиц, через которые можно выразить их эквивалентный диаметр.

1. Абуов С. К., Бабаджанова Н. Современные аспекты кормления молочных коров. Eo ipso. 2023;(10):89–90. Режим доступа: https://elibrary.ru/item.asp?id=54623135 EDN: XGXZPM

2. Бурда Т. М. Анализ способов приготовления и раздачи кормовых смесей. Научные исследования студентов в решении актуальных проблем АПК: мат-лы всеросс. студ. научн.-практ. конф. В IV томах. п. Молодежный. Иркутск: Иркутский ГАУ им. А. А. Ежевского, 2022. С. 182–189. Режим доступа: https://elibrary.ru/item.asp?id=49081866 EDN: LJXJLC

3. Ефимова Д. В., Фёдоров В. Г., Мануриков Я. Н. Кормление скота при роботизированном доении. Актуальные вопросы в развитии агропромышленного, химического и лесного комплексов: сб. тез. научн.-практ. конф. молодых ученых и специалистов. Великий Новгород: Новгородский ГУ имени Ярослава Мудрого, 2021. С. 115–117. Режим доступа: https://elibrary.ru/item.asp?id=48169518&pff=1 EDN: LKZHKI

4. Тунгучбекова Ж. Т., Ибраева Ж., Мурзубраимов Б. М., Ысманов Э. М., Шабданова Э. А. Определение гранулометрического состава фильтрационного кека методом ситового анализа. Бюллетень науки и практики. 2023;9(5):388–394. DOI: https://doi.org/10.33619/2414-2948/90/48 EDN: DFQQFE

5. Абалихин А. М., Барабанов Д. В., Крупин А. В., Муханов Н. В. Оценка эффективности работы центробежного измельчителя фуражного зерна. АгроЭкоИнженерия. 2024;(1(118)):43–57. DOI: https://doi.org/10.24412/2713-2641-2024-1118-43-56 EDN: CVRDZZ

6. Сабиев У. К., Садов В. В. Показатели эффективности измельчителей фуражного зерна. Вестник Алтайского государственного аграрного университета. 2021;(6(200)):93–99. Режим доступа: https://elibrary.ru/bszfpo EDN: BSZFPO

7. Савиных П. А., Турубанов Н. В., Мошонкин А. М. Определение оптимальных конструктивно-технологических параметров молотковой дробилки с решетами в торцевых поверхностях. Агроинженерия. 2023;25(5):17–22. DOI: https://doi.org/10.26897/2687-1149-2023-5-17-22 EDN: CZVEEL

8. Иванов Ю. А., Булатов С. Ю., Тареева О. А., Малышев Г. С. Применение метода цветовой сегментации в задаче определения однородности кормосмеси. Техника и технологии в животноводстве. 2024;(1(53)):54–63. DOI: https://doi.org/10.22314/27132064-2024-1-54 EDN: MPNWEK

9. Mohanty S. S., Tripathy S. Application of Different Filtering Techniques in Digital Image Processing. Journal of Physics: Conference Series. 2021;2062:012007. DOI: https://doi.org/10.1088/1742-6596/2062/1/012007

10. Pierre F., Amendola M., Bigeard C., Ruel T., Villard P.-F. Segmentation with Active Contours. Image Processing On Line. 2021;1:120–141. DOI: https://doi.org/10.5201/ipol.2021.298

11. Mohanty S. S., Tripathy S. Application of Watershed Algorithm in Digital Image Processing. Proceedings of the 6th International Conference on Advance Computing and Intelligent Engineering. 2022;428:401–410. DOI: https://doi.org/10.1007/978-981-19-2225-1_36

12. Wu Y., Li Q. The algorithm of watershed color image segmentation based on morphological gradient. Sensors. 2022;22(21):8202. DOI: https://doi.org/10.3390/s22218202

13. Said K.A.M., Jambek A. B. Analysis of Image Processing Using Morphological Erosion and Dilation. Journal of Physics: Conference Series. 2021;2071:012033. DOI: https://doi.org/10.1088/1742-6596/2071/1/012033

14. Zou L., Song L.-T., Weise T., Wang X.-F., Huang Q.-J., Deng R., Wu Z.-Z. A survey on regional level set image segmentation models based on the energy functional similarity measure. Neurocomputing. 2021;452:606–622. DOI: https://doi.org/10.1016/j.neucom.2020.07.141