Информационное агентство "Светич". Сайт о сельском хозяйстве. 16+
Доска Почета АПК агроснабжение

Применение систем технического зрения в точном земледелии

Применение систем технического зрения в точном земледелии
Основу точного земледелия (дифференцированного воздействия на систему «почва + растение + окружающая среда») составляет информация об объекте воздействия. Объектами воздействия при управлении продукционным процессом могут быть почва, растения, сорняки, вредители растений и др. Существует много способов получения необходимой для управления продукционным процессом информации. Для получения информации о почве используются такие методы как отбор почвенных проб и их анализ, плотномеры, приборы и оборудование для оценки физико-механических свойств контактными и бесконтактными способами. Для получения информации о растениях также используются контактные и бесконтактные способы.

По мере развития электроники и информационных технологий разработаны различные сенсорные системы, которые широко используются в сельскохозяйственном производстве для управления продукционным процессом. Для успешной реализации технологий точного земледелия необходима достоверная информация о состоянии почвы, растений и окружающей среды и их изменчивости как в пространстве (в пределах одного поля), так и во времени. Эта изменчивость зависит от многих факторов, таких, как свойства почвы, урожайность, содержание влаги в почве, наличие элементов питания и их соотношение, объём биомассы, фитосанитарное состояние (болезни, сорняки и вредители растений). Эти факторы могут быть измерены с помощью различного типа датчиков, сенсоров и инструментов, таких,  как полевые электронные датчики, многоспектральные и гиперспектральные системы, установленных на агрегатах или беспилотных летательных аппаратах различного типа или спутниках, а также термовизоры и технические средства по определению запахов (machine olfaction). Сенсорные системы для определения плотности биомассы, обнаружения и определения типа сорняков, оценки состояния почвы и наличия в ней питательных элементов являются перспективными для использования их в точном земледелии.

Имеющиеся в наличии и разрабатываемые сенсоры, и сенсорные сети позволяют товаропроизводителям наблюдать и контролировать многие параметры почвы, растений и окружающей среды при производстве сельскохозяйственной продукции. Местные и удаленные сенсоры и сенсорные сети могут быть использованы для мониторинга потребности растений в питательных веществах и влаге, состояния почвы и фитосанитарного состояния растений, включая болезни и вредителей растений. Точное земледелие базируется на такой информации при дифференцированном воздействии на систему «почва + растение + окружающая среда». Для обеспечения точного земледелия надежным фундаментом необходимы многообразные данные с высоким разрешением. 
По мере развития электроники и информационных технологий разработаны различные сенсорные системы, которые могут быть использованы при производстве сельскохозяйственной продукции. Для реализации технологий точного земледелия необходима следующая информация: урожайность сельскохозяйственной культуры, состояние почвы и обеспеченность ее элементами питания и влагой, объем биомассы, фитосанитарное состояние. Методы и технологии, используемые для получения этой информации, включают полевые электронные сенсоры, спектрорадиометры, мультиспектральные и гиперспектральные средства, устанавливаемые на летательных аппаратах различного типа, спутниковые системы Д-ЗЗ и другие. В статье  приведен анализ различных сенсорных систем, как они используются в точном земледелии и управлении продукционным процессом различных сельскохозяйственных культур. Особое внимание уделено техническому зрению (ТЗ). 

Техническое зрение

Прежде, чем приступить к анализу систем технического зрения (ТЗ), используемых для управления продукционным процессом сельскохозяйственных культур, определимся с терминологией. В настоящее время в русском языке существует как минимум три близких до смешения определения: зрение машинное, компьютерное и техническое. В английском языке – получили распространение всего два: машинное (Machine Vision) и компьютерное (Computer Vision). Чтобы  разобраться, в чем разница, начнем с английских определений – их меньше. Термин «Машинное зрение» (Machine Vision), как правило, употребляется при описании систем и технологий, используемых в промышленной автоматизации, т.е. там, где используются «машины» в их наиболее широком понимании: техника как механизмы или устройства, выполняющие какую-либо работу. Термин «компьютерное зрение» несет несколько иную смысловую нагрузку: в первую очередь, речь идет об использовании вычислительной машины – компьютера как основного элемента таких систем. Системы компьютерного зрения находят применение не только в промышленности (технике), но и в медицине (подсчет эритроцитов, иридодиагностика и др.), в задачах охраны и безопасности (распознавание номеров, лиц) и других. Основной упор в компьютерном зрении делается скорее на алгоритмическую часть, математику, нежели на области его практического применения. 
В русскоязычном варианте термин «компьютерное зрение» полностью повторяет свое значение. А вот термин «машинное зрение» в переводе на русский язык наследует немного иное понимание. В общеупотребительной практике «машина» ассоциируется скорее со словом «автомобиль», нежели с более общим термином «техника». Вероятно, именно поэтому у нас появилась еще одна интерпретация, свободная от этой двусмысленности: техническое зрение. Она в полной мере является аналогом английского термина «машинное» зрение и наравне с последним может употребляться для определения промышленных систем, использующих зрение во всех его проявлениях. Итак, ниже пойдет речь собственно о системах машинного или технического зрения. 
Обычно, системы технического зрения разделя-ют на две независимые подсистемы: получения изображений; обработки изображений. Каждая из них, в свою очередь, включает различный набор компонентов в зависимости от требований конкретной прикладной задачи. С обработкой изображений все более-менее ясно: это вычислитель (тот или иной процессор, графический сопроцессор, DSP или ПЛИС) и математические алгоритмы,  которые на этом вычислителе работают. На практике те или иные платформы и программное обеспечение используются «как есть», и редко что-либо меняется в самих алгоритмах. Задача разработчика заключается в выборе типов алгоритмов и их последовательности. И тут огромное значение приобретает инструмент, который позволяет легко и удобно оперировать изображениями. И вот тут начинается самое главное. Но для этого их (изображения) нужно сначала получить. Изображение, массив значений пикселей, или облако точек, в случае многомерных представлений, может быть получено различными способами, и в этом определяющую роль играет именно разработчик. Вот только некоторые из них: видеокамера, тепловизионная камера, лазерный 3D сканер, TOF камера и многие другие. Причем, в каждом случае выбор не ограничен одним типом устройства.

Типовое решение системы машинного зрения включает в себя несколько следующих компонентов:
1. Одна или несколько цифровых или аналоговых камер (черно-белые или цветные) с подходящей оптикой для получения изображений.
2. Программное обеспечение для изготовления изображений для обработки. Для аналоговых камер – это оцифровщик изображений.
3. Процессор (современный ПК c многоядерным процессором или встроенный процессор, например —ЦСП).
4. Программное обеспечение машинного зрения, которое предоставляет инструменты для разработки отдельных приложений программного обеспечения.
5. Оборудование ввода-вывода или каналы связи для доклада о полученных результатах.
6. Умная камера: одно устройство, которое включает в себя все вышеперечисленные пункты.
7. Очень специализированные источники света (светодиоды, люминесцентные и галогенные лампы и т. д.)
8. Специфичные приложения программного обеспечения для обработки изображений и обнаружения соответствующих свойств.
9. Датчик для синхронизации частей обнаружения (часто оптический или магнитный датчик) для захвата и обработки изображений.
В последнее время возрос интерес к использованию технического (машинного) зрения для получения информации о факторах, оказывающих влияние на продукционный процесс. 
Преимущества машинного зрения
1) Высокая точность: при проведении измерений с использованием МЗ нет необходимости прикасаться к объекту, исключается возможность повреждения.
2) Непрерывность: при визуальном контроле человек устает.
3) Экономическая эффективность: благодаря резкому снижению стоимости компьютерных процессоров, ремонта и эксплуатация систем МЗ снижаются затраты.
4) Гибкость: при помощи систем ТЗ можно осуществлять оценку многих параметров сельскохозяйственной продукции. В случае изменения области применения меняется программное обеспечение или осуществляется его модернизация.
 
Роль технического зрения  в точном земледелии

Среди причин, способствующих широкому внедрению в сельское хозяйство ТЗ, являются сравнительно небольшая стоимость, постоянство, быстродействие и точность.

Способы получения информации об объекте в ТЗ

Цифровые фотографические методы
Технологии цифровой фотографии (ТЦФ) могут быть использованы для 3-х мерного изображения различных объектов с использованием ТЗ зрения. В ТЦФ цифровая камера получает отраженный поверхностью объекта свет и преобразует его в электрический сигнал, используя прибор с зарядовой связью (ПЗС) или комплементарный структур метал – окисел – полупроводник (КМОП). Оба, ПЗС и КМОП датчики изображения являются твердыми на основе кремния светочувствительными приборами, преобразующими свет в электрический заряд и трансформирующими оптическое изображение в массив электрических сигналов. Выход ПЗС-датчиков является аналоговым сигналом, который нуждается во внешнем аналого-цифровом преобразовании (АЦП), чтобы его преобразовать в цифровой формат перед сохранением в компьютере. В противоположность этому, КМОП – датчики часто имеют схемы АЦП так что выходные данные датчиков представлены в цифровом виде, упрощая тем самым внешнюю схему необходимую для их эксплуатации.
Фотографический метод вначале был разработан для твердых объектов с четко определенными непрозрачными контурами. Затем его начали применять и для анализа состояния крон деревьев.

Полусферическая фотография
Ряд исследователей для получения параметров, характеризующих «архитектуру» кроны деревьев использовали полусферическую фотографию при по-
мощи цифровой камеры с объективом «рыбий глаз». Использование такой камеры позволяет получать некоторые характеристики растений, такие как индекс листовой поверхности, слипание листьев с достаточной степенью точности. Процесс обработки информации довольно медленный и не может быть использован для получения 3D изображений в реальном масштабе времени.

Стереозрение (StereoVision)
Компьютерное стереозрение предполагает извлечение 3D информации из цифровых изображений, аналогично цифровой камере с зарядовой связью (ПЗС) или комплементарной структур метал – окисел – полупроводником (КМОП). Система Stereo Vision может обеспечить 3D изображение путем объединения двух монокулярных изображений, полученных одновременно посредством бинокулярной камеры. Метод обеспечивает наиболее реалистичное 3D изображение растений и древесных культур, очень похожих на видение человеческого глаза. Позволяет измерять непосредственно 3D структуру растительности, включая физические параметры, которые имеют большое значение для управления продукционным процессом, такие, как размер и объем. Кроме того, стереозрение позволяет определять расстояние от камеры до объекта. Можно также, при необходимости, получать спектральную информацию. Позволяет получать 3D изображения для географической информационной системы (ГИС).
Недостатком данной системы является то, что она обеспечивает меньшую точность, чем лазерные системы и нуждаются в соответствующей калибровке и записи процедуры. Теряет свою эффективность при определенных погодных условиях, особенно при изменении освещения, и требует дальнейшего улучшения, если применять для крон высокой плотности. Когда несколько изображений обрабатываются вместе, величина файлов данных значительно возрастает, усложняя обработку и хранение 3D- информации и требует большого времени на  обработку данных. Проблема становится более сложной, когда требуется обработка в реальном времени.
Продолжение статьи читайте в следующем номере
 
Г.И. ЛИЧМАН,  д-р техн. наук., зав. лабораторией,
И.Г. СМИРНОВ,   канд. с.-х… наук, учёный секретарь, ФГБНУ ФНАЦ ВИМ,
Беленков А.И., д-р с.-х. наук. РГАУ-МСХА имени К.А. ТИМИРЯЗЕВА


Журнал "Нивы России", №4 (148) май  2017
Комментарии (0)

Нет комментариев. Ваш будет первым!

Яндекс Директ