Определение характеристик потока почвогрунта, формируемого лесопожарным грунтометом методами оптического распознавания и оптического измерения

Обложка

Цитировать

Полный текст

Аннотация

Проведение полевых экспериментальных исследований является неотъемлемой частью процесса разработки и исследования сельскохозяйственных и лесных орудий. Грунтометательная техника, применяемая для тушения и предупреждения лесных низовых пожаров, проходит ряд теоретических и лабораторно-полевых исследований. От момента отрыва фрезерным рабочим органом до момента встречи с кромкой лесного низового огня почвогрунт находится в полете в виде фрагментов, перемещающихся в воздушной среде под действием законов аэродинамики и противодействующих сил. Значительный рост вычислительной мощности компьютеров, развитие процесса моделирования, а также совершенствование алгоритмов предоставило возможность повысить прогресс по применению компьютерного зрения и методов оптического измерения при проведении научных исследований. Цель работы - определение характеристик движения потока почвогрунта в воздушной среде методами оптического распознавания и оптического измерения по видеоряду. Для достижения поставленной цели исследования необходимо выявить наиболее эффективный метод оптического распознавания, позволяющий с высокой надежностью отделить поток почвогрунта от фона и разработать математический аппарат, позволяющий по каждому кадру видеозаписи полевого эксперимента определить характеристики потока почвогрунта, формируемого лесопожарной грунтометательной техникой. В ходе проведения научных исследований нами были проверены пять основных методов оптического распознавания по видеоряду, для определения наиболее эффективного метода отделения изображения потока почвогрунта от фоновых изображений (деревьев, веток, травы и т.д.): разделение по цветам, разделение по яркости, комбинация методов по цветам и по яркости, определение изображения фона (предварительное или путем усреднения множества видеокадров) и отделение движущихся объектов на видеокадре от фона, выделение размытых в движении участков кадров. Анализ методов показал, что комбинированный цвето-яркостный метод максимально эффективен для реализации поставленной в работе цели. Исходя из формы траектории движения потока почвогрунта установлено, что лесопожарный грунтомет подает поток почвогрунта под углом 35º к горизонту с начальной скоростью 14 м/с, при этом дальность метания почвогрунта составляет 11 м. По мере движения потока почвогрунта скорость сначала снижается с 14 м/с до 6 м/с из-за полета почвогрунта вверх и перехода кинетической энергии в потенциальную, затем увеличивается с 6 м/с до 8 м/с по мере падения почвогрунта на поверхность за счет перехода потенциальной энергии в кинетическую. Угол оседания частиц почвогрунта на поверхность составляет около 73° к горизонту, что благоприятствует тушению кромки лесного низового пожара.

Об авторах

Максим Александрович Гнусов

Воронежский государственный лесотехнический университет им. Г.Ф. Морозова (Российская Федерация)

Email: mgnusov@yandex.ru

Михаил Валентинович Драпалюк

Воронежский государственный лесотехнический университет им. Г.Ф. Морозова (Российская Федерация)

Email: md@vglta.vrn.ru

Петр Иванович Попиков

Воронежский государственный лесотехнический университет им. Г.Ф. Морозова (Российская Федерация)

Email: popikovpetr@yandex.ru

Денис Юрьевич Дручинин

Воронежский государственный лесотехнический университет им. Г.Ф. Морозова (Российская Федерация)

Email: druchinin.denis@rambler.ru

Леонид Дмитриевич Бухтояров

Воронежский государственный лесотехнический университет им. Г.Ф. Морозова (Российская Федерация)

Email: vglta-mlx@yandex.ru

Дмитрий Сергеевич Ступников

ООО «НПП»ТЕТА»

Email: Neiti1992@mail.ru

Список литературы

  1. Lysych M. N., Shabanov M. L., Bukhtoyarov L. D. Research of process overcoming obstaclesby tillage tools // IOP Conference Series: Earth and Environmental Science: International Jubilee Scientific and Practical Conference «Innovative Directions of Development of the Forestry Complex (Forestry-2018)», Voronezh, 04—05 октября 2018 года. Voronezh: Institute of Physics Publishing, 2019. P. 012045. doi: 10.1088/1755-1315/226/1/012045.Shanin I. I, Shtondin A. A., Lysych M. N. Improvement of automation process of forest resources renewal using innovative landing material // IOP Conference Series: Materials Science and Engineering, Novosibirsk, 12—14 декабря 2018 года. Novosibirsk: Instituteof Physics Publishing, 2019. P. 012091. doi: 10.1088/1757-899X/560/1/012091.Драпалюк М. В, Коротких В. Н. Определение энергетических показателей лесного дискового плуга в лабораторных условиях // Лесотехнический журнал. 2011. № 1 (1). С. 21—28.Драпалюк М. В. Математическое моделирование рабочего процесса рычажного корчевателя // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2012. № 75. С. 156—165.Комбинированный лесопожарный грунтомёт и рекомендации по его применению / И. М. Бартенев, М. В. Драпалюк, П. Э. Гончаров [и др.] // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2012. № 84. С. 174—184.Беляев Д. А., Федорченко И. С. Малогабаритный переносной грунтомёт // Экология. Риск. Безопасность. 2020. С. 332—333.Есков Д. В., Внуков Е. В., Ескова В. С. Фрезерный грунтомёт для борьбы с природными пожарами на землях сельскохозяйственного назначения и высокозадернелых пастбищах // Аграрная наука — сельскому хозяйству. 2019. С. 32—34.Перспективные направления совершенствования рабочих органов пожарных грунтомётов / Д. В. Есков [и др.] // Актуальные направления научных исследований XXI века: теория и практика. 2014. Т. 2, № 2-2. С. 214—219.Simulation modeling of the soil flow movement process in the air, supplied by a ground gun while extinguishing a forest fire / M. A. Gnusov [et al.] // IOP Conference Series: Materials Science and Engineering. IOP Publishing, 2020. Vol. 1001, no. 1. P. 012057.Горячкин Б. С., Китов М. А. Компьютерное зрение // E-Scio. 2020. № 9 (48). С. 317—345.Манюкова Н. В. Компьютерное зрение как средство извлечения информациииз видеоряда // Математические структуры и моделирование. 2015. № 4 (36). С. 123—128.Гороховатский В. А. Структурный анализ и интеллектуальная обработка данныхв компьютерном зрении. Харьков: Компания СМИТ, 2014.Выделение границ на изображениях на основе модели энергетических признаков вейвлет-преобразования / М. П. Шлеймович [и др.] // Вестник Казанского технологического университета. 2017. Т. 20, № 21. С. 103—107.Манюкова Н. В. Компьютерное зрение как средство извлечения информации из видеоряда // Математические структуры и моделирование. 2015. №. 4 (36). С. 123—128.Форсайт Д. А., Понс Д. Компьютерное зрение. Современный подход Computer Vision:A Modern Approach. М.: Вильямс, 2004. 928 с.Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с.Траск Э. Грокаем глубокое обучение. СПб.: Питер, 2019. 352 с.Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2020. 480 с.Шапиро Л., Стокман Дж. Компьютерное зрение Computer Vision. М.: Бином. Лаборатория знаний, 2006. 752 с.Bishop Ch. M. Pattern recognition and machine learning. New York: Springer, 2006. 738 p.Потапов А. С. Распознавание образов и машинное восприятие. СПб.: Политехника, 2007. 548 с.Фомин Я. А. Распознавание образов: теория и применения. 2-е изд. М.: ФАЗИС, 2012. 429 с.Горелик А. Л., Скрипкин В. А. Методы распознавания. 4-е изд. М.: Высш. шк., 2004. 262 с.Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2004. 344 с.Адамов В. Е., Вергилес Э. В. Статистика промышленности: Учеб. пособие. М.: Финансыи статистика, 2005. 326 с.Орлов А. И. Прикладная статистика. М.: Экзамен, 2006. 671 с.Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. М.: Финансы и статистика, 2003. 415 с.Дуброва Т. А. Статистические методы прогнозирования. М.: ЮНИТИ-ДАНА, 2003. 133 с.Новиков А. С., Фокин А. Г., Чубукина Т. С. Оптимизация распознавания объектана изображении методом адаптивного движения сканирующего окна // Известия Тульского государственного университета. Технические науки. 2015. № 9. С. 203—209.Головко А. В. Модели и методы обработки и передачи цифровой фото-и видеоинформации для принятия решений в автоматизированных информационных системах: спец. 05.13.06 «Автоматизация и управление технологическими процессамии производствами (по отраслям)»: Дис. … канд. техн. наук. Николаев, 2012. 141 с.Теория распознавания образов // Википедия (wikipedia.org). URL: https://ru.wikipedia.org/ (дата обращения: 18.05.2022). Текст: электронный.Свидетельство о государственной регистрации программы для ЭВМ № 2022617714 РФ. Программа для определения характеристик потока почвогрунта, формируемого грунтомётом-полосопрокладывателем, на основе оптического распознавания:№ 2022617207: заявл. 25.04.2022: опубл. 25.04.2022 / М. В. Драпалюк, Д. Ю. Дручинин, М. А. Гнусов, В. В. Посметьев; заявитель: Федер. гос. бюджет. образоват. учреждение высш. образования «Воронежский государственный лесотехнический университет имени Г. Ф. Морозова».

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Гнусов М.А., Драпалюк М.В., Попиков П.И., Дручинин Д.Ю., Бухтояров Л.Д., Ступников Д.С., 2022

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».