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

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).