Определение характеристик потока почвогрунта, формируемого лесопожарным грунтометом методами оптического распознавания и оптического измерения
Автор: Гнусов Максим Александрович, Драпалюк Михаил Валентинович, Попиков Петр Иванович, Дручинин Денис Юрьевич, Бухтояров Леонид Дмитриевич, Ступников Дмитрий Сергеевич
Журнал: Resources and Technology @rt-petrsu
Рубрика: Полная статья
Статья в выпуске: 4 т.19, 2022 года.
Бесплатный доступ
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.
Оптическое распознавание, грунтомет, поток почвогрунта, картограмма распределения плотности потока, картограмма скоростей потока
Короткий адрес: https://sciup.org/147240134
IDR: 147240134 | УДК: 630*432 | DOI: 10.15393/j2.art.2022.6423
Determination of the characteristics of the soil flow formed by a forest fire truck using optical recognition and optical measurement methods
Conducting field experimental research is an integral part of the development and research of agricultural and forestry tools. Ground-throwing equipment used to extinguish and prevent forest ground fires is undergoing a number of theoretical and laboratory-field studies. From the moment of separation by the milling working body until the moment it meets the edge of the forest ground fire, the soil is in flight in the form of fragments moving in the air under the influence of the laws of aerodynamics and opposing forces. A significant increase in the computing power of computers, the development of the modeling process, as well as the improvement of algorithms provided an opportunity to increase progress in the application of computer vision and optical measurement methods in scientific research. The purpose of the work is to determine the characteristics of the movement of the soil flow in the air by the methods of optical recognition and optical measurement from the video sequence. To achieve the goal of the study, it is necessary to identify the most effective method of optical recognition, which makes it possible to separate the flow of soil from the background with high reliability and develop a mathematical apparatus that allows, for each frame of the video recording of the field experiment, to determine the characteristics of the flow of soil formed by forest fire ground-throwing equipment. In the course of scientific research, we have tested five main methods of optical recognition by video sequence to determine the most effective method for separating the image of the soil flow from background images (trees, branches, grass, etc.): separation by color, separation by brightness, combination methods by colors and brightness, determining the background image (preliminary or by averaging a set of video frames) and separating moving objects on a video frame from the background, highlighting areas of frames blurred in motion. Analysis of the methods showed that the combined color-brightness method is the most effective for achieving the goal set in the work. Based on the shape of the trajectory of the soil flow, it was found that the forest fire soil thrower delivers the soil flow at an angle of 35º to the horizon with an initial speed of 14 m/s, while the distance of throwing the soil is 11 m. As the soil flow moves, the speed first decreases from 14 m/s to 6 m/s due to the flight of the soil upwards and the transition of kinetic energy into potential energy, then increases from 6 m/s to 8 m/s as the soil falls to the surface due to the transition of potential energy into kinetic energy. The angle of subsidence of soil particles on the surface is about 73° to the horizon, which favors extinguishing the edge of a forest ground fire.
Список литературы Определение характеристик потока почвогрунта, формируемого лесопожарным грунтометом методами оптического распознавания и оптического измерения
- Lysych M. N., Shabanov M. L., Bukhtoyarov L. D. Research of process overcoming obstacles by 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: Institute of 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 информации из видеоряда // Математические структуры и моделирование. 2015. № 4 (36). С. 123—128.
- Гороховатский В. А. Структурный анализ и интеллектуальная обработка данных в 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.: Финансы и 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 объекта на 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 процессами и 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».