Синтез алгоритма определения координаты точки центра вымени и вершин сосков коровы в роботизированной доильной установке

Автор: Шилин Денис Викторович, Васильев Алексей Николаевич

Журнал: Вестник аграрной науки Дона @don-agrarian-science

Рубрика: Электротехнологии, электрооборудование и энергоснабжение агропромышленного комплекса

Статья в выпуске: 2 (66), 2024 года.

Бесплатный доступ

Система машинного зрения в роботизированных доильных установках играет решающую роль в автоматизации процесса доения и, как правило, строится на базе таких технологий, как камеры RGB, инфракрасные тепловизионные камеры, камеры ToF и RGBD. Она позволяет роботу точно определять расположение вымени коровы, контролировать процесс доения. Система машинного зрения позволяет снизить риск возникновения ошибок и повысить качество доения, а также улучшить здоровье и благополучие животных. Таким образом, система машинного зрения помогает сделать процесс доения более эффективным, безопасным и комфортным как для животных, так и для фермеров. Совершенствование методов детектирования середины вымени, необходимых для локализации сосков, и координат вершин сосков позволяет увеличить быстродействие и понизить аварийность работы доильного робота в неблагоприятных условиях. Актуальным и перспективным направлением развития технологии роботизированного доения является усовершенствование данных алгоритмов, повышение точности их работы и отказоустойчивости. Представлены результаты работы основных модулей алгоритма детектирования вершин сосков при роботизированном доении на базе полиномиальной интерполяции и сингулярных разложений. В работе демонстрируется явное преимущество синтезированных алгоритмов над аналогами при неблагоприятных условиях на ферме, которые сказываются на качестве съемки системы машинного зрения. Предложенные алгоритмы могут быть положены в основу интеллектуальной системы роботизированного доения в качестве обратной связи для управления положением рабочего органа манипулятора. Применение такой системы в полевых условиях в комплексе с датчиками непрерывного мониторинга количественных и качественных показателей доения существенно повысит производительность работы и сократит количество холостых проходов в доильной установке.

Еще

Доильная установка, роботизированное доение, машинное зрение, компьютерное зрение, сегментация облака точек, полиномиальная интерполяция, сингулярные разложения

Короткий адрес: https://sciup.org/140305992

IDR: 140305992   |   DOI: 10.55618/20756704_2024_17_2_66-76

Список литературы Синтез алгоритма определения координаты точки центра вымени и вершин сосков коровы в роботизированной доильной установке

  • Тихомиров И.А., Скоркин В.К. Технологические особенности использования доильных роботов в молочном скотоводстве // Техника и технологии в животноводстве. 2020. № 1 (37). С. 32–37. EDN: ANUCAS.
  • Wang Ch., Ding F., Ling L., Li Sh. Design of a Teat Cup Attachment Robot for Automatic Milking Systems // Agriculture. 2023. Vol. 13. No 6. P. 1273. DOI: 10.3390/agriculture13061273. EDN: HVOALZ.
  • Yu Zh., Liu Yu., Yu S., Song Zh., Yan Y., Li F., Wang Zh., Tian F. Teat detection of dairy cows based on deep learning neural network FS-YOLOv4 model // Computers and Electronics in Agriculture. 2022. Vol. 200. P. 107224. DOI: 10.1016/j.compag.2022.107224. EDN: VXSCNL.
  • Lu Z., Zhao M., Luo J., Wang G., Wang D. Automatic teat detection for rotary milking system based on deep learning algorithms // Computers and Electronics in Agriculture. 2021. Т. 189. Р. 106391. DOI: 10.1016/j.compag.2021.106391
  • Shilin D., Ganin P., Shestov D., Novikov A., Grebenshchikov N., Pavkin D., Ruzin S., Yurochka S. Identification of the cow’s nipples using a 3D camera with ToF technology // Proceedings of the 33rd International DAAAM Symposium 2022. P. 0077–0084. DOI: 10.2507/33rd.daaam.proceedings.012
  • Borla N., Kuster F., Langenegger J., Ribera J., Honegger M., Toffetti G. Teat Pose Estimation via RGBD Segmentation for Automated Milking. Task-Informed Grasping: Agri-Food Manipulation (TIG-III) Workshop at ICRA 2021, Xi’an, China, 30 May – 5 June 2021. DOI: 10.21256/zhaw-22586 https://digitalcollection.zhaw.ch/handle/11475/22586 (дата обращения 8.04.2024)
  • Koskela O., Benitez Pereira L.S., Pölönen I., Koskela O., Aronen I., Kunttu I. Deep learning image recognition of cow behavior and an open data set acquired near an automatic milking robot // Agricultural and Food Science. 2022. Vol. 31. № 2. Р. 89–103. DOI:10.23986/afsci.111665
  • Hu Yifan, Zhao Chenyu, Yu Jianjiang, Zhao Xianlin. YOLOv3 deep learning and solid-state LiDAR for teats detection // 2021 3rd International Symposium on Robotics & Intelligent Manufacturing Technology (ISRIMT). IEEE, 2021. Р. 248–252. DOI: 10.1109/ISRIMT53730.2021. 9596983
  • Ben Azouz A., Esmonde H., Corcoran B., O’Callaghan E. Development of a teat sensing system for robotic milking by combining thermal imaging and stereovision technique. Computers and Electronics in Agriculture. 2015. Vol. 110. Р. 162–170. DOI: 10.1016/j.compag.2014.11.004
  • Цой Ю.А., Баишева Р.А. Тенденции развития роботизированного доения // Вестник Всероссийского научно-исследовательского института механизации животноводства. 2019. № 3 (35). С. 73–78. EDN: VRPTJD.
  • Wang Ch., Ding F., Ling L., Li Sh. Design of a Teat Cup Attachment Robot for Automatic Milking Systems // Agriculture. 2023. Vol. 13. No 6. P. 1273. DOI: 10.3390/ agriculture13061273. EDN: HVOALZ.
  • Shilin D.V., Vtyurina S.I., Dey S. Zabarin I.D. Application of a Depth Camera for Constructing Complex Three- Dimensional Models in Multiple Scanning Complexes // 2024 6th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE). IEEE, 2024. Р. 1–6. DOI:10.1109/REEPE60449.2024.10479935
  • Lv C., Lin W., Zhao B. Approximate intrinsic voxel structure for point cloud simplification // IEEE Transactions on Image Processing. 2021. Vol. 30. Р. 7241–7255. DOI: 10.1109/TIP.2021.3104174
  • Ran H., Liu J., Wang C. Surface representation for point clouds // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022. Р. 18942–18952. DOI: 10.1109/CVPR52688.2022.01837
  • Wang D. An Efficient Iterative Method for Reconstructing Surface from Point Clouds // Journal of Scientific Computing. 2021. Vol. 87. No 1. P. 1–21. DOI: 10.1007/s10915-021-01457-4. EDN: MKXCRN.
Еще
Статья научная