2020 год останется в истории мирового агробизнеса как сложный и противоречивый период. Несмотря на ограничения и вызовы, связанные с короновирусом и засухой, нынешний год был наполнен новыми техническими и технологическими решениями. Такие решения изменят аграрный бизнес в самое ближайшее время. Представляем несколько таких инноваций.

Оценка качества зерна

Японская компания Kett Electric Laboratory, занимающаяся исследованиями, разработкой и продажей сельскохозяйственных измерительных приборов, представила автоматизированную систему проверки зерен риса в сотрудничестве с LINX Corparation. До сих пор, согласно японскому законодательству, выборочные тесты на качество риса проводил инспектор. После внесения изменений законодательства компания Kett разработала и внедрила систему автоматического контроля с использованием собственной библиотеки машинного зрения.

Первые версии системы проигрывали живому человеку не только по качеству оценки, но даже и по скорости. Последующие версии системы стали более быстрыми и точными. Теперь система тратит 16 секунд на одно изображение, примерно столько же времени требуется опытному инспектору. Но машина делает меньше ошибок, чем человек. И ее достаточно «обучить» один раз, а затем программное обеспечение, датчик, машинное зрение и дисплей будет слаженно и точно работать без перерывов на обед, отпуск. И это дает большую фору автоматизированной системе контроля перед человеком-инспектором, которого для профессиональной подготовки потребуется не меньше года.

Сбор урожая в теплице

Исследовательский университет Вагенингена (WUR) в Нидерландах разработал робота для уборки урожая в теплице, который собирает только спелые культуры. Готовые к уборке овощи робот различает на основе формы и цвета.

В рамках европейского исследовательского проекта «Умные роботы для сельскохозяйственных культур» (CROPS), а затем проекта «Sweet Pepper Robot». WUR разработала робота-сборщика. Действующий прототип состоит из приспособления для резки и ловли перца, комбинированной цветной и 3D камер, компьютера, которые установлены на платформу, автономно перемещающую робота по теплице. Как только система камеры обнаруживает спелый перец, роботизированная рука помещается на верхушку стебля урожая. Затем рука подносит вибрирующий нож к плоду и срезает его.

По словам разработчиков, главной задачей было «обучить» робота отличать спелые плоды от недозрелых. Это удалось сделать с использованием камеры RGB-D, которая одновременно передает информацию о цвете и глубине. Робот также «подсвечивает» растение светодиодной вспышкой издалека и вблизи. Затем специальный алгоритм сканирует каждое полученное изображение, сравнивает его с характеристиками спелого плода. Для того, чтобы исключить ошибки, робот-сборщик научили рассчитывать дополнительные параметры овоща. 

Создатели робота-уборщика уверены, что в ближайшее время их сборщик заменит человека на уборке урожая в теплицах.

Сортировка саженцев томатов

Еще одна разработка университета Вагенингена также создавалась для тепличных хозяйств. Ежегодно во всем мире производится более 150 миллионов тонн помидоров. Если учесть, что в среднем саженцы томатов стоят 0,25 евро, растениеводы хотят быть уверены в качестве рассады. Исследовательский центр Вагенингена предложил систему контроля качества рассады томатов, который заменяет 27 рабочих на этой операции. За час система проверяет 18 000 растений. Если говорить просто, то система – это быстрая съемка растения с разных точек, высокоскоростной расчет изображений и точная классификация. Когда каждый горшок входит в смотровую станцию, оптический переключатель активируется, и 10 отдельных изображений растения захватываются с разных углов. Система создает трехмерную визуализацию растения, вычисляет биомассу и другие данные, используемые для автоматической сортировки каждого растения.

Система оценки рассады создана после 20 лет разработки приложения для машинного зрения в агропродовольственной отрасли. Производители оценили множество характеристик, таких как форма и цвет. Существующее программное обеспечение может создавать трехмерную модель и рассчитывать биомассу рассады за 25 миллисекунд. При этом растения подразделяются на четыре категории в зависимости от объема, то есть биомассы саженца. Агроном теплицы может настроить границы для каждой категории, например, первая, вторая и третья категория и брак. Рассортированные таким образом растения поступают на конкретный конвейер в зависимости от результата классификации. В компании WPK, установившей эту систему, уверены, что инвестиции в это решение окупятся в течение четырех лет.

Измерение качества пшеницы

После сбора урожая пшеница помещается в крупные зернохранилища перед отправкой на мукомольные комбинаты. Чтобы определить цену этой пшеницы, сначала необходимо проанализировать образец, чтобы измерить его хлебопекарные свойства, наличие каких-либо токсичных веществ от грибов и то, как образец пшеницы может отличаться от обычного основного сорта.

Существуют различные стандартные процедуры для измерения уровня клейковины пшеницы и содержание влаги, для определения присутствия токсичных веществ, продуцируемых грибами. Однако стандартный способ анализа состава образца пшеницы выполняется лаборантами, которые вручную сортируют пшеницу по различным классам.

Инженеры факультета машиностроения Технического университета Ильменау разработали автоматизированную систему машинного зрения, которая автоматически выполняет задачу анализа, значительно увеличивая размер выборки пшеницы и получая результаты быстрее и с большей статистической достоверностью.

Общий уровень распознавания составляет 94%, индивидуальный - от 69% до 99% на 23 параметрах, таких как высококачественная пшеница или рожь, битая пшеница, проросшая пшеница, семена сорняков, камни и другие загрязнители.  Пропускная способность системы составляет 50 г в минуту. При этом состав анализируемого образца зерна может отображаться графически. Кроме того, вес всего образца, вес безупречной пшеницы, а также числовая и графическая статистика анализируемого образца могут быть определены и сохранены в базе данных.

Беспилотная сельхозтехника

Глобальный рынок сельхозтехники оценивается примерно в 150 миллиардов долларов в год. Российские инновационные разработки могут занять на этом рынке достойное место. Нынешним летом в Ростовской области прошли официальные демопоказы беспилотной сельхозтехники от компаний Cognitive Pilot и Ростсельмаш.

Международная аналитическая компания Tech Breakthrough, опубликовавшая список мировых лидеров в сфере умного сельского хозяйства, внесла в топ-10 Cognitive Pilot в качестве «инновация года в области уборки урожая». А многие крупные российские агрохолдинги уже установили на свои комбайны разработку Cognitive Pilot. Созданная в России система может видеть происходящее вокруг комбайна, анализировать ситуацию и обеспечивать автономное движение по оптимальной траектории. Пока «умная система» рулит, комбайнер может сосредоточиться на других параметрах уборки: контроле угла наклона жатки, скорости обмолота и так далее. И это не все. В основе системы - нейронная сеть глубокого обучения. Она позволяет различать все самые распространенные в России сельхозкультуры и умеет подстраивать работу комбайна под них. Кроме того, она может самостоятельно «обучиться» работе с новыми культурами. Разработчики с гордостью отмечают, что вся система полностью изготавливается в России.

Инженеры Ростсельмаша в своей новой разработке объединили две системы - технологию машинного зрения и систему спутниковой навигации. Это первая в мире гибридная система, которая выбирает оптимальную траекторию движения сельхозмашины, управляет рабочими инструментами (например, может регулировать высоту жатки в зависимости от вида и сорта растения), имеет функцию автоматического разворота, регуляции скорости движения и остановки перед препятствием. Поскольку технопарк у российских сельхозпроизводителей, как правило, неоднородный, разработчики создали систему, которую можно установить любые модели сельхозтехники, в том числе, зарубежные.

Над проектом в компании Ростсельмаш работали несколько лет. В продажу система выйдет в апреле 2021 года.

Мария Кузина

При подготовке статьи использована информация Precision Ag, Future Furming, Минсельхоз РФ, Ростсельмаш