Разработка и исследование метода реконструкции изображений глубины для использования в автономной навигации сельскохозяйственных роботизированных комплексов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Гапон Николай Валерьевич

• Гапон Николай Валерьевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Гапон Николай Валерьевич

Введение

1. Современное состояние вопроса применения роботизированных систем в сельском хозяйстве

1.1 Анализ сельскохозяйственных робототехнических систем

1.2 Одновременная локализация и картографирование (SLAM)

1.2.1 Системная структура и принцип технологии SLAM

1.2.2 Классификация SLAM

1.2.3 Лазерный SLAM

1.2.4 Визуальный SLAM

1.2.5 Мультисенсорный Fusion SLAM

1.3 Анализ методов получения сенсорной информации для роботов

1.3.1 Технология стереозрения

1.3.2 Монокулярная камера

1.3.3. Датчики

1.3.4 Технология непрерывной волны

1.4 Анализ методов реконструкции изображения глубины

1.5 Выводы по первой главе, цель и задачи исследования//

2. Разработка метода реконструкции изображений на основе поиска подобных блоков с использованием нейронной сети

2.1 Метод реконструкции изображения глубины

2.2 Выводы по второй главе

3. Программа и методика экспериментальных исследований

3.1 Методики экспериментальных исследований

3.2 Визуальные системы SLAM

3.3 Метод оценки точности работы алгоритма реконструкции изображения глубины

3.4. Метод оценки точности траектории

3.4.1 Относительная ошибка положения (RPE)

3.4.2. Абсолютная ошибка траектории (ATE)

3.5 Выводы по третей главе

4. Результаты экспериментальных исследований

4.1. Набор данных и методология оценки

4.2. Набор данных и методология оценки в реальных условиях

4.3 Выводы по четвертой главе

5. Экономический расчет эффективности роботизированного комплекса

5.1 Формулы для расчета показателей

5.2 Расчет показателей

5.3 Выводы по пятой главе

Заключение

Рекомендации производству

Перспективы дальнейшей разработки темы

Список используемой литературы

Приложение А. Патенты на изобретения и свидетельства об интеллектуальной

собственности

Приложение Б. Сертификаты и дипломы

Приложение В. Акты и письма

Введение диссертации (часть автореферата) на тему «Разработка и исследование метода реконструкции изображений глубины для использования в автономной навигации сельскохозяйственных роботизированных комплексов»

ВВЕДЕНИЕ

Актуальность темы исследования. Согласно прогнозам Организации Объединенных Наций, глобальная демографическая картина претерпит значительные изменения в ближайшие десятилетия, а именно к 2050 году, численность населения Земли достигнет отметки в 9,7 миллиарда человек, а это означает, что годовое производство сельскохозяйственной продукции в мире должно увеличиться примерно на 60%, чтобы удовлетворить потребности людей в период с 2025 по 2050 год [25]. Кроме того, в соответствии с Распоряжением Правительства РФ от 23 ноября 2023 г. № 3309-р «Об утверждении стратегического направления в области цифровой трансформации отраслей агропромышленного и рыбохозяйственного комплексов Российской Федерации на период до 2030 года» [13], в агропромышленном комплексе необходимо внедрить ряд технологий [7], в том числе, беспилотные сельскохозяйственные робототехнические системы [8, 17, 18, 19, 20], искусственный интеллект, компьютерное зрение и т.д. Для решения этой проблемы была введена и популяризирована концепция «умного» сельского хозяйства, которая стала направлением будущего развития сельского хозяйства [149]. Умное сельское хозяйство использует различные передовые технологии для содействия устойчивому развитию сельского хозяйства [114] и предоставляет решения для интеллектуального, автоматизированного и беспилотного сельского хозяйства [170]. Многие задачи в умном сельском хозяйстве должны выполняться сельскохозяйственными роботами, например, сбор фруктов, мониторинг урожайности, почвообработка и т. д. [83]. Поэтому сельскохозяйственные роботы и связанные с ними технологии являются важной частью умного сельского хозяйства. Автоматическая навигация - основная функция автономных сельскохозяйственных роботов [66].

Чтобы выполнять движения, не врезаясь в препятствия, робот должен видеть окружающую среду [9]. Другим требованием для независимого движения является способность роботов обнаруживать, где он находится в его текущей

среде. Эти позволяет роботу обойти видимые препятствия и выполнить автономное движение. Если мы хотим, чтобы робот переместился в точку назначения, другими словами, поставьте ему цель, робот должен иметь возможность «запоминать» среду, чтобы спланировать путь от своей позиции до желаемого места назначения.

В робототехнике для определения расстояния от робота до объекта требуются методы, позволяющие за минимальное время определить расстояние с приемлемой точностью. Подобным методом является построение изображения глубины по дальности. Изображение глубины - это изображение, на котором для каждого пикселя, вместо цвета, храниться его расстояние до камеры.

Большинство методов построения изображения глубины имеют ограничение: диспаратность достоверно определяется лишь на участках с быстрым изменением яркости. Обработка сложных визуальных сцен вызывает ошибки у высокооптимизированных для реального времени алгоритмов стереозрения, работающих на встраиваемых процессорах. Это особенно актуально в задачах построения изображения глубины для объектов с низкой детализацией, где большие области характеризуются примерно одинаковой яркостью, а также для зон с почти бесконечной дальностью.

Для обработки поврежденных и зашумленных изображений глубины применяются методы фильтрации и интерполяции [162]. Эти подходы основаны на распространении значений дальности из участков с высокой достоверностью на те, что имеют низкую достоверность. Так же, это проблему, возможно решить с помощью методов реконструкции изображений, восстанавливая потерянные участки на изображении глубины, делая ее более точной. Таким образом, восстановление изображения глубины для навигации автономных робототехнических систем является актуальной задачей.

В данном исследовании представлен метод реконструкции изображения глубины для автономной навигации сельскохозяйственных робототехнических комплексов (РТК), основанный на поиске похожих блоков, с использованием анизотропного градиента и работы нейронной сети.

Степень разработанности темы. Значительный вклад в исследование применения сельскохозяйственных робототехнических комплексов (СРТК), автономной навигации СРТК, методах реконструкции изображений глубины внесли отечественные и зарубежные ученые: Бондарь С. Н., Васильев С.А., Вахтина Е. А., Воронков И.В., Воротников И. Н., Герасимов Е. В., Кутырёв А. И., Мударисов С. Г., Смирнов И. Г., Ридный С. Д., Федоренко В. Ф., Филиппов Р. А., Харитонов М.П., Хорт Д.О., Бхиманпаллевар Р. Н., Бэкман Дж., Кантелли Л., Кумар П., Мешрам А., Радж Р., и др.

На основании проведенного обзора научных работ, выполненных по данной тематике, автономной навигации СРТК, были рассмотрены технические параметры их работы, зависящие от оборудования, используемого для навигации, а также способы получения и реконструкции изображений глубины, влияющие на точность автономной навигации. Данный анализ позволил сформулировать цель работы.

Цель работы. Разработка метода, алгоритма реконструкции изображения глубины для повышения точности автономной навигации сельскохозяйственных робототехнических комплексов.

Задачи исследования.

1. Обосновать оборудование получения сенсорной информации сельскохозяйственных робототехнических систем, технологию одновременной локализации и картографирования, а также методы реконструкции изображения глубины.

2. Разработать метод и алгоритм реконструкции изображения глубины для автономной навигации роботизированных комплексов для выполнения технологических процессов в полевых условиях.

3. Провести лабораторные и полевые исследования для оценки точности алгоритма реконструкции изображения глубины и работы перемещения роботизированного комплекса, использующего эти изображения глубины.

4. Провести оценку экономической эффективности использования роботизированного комплекса в сравнении с человеческим трудом при обработке садовых площадей.

Объект исследования. Автономная навигация сельскохозяйственных роботизированных устройств.

Предмет исследования. Реконструкция поврежденных участков изображения глубины, используемые в автономной навигации сельскохозяйственных РТК.

Научная новизна. В рамках диссертационной работы на основе разработанного метода реконструкции изображения глубины, применительно к задаче автономной навигации СРТК получены следующие новые научные результаты:

1. Разработан метод реконструкции изображений глубины, основанный на адаптивном поиске похожих областей и использовании направленных анизотропных градиентов, устойчивых к шуму и локальным искажениям, обеспечивающий повышение точности восстановления утраченных данных.

2. Получена математическая модель изображения глубины в виде композиции локально-однородных областей, разделённых границами, что позволяет учитывать геометрию сцены при реконструкции.

3. Предложен новый критерий структурного сходства, учитывающий адаптивный размер блока и направленные градиенты, что повышает достоверность восстановления текстур и границ объектов.

4. На основе разработанного метода реконструкции реализована модификация алгоритма одновременной локализации и построения карты, обеспечивающая повышение точности визуальной автономной навигации сельскохозяйственных робототехнических комплексов.

Теоретическая значимость работы заключается в развитии научных основ реконструкции изображений глубины как ключевого компонента визуальной навигации СРТК:

1. Проведен комплексный системный и теоретико-информационный анализ современных методов реконструкции изображений глубины, в результате которого предложена их классификация по используемым принципам обработки, способам оценки сходства, типам структурных признаков и методам интерполяции;

2. Разработан метод реконструкции изображений глубины, основанный на адаптивном поиске похожих областей и использовании направленных анизотропных градиентов;

3. Получена математическая модель изображения глубины, описывающая его как совокупность локально-однородных областей, разделённых выраженными границами;

4. Теоретически обоснован новый критерий структурного сходства, который учитывает как локальные направленные градиенты, так и адаптивный размер блока.

Практическая значимость работы.

1. Разработанный метод реконструкции изображений глубины позволяет повысить точность восстановления геометрической структуры сцены в условиях частичной утраты информации и шумов. При тестировании на наборе данных Rosario получено снижение ошибок восстановления на 20 -30% по сравнению с известными методами.

2. Интеграция разработанного метода в алгоритмы SLAM, привела к снижению абсолютной ошибки траектории (ATE) и относительной ошибки положения (RPE) на 30 - 50%.

3. Разработанные алгоритмы реализованы в виде программных модулей, адаптированных для использования в мобильной роботизированной платформе. Проведённые эксперименты подтвердили реальную возможность их применения в задачах автономной навигации с частотой обработки кадров до 12 кадров в секунду, включая операции реконструкции и оценки глубины.

4. Результаты работы применимы в различных прикладных сценариях, включая навигацию в садах, обработку сада, оценку геометрии междурядий и тд.

Предложенные решения могут быть использованы как в мобильных агророботах, так и в беспилотных наземных платформах, участвующих в выполнении операций точного земледелия.

Методология и методы исследования. Теоретические исследования выполнялись с использованием основных положений математики и теоретической механики. Экспериментальные исследования проводились в лабораторных и полевых условиях в соответствии с апробированными методиками и базировались на теории планирования многофакторного эксперимента. Обработка полученных данных осуществлялась с использованием ПК. Для обработки опытных данных использовались статистические методы и пакеты прикладных программ, MATLAB R2021b, PyCharm 2020.1.5, Microsoft Office Excel, ROS. Языки программирования Python, MATLAB.

Положения, выносимые на защиту:

1. Математическая модель двумерных сигналов применительно к задачам реконструкции изображения глубины;

2. Результаты теоретического анализа, устанавливающие функциональную зависимость между основными параметрами метода реконструкции изображения глубины.

3. Метод реконструкции изображения глубины на основе поиска похожих областей и формирования наилучшего блока с помощью нейронной сети, использования нового критерия сходства при поиске похожих областей, учитывающего адаптивный размер блока, новый анизотропный градиент.

4. Обоснование возможности применения разработанного метода реконструкции изображения глубины для задачи автономной навигации СРТК.

5. Экономическое обоснование использования автономного СРТК.

Степень достоверности основных положений работы. Лабораторные и

полевые экспериментальные исследования проводились с использованием методики планирования экспериментов в соответствии с действующим ГОСТом, ГОСТ 24026-80. При выполнении работ использовалось технологичное оборудование и современные программные средства. Результаты исследования

прошли широкую апробацию в печати, на научно-практических конференциях и выставках.

Апробация результатов. Материалы исследований рассмотрены и одобрены на научно-практических конференциях и выставках: конференция профессорско-преподавательского состава Донского государственного технического университета (2017 - 2024 гг., г. Ростов-на-Дону); ежегодная Международная научно-практическая конференция «Optoelectronic Imaging and Multimedia Technology» (2015 - 2024 гг., Китай); ежегодная Международная научно-практическая конференция «Multimodal Image Exploitation and Learning» (2017 - 2025 гг., США); форум молодых ученых «Молодежь в АПК» в рамках Российской агропромышленной выставки «Золотая осень» (2024 г., г. Москва. Серебряная медаль); Международный конкурс изобретений и дизайна в Гонконге 2024 г. (Золотая медаль); Всероссийская научно-практическая конференция «Перспективные системы и задачи управления: управление и обработка информации в технических системах», (2023г., г. Таганрог) (Приложение Б).

Реализация и внедрение результатов. Результаты исследований были внедрены в ряде компаний, таких как ООО «РАССВЕТ», ООО «Заря Дона», ООО «Совтест АТЕ» ООО «Рободинамика», получено письмо поддержки от Министерства сельского хозяйства и продовольствия Ростовской области, результаты исследований используются в учебном процессе Донского государственного технического университета (Приложение В).

Публикации. По теме диссертации опубликовано 18 научных работ, из них 3 статьи в изданиях, входящих в Перечень рецензируемых научных изданий ВАК РФ, 11 статей, индексируемый в международных базах данных Scopus и Web of Science, получено 3 патента на изобретение.

Структура и объем диссертации.

Диссертация состоит из введения, пяти разделов, общих выводов, списка использованной литературы, включающего 178 наименований и приложений на 13 страницах. Диссертация изложена на 184 страницах, содержит 11 таблиц и 77 рисунков.

Ряд научных исследований по теме диссертации выполнены в рамках реализации государственного задания по проекту «Формирование комплекса технологических решений по модернизации разработанной электрической платформы под существующие агротехнологические требования применяемого на платформе навесного оборудования» (FZNE-2024-0002).

1. СОВРЕМЕННОЕ СОСТОЯНИЕ ВОПРОСА ПРИМЕНЕНИЯ

РОБОТИЗИРОВАННЫХ СИСТЕМ В СЕЛЬСКОМ ХОЗЯЙСТВЕ

1.1 Анализ сельскохозяйственных робототехнических систем

Робототехника активно внедряется в сельскохозяйственное производство и научные исследования с целью автоматизации различных полевых операций [34]. Роботизированные подходы демонстрируют повышенную операционную эффективность и позволяют сократить затраты на рабочую силу по сравнению с традиционными методами. В настоящее время многие сельскохозяйственные полевые операции, включая посев [131], прополку [148] и сбор урожая [37], уже автоматизированы за счет применения роботизированных систем и тяжелого оборудования. Однако более легкие и сложные полевые операции, такие как проверка растений и фенотипирование, обычно требуют меньшего взаимодействия с человеком при сохранении более высокой точности и надежности, что создает проблемы для автономности робота [121].

Полевые роботы обычно относятся к автономным, мехатронным и мобильным устройствам принятия решений, которые могут выполнять различные задачи растениеводства полуавтоматически или автоматически. Большинство полевых роботов для передвижения используют колеса (гусеничные встречается редко). Внедрение роботов сосредоточено на защите сельскохозяйственных культур посредством распыления пестицидов, обработку почвы, посев, защиту урожая, сбор информации и сбор урожая [19].

Роботы для обработки почвы относятся к интеллектуальным машинам, которые используются для обработки земли. Роботы для обработки почвы могут освободить фермеров от тяжелого труда, одновременно повышая эффективность и качество обработки почвы, а также играют важную роль в цифровом сельском хозяйстве. Тамаки К. и коллеги [153] разработали роботизированную систему с тремя роботами для рисового хозяйства (Рисунок 1.1).

Рисунок 1.1 - Сельскохозяйственные роботы для рисового хозяйства [153]

В рамках автоматизированных сельскохозяйственных систем, почвообрабатывающие роботы могут перемещаться по рисовым полям, используя для управления RTK-GNSS, инерциальные измерительные блоки (IMU) или GPS-компасы. Однако такие роботы пригодны для работы только на открытой местности. Примером может служить электрический робот-трактор John Deere Sesam 2 (Рисунок 1.2), способный развивать мощность до 300 кВт (400 л.с.) и играющий ключевую роль как в обработке почвы, так и в уборке урожая [77]. Для управления так же используется блок GNSS и блок IMU, хорошо работающие только на открытой местности.

Рисунок 1.2 - Робот-трактор Sesame 2 [77]

Посев является одним из ключевых процессов в сельском хозяйстве. Роботы-сеялки значительно оптимизируют его, обеспечивая точное размещение

семян и тем самым экономя время и средства фермеров. Примером служит робот точного высева пшеницы (Рисунок 1.3 [107]), который имеет четыре колеса, серводвигатели и шаговые двигатели. Испытания показали, что его норма высева превышает 93% при стандартной скорости. Однако его система управления, использующая GNSS и 1Ми, сталкивается с теми же проблемами, присущими этим технологиям.

Рисунок 1.3 - Робот точного высева пшеницы [107]

В [136] авторы предложили сеялку-робота, который может копать почву, сажать семена и засыпать их почвой. Также доступна функция добавления удобрений и полива. В 2019 году Радж Р. и коллеги [136] разработали и испытали автоматический робот для посева и внесения удобрений. Ожидалось, что робот сможет сеять разные семена, и результаты испытаний продемонстрировали выдающиеся характеристики прототипа. Кумар П. и коллеги [97] разработали интеллектуального робота для посева семян (Рисунок 1.4), управляемого системой «Интернета вещей», который смог обеспечить полную автоматизацию посева. Для робота использовались шаговые двигатели и двигатели постоянного тока. Оба решения показали хорошую работу только на открытой местности.

Рисунок 1.4 - Интеллектуальный робот для посева семян [97]

Два проекта из Университета Вагенингена (Нидерланды) (Wageningen University) были разработаны для борьбы с сорняками в открытом грунте: один для пахотных культур, специально для борьбы с сорняками на посевах кукурузы, а другой - для прополки пастбищ.

Первая машина способна автономно бороться с сорняками на кукурузном поле с помощью механических прополочных элементов, закрепленных на задней части машины. Управление навесным оборудованием транспортного средства во время посева может осуществляться на основе навигационных данных, получаемых от трактора (Рисунок 1.5) [31]. Для автономной навигации беспилотного наземного аппарата (UGV) используются два GPS-приемника и базовая станция дифференциального GPS (DGPS), причем сигнал реального времени (RTK) для кинематической коррекции передается по радиоканалу [30]. Сама система управления платформой состоит из двух частей: контроллера верхнего уровня, содержащего два регулятора, и контроллера нижнего уровня, в котором реализован предсказатель Смита.

Рисунок 1.5 - Роботизированная платформа университета Вагенингена [31]

Второе транспортное средство [158], имеет механический инструмент для прополки с вертикальной осью, установленный в передней части. Для обнаружения сорняков используется система компьютерного зрения: алгоритмы анализируют изображения, поступающие с камеры, которая, наряду с GPS-антенной, закреплена на специализированном кронштейне (Рисунок 1.6). Сценарий работы происходит по заранее заданной траектории, при потере сигнала GPS транспортное средство останавливается. Система управления реализована в двух уровнях. Контроллер верхнего уровня отвечает за навигацию, следование по заданному пути, обработку изображений и отправку команд исполнительным механизмам. В то время как контроллер низкого уровня управляет датчиками и гидравликой.

Рисунок 1.6 - Роботизированное средство: (A) камера, (B) GPS антенна, (C) гидравлический двигатель для приведения в действие прополочной машины, (D) прополочная машина и (E) направляющая для регулировки положения

прополочной машины [158]

Роботизированная платформа "Armadillo", созданная исследователями Университета Южной Дании, отличается модульной архитектурой, что позволяет осуществлять ее гибкую конфигурацию и адаптацию для решения разнообразных задач в сфере точного земледелия. Armadillo весит около 425 кг и состоит из двух гусеничных модулей размером 18 х 80 см, каждый из которых оснащен встроенным электродвигателем мощностью 3,5 кВт, редуктором и контроллером двигателя (Рисунок 1.7). Модули гусениц монтируются сбоку на сменной инструментальной платформе, что позволяет регулировать ширину и высоту габарита. Литиевый блок питания на 48В обеспечивает работу в течение 10 часов [86].

Рисунок 1.7 - Робот Armadillo [86]

Для определения своего положения робот Armadillo использует одометрию от датчика Холла на бесщеточном двигателе (625 тактов/метр), а также IMU и RTK-GNSS приемник, соединенный с опорной сетью GPSnet.dk. Робот Armadillo управляется с помощью промышленного ПК (двухъядерный, 2 ГГц), на котором установлена программная платформа FroboMind на базе ROS с открытым исходным кодом, разработанная Университетом Южной Дании [85]. Данный робот предназначен только для работы на отрытой местности, из-за возможности потери сигнала в сложных условиях.

Сбор информации в полевых условиях может быть трудоемким и изнурительным, собранные в результате данные помогают фермерам принимать решения. Для выполнения этой задачи были разработаны роботы для сбора полевой информации. В университете Саскачевана Баяти и др. [33] разработали, внедрили и проверили высокопроизводительную мобильную роботизированную платформу для фенотипирования растений в полевых условиях для мониторинга растений канолы. Платформа может автоматически собирать и анализировать широкомасштабные изображения крон растений. Было продемонстрировано, что это нововведение повышает производительность ферм при одновременном снижении затрат в долгосрочной перспективе. Как показано на рисунке 1.8, Куберо [50] разработал полевого робота под названием RobHortic для обнаружения вредителей и болезней садовых культур. Мобильный робот с ROS-

управлением [118] был специально разработан для навигации по территории и сбора данных фенотипирования.

Рисунок 1.8 - RobHortic с дистанционным управлением, работающий на морковном поле, демонстрирующий внешний вид робота [50]

Роботы, работающие во фруктовых садах, обычно перемещаются автономно, собирают различную информацию и передают фермерам. Собираемые ими данные включают в себя зрелость фруктов, параметры окружающей среды и вредителей. Болонский университет Alma Mater Studiorum (Италия) разработал прототип беспилотного робота DEDALO, который использовался для работы на виноградниках (Рисунок 1.9).

Рисунок 1.9 - Робот DEDALO [118]

Это компактное и легкое устройство [118], предназначенное для опрыскивания и скашивания в садах и виноградниках. Его ходовая часть состоит из двух резиновых гусениц с электроприводом, расстояние между которыми регулируется в зависимости от ширины ряда. Навесное оборудование приводится в движение бензиновым двигателем мощностью 16 кВт из-за достаточно высокого энергопотребления навесного оборудования (например, опрыскивателя).

На устройстве установлены следующие датчики:

- Девятиосный IMU со встроенными трехосными акселерометрами, трехосными гироскопами и трехосными магнитометрами;

- Приемник GNSS для глобальной локализации, преимущественно в открытом поле;

- Трехмерный LiDAR для оценки окружающих препятствий, в основном для навигации по ряду.

LiDAR (Velodyne Lidar, США) используется для восприятия окружающей среды и обнаружения структурных характеристик фруктового сада и существенных препятствий, таких как забор, фермеры и т.д. Данный робот обладает теме же недостатками, а именно потерей сигнала. Дорогостоящее оборудование для контроля препятствий, а в случае использования более дешевого - потеря качества и отклонение от траектории движения.

Мартин Дж. и коллеги [116] разработали архитектуру на основе ROS, чтобы обнаружить вредителей, получившую название Robotframework (Рисунок 1.10), которая успешно сочетает в себе различные навыки роботов, такие как навигация и манипулирование. Эти инновационные решения открывают возможности для создания новых мобильных роботов-манипуляторов.

Рисунок 1.10 - Роботизированная платформа GreenPatrol [116]

В работе Кантелли Л. и соавторов [44] представлена разработка автономного роботизированного распылителя, состоящего из двух основных модулей: мобильной платформы и системы управления распылением. Экспериментальные исследования подтвердили, что согласованное взаимодействие этих модулей позволяет достичь более высокой точности и безопасности при выполнении операций распыления. Оберти Р. и коллеги [128] разработали модульного сельскохозяйственного робота для автономного обнаружения болезней и выборочного распыления пестицидов, что может снизить чрезмерное использование пестицидов. Кроме того, они разработали первую полностью автоматическую систему селективного распыления пестицидов, предназначенную для обработки специальных культур. Для обеспечения автономной навигации на все платформы были установлены антенна GNSS и LiDAR. Данные решения обладают теме же недостатками.

Важной технологией, определяющей уровень автономности, является автономная навигация. Создание эффективной навигационной системы для полевых роботов представляет значительные сложности, обусловленные неструктурированным и изменчивым характером сельскохозяйственной среды,

что принципиально отличает ее от контролируемых условий помещений [39]. Особую сложность данная задача приобретает при разработке компактных роботизированных платформ, предназначенных для работы под пологом сельскохозяйственных культур.

В последние годы автономные сельскохозяйственные роботы продемонстрировали значительный прогресс в автономной или полуавтономной поддержке различных видов деятельности. Однако многие проблемы по-прежнему остаются открытыми. Для автономного выполнения задач на фермах основным компонентом роботов является автономная навигация.

Список литературы диссертационного исследования кандидат наук Гапон Николай Валерьевич, 2025 год

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ

1. Гапон Н. В. Алгоритм восстановления изображений с целью увеличения точности навигации РТК / Н. В. Гапон, М. М. Жданова, К. А. Перепелкина [и др.] // Перспективные системы и задачи управления : материалы XVI Всероссийской научно-практической конференции и XII молодежной школы-семинара. - Ростов-на-Дону, 2021. - С. 307-311.

2. Гапон Н. В. Модифицированный SLAM для навигации сельскохозяйственных роботов / Н. В. Гапон, В. В. Воронин, Д. В. Рудой, М. М. Жданова // Сельскохозяйственные машины и технологии. - 2025. -Т. 19, № 2. - С. 19-25.

3. Гапон Н. В. Навигация агропромышленных роботов с использованием модифицированной технологии SLAM на основе реконструкции карт глубины / Н. В. Гапон // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2024. - № 204. - С. 583593.

4. Гапон Н. В. Оптимизация алгоритмов SLAM для автономной навигации агропромышленных роботов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2025, - № 210. - С. 99-107.

5. Зеленский А. А. Метод восстановления карты глубины в задачах управления роботами и мехатронными системами / А. А. Зеленский, Н. В. Гапон, М. М. Жданова, В. В. Воронин, Ю. В. Илюхин // Мехатроника, автоматизация, управление. - 2022. - Т. 23, № 2. - С. 104-112.

6. Киселева О. В. Инвестиционный анализ : учебное пособие / О. В. Киселева, Ф. С. Макеева. - 3-е изд., перераб. и доп. - Ульяновск : Ульяновский государственный университет, 2017. - 240 с.

7. Клычова Г. С. Повышение эффективности системы управления растениеводством на основе цифровых технологий / Г. С. Клычова, А. Р. Закирова, А. Р. Валиев [и др.] // Вестник Казанского государственного аграрного

университета. - 2021. - Т. 16, № 3(63). - С. 121-127. - DOI: 10.12737/2073-04622021-121-127.

8. Кутырев А. И. Разработка системы управления движением роботизированной платформы на основе методов лазерной дальнометрии (LiDAR) / А. И. Кутырев, А. И. Дышеков // Агроинженерия. - 2023. - Т. 25, № 2. -С. 19-27. - DOI: 10.26897/2687-1149-2023-2-19-27.

9. Павлов А. С. Методика планирования траектории движения группы мобильных роботов в неизвестной замкнутой среде с препятствиями / А. С. Павлов // Системы управления, связи и безопасности. - 2021. - № 3. - С. 38-59. -DOI: 10.24412/2410-9916-2021-3-38-59.

10. Патент на изобретение № 2716311, Устройство для восстановления карты глубины с поиском похожих блоков на основе нейронной сети. Гапон Н. В., Воронин В. В., Сизякин Р. А. [и др.], заявл. 18.11.2019, опубл. 12.03.2020

11. Патент на изобретение № 2754965, Устройство восстановления изображений в пространстве кватернионов с использованием анизотропного градиента и нейронной сети // Воронин В. В., Гапон Н. В., Жданова М. М. [и др.]; заявл. 09.11.2020, опубл. 08.09.2021

12. Патент на изобретение № 2730215, Устройство для восстановления изображений с поиском похожих блоков на основе нейронной сети. Гапон Н. В., Воронин В. В., Сизякин Р. А. [и др.] заявл. 18.11.2019, опубл. 20.08.2020.

13. Распоряжение Правительства РФ от 23 ноября 2023 г. № 3309-р // Официальный интернет-портал правовой информации. [Электронный ресурс]. -URL: http://publication.pravo.gov.ru/document/0001202312040020. (дата обращения: 12.05.2025).

14. Свидетельство о государственной регистрации программы для ЭВМ № 2019610821 Российская Федерация. Программа для восстановления изображений с использованием нейронной сети: № 2018665550: заявл. 28.12.2018: опубл. 18.01.2019 / Н. В. Гапон, В. В. Воронин, Е. А. Семенищев [и др.]; заявитель федеральное государственное бюджетное образовательное учреждение высшего образования «Донской государственный технический университет» (ДГТУ).

15. Свидетельство о государственной регистрации программы для ЭВМ № 2019667053 Российская Федерация. Программа для восстановления карты глубины с использованием нейронной сети: № 2019665965: заявл. 04.12.2019: опубл. 18.12.2019 / Н. В. Гапон, В. В. Воронин, Р. А. Сизякин [и др.]; заявитель федеральное государственное бюджетное образовательное учреждение высшего образования «Донской государственный технический университет» (ДГТУ).

16. Семенищев Е. А. Алгоритм построения маршрута для БПЛА в городских условиях / Е. А. Семенищев, В. В. Воронин, Н. В. Гапон [и др.] // Динамика технических систем "ДТС-2021" : материалы XVII международной научно-технической конференции. - Ростов-на-Дону, 2021. - С. 28-31.

17. Смирнов И. Г. Интеллектуальные технологии и роботизированные машины для возделывания садовых культур / И. Г. Смирнов, Д. О. Хорт, А. И. Кутырев // Сельскохозяйственные машины и технологии. - 2021. - Т. 15, № 4. - С. 35-41. - DOI: 10.22314/2073-7599-2021-15-4-35-41.

18. Смирнов И. Г. Алгоритм работы автономного роботизированного комплекса мониторинга сорной растительности / И. Г. Смирнов, А. И. Дышеков, Ф. В. Девяткин // Электротехнологии и электрооборудование в АПК. - 2024. - Т. 71, № 1(54). - С. 71-75. - DOI: 10.22314/2658-4859-2024-71-1-71-75.

19. Тетерев А. В. Обоснование выбора системы позиционирования для управления движением мобильного сельскохозяйственного робота / А. В. Тетерев // Сельскохозяйственные машины и технологии. - 2020. - Т. 14, № 4. - С. 63-70. -DOI: 10.22314/2073-7599-2020-14-4-63-70.

20. Федоренко В. Ф. Перспективы роботизации процессов внутрипочвенного полива и подкормки растений / В. Ф. Федоренко, М. П. Харитонов, И. Г. Смирнов, Э. Г. Аристов // Агроинженерия. - 2024. - Т. 26, № 1. -С. 11-17. - DOI: 10.26897/2687-1149-2024-1-11-17.

21. Шадрина Г. В. Экономический анализ. Теория и практика : учебное пособие / Г. В. Шадрина. - Москва : Юрайт, 2014. - 515 с.

22. Ярославский Л. П. Введение в цифровую обработку изображений / Л. П. Ярославский. - М. : Советское радио, 1979. - 172 с.

23. Achanta R. Frequency-tuned salient region detection / R. Achanta, S. Hemami, F. Estrada, S. Susstrunk // 2009 IEEE Conference on Computer Vision and Pattern Recognition : [proc.]. - Miami, USA : IEEE, 2009. - P. 1597-1604. - DOI: 10.1109/CVPR.2009.5206596.

24. Adhikari S. P. Deep Neural Network-Based System for Autonomous Navigation in Paddy Field / S. P. Adhikari, G. Kim, H. Kim // IEEE Access. - 2020. -Vol. 8. - P. 71272-71278.

25. Alexandratos N. World Agriculture towards 2030/2050: The 2012 Revision / N. Alexandratos, J. Bruinsma. - 2012. - URL: http://www.fao.org/3Zap106e/ap106e.pdf (дата обращения: 01.09.2021).

26. Ardis P. A. Visual salience metrics for image inpainting / P. A. Ardis, A. Singhal // Visual Communications and Image Processing : [proc.] / ed. by M. Rabbani, R. L. Stevenson. - San Jose, CA : SPIE, 2009. - P. 72571W. - DOI: 10.1117/12.808942.

27. Arras K. O. Improving robustness and precision in mobile robot localization by using laser range finding and monocular vision / K. O. Arras, N. Tomatis // 1999 Third European Workshop on Advanced Mobile Robots (Eurobot'99) : [proc.].

- Zurich, Switzerland, 1999. - P. 177-185.

28. Artieda J. Visual 3-D SLAM from UAVs / J. Artieda, J. M. Sebastian, P. Campoy, J. F. Correa, I. F. Mondragon, C. Martinez, M. Olivares // Journal of Intelligent & Robotic Systems. - 2009. - Vol. 55, № 4-5. - P. 299-321.

29. Bailey T. Simultaneous localization and mapping (SLAM): Part II / T. Bailey, H. Durrant-Whyte // IEEE Robotics & Automation Magazine. — 2006. — Vol. 13, № 3. — P. 108—117.

30. Bakker T. A Path Following Algorithm for Mobile Robots / T. Bakker, K. Van Asselt, J. Bontsema, J. Müller, G. Van Straten // Auton Robot. — 2010. — Vol. 29.

— P. 85—97.

31. Bakker T. Robotic Weeding of a Maize Field Based on Navigation Data of the Tractor That Performed the Seeding / T. Bakker, K. Van Asselt, J. Bontsema, E.J. Van Henten // IFAC Proc. Vol. — 2010. — Vol. 43. — P. 157—159.

32. Bay H. Speeded-up robust features (SURF) / H. Bay, A. Ess, T. Tuytelaars, L. V. Gool // Computer Vision and Image Understanding. — 2007. — Vol. 110, № 3.

— P. 346—359.

33. Bayati M. A mobile robotic platform for crop monitoring / M. Bayati, R. Fotouhi // Adv. Robot. Autom. — 2018. — Vol. 7. — P. 1000186. 25.

34. Bergerman M. Robotics in agriculture and forestry / M. Bergerman, J. Billingsley, J. Reid, E. van Henten // Springer handbook of robotics. — 2016. — P. 1463—1492.

35. Bertalmio M. Image inpainting / M. Bertalmio, G. Sapiro, V. Caselles, C. Balleste // Proceedings of SIGGRAPH. — New Orleans, 2000. — 889 p.

36. Bertalmio M. Navier-Stokes, fluid dynamics, and image and video inpainting / M. Bertalmio, A.L. Bertozzi, G. Sapiro // Proc. IEEE Conf. Comput. Vis. Pattern Recognition. — 2001. — P. 355—362.

37. Birrell S. A field-tested robotic harvesting system for iceberg lettuce / S. Birrell, J. Hughes, J.Y. Cai, F. Iida // Journal of Field Robotics. — 2020. — Vol. 37, № 2. — P. 225—245.

38. Bodin B. Slambench2: Multi-objective head-to-head benchmarking for visual slam / B. Bodin [et al.] // 2018 IEEE International Conference on Robotics and Automation (ICRA). — 2018. — P. 3637—3644.

39. Bonadies S. An overview of autonomous crop row navigation strategies for unmanned ground vehicles / S. Bonadies, S.A. Gadsden // Engineering in Agriculture, Environment and Food. — 2019. — Vol. 12, № 1. — P. 24—31.

40. Bonnier N. Evaluation of Spatial Gamut Mapping Algorithms / N. Bonnier, F. Schmitt, H. Brettel, S. Berche // 14th Color and Imaging Conference (CIC). — 2006.

— P. 56—61. — URL: https://doi.org/10.L1.497.9528.

41. Bruss A.R. Pasive navigation / A.R. Bruss, B.K.P. Horn // Computer Vision, Graphics, and Image Processing. — 1983. — Vol. 21. — P. 3—20. 153.

42. Burdett R. Signals and Signal-to-Noise Ratio / R. Burdett // Handbook of Measuring System Design. — 2005. — P. 148.

43. Cadena C. Past, present, and future of simultaneous localization and mapping: Toward the robust-perception age / C. Cadena [et al.] // IEEE Transactions on Robotics. - 2016. - Vol. 32, № 6. - P. 1309-1332. - DOI: 10.1109/TRO.2016.2624754.

44. Cantelli L. A small versatile electrical robot for autonomous spraying in agriculture / L. Cantelli [et al.] // AgriEngineering. - 2019. - Vol. 1. - P. 391-402.

45. Chai T. Root mean square error (RMSE) or mean absolute error (MAE)? -Arguments against avoiding RMSE in the literature / T. Chai, R.R. Draxler // Geoscientific Model Development. - 2014. - Vol. 7, № 3. - P. 1247-1250.

46. Chan T.F. Non-texture inpainting by curvature-driven diffusions (CDD) / T.F. Chan, J. Shen // Journal of Visual Communication and Image Representation. -2001. - Vol. 12, № 4. - P. 436-449.

47. Comaniciu D. Mean shift: A robust approach toward feature space analysis / D. Comaniciu, P. Meer // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2002. - Vol. 24, № 5. - P. 603-619.

48. Cova S. Towards picosecond resolution with single-photon avalanche diodes / S. Cova, A. Longoni, A. Andreoni // Review of Scientific Instruments. - 1981. -Vol. 52, № 3. - P. 408-412.

49. Criminisi A. Region filling and object removal by exemplar-based image inpainting / A. Criminisi, P. Pérez, K. Toyama // IEEE Transactions on Image Processing. - 2004. - Vol. 13, № 9. - P. 1200-1212.

50. Cubero S. RobHortic: A Field Robot to Detect Pests and Diseases in Horticultural Crops by Proximal Sensing / S. Cubero [et al.] // Agriculture. - 2020. -Vol. 10. - P. 276.

51. Dang T.T. Inpainted image quality assessment / T.T. Dang, A. Beghdadi, M.C. Larabi // 2013 4th European Workshop on Visual Information Processing (EUVIP): [proc.]. - Paris, France, 2013. - P. 76-81.

52. Dang T.T. Visual coherence metric for evaluation of color image restoration / T.T. Dang, A. Beghdadi, M.-C. Larabi // 2013 Colour and Visual Computing Symposium (CVCS): [proc.]. - Gj0vik, Norway: IEEE, 2013. - P. 1-6. -DOI: 10.1109/CVCS.2013.6626268.

53. Davis L.S. A survey of edge detection techniques / L.S. Davis // Computer Graphics and Image Processing. - 1975. - Vol. 4, № 3. - P. 248-260.

54. Ding H.Z. Recent developments and applications of simultaneous localization and mapping in agriculture / H.Z. Ding [et al.] // Journal of Field Robotics. - 2022. - Vol. 39, № 6. - P. 956-983. - DOI: 10.1002/rob.22077.

55. Ding W.D. Review on visual odometry for mobile robots / W.D. Ding [et al.] // Acta Automatica Sinica. - 2018. - Vol. 44, № 3. - P. 385-400.

56. Doucet A. Rao-blackwellised particle filtering for dynamic Bayesian networks / A. Doucet [et al.] // Proceedings of the Sixteenth Conference on Uncertainty in Artificial Intelligence: [proc.]. - Burlington, Massachusetts, USA, 2013. - P. 499-515.

57. Dryanovski I. Fast visual odometry and mapping from RGB-D data / I. Dryanovski, R.G. Valenti, J.Z. Xiao // 2013 IEEE International Conference on Robotics and Automation: [proc.]. - Karlsruhe, Germany, 2013. - P. 2305-2310.

58. Durrant-Whyte H. Simultaneous localization and mapping: Part I / H. Durrant-Whyte, T. Bailey // IEEE Robotics & Automation Magazine. - 2006. - Vol. 13, № 2. - P. 99-110.

59. Durrant-Whyte H. Robotics: Science and systems VII / H. Durrant-Whyte, N. Roy, P. Abbeel. - Cambridge, Massachusetts, USA: Massachusetts Institute of Technology Press, 2012. - P. 41-48.

60. Efros A.A. Image quilting for texture synthesis and transfer / A.A. Efros, W.T. Freeman // Seminal Graphics Papers: Pushing the Boundaries. - 2023. - Vol. 2. -P. 571-576.

61. Engel J. Direct sparse odometry / J. Engel, V. Koltun, D. Cremers // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2018. - Vol. 40, № 3. - P. 611-625.

62. Engel J. LSD-SLAM: Large-scale direct monocular SLAM / J. Engel, T. Schöps, D. Cremers // Computer Vision - ECCV 2014: Proceedings, Part II. - Zurich, Switzerland, 2014. - P. 834-849.

63. English A. Vision based guidance for robot navigation in agriculture / A. English [et al.] // 2014 IEEE International Conference on Robotics and Automation (ICRA): Proceedings. - 2014. - P. 1693-1698.

64. Essmaeel K. Temporal denoising of Kinect depth data / K. Essmaeel [et al.] // 2012 Eighth International Conference on Signal Image Technology and Internet Based Systems: Proceedings. - Sorrento, Italy, 2012. - P. 47-52.

65. Forster C. SVO: Semidirect visual odometry for monocular and multicamera systems / C. Forster [et al.] // IEEE Transactions on Robotics. - 2017. -Vol. 33, № 2. - P. 249-265. - DOI: 10.1109/TRO.2016.2623335.

66. Gan H. Development of a navigation system for a smart farm / H. Gan, W.S. Lee // IFAC-PapersOnLine. - 2018. - Vol. 51, № 17. - P. 1-4.

67. Gao X. Review of Wheeled Mobile Robots' Navigation Problems and Application Prospects in Agriculture / X. Gao [et al.] // IEEE Access. - 2018. - Vol. 6. -P. 49248-49268.

68. Gapon N. Depth maps inpainting based on adaptive generative models / N. Gapon [et al.] // Optoelectronic Imaging and Multimedia Technology XI. - 2024. - Vol. 13239. - P. 510-517.

69. Gapon N. Multimodal image inpainting for an autonomous robot navigation application / N. Gapon [et al.] // Multimodal Sensing and Artificial Intelligence: Technologies and Applications II. - 2021. - Vol. 11785. - P. 196-203.

70. Gapon N. Depth-map inpainting using learned patch-based propagation / N. Gapon [et al.] // Twelfth International Conference on Machine Vision. - 2020. - Vol. 11433. - P. 881-886.

71. Gapon N. Defect detection and removal for depth map quality enhancement in manufacturing with deep learning / N. Gapon [et al.] // Dimensional Optical Metrology and Inspection for Practical Applications XII. - 2023. - Vol. 12524. - P. 8491.

72. Gapon N. Deep learning-based image defect detection and removal in manufacturing / N. Gapon [et al.] // Digital Optical Technologies. - 2023. - Vol. 12624. - P. 295-303.

73. Gebre-Egziabher D. GNSS Applications and Methods / D. Gebre-Egziabher, S. Gleason. - Artech, 2009. - URL: https://ieeexplore.ieee.org/document/9100072/.

74. Grisetti G. Improved techniques for grid mapping with Rao-blackwellized particle filters / G. Grisetti, C. Stachniss, W. Burgard // IEEE Transactions on Robotics. - 2007. - Vol. 23, № 1. - P. 34-46.

75. Gu Y. Path Tracking Control of Field Information-Collecting Robot Based on Improved Convolutional Neural Network Algorithm / Y. Gu [et al.] // Sensors. -2020. - Vol. 20. - P. 797.

76. He M. A review of monocular vision odometer research / M. He [et al.] // Computer Engineering and Applications. - 2018. - Vol. 54, № 7. - P. 20-28.

77. Heidrich J. 324-fs Pulses From a SESAM Modelocked Backside-Cooled 2-^m VECSEL / J. Heidrich [et al.] // IEEE Photonics Technology Letters. - 2022. - Vol. 34. - P. 337-340.

78. Hinton G.E. Reducing the dimensionality of data with neural networks / G.E. Hinton, R.R. Salakhutdinov // Science. - 2012. - Vol. 313, № 5786. - P. 504-507.

79. Hodson T.O. Root mean square error (RMSE) or mean absolute error (MAE): When to use them or not / T.O. Hodson // Geoscientific Model Development Discussions. - 2022. - P. 1-10.

80. Holmes S.A. An O(N2) square root unscented Kalman filter for visual simultaneous localization and mapping / S.A. Holmes, G. Klein, D.W. Murray // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2009. - Vol. 31, № 7. - P. 1251-1263. - DOI: 10.1109/TPAMI.2008.189.

81. Huang G. Visual-inertial navigation: A concise review / G. Huang // 2019 International Conference on Robotics and Automation (ICRA): Proceedings. -Montreal, QC, Canada, 2019. - P. 9572-9582.

82. Huynh T. A Study on Vision-Based Backstepping Control for a Target Tracking System / T. Huynh [et al.] // Actuators. - 2021. - Vol. 10. - P. 105.

83. Idoje G. Survey for smart farming technologies: Challenges and issues / G. Idoje, T. Dagiuklas, M. Iqbal // Computers & Electrical Engineering. - 2021. - Vol. 92. -P. 107104.

84. Jacquin A.E. Fractal image coding based on a theory of iterated contractive image transformations / A.E. Jacquin // Visual Communications and Image Processing. - Lausanne, Switzerland: SPIE, 1990. - Vol. 1360. - P. 227-239.

85. Jensen K. Autonomous Precision Spraying Trials Using a Novel Cell Spray Implement Mounted on an Armadillo Tool Carrier / K. Jensen [et al.] // Proceedings of the XXXV CIOSTA & CIGR V Conference. - Billund, Denmark, 2013.

86. Jensen K. A Low Cost, Modular Robotics Tool Carrier For Precision Agriculture Research / K. Jensen [et al.] // Proceedings of the 11th International Conference on Precision Agriculture. - Indianapolis, IN, USA, 2012.

87. Ji Z. LOAM: Lidar odometry and mapping in real-time / Z. Ji, S. Singh // Robotics: Science and Systems Conference. - Berkeley, CA, 2014.

88. Jiang L. Kinect depth map inpainting using a multi-scale deep convolutional neural network / L. Jiang, S. Xiao, C. He // Proceedings of the 2018 International Conference on Image and Graphics Processing. - 2018. - P. 91-95.

89. Johnson D.H. Signal-to-noise ratio / D.H. Johnson // Scholarpedia. - 2006. -Vol. 1, № 12. - P. 2088.

90. Kaczmarek A.L. Stereo camera upgraded to equal baseline multiple camera set (EBMCS) / A.L. Kaczmarek // 2017 3DTV Conference: The True Vision - Capture, Transmission and Display of 3D Video (3DTV-CON): Proceedings. - Copenhagen, Denmark, 2017. - P. 1-4.

91. Kanade T. A Stereo Matching Algorithm with an Adaptive Window: Theory and Experiment / T. Kanade, M. Okutomi // Proceedings of the 1991 IEEE International Conference on Robotics and Automation (ICRA '91). - 1991. - P. 10881095.

92. Kerl C. Dense visual SLAM for RGB-D cameras / C. Kerl, J. Sturm, D. Cremers // 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems: Proceedings. - Tokyo, Japan, 2013. - P. 2100-2106.

93. Kohlbrecher S. A flexible and scalable SLAM system with full 3D motion estimation / S. Kohlbrecher [et al.] // 2011 IEEE International Symposium on Safety, Security, and Rescue Robotics: Proceedings. - Kyoto, Japan, 2011. - P. 155-160.

94. Konolige K. Efficient sparse pose adjustment for 2D mapping / K. Konolige [et al.] // 2010 IEEE/RSJ International Conference on Intelligent Robots and Systems: Proceedings. - Taipei, China, 2010. - P. 22-29.

95. Kragh M. Multimodal obstacle detection in unstructured environments with conditional random fields / M. Kragh, J. Underwood // Journal of Field Robotics. -2020. - Vol. 37. - P. 53-72.

96. Kschischang F.R. Factor graphs and the sum-product algorithm / F.R. Kschischang, B.J. Frey, H.A. Loeliger // IEEE Transactions on Information Theory. -2001. - Vol. 47, № 2. - P. 498-519. - DOI: 10.1109/18.910572.

97. Kumar P. Design and fabrication of smart seed sowing robot / P. Kumar, G. Ashok // Materials Today: Proceedings. - 2021. - Vol. 39. - P. 354-358.

98. Labbe M. RTAB-Map as an opensource lidar and visual simultaneous localization and mapping library for large-scale and long-term online operation / M. Labbe, F. Michaud // Journal of Field Robotics. - 2019. - Vol. 36, № 2. - P. 416-446. -DOI: 10.1002/rob.21831.

99. Laina I. Deeper depth prediction with fully convolutional residual networks / I. Laina [et al.] // 2016 Fourth International Conference on 3D Vision (3DV): Proceedings. - 2016. - P. 239-248.

100. Lange R. Solid-state time-of-flight range camera / R. Lange, P. Seitz // IEEE Journal of Quantum Electronics. - 2001. - Vol. 37, № 3. - P. 390-397.

101. Lee B. A Vision Servo System for Automated Harvest of Sweet Pepper in Korean Greenhouse Environment / B. Lee [et al.] // Applied Sciences. - 2019. - Vol. 9. -P. 2395.

102. Li A. Review of vision-based simultaneous localization and mapping / A. Li [et al.] // 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC): Proceedings. - Chengdu, China, 2019. - P. 117-123.

103. Li C. Visual localization and object tracking for the NAO robot in dynamic environment / C. Li, X. Wang // 2016 IEEE International Conference on Information and Automation (ICIA): Proceedings. - Ningbo, China, 2016. - P. 1044-1049.

104. Li N. Review of machine-vision-based plant detection technologies for robotic weeding / N. Li [et al.] // 2019 IEEE International Conference on Robotics and Biomimetics (ROBIO): Proceedings. - 2019. - P. 2370-2377.

105. Li S. A new automatic real-time crop row recognition based on SoC-FPGA / S. Li [et al.] // IEEE Access. - 2020. - Vol. 8. - P. 37440-37452.

106. Libby J. Accurate GPS-free positioning of utility vehicles for specialty agriculture / J. Libby, G. Kantor // American Society of Agricultural and Biological Engineers Annual International Meeting 2010: Proceedings. - Pittsburgh, Pennsylvania, 2010. - P. 1201-1214.

107. Lin H. Study and experiment on a wheat precision seeding robot / H. Lin [et al.] // Journal of Robotics. - 2015. - Vol. 2015. - Article ID 696301.

108. Liu G. Incorporating adaptive local information into fuzzy clustering for image segmentation / G. Liu, Y. Zhang, A. Wang // IEEE Transactions on Image Processing. - 2015. - Vol. 24, № 11. - P. 3990-4000.

109. Liu M. Image inpainting and super-resolution using non-local recursive deep convolutional network with skip connections / M. Liu // Ninth International Conference on Digital Image Processing (ICDIP 2017): Proceedings. - 2017. - Vol. 10420. - P. 696-701.

110. Lowe D.G. Distinctive image features from scale-invariant keypoints / D.G. Lowe // International Journal of Computer Vision. - 2004. - Vol. 60, № 2. - P. 91110. - DOI: 10.1023/B:VISI.0000029664.99615.94.

111. Lowenberg-DeBoer J. Economics of robots and automation in field crop production / J. Lowenberg-DeBoer [et al.] // Precision Agriculture. - 2020. - Vol. 21. -P. 278-299.

112. Lucas B.D. An Iterative Image Registration Technique with an Application to Stereo Vision / B.D. Lucas, T. Kanade // International Joint Conference on Artificial

Intelligence (IJCAI'81): Proceedings. - San Francisco, CA, USA: Morgan Kaufmann Publishers, 1981. - Vol. 2. - P. 674-679.

113. Lyu H.-K. Machine Learning Feature Extraction Based on Binary Pixel Quantification Using Low-Resolution Images for Application of Unmanned Ground Vehicles in Apple Orchards / H.-K. Lyu, S. Yun, B. Choi // Agronomy. - 2020. - Vol. 10. - P. 1926.

114. Maddikunta P.K.R. Unmanned aerial vehicles in smart agriculture: Applications, requirements, and challenges / P.K.R. Maddikunta [et al.] // IEEE Sensors Journal. - 2021. - Vol. 21, № 16. - P. 17608-17619.

115. Malavazi F.B.P. LiDAR-only based navigation algorithm for an autonomous agricultural robot / F.B.P. Malavazi [et al.] // Computers and Electronics in Agriculture. - 2018. - Vol. 154. - P. 71-79.

116. Martin J. A Generic ROS-Based Control Architecture for Pest Inspection and Treatment in Greenhouses Using a Mobile Manipulator / J. Martin [et al.] // IEEE Access. - 2021. - Vol. 9. - P. 94981-94995.

117. Martinez-Cantin R. Unscented SLAM for large-scale outdoor environments / R. Martinez-Cantin, J.A. Castellanos // 2005 IEEE/RSJ International Conference on Intelligent Robots and Systems: Proceedings. - Edmonton, AB, Canada, 2005. - P. 3427-3432.

118. Mengoli D. Autonomous Robotic Platform for Precision Orchard Management: Architecture and Software Perspective / D. Mengoli [et al.] // 2020 IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor): Proceedings. - Trento, Italy, 2020.

119. Mo C. Research on the integrated navigation technology of inertial-aided visual odometry / C. Mo, J.H. Xu, Y. Pei // 2018 IEEE CSAA Guidance, Navigation and Control Conference (CGNCC): Proceedings. - Xiamen, China, 2018. - P. 1-5.

120. Morio Y. Vision-based furrow line detection for navigating intelligent worker assistance robot / Y. Morio, K. Teramoto, K. Murakami // Engineering in Agriculture, Environment and Food. - 2017. - Vol. 10, № 2. - P. 87-103.

121. Mueller-Sim T. The Robotanist: A ground-based agricultural robot for high-throughput crop phenotyping / T. Mueller-Sim [et al.] // 2017 IEEE International Conference on Robotics and Automation (ICRA): Proceedings. - 2017. - P. 3634-3639.

122. Mur-Artal R. ORB-SLAM2: An Open-Source SLAM System for Monocular, Stereo, and RGB-D Cameras / R. Mur-Artal, J.D. Tardos // IEEE Transactions on Robotics. - 2017. - Vol. 33, № 5. - P. 1255-1262.

123. Mur-Artal R. ORB-SLAM: A versatile and accurate monocular SLAM system / R. Mur-Artal, J.M.M. Montiel, J.D. Tardos // IEEE Transactions on Robotics. -2015. - Vol. 31, № 5. - P. 1147-1163. - DOI: 10.1109/TRO.2015.2463671.

124. Nellithimaru A.K. ROLS: Robust object-level SLAM for grape counting / A.K. Nellithimaru, G.A. Kantor // 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW): Proceedings. - Long Beach, CA, USA, 2019. - P. 2648-2656.

125. Newcombe R.A. DTAM: Dense tracking and mapping in real-time / R.A. Newcombe, S.J. Lovegrove, A.J. Davison // 2011 International Conference on Computer Vision: Proceedings. - Barcelona, Spain, 2011. - P. 2320-2327.

126. Nguyen T.T. Detection of red and bicoloured apples on tree with an RGB-D camera / T.T. Nguyen [et al.] // Biosystems Engineering. - 2016. - Vol. 146. - P. 3344.

127. Nong X. Research on indoor navigation of mobile robot based on INS and ultrasound / X. Nong [et al.] // 12th IEEE Conference on Industrial Electronics and Applications (ICIEA): Proceedings. - Siem Reap, Cambodia, 2017. - P. 231-235.

128. Oberti R. Selective spraying of grapevines for disease control using a modular agricultural robot / R. Oberti [et al.] // Biosystems Engineering. - 2016. - Vol. 146. - P. 203-215.

129. Oncu A.I. Evaluation of Digital Inpainting Quality in the Context of Artwork Restoration / A.I. Oncu [et al.] // 12th International Conference on Computer Vision: Proceedings. - 2012. - P. 561-570. - DOI: 10.1007/978-3-642-33863-2_58.

130. Pak J. Field evaluation of path-planning algorithms for autonomous mobile robot in smart farms / J. Pak [et al.] // IEEE Access. - 2022. - Vol. 10. - P. 60253-60266. - DOI: 10.1109/ACCESS.2022.3181131.

131. Pedersen S.M. Robotic seeding: Economic perspectives / S.M. Pedersen [et al.] // Precision Agriculture: Technology and Economic Perspectives. - 2017. - P. 167179.

132. Pire T. S-PTAM: Stereo Parallel Tracking and Mapping / T. Pire [et al.] // Journal of Robotics and Autonomous Systems. - 2017. - Vol. 93. - P. 27-42.

133. Prewitt J.M. Object enhancement and extraction / J.M. Prewitt // Picture Processing and Psychopictorics. - 1970. - Vol. 10, № 1. - P. 15-19.

134. Qin T. VINS-Mono: A robust and versatile monocular visual-inertial state estimator / T. Qin, P. Li, S. Shen // IEEE Transactions on Robotics. - 2018. - Vol. 34, № 4. - p. 1004-1020. - DOI: 10.1109/TRO.2018.2853729.

135. Qin Y. A Curvature Constraint Exemplar-Based Image Inpainting / Y. Qin, W. Feng // International Conference on Image Analysis and Signal Processing (IASP): Proceedings. - Zhejiang, China, 2010. - P. 263-267.

136. Raj R. A seed planting robot with two control variables / R. Raj [et al.] // 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI): Proceedings. - Tirunelveli, India, 2019. - P. 1025-1028.

137. Remondino F. TOF range-imaging cameras / F. Remondino, D. Stoppa (Eds.). - Heidelberg, Germany: Springer, 2013. - 681 p.

138. Roberts L. Machine Perception of 3-D Solids / L. Roberts // Optical and Electro-optical Information Processing. - MIT Press, 1965.

139. Robot Operating System (ROS) [Electronic resource]. - URL: https://www.ros.org/

140. Rosten E. Machine Learning for High-Speed Corner Detection / E. Rosten, T. Drummond // European Conference on Computer Vision (ECCV): Proceedings. -2006. - Vol. 3951. - P. 430-443.

141. Rublee E. ORB: An efficient alternative to SIFT or SURF / E. Rublee [et al.] // International Conference on Computer Vision: Proceedings. - Barcelona, Spain, 2011. - P. 2564-2571.

142. Santos L.C. Path Planning for ground robots in agriculture: A short review / L.C. Santos [et al.] // 2020 IEEE International Conference on Autonomous Robot Systems and Competitions (ICARSC): Proceedings. - Ponta Delgada, Portugal, 2020. -P. 61-66.

143. Santos L. Path planning aware of robot's center of mass for steep slope vineyards / L. Santos [et al.] // Robotica. - 2020. - Vol. 38, № 4. - P. 684-698.

144. Shalal N. A review of autonomous navigation systems in agricultural environments / N. Shalal [et al.] // SEAg 2013: Innovative agricultural technologies for a sustainable future. - 2013.

145. Shan T. LVI-SAM: Tightly-coupled lidar-visual-inertial odometry via smoothing and mapping / T. Shan [et al.] // 2021 IEEE International Conference on Robotics and Automation (ICRA): Proceedings. - Xi'an, China, 2021. - P. 5692-5698.

146. Smith R. Estimating uncertain spatial relationships in robotics / R. Smith, M. Self, P. Cheeseman // IEEE International Conference on Robotics and Automation: Proceedings. - Raleigh, NC, USA, 1987. - P. 850-850.

147. Sobel I. History and definition of the sobel operator / I. Sobel // World Wide Web. - 2014. - P. 1505.

148. Steward B. The use of agricultural robots in weed management and control / B. Steward, J. Gai, L. Tang // Robotics and automation for improving agriculture. -2019. - P. 161-186.

149. Su Y. Innovation of agricultural economic management in the process of constructing smart agriculture by big data / Y. Su, X. Wang // Sustainable Computing: Informatics and Systems. - 2021. - Vol. 31. - P. 100579.

150. Sun K. Robust Stereo Visual Inertial Odometry for Fast Autonomous Flight / K. Sun [et al.] // IEEE Robotics and Automation Letters. - 2018. - Vol. 3, № 2. - P. 965-972.

151. Szilagyi L. MR brain image segmentation using an enhanced fuzzy c-means algorithm / L. Szilagyi [et al.] // Annual International Conference of the IEEE Engineering in Medicine and Biology Society: Proceedings. - Cancun, Mexico, 2003. -P. 724-726.

152. Pire T. The rosario dataset: Multisensor data for localization and mapping in agricultural environments / T. Pire [et al.] // The International Journal of Robotics Research. - 2019. - P. 1-9.

153. Tamaki K. A robot system for paddy field farming in Japan / K. Tamaki [et al.] // IFAC Proceedings Volumes. - 2013. - Vol. 46. - P. 143-147.

154. Telea A. An image inpainting technique based on the fast marching method / A. Telea // Journal of Graphics Tools. - 2004. - Vol. 9, № 1. - P. 23-34.

155. Tessier C. A real-time, multi-sensor architecture for fusion of delayed observations: Application to vehicle localization / C. Tessier [et al.] // IEEE Intelligent Transportation Systems Conference: Proceedings. - Toronto, Canada, 2006. - P. 13161321.

156. Trung D.T. Perceptual quality assessment for color image inpainting / D.T. Trung, A. Beghdadi, C. Larabi // IEEE International Conference on Image Processing (ICIP): Proceedings. - Melbourne, Australia, 2013. - P. 398-402. - DOI: 10.1109/ICIP.2013.6738082.

157. Trung D.T. Perceptual Evaluation of Digital Image Completion Quality / D.T. Trung, A. Beghdadi, M.-C. Larabi // 21st European Signal Processing Conference (EUSIPCO 2013): Proceedings. - Marrakech, Morocco, 2013. - P. 1-5.

158. Van Evert F.K. A Robot to Detect and Control Broad-Leaved Dock (Rumex Obtusifolius L.) in Grassland / F.K. Van Evert [et al.] // Journal of Field Robotics. - 2011. - Vol. 28. - P. 264-277.

159. Vincent L. Morphological Grayscale reconstruction in image analysis: applications and efficient algorithms / L. Vincent // IEEE Transactions on Image Processing. - 1993. - Vol. 2, № 2. - P. 176-201.

160. Voronin V. A vision system using depth inpainting for virtual content reconstruction in Augmented Reality / V. Voronin [et al.] // Counterterrorism, Crime

Fighting, Forensics, and Surveillance Technologies VI: Proceedings. - 2022. - Vol. 12275. - P. 146-156.

161. Voronin V. Scanning trajectory optimization for industrial robot based on the scanned objects surface optical properties / V. Voronin [et al.] // Dimensional Optical Metrology and Inspection for Practical Applications XII: Proceedings. - 2023. -Vol. 12524. - P. 92-99.

162. Voronin V. Deep learning-based depth map defect removal for industrial applications / V. Voronin [et al.] // Optical Metrology and Inspection for Industrial Applications X: Proceedings. - 2023. - Vol. 12769. - P. 320-330.

163. Wang Z. Image quality assessment: From error visibility to structural similarity / Z. Wang [et al.] // IEEE Transactions on Image Processing. - 2004. - Vol. 13, № 4. - P. 600-612. - DOI: 10.1109/TIP.2003.819861.

164. Weiss U. Plant detection and mapping for agricultural robots using a 3D LIDAR sensor / U. Weiss, P. Biber // Robotics and Autonomous Systems. - 2011. - Vol. 59. - P. 265-273.

165. Wijk O. Localization and navigation of a mobile robot using natural point landmarks extracted from sonar data / O. Wijk, H.I. Christensen // Robotics & Autonomous Systems. - 2000. - Vol. 31, № 1-2. - P. 31-42.

166. Wu J. A Novel Exemplar-Based Image Completion Model / J. Wu, Q. Ruan // Journal of Information Science and Engineering. - 2009. - P. 481-497.

167. Xu Z.Z. Spatial semantic graph enhanced monocular SLAM system / Z.Z. Xu, S.J. Xiao // Computer Animation and Virtual Worlds. - 2021. - Vol. 32, № 3-4.

168. Yan Z. Shift-net: Image inpainting via deep feature rearrangement / Z. Yan [et al.] // European Conference on Computer Vision (ECCV): Proceedings. - 2018. - P. 1-17.

169. Yang S. Detection of maize navigation centerline based on machine vision / S. Yang, S. Mei, Y. Zhang // IFAC-PapersOnLine. - 2018. - Vol. 51, № 17. - P. 570575.

170. Yang X. A survey on smart agriculture: Development modes, technologies, and security and privacy challenges / X. Yang [et al.] // IEEE/CAA Journal of Automatica Sinica. - 2021. - Vol. 8, № 2. - P. 273-302.

171. Zelenskii A. Robot navigation using modified SLAM procedure based on depth image reconstruction / A. Zelenskii [et al.] // Artificial Intelligence and Machine Learning in Defense Applications III: Proceedings. - 2021. - Vol. 11870. - P. 73-82.

172. Zelensky A. Image inpainting by anisotropic gradient estimation / A. Zelensky [et al.] // Optoelectronic Imaging and Multimedia Technology XI: Proceedings. - 2024. - Vol. 13239. - P. 487-495.

173. Zelensky A. 3D reconstruction for SLAM using multisensor fusion and block-based inpainting / A. Zelensky [et al.] // Optics, Photonics and Digital Technologies for Imaging Applications VII: Proceedings. - 2022. - Vol. 12138. - P. 247257.

174. Zhang H. A novel adaptive fuzzy local information c-means clustering algorithm for remotely sensed imagery classification / H. Zhang [et al.] // IEEE Transactions on Geoscience and Remote Sensing. - 2017. - Vol. 55, № 9. - P. 50575068.

175. Zhang J. LOAM: Lidar odometry and mapping in real-time / J. Zhang, S. Singh // Robotics: Science and Systems. - 2014. - Vol. 2, № 9. - P. 1-9.

176. Zhang J. An object tracking framework with recapture based on correlation filters and siamese networks / J. Zhang [et al.] // Computers & Electrical Engineering. -2022. - Vol. 98. - P. 107730.

177. Zhang S. Tractor path tracking control based on binocular vision / S. Zhang [et al.] // Information Processing in Agriculture. - 2018. - Vol. 5. - P. 422-432.

178. Zhou W. Image quality assessment: from error visibility to structural similarity / W. Zhou [et al.] // IEEE transactions on image processing. - 2004. - Vol. 13, № 4. - P. 600-612.

ПРИЛОЖЕНИЕ А ПАТЕНТЫ НА ИЗОБРЕТЕНИЯ И СВИДЕТЕЛЬСТВА ОБ ИНТЕЛЛЕКТУАЛЬНОЙСОБСТВЕННОСТИ

Патент на изобретение №2716311 от 12.03.2020

Патент на изобретение №2730215 от 20.08.2020

Патент на изобретение №2754965 от 08.09.2021

ПРИЛОЖЕНИЕ Б СЕРТИФИКАТЫ И ДИПЛОМЫ

ЗОЛОТАЯ ОСЕНЬ 2024

xxvi российская агропромышленная выставка

_

ПРИЛОЖЕНИЕ В. АКТЫ И ПИСЬМА

ООО .

5

РОССИЙСКАЯ ФЕДЕРАЦИЯ

«РАССВЕТ»

РАССВЕТ

346940 Pik'chm 1'ж'i niti кии обл., k~)iifii.iiiicH< K'Hli р-и. г. КЧиПмшгио. 1.1. Тгшршьиии. 21 ИНН 61170КЮ26 ОГРН 10261011641155 КПП 6II7UIIHII Идимшпкнии рои ом им'фмкс И (Н634Х) 31352

АКТ

внедрения материалов научно-исследовательской работы

Эксперимент проведен в мае 2024 года на территории испытательного полигона сельскохозяйственного назначения ООО «РАССВЕТ» в рамках диссертационного исследования соискателя, старшего преподавателя каф «Кибербезопасность информационных систем» Донского государственного технического университета Гапон Николая Валерьевича на тему: «Разработка и исследование метода реконструкции изображений глубины для использования в автономной навигации сельскохозяйственных роботизированных комплексов» Целью эксперимента являлась проверка работоспособности и эффективности разработанного метода реконструкции изображений глубины, применяемого в системе автономной навигации сельскохозяйственных роботов. Было проведено тестирование и проверка следующего функционала разработанной системы:

1. Испытание точности позиционирования робота с использованием полученных реальных изображениях глубины.

2. Изучение влияния внешней среды (освещение, погода, ландшафт) на качество реконструкции изображения глубины.

В результате проведенных испытаний доказано, что разработанный метод реконструкции изображений глубины отвечает требованиям научной новизны и практической значимости, рекомендуемый к использованию в автономной навигации сельскохозяйственных роботизированных комплексов Среднее значение RMSE для относительной ошибки положения (RPE) и абсолютной ошибки траектории (ATE), оцененные с помощью популярных алгоритмов SLAM, были улучшены после реконструкции изображения глубины на 30%-50%.

Директор ООО "РАССВЕТ"

С. А. Авакян

; С

S? 8 800 200 54 17 ® [phone] и info:aisovtest-ate.ru Сервис

ВАШ T1APTHEP ПО КАЧЕСТВУ

Ф sovtest-ate.ru

^РАБОТЫ^J/ инн 4629047554

ИНН 4629047554 ОГРН 1024600955521

[phone]

:■■•: serviceasovtest-ate.ru

Исх. № W-&P

от

Oi О*. 20^ г.

на исх. №

от

20_г.

АКТ

внедрения материалов научно-исследовательской работы

Настоящий АКТ составлен о том, что материалы научных исследований соискателя, старшего преподавателя кафедры «Кибербезопасность информационных систем» Донского государственного технического университета (ДГТУ), Гапон Николая Валерьевича, представленные в диссертационной работе «Разработка и исследование метода реконструкции изображений глубины для использования в автономной навигации сельскохозяйственных роботизированных комплексов» используются в компании ООО «Совтест ATE» в программном обеспечении системы технического зрения (ПО СТЗ) автоматической установки монтажа компонентов. Внедрение метода реконструкции изображений глубины повысило точность позиционирования и ориентации роботизированного комплекса за счёт восстановления повреждённых участков двухмерных сигналов и устранения ошибок в расчёте расстояний до объектов. Применение метода в программном обеспечении системы технического зрения позволяет эффективно компенсировать ошибки позиционирования, что полностью соответствует требованиям установки монтажа компонентов по точности ориентации и формированию управляющих команд. Проведённая оценка экономической эффективности показала сокращение затрат на обслуживание и устранение ошибок позиционирования, что повышает конкурентоспособность роботизированного комплекса на рынке. Внедрение результатов научно-исследовательской работы соответствует целям и задачам компании ООО Совтест ATE и рекомендует дальнейшее развитие и расширение использования данной технологии.

Генеральный директор ООО «Совтест ATE»

И.В. Марков

УТВЕРЖДАЮ

Проректор по учебной работе и ународной деятельности ДГТУ,

наук, профессор

. Бескопыльный Ш 2025 г.

АКТ

внедрении результатов научных исследований в учебный процесс

Результаты научных исследований соискателя, старшего преподавателя кафедры «Кибербезопасность информационных систем» Донского государственного технического университета (ДГТУ), Гапон Николая Валерьевича, представленные в диссертационной работе на соискание ученой степени кандидата технических наук, посвященной разработке метода реконструкции изображений глубины для использования в автономной навигации сельскохозяйственных роботизированных комплексов, используется при чтении лекций, проведении практических и лабораторных работ для обучающихся федерального государственного бюджетного образовательного учреждения высшего образования «Донской государственный технический университет» по направлениям подготовки бакалавриата, специалитета и магистратуры:

23.05.01 и 23.04.02 Наземные транспортно-технологические средства по дисциплинам: «Конструирование и расчет наземных транспортно-технологических машин», «Машины для уборки зерновых и кормовых культур», «Математическое моделирование сельскохозяйственных процессов», «Надежность и эксплуатация сельхозмашин», «Технология производства автомобилей и тракторов»;

35.03.06 и 35.04.06 Агроинженерия по дисциплинам: «Автоматизация и цифровизация в сельском хозяйстве», «Высокотехнологичная техника для производства и переработки продукции растениеводства», «Конструкция современной сельскохозяйственной техники и оборудования», «Исследования и испытания сельскохозяйственных машин», «Основы составления полевых агрегатов, монтаж и наладка иысокотехнологичной сельскохозяйственной техники»;

15.03.04 и 15.04.04 Автоматизация технологических процессов и производств по дисциплинам: «Компьютерное управление», «Информационные устройства автоматизации», «Исполнительные устройства систем управления», «Математическое моделирование автоматизированных систем управления»,

«Надежность автоматизированных систем», «Основы автоматизированных производственных систем», «Основы теории цифровой обработки сигналов»;

27.03.04 и 27.04.04 Управление в технических системах по дисциплинам: «Проектирование ЦСУ», «Исследование и моделирование систем управления», «Цифровые СУ», «Методы и средства реализации систем управления», «Теория автоматического управления», «Управление техническими системами», «Основы теории и обработки информации»;

15.03.06 и 15.04.06 Мехатроника и робототехника по дисциплинам: «Конструирование мехатронных и робототехнических модулей», «Моделирование мехатронных и робототехнических систем», «Разработка мобильной транспортной платформы», «Моделирование робототехнических и мехатронных систем», «Навигация мобильных роботов на базе методов искусственного интеллекта».

Материалы, методы и результаты теоретических и практических исследований имеют высокую значимость и соответствуют современным подходам ведения учебного процесса. Их использование в структуре вышеупомянутых дисциплин способствует повышению уровня подготовки студентов, их практикоориентированности и развития навыков системного подхода к изучению профильных дисциплин.

И. о. декана факультета «Агропромышленный» канд. техн. наук

С. В. Теплякова

Декан факультета «Автоматизация, мехатрон и управление», канд. техн. наук, доцент

Заведующий кафедрой «Технологии и оборудование переработки продукции АПК», член-корреспондент РАН, д-р техн. наук, профессор

В. И. Пахомов

Заведующий кафедрой «Проектирование и технический сервис транспортно-технологических систем», д-р техн. наук, доцент

Л. В. Кравченко

Министерство сельского хозяйства и продовольствия Ростовской области г. Ростов-на-Дону, ул. Красноармейская, 33 Тел.: [phone] Электронная почта: [e-mail]

Письмо поддержки

Министерство сельского хозяйства и продовольствия Ростовской области поддерживает диссертацию соискателя, старшего преподавателя кафедры «Кибербезопасность информационных систем» Донского государственного технического университета (ДГТУ), Гапон Николая Валерьевича на тему «Разработка и исследование метода реконструкции изображений глубины для использования в автономной навигации сельскохозяйственных роботизированных комплексов».

Результаты теоретических и экспериментальных исследований отвечают актуальным вызовам цифровизации отечественного сельского хозяйства и нацелены на повышение эффективности и безопасности роботизированных технологий в области агропромышленного комплекса. Работа выполнена качественно, профессионально и направлена на решение важных практических задач отрасли.

Разработка представляет собой инновационное предложение, обладающее высокой технической и коммерческой значимостью, способствующее переходу российского сельского хозяйства на новый качественный уровень. Метод реконструкции изображений глубины найдет широкое применение в системах автономной навигации роботов, позволив повысить точность, безопасность и экономическую эффективность ведения сельскохозяйственных работ. Ожидаемый экономический эффект: снижение себестоимости продукции (яблок) при использовании сельскохозяйственных роботизированных комплексов.

Заместитель министра сельского хозяйства и продовольствия Ростовской области

/ Г