Разработка модуля оптической идентификации для сортировки плодов яблони на основе гиперспектральной съемки тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Чиликин Андрей Дмитриевич

• Чиликин Андрей Дмитриевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Чиликин Андрей Дмитриевич

ВВЕДЕНИЕ

1 СОСТОЯНИЕ ВОПРОСА, ОБОСНОВАНИЕ АКТУАЛЬНОСТИ ИССЛЕДОВАНИЯ

1.1 Требования к показателям качества яблок

1.2 Оптические методы и сенсорные технологии для оценки и сортировки плодов

1.3 Анализ методов гиперспектрального контроля качества

1.4 Анализ установок для сортировки плодов яблони

1.5 Выводы по главе

2 РАЗРАБОТКА ОПТИЧЕСКОГО МОДУЛЯ ИДЕНТИФИКАЦИИ ПЛОДОВ НА ОСНОВЕ ГИПЕРСПЕКТРАЛЬНОЙ ВИЗУАЛИЗАЦИИ

2.1 Обоснование параметров модуля идентификации

2.2 Разработка оптического модуля для идентификации плодов яблони

2.3 Обоснование выбора гиперспектральной камеры для оптического модуля

2.4 База данных спектральных изображений основных болезней и повреждений плодов

2.5 Выводы по главе

3 МЕТОДИКА И РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ

3.1 Описание методики гиперспектральной съемки

3.2 Определение оптимальных параметров съемки

3.3 Результаты экспериментальных исследований

3.3.1 Определение спектральных признаков болезней плодов яблони

3.3.2 Определение оптимального алгоритма машинного обучения для

классификации болезней плодов яблони

3.4 Выводы по главе

4 ТЕХНИКО-ЭКОНОМИЧЕСКАЯ ОЦЕНКА ВНЕДРЕНИЯ МОДУЛЯ ОПТИЧЕСКОЙ ИДЕНТИФИКАЦИИ

4.1 Расчет экономической эффективности внедрения модуля оптической идентификации на сортировочную линию

4.2 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А Патент на изобретение

ПРИЛОЖЕНИЕ Б Свидетельства о регистрации баз данных

ПРИЛОЖЕНИЕ В Результаты классификации по пикселям

ПРИЛОЖЕНИЕ Г Акт о внедрении результатов

ПРИЛОЖЕНИЕ Д Акт об использовании результатов

Введение диссертации (часть автореферата) на тему «Разработка модуля оптической идентификации для сортировки плодов яблони на основе гиперспектральной съемки»

ВВЕДЕНИЕ

Актуальность темы исследования. Сортировка плодов по качеству является важнейшей операцией после сбора урожая. Плоды обязательно проходят сортировку перед закладкой на хранение или отправкой потребителю. На этом этапе возможно удаление бракованной продукции, выявление плодов, не соответствующих требуемым размерам или имеющих повреждения от заболеваний или механических воздействий. К внешним повреждениям можно отнести вдавливания, ожоги, ушибы плодов, которые значительно снижают их товарные качества и серьёзно влияют на конечный срок хранения.

Плоды яблони были выбраны в качестве объекта исследования из-за важности данной культуры как в агротехническом комплексе, так и в коммерческом отношении. Согласно последним данным Росстата, яблоневые сады занимают 38% от общей площади плодовых насаждений России. Ежегодный валовой сбор яблок демонстрирует устойчивый рост: в 2022 году он составил 1,7 млн тонн, а в 2023 году увеличился до 2 млн тонн. Для обеспечения потребителей данным видом плодов не только в сезонные периоды, а круглый год - яблоки отправляют в хранилища, где качество их отбора определяется величиной потерь. До 20% - 30% плодов, отправленных на хранение, подвергаются потерям вследствие болезней или повреждений, не выявленных в процессе сортировки. Плоды яблони характеризуются выраженными визуальными и спектральными маркерами, отражающими степень зрелости и наличие дефектов, что определяет их применимость для разработки методов неинвазивной диагностики с применением гиперспектрального анализа. Высокая потребительская ценность и распространенность в розничных сетях делают процесс распознавания и идентификации болезней плодов и разработку автоматизированных установок важными задачами для агропромышленного комплекса. Плоды яблони как модельный объект исследований обеспечивают создание технологических

подходов, адаптируемых для других видов плодов с аналогичными параметрами.

Сортировка по цвету и степени зрелости - являются актуальными параметрами процесса инспекции. Инспекцией называют отбор плодов, которые оказались битыми, гнилыми, неправильной формы, а также всего того, что можно назвать посторонними примесями. Такая инспекция сырья — важный технологический процесс, так как яблоки, имеющие нарушения поверхности, крайне легко подвергаются воздействию микроорганизмов, в них также происходят биохимические процессы, меняющие вкусовые и качества продуктов, и сроки их хранения. В настоящее время такая инспекция проходит на ленточных транспортёрах, у которых возможно регулировать скорость движения конвейера, лента которого изготавливается из прорезиненного материала. Также возможно использование роликовых транспортёров — плоды переворачиваются на вращающихся роликах. Проверка и инспекция на подобных транспортёрах значительно облегчает осмотр плодов, положительно сказываясь на качестве работы.

Оптическая сортировка по цветовым характеристикам относится к числу передовых методов обработки плодовых культур. В ходе данного процесса осуществляется сравнение цвета плода с эталонным светофильтром, при этом специализированное оборудование автоматически отбраковывает экземпляры, не соответствующие заданным цветовым параметрам.

Проведенный анализ современных роботизированных систем для отбраковки растительного сырья, разработанных для агропромышленного комплекса, позволяет сделать вывод, что перспективным направлением является применение систем машинного зрения, функционирующих в видимом и инфракрасном диапазонах электромагнитного спектра. Современные разработки в данной области активно интегрируют методы искусственных нейронных сетей и нечеткой логики в алгоритмы обработки изображений. Однако следует отметить, что существующие системы машинного зрения обладают существенными ограничениями. В частности,

программно-аппаратные комплексы, предназначенные для отбраковки дефектного сырья при сортировке, демонстрируют нестабильную точность. Это обусловлено такими факторами, как значительные межсортовые различия плодов по морфологическим характеристикам (структуре и размерам), а также сезонная изменчивость качества продукции.

Проведенный анализ свидетельствует о необходимости создания усовершенствованных алгоритмических решений и инновационных методик для систем классификации сельскохозяйственной продукции. Особую проблему представляет недостаточная разработанность математического аппарата, адаптированного для реализации на высокопроизводительных вычислительных комплексах с распределенной архитектурой, обеспечивающей параллельную обработку множества объектов в реальном времени.

Агропромышленный комплекс играет системообразующую роль в обеспечении продовольственной безопасности страны, а сортировка плодов, в частности яблок, является ключевым этапом подготовки продукции к хранению и реализации. Эффективность сортировки напрямую влияет на сохранность урожая: наличие своевременно незамеченных повреждений, заболеваний или дефектов способно привести к распространению гниения в партии, что, в свою очередь, существенно увеличивает постуборочные потери до 20-30%.

Согласно данным Федеральной службы государственной статистики (Росстат) за 2023 год, в Российской Федерации отмечается устойчивый рост ключевых показателей яблочного садоводства: площадь яблоневых насаждений увеличилась до 230 тыс. га, валовой сбор достиг 2 млн тонн, объем реализации составил 1,8 млн тонн. Указанная положительная динамика актуализирует потребность во внедрении автоматизированных сортировочных систем с техническими характеристиками, включающими точность отбраковки на уровне 98-99%.

Современные производственные предприятия преимущественно применяют комбинированные методы контроля, включающие ручной осмотр с конвейерной подачей продукции и автоматизированные системы сортировки на базе технологий машинного зрения и ЖК-спектрофотометрии. При этом максимальная точность существующих систем не превышает 90%, что не обеспечивает требуемой надежности при детектировании всех видов дефектов.

В сложившихся условиях особую актуальность приобретает модернизация алгоритмического и аппаратного обеспечения систем сортировки. Создание высокочувствительных методов классификации, базирующихся на гиперспектральном анализе, алгоритмах машинного обучения и нейросетевых архитектурах, может обеспечить значительное повышение производительности сортировочных процессов, сокращение потерь и гарантированное соответствие продукции нормам ГОСТ 34314-2017 «Яблоки свежие, реализуемые в розничной торговле. Технические условия». Реализация указанных технологических решений обладает стратегической важностью для развития агропромышленного комплекса России и системного улучшения качества плодовой продукции.

Степень разработанности темы исследования. Спектральный анализ широко используется в различных отраслях промышленности и науки в том числе и в сельском хозяйстве, служит универсальным инструментом, который позволяет точно и оперативно исследовать биологические объекты. Эта информация необходима для правильного ведения технологических процессов, контроля качества сельскохозяйственной продукции.

Анализ технического уровня показал, что в практике спектрального анализа используются различные приборы и различные источники возбуждения спектров. В последнее время наибольшее применение находят спектрометры, построенные по схеме дифракционных спектрографов с фотоэлектронной регистрацией спектра. Выбор способа спектрального анализа во многом зависит от цели анализа и типов спектров. Эффективность

подобных систем во многом определяется надёжностью алгоритмов анализа изображений.

Наибольшая активность в разработке интеллектуальных систем идентификации для сельского хозяйства наблюдается в Китае. Ренфу Лу1 занимается неразрушающим контролем качества фруктов с использованием гиперспектральной визуализации и нейросетей. Цзянбо Лиа2 разрабатывает методы спектрального компьютерного зрения и обработки изображений. Среди отечественных учёных, внёсших весомый вклад в эту сферу, выделяются Будаговский А. В.3, Соловченко А.Е.4, Дивин А. Г.5, Жиркова А.А.6, Шурыгин Б. М.7, Юхин И.А.8, Дорохов А.С.9, Смирнов И.Г.10, Ценч Ю. С.11, Хорт Д.О.12 и др.

Нормативные документы (ГОСТ 34314-2017 «Яблоки свежие, реализуемые в розничной торговле. Технические условия», ГОСТ Р 50528-93

1 Lu R. Innovative Hyperspectral Imaging-Based Techniques for Quality Evaluation of Fruits and Vegetables / R. Lu, Y. Lu, Y. Huang, // Applied Science. — 2017. — № 7. P. 189. https://doi.org/10.3390/app7020189

2 Lia J. Early detection of decay on apples using hyperspectral reflectance imaging combining both principal component analysis and improved watershed segmentation method / J. Lia,W.Luob, Z. Wangc, S.Fana // Postharvest Biology and Technology. — 2019. — № 149. P. 235-246. https://doi.org/10.1016/j.postharvbio.2018.12.007

3 Budagovsky A.V. Application of laser irradiation for the estimation of functional state and the resistance to biotic and a biotic stress in horticultural plants / A.V. Budagovsky, O.N. Budagovskaya, S.A. Goncharov, Yu.G. Belyachenko, F. Lenz, B. Oertel // EUCARPIA Fruit Breeding Section Newsletter. — 2001. — № 5. P. 31-32. D0I:10.1088/1555-6611/abebda

4 Solovchenko A.E. Reflectance spectral features and non-destructive estimation of chlorophyll, carotenoid and anthocyanin content in apple fruit / A.E. Solovchenko, M.N. Merzlyak, A.A. Gitelson // Postharvest Biology and Technology. — 2003. — № 27 (2). P. 197-211. https://doi.org/10.1016/S0925-5214(02)00066-2

5 Балабанов П.В. Система оптико-электронной сортировки яблок на конвейере / П.В. Балабанов, А.Г. Дивин, А.С. Егоров, А.А. Жиркова // Контроль. Диагностика. — 2022. — № Т. 25. № 1 (283). С. 38-44. DOI 10.14489/td.2022.01.pp.038-044. EDN AQVEOT.

6 Жиркова А.А. Выбор источников освещения при оптико-электронном контроле качества фруктов / А.А. Жиркова, П.В. Балабанов, А.Г. Дивин // Вестник Тамбовского государственного технического университета. — 2021. — № 27 (4). — С. 536-542.

7 Shurygin B. Non-Invasive Probing of Winter Dormancy via Time-Frequency Analysis of Induced Chlorophyll Fluorescence in Deciduous Plants as Exemplified by Apple (Malus x domestica Borkh.) / B. Shurygin, I. Konyukhov, S. Khruschev, A. Solovchenko // Plants. - 2022. - Vol. 11, No. 21. - P. 2811. DOI 10.3390/plants11212811. EDN PTEDVA.

8 Успенский И.А. Воздействие колебаний плодоовощной продукции на ее повреждения / И. А. Успенский, Л. П. Белю, А. С. Сивиркина, И.А. Юхин, О.В. Филюшин // Вестник Рязанского государственного агротехнологического университета им. П.А. Костычева. - 2024. - Т. 16, № 1. - С. 155-162. - DOI 10.36508/RSATU.2024.98.54.021. - EDN IXADSM.

9 Дорохов А.С. Теоретическое обоснование транспортера для выгрузки корнеплодов овощных культур и клубней картофеля из хранилища / А. С. Дорохов, А. В. Сибирев, А. Г. Аксенов// Вестник Казанского государственного аграрного университета. - 2024. - Т. 19, № 1(73). С. 48-53. DOI 10.12737/2073-0462-2024-48-53. EDN FFXTIA.

10 Смирнов И.Г. Разработка программно-аппаратного комплекса с мобильным приложением на основе нейронной сети для мониторинга плодов яблони в кроне дерева / И.Г. Смирнов, А.И. Кутырёв, Д.О. Хорт, Е.А. Тумаева, Ю.В. Бурменко // Садоводство и виноградарство. — 2023. — № 1. С. 43-51. DOI 10.31676/0235-2591-2023-1-43-51. EDN ELOFCO.

11 Ценч Ю. С. Развитие систем управления полетом и средств аэрофотосъемки беспилотных воздушных судов сельскохозяйственного назначения / Ю. С. Ценч, Р. К. Курбанов, Н. И. Захарова // Сельскохозяйственные машины и технологии. - 2024. - Т. 18, № 2. С. 11-19. DOI 10.22314/2073-7599-2024-18-2-11-19. EDN JPLEGX.

12Хорт Д.О. Интеллектуальные машинные технологии в садоводстве / Д.О. Хорт, И.Г. Смирнов // Таврический вестник аграрной науки. — 2017. — № 1 (9). С. 119-126. EDN ZFUWRZ.

«Яблоки свежие. Хранение в контролируемой атмосфере», ГОСТ 27819-88 «Яблоки свежие. Хранение в холодильных камерах») содержат конкретные требования к качеству яблок, включая параметры внешнего вида, сорта и назначения (для хранения или розничной реализации). Эти стандарты могут использоваться как основа при обучении и калибровке систем автоматического контроля качества.

Объект исследований: процесс оптического сканирования плодов яблони при их поточном движении на транспортере сортировочного стола.

Предмет исследований: параметры гиперспектральной съемки плодов яблони, при их поточном движении и повреждения плодов перед закладкой на хранение.

Цель исследования: повышение эффективности поточной сортировки плодов яблони на основе гиперспектральной оптической идентификации здоровых и поврежденных поверхностей.

Задачи исследования:

1. Выполнить анализ современного состояния технического уровня систем оптического сканирования и технологических требований к качеству плодов яблони.

2. Теоретически обосновать параметры модуля оптической идентификации плодов яблони и кинематические параметры их движения на роликовом транспортере.

3. Разработать прототип модуля оптической идентификации плодов яблони.

4. Разработать методику сканирования плодов яблони с различных ракурсов и определить спектральные признаки повреждения их поверхности при движении на роликовом транспортере.

5. Выполнить экспериментальные исследования параметров и режимов работы прототипа модуля оптической идентификации плодов яблони на основе гиперспектральной съемки.

6. Выполнить технико-экономическую оценку модуля для оптической идентификации плодов яблони.

Научная новизна:

- корреляционные зависимости коэффициента отражения световых волн в гиперспектральном диапазоне от типа повреждений плодов яблони;

- алгоритм идентификации повреждений плодов яблони на основе гиперспектральных изображений и методов машинного обучения.

Научная гипотеза: повышение эффективности идентификации повреждения плодов при поточной сортировке может быть достигнута путем разработки новой методики сканирования плодов с помощью гиперспектральной визуализации.

Практическая значимость исследования:

Разработан модуль оптической идентификации, сканирующий плоды яблони при движении их по конвейеру.

Разработана база данных, в которой содержится классификация растительных тканей яблок по видам дефектов в реальном времени при их движении по транспортному конвейеру.

Разработана методика сканирования плодов яблонь с различных ракурсов.

Теоретическая значимость исследования. В работе установлены закономерности изменения спектральных характеристик плодов в диапазонах 550 - 800 нм в зависимости от степени повреждений и содержания фотосинтетических пигментов на поверхности плода. Установлено, что использование вегетационных индексов (С1700 и тАШ) позволяет количественно оценивать степень поражения тканей плодов яблони.

Методология и методы исследования. Теоретические исследования выполнили с использованием законов и методов теоретической механики, математики, использованы методы компьютерного проектирования, моделирования и программирования. Обработка экспериментальных данных и компьютерное моделирование, проектирование осуществлялось при

помощи программного обеспечения САПР KOMQAC-3D 2017, Exel, PlanExpB-D13_v.1.0, SolidWorks Simulation. Полевые исследования проводились в соответствии с современными действующими ГОСТами с использованием методики планирования экспериментов.

Реализация результатов исследований. Результаты диссертационной работы использованы в ООО «АГРОКРАФТ РУС» (г. Кропоткин) для определения болезней и механических повреждений плодов яблони, поступающих на сортировочные линии после уборочных операций. Получены акты о внедрении результатов.

Основные научные положения, выводы и рекомендации работы внедрены в учебный процесс ФГБОУ ВО «Российский государственный аграрный университет — МСХА имени К.А. Тимирязева» (г. Москва).

Апробация. Основные положения и результаты исследования докладывались на международных научно-технических конференциях:

1. XVII Всероссийская выставка «День садовода-2023», конференция «Садоводы - за здоровьесбережение нации!» Мичуринск, Тамбовская область - 14-15 сентября 2023 г.;

2. XIII Международный форум «Дни сада в Бирюлево. Междисциплинарные исследования: поиск новых и эффективных путей, стратегий и механизмов развития отечественного садоводства», научно-информационный центр ФГБНУ ФНЦ Садоводства (Москва) - 17-19 августа 2023 г.;

3. Международная научно-практическая конференция «Энергообеспечение АПК», ФГБНУ ФНАЦ ВИМ, Москва - 20-21 декабря 2023 г.;

4. XVIII Всероссийская выставка «День садовода-2024», конференция ««Новые знания и инновационные технологии - в развитие современного садоводства»» Мичуринск, Тамбовская область - 12-13 сентября 2024 г.;

5. XIV Международный форум «Дни сада в Бирюлево. Научно-технологическое развитие садоводства и питомниководства: повышение эффективности производства плодово-ягодной продукции и снижение уровня импортозависимости», научно-информационный центр ФГБНУ ФНЦ Садоводства (Москва) - 15-16 августа 2024 г.;

6. XV Международный Форум «Дни сада в Бирюлево. Научно-технологическое развитие садоводства и питомниководства: актуальные проблемы, достижения, перспективы», приуроченный к 95-летию со дня основания учреждения. Научно-информационный центр ФГБНУ ФНЦ Садоводства (Москва) - 20-21 августа 2025 г.

Публикации. По теме диссертации опубликовано 10 печатных работ из них 3 научных статьи в журналах, включенных в Перечень рецензируемых научных изданий ВАК при Минобрнауки России; 4 статьи в изданиях, индексируемых в международных базах (Web of Science, Scopus); получено 3 авторских свидетельства, из них 1 патент на изобретение, 2 свидетельства о государственной регистрации базы данных.

Структура и объем диссертации. Диссертация изложена на 136 страницах, состоит из введения; основной части из четырех глав, содержащей 38 рисунков, 14 таблиц; заключения; списка сокращений и условных обозначений; списка литературы, включающий 107 наименований, в том числе 48 - на иностранном языке и 5 приложений.

Диссертация выполнена в рамках гранта Министерства науки и высшего образования Российской Федерации для реализации крупных научных проектов по приоритетным направлениям научно-технического развития на тему: «Разработка природоподобных технологий управления свойствами и качественными показателями растений с использованием методов биофотоники и цифровых систем» (Соглашение о предоставлении гранта на проведение крупных научных проектов № 07515-2024-540 от 24.04.2024 г.).

1 СОСТОЯНИЕ ВОПРОСА, ОБОСНОВАНИЕ АКТУАЛЬНОСТИ

ИССЛЕДОВАНИЯ 1.1 Требования к показателям качества яблок

Плоды яблони характеризуются физико-механическими и биохимическими показателями, обусловливающими их потребительские свойства, сохраняемость при хранении и транспортировочную устойчивость. Уровень качества яблок при поступлении на сортировочные линии, закладке в хранилища и последующей реализации служит ключевым параметром, детерминирующим как потребительскую ценность продукции, так и потенциальную продолжительность её хранения [1]. В данном контексте регламентация стандартов и нормативов для качественных характеристик приобретает фундаментальное значение. В Российской Федерации действующим нормативным документом, устанавливающим требования к свежим яблокам, реализуемым в розничной торговле, выступает ГОСТ 343142017 «Яблоки свежие, реализуемые в розничной торговле. Технические условия» (таблица 1) [2].

Таблица 1 - Требования к свежим яблокам, реализуемым в розничной

торговле

Показатели качества Товарный сорт

Высший сорт Первый сорт Второй сорт

Внешний вид Плоды чистые, целые, без излишней влажности

типичная окраска типичная окраска Не нормируется

Дефекты Допускаются очень незначительные дефекты кожицы Допускаются: - незначительный дефект формы; - незначительный дефект развития; незначительные дефекты кожицы (не более 2 см в длину и 1 см2 общей площади поверхности) Допускаются: - дефекты формы; -дефекты развития; - дефекты окраски, - легкие повреждения (не более 1,5 см2 с изменившейся окраской), дефекты кожицы (до 4 см в длину и 2,5 см2 общей площади оверхности)

Шероховатое побурение кожицы Допускаются бурые пятна, не выходящие за пределы полости плодоножки, но без грубой шероховатости Допускаются: - коричневые пятна, которые могут слегка выходить за пределы полости плодоножки, но не могут быть шероховатыми; Допускаются: - коричневые пятна, которые могут выходить за пределы полости плодоножки и могут быть шероховатыми;

Продолжение таблицы 1

Показатели качества Товарный сорт

Высший сорт Первый сорт Второй сорт

Шероховатое побурение кожицы и/или незначительные изолированные следы побурения - слабое сетевидное побурение (до 1/5 общей площади) и не резко контрастирующее с общей окраской, сильное побурение (до 1/20 общей площади), при этом слабое и сильное побурение вместе не должно превышать 1/5 общей площади - слабое сетевидное побурение (до 1/2 общей площади) и не резко контрастирующее с общей окраской плода; - сильное побурение (до 1/3 общей площади), при этом общая площадь слабого сетевидного и сильного побурения не более 1/2 общей площади поверхности

Наличие с/х вредителей, яблок, поврежденных с/х вредителями не допускается

Наличие яблок загнивших, гнилых, с признаками увядания, перезрелых, с побурением мякоти, испорченных не допускается

Данный стандарт делит яблоки на три категории: высший, первый и второй сорт. Основными параметрами при сортировке выступают внешние характеристики, сохранность, цвет, конфигурация, степень спелости, а также отсутствие наружных и внутренних повреждений. Конкретно яблоки высшего сорта обязаны быть без загрязнений, иметь свежий вид, обладать характерной для сорта формой и окраской, не содержать признаков заболеваний, повреждений насекомыми, механических дефектов и посторонних запахов [3]. Разрешается небольшое количество неокрашенных участков, но в пределах установленной доли от общей площади, которая варьируется в зависимости от сортовых характеристик.

Для яблок первого сорта возможно наличие небольших отклонений в форме и окраске, а также незначительных поверхностных дефектов, в том числе следов от механических воздействий, при условии, что они не сказываются на сохранности и товарных качествах продукта. Второй сорт

допускает наличие более заметных, но локальных повреждений, включая вмятины, ржавые пятна, следы ожогов, трещины и небольшие повреждения кожуры, если они не вызывают начало гнилостных процессов [4].

В вышеуказанном стандарте особо выделяются механические повреждения, такие как вдавленные участки, проколы, царапины и трещины, а также поражения от вредителей (к примеру, следы от плодожорки или проколы кожицы). Такие недостатки не просто уменьшают привлекательность яблок для покупателей, но и влияют на биохимические процессы, которые сокращают сроки хранения и увеличивает объем потерь. Также дефекты в виде ржавых участков (поверхностных пробковых образований) разрешены лишь в строго определенных границах и различаются по сортам [5],[6].

Плоды яблони, не соответствующие установленным нормативным требованиям по одному или нескольким показателям, подвергаются развитию микробиологических процессов, что способно привести к заражению неповрежденных плодов. По этой причине тщательная сортировка перед закладкой на хранение, базирующаяся на конкретных критериях, представляет собой обязательную стадию технологического процесса [7]-[9].

Соблюдение нормативных требований ГОСТ 34314-2017 обеспечивает стабильность потребительских свойств плодов и их сохранность на всех этапах хранения и реализации.

1.2 Оптические методы и сенсорные технологии для оценки и

сортировки плодов

Спектральные методы анализа представляют собой широкую и многофункциональную группу исследовательских подходов, базирующихся на исследовании процессов взаимодействия электромагнитных волн с материей. Данные методики составляют фундамент современных исследований в аналитической химии, физике твёрдых тел, медицинской диагностике и экологическом мониторинге. Спектральный анализ предполагает исследование спектральных изображений, возникающих

вследствие процессов испускания, поглощения, рассеивания или отражения светового излучения веществом. Каждый химический элемент или молекулярное соединение имеет индивидуальные спектральные особенности, дающие возможность распознавать вещество, устанавливать его количественное содержание, физические параметры или структурные характеристики [10]-[13]. На рисунке 1 изображена схема методов спектрального анализа.

Рисунок 1 - Основные методы спектрального анализа

В настоящее время используются спектрометры, построенные по схеме дифракционных спектрографов с фотоэлектронной регистрацией спектра в диапазоне 200-1700 нм с спектральным разрешением до 0,1 нм. Выбор способа спектрального анализа во многом зависит от цели анализа и типов спектров. Так, для определения молекулярного и элементарного состава вещества применяются атомный и молекулярный анализы. В случае определения состава по спектрам испускания и поглощения используются эмиссионный (диапазон 190-900 нм) и абсорбционный (экспозиция 1-100 мс) методы [14]. При изучении изотопного состава объекта применим масс-спектрометрический анализ, осуществляемый по спектрам масс молекулярных или атомарных ионов с разрешением до 0,001 а.е.м. В научной практике применяются разнообразные методики спектрального анализа и варианты их использования в экспертных исследованиях [15].

Среди основных направлений выделяется эмиссионный спектральный анализ. Данный метод основывается на фиксации электромагнитного

излучения в диапазоне 200-800 нм, испускаемого атомами или ионами вещества, предварительно переведенными в возбужденное состояние [16]. Такое возбуждение достигается с помощью различных источников энергии — электрической дуги с силой тока 5-20 А, искры (напряжение 10-20 кВ), лазерного импульса длительностью 5-20 нс, либо при помощи индуктивно связанной плазмы. Переход атомов из возбужденного энергетического состояния в основное сопровождается излучением кванта света со строго определенной длиной волны. Точность измерения спектральной линии составляет ± 0,01 нм. Данная длина волны представляет собой однозначный диагностический признак конкретного химического элемента [17]. Эмиссионный спектр состоит из набора узких линий шириной 0,01-0,1 нм, каждая из которых соответствует определённому энергетическому переходу, и именно по ним можно установить наличие и количественное содержание элемента в пробе. Этот метод особенно эффективен при анализе металлических образцов, сплавов и почв, благодаря высокой чувствительности и возможности одновременного определения до 70 элементов [18].

Список литературы диссертационного исследования кандидат наук Чиликин Андрей Дмитриевич, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Дмитриев Д. О. Оптические характеристики растений и устройства измерения спектральных коэффициентов отражения / Д. О. Дмитриев, С. А. Родиков // Инженерное обеспечение инновационных технологий в АПК. Мичуринск. - 2018. - С. 180-183. EDN VTMOYO.

2. ГОСТ 34314-2017 «Яблоки свежие, реализуемые в розничной торговле. Технические условия» : межгосударственный стандарт Российской Федерации : издание официальное : утвержден и введен в действие Межгосударственным советом по стандартизации, метрологии и сертификации от 30.11.2017 № 52-2017 : введен впервые : дата введения 201807-01 / разработан Автономной некоммерческой организацией «Научно-исследовательский центр «Кубаньагростандарт» (АНО «НИЦ «Кубаньагростандарт»). - Москва: Стандартинформ, 2018.- 32 с.

3. ГОСТ 16270-70 «Яблоки свежие ранних сроков созревания. Технические условия» : межгосударственный стандарт Российской Федерации : издание официальное : утвержден и введен в действие Комитетом стандартов, мер и измерительных приборов при Совете Министров СССР от 04.06.1970 № 1203-1970 : введен впервые : дата введения 1971-01-01 / разработан Министерством сельского хозяйства СССР. - Москва : Стандартинформ, 2011.- 6 с.

4. ГОСТ 27572-2017 «Яблоки свежие для промышленной переработки. Технические условия» : межгосударственный стандарт Российской Федерации : издание официальное : утвержден и введен в действие Межгосударственным советом по стандартизации, метрологии и сертификации от 25.09.2017 № 103-П-2017 : введен впервые : дата введения 2018-07-01 / разработан Автономной некоммерческой организацией «Научно-исследовательский центр «Кубаньагростандарт» (АНО «НИЦ «Кубаньагростандарт»). - Москва: Стандартинформ, 2018.- 12 с.

5. ГОСТ 27819-88 (ISO 1212-76, ISO 2169-81) «Яблоки свежие. Хранение в холодильных камерах» : межгосударственный стандарт: издание

официальное : утвержден и введен в действие Государственным комитетом СССР по стандартам от 14.09.1988 № 3149-1988 : введен впервые : дата введения 1991-01-01 / разработан Государственным агропромышленным комитетом СССР. - Москва : Стандартинформ, 2004.- 11 с.

6. ГОСТ Р 50528-93 (ISO 8682-87) «Яблоки свежие. Хранение в контролируемой атмосфере»: государственный стандарт Российской Федерации : издание официальное : утвержден и введен в действие Госстандартом России от 15.03.1993 № 79-1993 : введен впервые : дата введения 1994-01-01 / разработан Автономной некоммерческой «Научно-исследовательский центр «Кубаньагростандарт» (АНО «НИЦ «Кубаньагростандарт»). - Москва: Стандартинформ, 1994.- 13 с.

7. Андреев С. А. Оптико-электронная роботизированная система для сортировки сельскохозяйственной продукции / С. А. Андреев, Н. А. Шевкун // Международный технико-экономический журнал. - 2019. - № 1. - С. 33-40. EDN AOKPIY.

8. Балабанов П. В. Система оптико-электронной сортировки яблок на конвейере / П. В. Балабанов, А. Г. Дивин, А. С. Егоров, А. А. Жиркова // Контроль. Диагностика. - 2022. - Т. 25, № 1(283). С. 38-44. DOI 10.14489/td.2022.01.pp.038-044. EDN AQVEOT.

9. Гонсалес Р. Цифровая обработка изображений. / Р. Гонсалес, Р.Вудс // Москва: Техносфера, 2012. - 1104 с. ISBN 978-5-94836-331-8

10. Balabanov P. V. Detection of defects on apples using hyperspectral reflection visualization combining both vegetation index analysis and neural network / P. V. Balabanov, A. G. Divin, A. S. Egorov // JOP Conference Series. Krasnoyarsk. - 2020. - V. 1515. P. 32064. DOI 10.1088/1742-6596/1515/3/032064. EDN DULNZS.

11. Бжезицкий И. Машины и прочее оборудование для сортировки плодоовощного сырья / [Электронный ресурс] // АО «Каховский Экспериментальный Механический Завод». - URL: https://tmt-kemz.ru/category/stati/ (дата обращения: 22.01.2025)

12. Zhirkova A. A. Optoelectronic Quality Control of Apples Using Methods of Multidimensional Statistical Analysis in the Frames of Lean Manufacturing/ A. A. Zhirkova, A.G. Divin, P.V. Balabanov, D.A. Lyubimova, O.S. Artamonova, S.N. Kuzmina// Proceedings of the 2022 International Conference «Quality Management, Transport and Information Security, Information Technologies». - 2022. — V. 7. P. 243-246. D01:10.1109/ITQMIS56172.2022.9976708

13. Дивин А. Г. Неразрушающий бесконтактный тепловой метод контроля качества объектов растительного происхождения / А. Г. Дивин, С. В. Мищенко, А. А. Жиркова // Информационно-сенсорные системы в теплофизических исследованиях. Тамбов. - 2018. - Т. 2. С. 105-110. EDN YQUMXB.

14. Пальчикова И. Г. Экспериментальное определение функции рассеяния точки в установках компьютерной цитофотометрии / И. Г. Пальчикова, Е. С. Смирнов // Доклады Академии наук высшей школы Российской Федерации. - 2014. - № 4(25). С. 104-114. DOI 10.17212/17272769-2014-4-104-114. EDN TGZVLR.

15. Личман Г. И. Применение систем технического зрения в машинных технологиях в садоводстве / Г. И. Личман, И. Г. Смирнов, Д. О. Хорт, Р. А. Филиппов // Техника и оборудование для села. - 2017. - №2 6. С. 1017. EDN ZBMMOZ.

16. Константинов В. Н. Разработка и лабораторные испытания простой мультиспектральной системы для обнаружения дефектов на поверхности яблок трех сортов. (США) / В. Н. Константинов // Пищевая и перерабатывающая промышленность. Реферативный журнал. - 2004. - №2 3. С. 1022. EDN GIYKSL.

17. Будаговская О. Н. Цветовые и спектральные методы оценки зрелости томатов / О. Н. Будаговская, Е. В. Грошева, М. В. Маслова, А. В. Будаговский // Наука и Образование. - 2023. - Т. 6, № 3. C. 4- 11 EDN RKZYYY.

18. Cubeddu R. Measuring fresh fruit and vegetable quality: advanced optical methods / R. Cubeddu, A. Pifferi, P. Taroni // Woodhead Publishing. - 2002.

- P. 150-169. DOI:10.1533/9781855736641.2.150

19. Davenel A. Automatic detection of surface defects on fruit by using a vision system / A. Davenel, C. Guizard, T. Labarre, F. Sevila// Journal of Agricultural Engineering Research - 1988 - V. 41(1). P. 1-9. DOI:10.1016/0021-8634(88)90198-9

20. Илларионова Е. А. Метод флуориметрии. Применение в фармацевтическом анализе: учебное пособие / Е. А. Илларионова, И. П. Сыроватский// Иркутск: Иркутский государственный медицинский университет - 2017. - 41 с. EDN BKDSMG.

21. Pathmanaban P. Recent application of imaging techniques for fruit quality assessment / P. Pathmanaban, B.K. Gnanavel, S. S. Anandan // Science & Technology - 2019 - V. 94, P. 32-42. https://doi.org/10.1016/j.tifs.2019.10.004

22. Lu R. Measurement of optical properties of fruits and vegetables: A review / R. Lu, R. Van Beers, W. Saeys // Postharvest Biology and Technology. -2020. - V. 159. P. 111003. DOI 10.1016/j.postharvbio.2019.111003. EDN XPXXPK.

23. Zhang B. Challenges and solutions of optical-based nondestructive quality inspection for robotic fruit and vegetable grading systems: A technical review / B. Zhang, B. Gu, G. Tian // Trends in Food Science & Technology. - 2018.

- V. 81. P. 213-231. DOI 10.1016/j.tifs.2018.09.018. EDN VHYJYH.

24. Zhang Y. Non-destructive recognition and classification of citrus fruit blemishes based on ant colony optimized spectral information / Y. Zhang, W.S. Lee, M. Li, L. Zheng, M. Ritenour // Postharvest Biology and Technology. - 2018. - V. 143, P. 119-128. https://doi.org/10.1016/j.postharvbio.2018.05.004

25. Курбанов Р. К. Основные тенденции в развитии технологии аэрофотосъемки сельскохозяйственных угодий / Р. К. Курбанов, Ю. С. Ценч, Н. И. Захарова // Сельскохозяйственные машины и технологии. - 2025. - Т. 19. № 1. С. 86-95. DOI 10.22314/2073-7599-2025-19-1-86-95. EDN CWVCUM.

26. Свидетельство о государственной регистрации программы для ЭВМ № 2024665531 Российская Федерация. Планировщик параметров аэрофотосъемки с мультиспектральной камерой: № 2024664098: заявл. 18.06.2024: опубл. 02.07.2024 / Р. К. Курбанов, Н. И. Захарова, А. В. Мешков; заявитель Федеральное государственное бюджетное научное учреждение «Федеральный научный агроинженерный центр ВИМ». EDN SZSXXX.

27. Коротченя В. М. Разработка типажей сельскохозяйственных технологий для системы машин / В. М. Коротченя, Ю. С. Ценч, Я. П. Лобачевский // Технический сервис машин. - 2024. - Т. 62, № 4. С. 136-148. DOI 10.22314/2618-8287-2024-62-4-136-148. EDN IPGACC.

28. Аксеновская Ю. М. Сохранение товарного качества плодов при использовании лазерной обработки яблони в процессе выращивания, уборки и закладки на хранение / Ю. М. Аксеновская, А. В. Аксеновский, И. П. Криволапов, С. Ю. Щербаков // Технологии пищевой и перерабатывающей промышленности АПК - продукты здорового питания. - 2022. - № 4. С. 171177. DOI 10.24412/2311-6447-2022-4-171-177. EDN VVAPZS.

29. Чебатков А. В. Идентификация поверхности объекта наблюдения с помощью оптико-электронной системы / А. В. Чебатков, Е. В. Грицкевич // Интерэкспо Гео-Сибирь. - 2018. - № 9. С. 137-142. EDN YAHRWX.

30. Lu Y. Detection of Surface and Subsurface Defects of Apples Using Structured - Illumination Reflectance Imaging with Machine Learning Algorithms / Y. Lu, R. Lu // Transactions of the ASABE (American Society of Agricultural and Biological Engineers). — 2018. — V. 180. P. 274-287. DOI:10.13031/trans.12930

31. Underwood E. Mapping nonnative plants using hyperspectral imagery / E. Underwood, S. Ustin, D. DiPietro // Remote Sens. Environ. - 2003 - № 86(2). P. 150-161. DOI:10.1016/S0034-4257(03)00096-8

32. Liakos G. Machine Learning in Agriculture: A Review / G. Liakos, P. Busato, D. Moshou, S. Pearson, D. Bochtis // Sensors. — 2018. — № 18 (8). P. 129. https://doi.org/10.3390/s18082674

33. Baek I. A novel hyperspectral line-scan imaging method for whole surfaces of round shaped agricultural products / I. Baek, B.K. Cho, S. A. Gadsden, C. Eggleton, M. Oh, C. Mo, M. S. Kim // Biosystems Engineering. - 2019. - V. 188, P. 57-66. DOI: 10.1016/j .biosystemseng.2019.09.014

34. Kleynen O. Development of a multi-spectral vision system for the detection of defects on apples / O. Kleynen, V. Leemans, M. Destain // Journal of Food Engineering. - 2005. - V.69 (1). P. 41-49. DOI: 10.1016/j .jfoodeng.2004.07.008

35. Белю Л. П. Исследование транспортировки яблок в таре по дорогам с различным покрытием / Л. П. Белю, И. А. Успенский, И. А. Юхин // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. - 2023. - № 3(71). С. 526-539. DOI 10.32786/2071-9485-2023-03-52. EDN VRZZVV

36. Arendse E. Non-destructive prediction of internal and external quality attributes of fruit with thick rind: A review / E. Arendse, A.O. Fawole, L.S. Magwaza, L. Opara // A review, Journal of Food Engineering. - 2018.- V. 217. P. 11-23. DOI:10.1016/j.jfoodeng.2017.08.009

37. Успенский И. А. Воздействие колебаний плодоовощной продукции на ее повреждения / И. А. Успенский, Л. П. Белю, А. С. Сивиркина, И. А. Юхин // Вестник Рязанского государственного агротехнологического университета им. П.А. Костычева. - 2024. - Т. 16, № 1. С. 155-162. DOI 10.36508/RSATU.2024.98.54.021. EDN IXADSM.

38. Лимаренко Н. В. Цифровые инструменты повышения энергетической эффективности технических средств / Н. В. Лимаренко, И. А. Юхин // Актуальные проблемы науки и техники. Ростов-на-Дону. - 2023. - С. 1192-1193. EDN FRYKGW.

39. Balabanov P. V. Robotic complex for optoelectronic control of Apples in intensive gardening conditions / P. V. Balabanov, A. A. Zhirkova, M. V. Chugunov // AIP Publishing. - 2021. - V. 2402. P. 30025. DOI 10.1063/5.0073990. EDN HGXUDS.

40. Голиков А. А. Повышение эффективности внутрихозяйственных перевозок плодоовощной продукции / А. А. Голиков, О. В. Филюшин, Н. В. Лимаренко, И.А. Юхин // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. - 2023. - № 2(70). С. 429-439. DOI 10.32786/2071-9485-2023-02-51. EDN KBXECP.

41. Huang Y. Detection of internal defect of apples by a multichannel Vis/NIR spectroscopic system / Y. Huang, R. Lu, K. Chen // Postharvest Biology and Technology. - 2020. - V. 161. P. 7-14. DOI: 10.1016/j.postharvbio.2019.111065.

42. Ang W. Detection of apple defect using laser-induced light backscattering imaging and convolutional neural network / W. Ang, Z. Juanhua, R. Taiyong // Computers & Electrical Engineering. - 2020. - V. 81. P. 4- 6. DOI: 10.1016/j.compeleceng.2019.106454

43. Федоренко В. Ф. Инновационные решения в мониторинге цветения садовых насаждений: повышение урожайности и качества плодов /

B. Ф. Федоренко, И. Г. Смирнов, А. И. Кутырев, Д. О. Хорт // Техника и оборудование для села. - 2025. - № 2(332). С. 8-12. DOI 10.33267/2072-96422025-2-8-12. EDN UTUKRW.

44. Zhang Z. Development and evaluation of an apple infield grading and sorting system / Z. Zhang, Y. Lu, R. Lu // Postharvest Biol. Technol. — 2021. — № 180 (4). P. 143-151. https://doi.org/10.1016/j.postharvbio.2021.111588

45. Балабанов П. В. Информационно-измерительная система для управления процессом сортировки овощей и фруктов / П. В. Балабанов, А. А. Жиркова, А. Г. Дивин, А. С. Егоров, С. В. Мищенко, Г. В. Шишкина // Вестник Тамбовского государственного технического университета. - 2022. - Т. 28, № 4. С. 526-533. DOI 10.17277/vestnik.2022.04.pp.526-533. EDN EJBHYE

46. Хорт Д. О. Управление движением сельскохозяйственной автономной роботизированной платформы / Д. О. Хорт, А. И. Кутырев, И. Г. Смирнов // Сельскохозяйственные машины и технологии. - 2023. - Т. 17. № 1.

C. 25-34. - DOI 10.22314/2073-7599-2023-17-1-25-34. - EDN UXTFRN

47. Жиркова А. А. Система оптического контроля качества яблок / А. А. Жиркова, П. В. Балабанов, А. Г. Дивин, А. С. Егоров, В. С. Макарова // Труды международного симпозиума "Надежность и качество". - 2021. - Т. 2. С. 20-23. EDN CSZZEW

48. Pupin D. Development of control system for robotic apple harvesting device / D. Pupin, A. Chilikin // Voronezh: EDP Sciences - 2023. - V. 458. P. 10022. DOI 10.1051/e3sconf/202345810022. EDN GCWVGI

49. Chilikin A. Determination of optimal imaging parameters of hyperspectral images using the identification module / A. Chilikin, D. Pupin // BIO Web of Conferences. - 2024. - V. 145. P. 04047. DOI 10.1051/bioconf/202414504047. EDN BSNTJL.

50. Хорт Д. О. Обоснование параметров роботизированного манипулятора для съема плодов / Д. О. Хорт, И. Г. Смирнов, А. И. Кутырев, М. А. Шеружев // Аграрный научный журнал. - 2022. - № 10. С. 121-126. DOI 10.28983/asj.y2022i10pp121-126. EDN MXOJJE

51. Кутырев А. И. Нейронная сеть для распознавания и классификации плодов яблони / А. И. Кутырев, И. Г. Смирнов // Аграрный научный журнал. - 2023. - № 8. С. 123-133. DOI 10.28983/asj.y2023i8pp123-133. EDN QONPWX.

52. Патент № 2817889 C1 Российская Федерация, МПК A01C 23/02, A01G 29/00. Автоматизированный модуль-инъектор: № 2023133704: заявл. 18.12.2023: опубл. 22.04.2024 / И. Г. Смирнов, Д. О. Хорт, Р. А. Филиппов, А. И. Кутырев, С. В. Семичев, М. П. Харитонов, Д. С. Пупин, А. Д. Чиликин; заявитель Федеральное государственное бюджетное научное учреждение "Федеральный научный агроинженерный центр ВИМ". EDN AEWVUV

53. Федоренко В. Ф. Разработка FPV-системы технического зрения для распознавания и анализа биологических объектов в садоводстве на основе сверточных нейронных сетей / В. Ф. Федоренко, И. Г. Смирнов, А. И. Кутырев, Д. О. Хорт // Техника и оборудование для села. - 2025. - № 3(333). С. 2-6. DOI 10.33267/2072-9642-2025-3-2-6. EDN VYZEZV

54. Baneh N. M. Mechatronic components in apple sorting machines with computer vision / N. M. Baneh, H. Navid, J. Kafashan // Journal of Food Measurement and Characterization. — 2018. — № 12 (2). P. 1135-1155. DOI:10.1007/s11694-018-9728-1

55. Павлов В. П. Автоматизация моделирования мехатронных систем транспортно-технологических машин / В. П. Павлов, А. Ю. Ахпашев; Сибирский федеральный университет, Политехнический институт. -Красноярск: Сибирский федеральный университет, 2016. - 141 с. ISBN 978-57638-3405-5. EDN WIFHST

56. Ахалая Б. Х. Электрический и механический плодосъемники / Б. Х. Ахалая, Ю. С. Ценч, А. В. Миронова, А. С. Золотарев, С.А. Квас // Сельский механизатор. - 2023. - № 5. С. 15. DOI 10.47336/0131-7393-2023-5-15-21. EDN UQWRWA

57. Yusupov R. Mathematical modeling of pneumatic installations for transportation of solid domestic waste / R. Yusupov, S. Andreev // - St. Petersburg: Institute of Physics Publishing. - 2019. - V. 337. P. 012040. DOI 10.1088/17551315/337/1/012040. EDN NCOVZW.

58. Будаговская О. Н. Лазерно-оптические методы и технические средства многопараметрической диагностики растений и плодов / О. Н. Будаговская // диссертация на соискание ученой степени доктора технических наук, Москва. - 2014. - 133 с. -EDN RYYAXV.

59. Будаговская О. Н. Оптические методы диагностики зрелости и качества плодоовощной продукции / О. Н. Будаговская // Вестник Мичуринского государственного аграрного университета. - 2011. - №2 2 (2). С. 83-91. EDN PCGFHJ

60. Юсупов Р. Х. Аналитический обзор роботизированных технологических процессов агропромышленного комплекса / Р. Х. Юсупов, Д. В. Иванов // Journal of Advanced Research in Technical Science. - 2018. - №2 8. С. 63-71. EDN YNITFE.

61. Родиков С. А. Взаимосвязь мокрого ожога яблок сорта Антоновка обыкновенная с их загаром во время хранения / С. А. Родиков, А. С. Гордеев // Технологии пищевой и перерабатывающей промышленности АПК - продукты здорового питания. - 2023. - № 3. С. 155-159. DOI 10.24412/2311-6447-2023-3155-159. EDN MCMUXH.

62. Гурьянов Д. В. Повышение эффективности сортирования яблок на основе цветных телевизионных датчиков/ Д. В. Гурьянов // диссертация на соискание кандидата, Мичуринск. - 2004. — С. 199. EDN NMSSWL.

63. Бжезицкий И. Что нужно знать о сортировке плодоовощного сырья? Машины для сортировки, калибровки плодов и овощей. (Сортировщики, калибровщики) / [Электронный ресурс] // АО «Каховский Экспериментальный Механический Завод». - URL: https://tmt-kemz.ru/category/stati/ (дата обращения: 02.12.2024).

64. Foster J. Robotic Manipulation in Agri-Food Industry: Automated Quality Control Systems / J. Foster, M. Gudelis, A. Ghalamzan // Proceedings of the IEEE International Conference on Automation Science and Engineering (CASE). -2022. - №8. P. 45-52. D0I:10.48550/arXiv.2208.10580.

65. Патент № 2737607 C1 Российская Федерация, МПК G01N 21/892, B07C 5/342, A23N 15/06. Способ оптического контроля качества сельскохозяйственной продукции шарообразной формы при сортировке на конвейере : № 2020113420 : заявл. 13.04.2020 : опубл. 01.12.2020 / А. Г. Дивин, П. В. Балабанов, А. С. Егоров, Г. В. Шишкина, А. А. Жиркова; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Тамбовский государственный технический университет" (ФГБОУ ВО "ТГТУ"). EDN BIITFI.

66. Бондур В. Г. Современные подходы к обработке больших потоков гиперспектральной и многоспектральной аэрокосмической информации / В. Г. Бондур // Исследование Земли из космоса. - 2014. - № 1. С. 4-17. DOI 10.7868/S0205961414010035. EDN RUNUSL.

67. Николенко А. А. Методы обработки данных гиперспектрального авиакосмического дистанционного зондирования агросистем с учетом атмосферной коррекции / А. А. Николенко // диссертация на соискание ученой степени кандидата технических наук, Санкт-Петербург - 2015.- С. 148. EDN BSCJLO.

68. Хорт Д. О. Анализ гиперспектральных снимков плодов яблони для автоматизированной сортировки / Д. О. Хорт, А. Д. Чиликин, Б. М. Шурыгин // Садоводство и виноградарство. - 2023. - № 6. С. 41-50. DOI 10.31676/02352591-2023-6-41-50. EDN OPEQVN.

69. Хорт Д. О. Оценка повреждений плодов на основе анализа гиперспектральных изображений / Д. О. Хорт, А. Д. Чиликин // ООО "Группа компаний МПФ", Мичуринск - 2023. - С. 36-43. EDN JHTLNQ.

70. Успенский И. А. Исследование алгоритма динамического расчета для уменьшения факторов, усиливающих колебательные движения автомобилей, приводящие к порче перевозимой плодоовощной продукции / И. А. Успенский, М. В. Антоненко, Н. В. Лимаренко, Н. А. Антоненко, И. А. Юхин, А. А. Голиков // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. - 2022. - № 3(67). С. 487-497. DOI 10.32786/2071-9485-2022-03-55. EDN TJAKRY.

71. Балабанов П. В. Получение спектрограмм для участков поверхности объектов контроля (яблок), включающих неповрежденную и поврежденную зоны, а также для поверхности конвейера, на котором транспортируются объекты контроля / П. В. Балабанов, А. Г. Дивин, А. А. Жиркова // Ежемесячный научный журнал «Национальная ассоциация ученых». — 2021. — № 63 (2). С. 17-19. EDN: RVHEDR.

72. Solovchenko A. Physiological foundations of spectral imaging-based monitoring of apple fruit ripening / A. Solovchenko, A. Lukyanov, M. Akimov, A. Nikolenko, B. Shurygin, A. Gitelson // Acta Horticulturae. - 2021. - V. 1314. P. 419-428. DOI 10.17660/ActaHortic.2021.1314.52. EDN DMXWDU.

73. Хорт Д.О. Цифровые технологические и технические решения для интенсивного садоводства. / Д. О. Хорт // диссертация на соискание ученой степени доктора технических наук, Москва - 2022. - 452 с. EDN QLANDP.

74. Dorokhov A. Development of an Optical System with an Orientation Module to Detect Surface Damage to Potato Tubers / A. Dorokhov, A. Aksenov, A. Sibirev, D. Hort, M Mosyakov, N. Sazonov, M. Godyaeva // Agriculture. - 2023. -V. 13. № 6. P. 1188. DOI 10.3390/agriculture13061188. EDN ZQSUUD.

75. Программный комплекс для обработки гиперспектральных изображений сельскохозяйственной продукции Gelion / Разработчик: МГУ им. М. В. Ломоносова. - [Электронный ресурс] Режим доступа: https://gelion.agro.msu.ru (дата обращения: 15.09.2024).

76. Кутырёв А. И. Обоснование параметров автоматизированного навесного агрегата для магнитно-импульсной обработки земляники садовой / А. И. Кутырев // диссертация на соискание ученой степени кандидата технических наук, Москва - 2019. - 210 с. EDN FYMOTT.

77. Shurygin B. Mutual Augmentation of Spectral Sensing and Machine Learning for Non-Invasive Detection of Apple Fruit Damages / B. Shurygin, I. Smirnov, A. Chilikin, D. Khort, A. Kutyrev, S. Zhukovskaya, A. Solovchenko. // Horticulturae. - 2022. - № 8. P. 4-12 https://doi.org/10.3390/horticulturae8121111.

78. Pedregosa F. Scikit-learn: Machine Learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, A. Muller, J. Nothman, G. Louppe, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, E. Duchesnay // Journal of Machine Learning Research - 2011. - №12 P. 2825-2830. https://doi.org/10.48550/arXiv.1201.0490

79. Walt S. Scikit-image: image processing in Python / S. Walt, J. L. Schonberger, J. Nunez-Iglesias, F. Boulogne, J. D. Warner, N. Yager, E. Gouillart, T. Yu // PeerJ Life and Environment. - 2014 - V. 453 P 5-16. DOI:10.7717/peerj.453.

80. Vieira S.M. Cohen's kappa coefficient as a performance measure for feature selection / S. M. Vieira, U. Kaymak, J. M. Sousa // Congress on Computational Intelligence, Barcelona, Spain. - 2010. - P. 1-8. DOI:10.1109/FUZZY.2010.5584447.

81. Lakshminarayanan V. Learning scientific programming with Python, by Christian Hill: Scope: textbook. Level: undergraduate, advanced undergraduate, postgraduate, early career researcher, researcher, teacher, specialist, scientist, engineers / V. Lakshminarayanan // Contemporary Physics - 2017 - № 58 (3). P 13. DOI:10.1080/00107514.2017.1312543

82. Sohaib S. A. Towards fruit maturity estimation using NIR spectroscopy / S. A. Sohaib, A. Zeb, W. S. Qureshi, M. Arslan, A. U. Malik, W. Alasmary, E. Alanazi // Infrared Physics & Technology. - 2020. - V. 111. P. 103479. DOI 10.1016/j.infrared.2020.103479. EDN YXZRJC.

83. Zhang C. Automatic detection of defective apples using NIR coded structured light and fast lightness correction / C. Zhang, C. Zhao, W. Huang, Q. Wang, S. Liu, J. Li, Z. Guo// Journal of Food Engineering. — 2017. — № 203. P. 1-36. https://doi.org/10.1016/jjfoodeng.2017.02.008.

84. Li B. Detection storage time of mild bruise's yellow peaches using the combined hyperspectral imaging and machine learning method / B. Li, H. Yin, Y. D. Liu, F. Zhang, A. K. Yang, C. T. Su, A. G. Ou-Yang // Journal of Analytical Science and Technology. - 2022. - V. 13. No. 1. P. 1-12. DOI 10.1186/s40543-022-00334-5. EDN JNHUPT.

85. Ma T. Rapid and nondestructive evaluation of soluble solids content (SSC) and firmness in apple using Vis-NIR spatially resolved spectroscopy / T. Ma, Y. Xia, T. Inagaki, S. Tsuchikawa // Postharvest Biology and Technology. - 2021. - V. 173. P. 111417. DOI 10.1016/j.postharvbio.2020.111417. EDN HQIFWI.

86. Свидетельство о государственной регистрации базы данных № 2021620285 Российская Федерация. База данных спектральных изображений болезней и повреждений злаковых культур, плодов и клубней картофеля: № 2021620155: заявл. 08.02.2021: опубл. 16.02.2021 / А. С. Дорохов, А. Г.

Аксенов, Д. О. Хорт, А. И. Кутырев, А. В. Тетерев, А. В. Сибирев, М. Н. Московский, Р.А. Филиппов, С. В. Семичев, М. А. Мосяков; заявитель Федеральное государственное бюджетное научное учреждение "Федеральный научный агроинженерный центр ВИМ" (ФГБНУ ФНАЦ ВИМ). EDN KTFFVK.

87. Свидетельство о государственной регистрации базы данных № 2024624492 Российская Федерация. База данных мультиспектральных и гиперспектральных изображений здоровых и поражённых болезнями частей растений: № 2024624241: заявл. 08.10.2024: опубл. 16.10.2024 / Д. О. Хорт, А. И. Кутырев, И. Г. Смирнов, Р. А. Филиппов, А. Д. Чиликин, С. В. Семичев; заявитель Федеральное государственное бюджетное научное учреждение «Федеральный научный агроинженерный центр ВИМ». EDN BFMYTA.

88. Mendoza F. Grading of apples based on firmness and soluble solids content using Vis/SWNIR spectroscopy and spectral scattering techniques / F. Mendoza, R. Lu, H. Cen / Journal of Food Engineering. — 2014. — V. 125(1). P. 59-68. https://doi.org/10.1016/jjfoodeng.2013.10.022

89. Lohner A. S. Determining the optical properties of apple tissue and their dependence on physiological and morphological characteristics during maturation. Part 1: Spatial frequency domain imaging / S. A. Lohner, K. Biegert, S. Nothelfer, A. Hohmann, R. McCormick, A. Kienle // Postharvest Biology and Technology -2021 - V. 181, P 111647. https://doi.org/10.1016/) .postharvbio.2021.111647.

90. Gitelson A. A. Three-band model for noninvasive estimation of chlorophyll, carotenoids, and anthocyanin contents in higher plant leaves / A. A. Gitelson, G. P. Keydan, M. N. Merzlyak // Geophysical Research Letters. - 2006. -V. 33, № 11. P. 11402. DOI 10.1029/2006GL026457. EDN LJNPGZ.

91. Main R. An investigation into robust spectral indices for leaf chlorophyll estimation / R. Main, M. A. Cho, R. Mathieu, M. M. O'Kennedy, A. Ramoelo, S. Koch // ISPRS Journal of Photogrammetry and Remote Sensing - 2011 - V. 66. № 6. P. 751-761. https://doi.org/10.1016/j.isprsjprs.2011.08.001

92. Merzlyak M. N. Reflectance spectral features and non-destructive estimation of chlorophyll, carotenoid and anthocyanin content in apple fruit / M. N.

Merzlyak, A. E. Solovchenko, A. A. Gitelson // Postharvest Biology and Technology. - 2003. - Vol. 27, №. 2. P. 197-211. DOI 10.1016/S0925-5214(02)00066-2. EDN LHRVGR.

93. Жиркова А. А. Алгоритмическое обеспечение информационно-измерительных систем для классификации и контроля качества яблок /А. А. Жиркова // диссертация на соискание ученой степени кандидата технических наук, Тамбов. - 2023. - 120 с. EDN MVCGKG.

94. Khort D. O. Enhancing Sustainable Automated Fruit Sorting: Hyperspectral Analysis and Machine Learning Algorithms / D. O. Khort, A. Kutyrev, I. Smirnov, A. Andriyanov, R. Filippov, A. Chilikin, M. E. Astashev, E.A. Molkova, R. M. Sarimov, T.A. Matveeva, S. Gudkov // Sustainability. - 2024. - V. 16. № 22. P. 10084. DOI 10.3390/su162210084. EDN HDUTPY.

95. Бланк В. А. Исследование спектральной линзы для формирования нормализованного разностного вегетационного индекса NDVI 0,705 / В. А. Бланк, Р. В. Скиданов, Л. Л. Досколович // Оптический журнал. - 2022. - Т. 89. № 3. С. 20-27. DOI 10.17586/1023-5086-2022-89-03-20-27. EDN PYKBVW.

96. Sucharitha B. Compression of Hyper Spectral Images using Tensor Decomposition Methods / B. Sucharitha, Dr. K. A. Sheela // International Journal of Circuits, Systems and Signal Processing. - 2022. - V. 16. P. 1148-1155. DOI 10.46300/9106.2022.16.138. EDN EACQXR.

97. Wu A. Detection of apple defect using laser-induced light backscattering imaging and convolutional neural network / A. Wu, Ju. Zhu, T. Ren // Computers & Electrical Engineering. - 2020. - V. 81. P. 106454. DOI 10.1016/j.compeleceng.2019.106454. EDN PRTJVX.

98. Hou J. Early Bruise Detection in Apple Based on an Improved Faster RCNN Model / J. Hou, Y. Che, Y. Fang, H. Bai, L. Sun // Horticulturae. - 2024. -V. 10. № 1. P. 100. DOI 10.3390/horticulturae10010100. EDN VWKRHB.

99. Fan S. On line detection of defective apples using computer vision system combined with deep learning methods / S. Fan, J. Li, Y. Zhang, X. Tian, Q.

Wang, X. He, C. Zhang, W. Huang // Journal of Food Engineering. - 2020. - V. 286. P. 110102. DOI 10.1016/j.jfoodeng.2020.110102. EDN QHFFZE.

100. Treitz P. M. Hyperspectral remote sensing for estimating biophysical parameters of forest ecosystems / P. M. Treitz, P. J. Howarth // Progress in Physical Geography. - 1999. - V. 23. № 3. P. 359-390.DOI 10.1191/030913399673417384. EDN LPNLUJ.

101. Mollazade K. Optical analysis using monochromatic imaging-based spatially-resolved technique capable of detecting mealiness in apple fruit / K. Mollazade, A. Arefi // Scientia Horticulturae. - 2017. - V. 225. P. 589-598. https://doi.org/10.1016/j.scienta.2017.08.005.

102. Munera S. Discrimination of common defects in loquat fruit cv. 'Algerie' using hyperspectral imaging and machine learning techniques / S. Munera, S. Cubero, J. Blasco, J. Gomez - Sanchis, J. Vila-Frances, N. Aleixos, G. Colelli, E. Soler // Postharvest Biology and Technology. - 2021. - V. 171. P. 111356. DOI 10.1016/j.postharvbio.2020.111356. EDN WOUSAN.

103. Rong D. Computer vision detection of surface defect on oranges by means of a sliding comparison window local segmentation algorithm / D. Rong, X. Rao, Y. Ying // Computers and Electronics in Agriculture - 2017 - V. 137. P. 5968. https://doi.org/10.1016/j.compag.2017.02.027

104. Хорт Д. О. Система компьютерного зрения для распознавания плодов яблони / Д. О. Хорт, А. И. Кутырев, Р. А. Филиппов // Интернаука. -2019. - № 40-2(122). С. 33-37. EDN RKVCXU.

105. Хорт Д. О. Применение робототехнических систем при проведении экспериментальных исследований в растениеводстве / Д. О. Хорт, И. Г. Смирнов, Р. А. Филиппов // РГАУ- МСХА им. К.А. Тимирязева, -2019. -С. 166-170. EDN AEAJWA.

106. Смирнов И. Г. Разработка программно-аппаратного комплекса с мобильным приложением на основе нейронной сети для мониторинга плодов яблони в кроне дерева / И. Г. Смирнов, А. И. Кутырев, Д. О. Хорт, Е. А.

Тумаева, Ю. В. Бурменко // Садоводство и виноградарство. - 2023. - № 1. С. 43-51. DOI 10.31676/0235-2591-2023-1-43-51. EDN ELOFCO.

107. Петрова Е.В. Экономическое обоснование инженерно -технических решений: учебное пособие / Е.В. Петрова // М.: «Алиса - Медия».-2017 - 127 с.

Патент на изобретение

Свидетельства о регистрации баз данных

Результаты классификации по пикселям

Набор функций Точность, % Коэффициент Коэна F2 Оценка

Базовый уровень 97,7 ± 2,4 0,931 ± 0,053 0,445 ± 0,309

Классификаторы случайных лесов

Коэффициент 1 1 98,2 ± 2,2 0,944 ± 0,056 0,160 ± 0,286

отражения с 1/2 98,1 ± 2,2 0,943 ± 0,057 0,154 ± 0,280

уменьшением 1/4 98,1 ± 2,2 0,942 ± 0,058 0,149 ± 0,275

спектральной 1/8 98,1 ± 2,3 0,941 ± 0,059 0,135 ± 0,262

дискретизации 1/16 97,8 ± 2,5 0,932 ± 0,065 0,095 ± 0,212

1/32 97,8 ± 2,5 0,931 ± 0,064 0,127 ± 0,233

Коэффициенты

отражения без понижающей 98,1 ± 2,3 0,941 ± 0,058 0,173 ± 0,290

дискретизации + LBP

Коэффициенты отражения + LBP + 96,1 ± 3,6 0,888 ± 0,073 0,181 ± 0,241

взвешивание

LBP 90,1 ± 4,7 0,651 ± 0,101 2 0,000 ± 0,000

VI 98,0 ± 2,1 0,940 ± 0,053 0,149 ± 0,266

VI + LBP 98,3 ± 2,1 0,948 ± 0,054 0,192 ± 0,295

VI + LBP + взвешивание 98,2 ± 2,0 0,947 ± 0,052 0,196 ± 0,294

Классификаторы опорных векторов

Коэффициент 1 97,9 ± 2,5 0,935 ± 0,063 0,142 ± 0,260

отражения 1/2 97,8 ± 2,6 0,933 ± 0,066 0,110 ± 0,228

с уменьшением 1/4 97,8 ± 2,6 0,931 ± 0,067 0,096 ± 0,213

спектральной 1/8 97,7 ± 2,6 0,930 ± 0,068 0,086 ± 0,204

дискретизации 1/16 97,5 ± 2,7 0,920 ± 0,070 0,035 ± 0,131

1/32 97,4 ± 2,7 0,919 ± 0,071 0,018 ± 0,083

Коэффициенты

отражения без понижающей 97,9 ± 2,5 0,936 ± 0,063 0,140 ± 0,256

дискретизации + LBP

Коэффициенты отражения + LBP + 95,7 ± 2,1 0,864 ± 0,050 0,200 ± 0,273

взвешивание

LBP 39,1 ± 4,0 -0,105 ± 0,027 0,011 ± 0,019

VI 97,5 ± 2,7 0,922 ± 0,071 0,006 ± 0,039

VI + LBP 96,8 ± 3,1 0,902 ± 0,075 0,029 ± 0,052

VI + LBP + взвешивание 94,6 ± 3,1 0,832 ± 0,061 0,079 ± 0,128

Акт о внедрении результатов

СОГЛАСОВАНО:

УТВЕРЖДАЮ:

И.о. директора Институт механики и энергетики имени В.II. Горяпкина

Проректор по научной работе Р1АУ МСХА имени К:А. Тимирязева

С*/ А.Г. АРЖЕНОВСКИЙ

М.И. СЕЛИОНОВА

г

«

« ЛГ » £у*02025г.

АКТ

о внедрении результатов диссертационной работы Чиликина Андрея Дмитриевича на тему: «Разработка модуля оптической идентификации для сортировки плодов яблони на основе гиперспекгральной

съёмки» в учебный процесс

Настоящий акт составлен об использовании при реализации основной профессиональной образовательной программы но направлению 35.04.06 Агроинженерия. профиль Цифровые технологии в агроинженерии, института механики и энергетики имени В.П. [ орячклна в учебном процессе теоретических и практических разработок, представленных в научно-исследовательской работе:

1. При проведении лекционных и практических занятий по дисциплине Б1.В.01.04 «Интеллектуальные системы управления продукционным процессом»;

2. При выполнении курсовою проектирования и выпускной квалификационной работы (магистерской диссертации).

И.о. заведующего кафедрой эксплуатации машинно-факторного парка

Н.А. Майстренко

Акт об использовании результатов

АК'!

оГ> использовании результатов диссертационной раощы Чиликнна Андрея Дмитриевича

Мы. нижеподписавшиеся. представитель (X Ю « ЛГРОК'РАФ 1 РУС», директор Рыжиков С. 11.. с одной стропы и представитель Ф1Ы1^ ФИЛИ ВИМ шпслуюшмй от делом «I *хнолошй и Мишин !ля сидоьодсгни. ИИН01 радареIна м иншшшководсиш» член-коррсспон л с 1П РАН п н.. Смирнов И 1 с лр)ЮЙ стороны. cociann.ni настоиший акт. мо.инсрждакнннй. что реп тыпт 1.1 диссертационной рабоIы Чиликнна Андрея Дмитриевича «Ралрапожа модули оптической идентификации пя сортировки плодов яодони на основе шперснск! рольной сьемки», предо инлемиой на соискание ученой степени кандидат! технических наук, использованы в ()(К) -МРОк'РЛФГ РУЧ а ддм определения бплеиигй и мсханичееких повреждении идолов яблони, посплаюшич на сортировочные линии после уборочных операций

(>1 (XX) ..А1 РОКРАФТ РУС -Директор Рыжиков Сергей Иванович «02» «ними» 2025 I.

От Ф( Ы1> ФИАЦ ВИМ

jane.iv кчин!| «»дедом « I схнодопш п машин для садоводе |ва. ниши рашрет на н ни томннководсгва». члсн-коррссноидст РАН

.1,111. Смирнов Мюрь I енпадьевич

«02» «ними* 2025 I.

X