Диссертация (1151678), страница 31
Текст из файла (страница 31)
Величинаотношения площади, занимаемой остатками к общей рассматриваемойплощади изменялась от 0,191…0,553.Основным преимуществом использования разработанной экспресс оценки, являются точность и быстрота получения надежных данных in situ,кроме того, существенно уменьшается трудоемкость измерений.218Таблица 5.2 – Результаты полевых экспериментальных исследований поопределению пожнивных остатков на поверхности почвы в ЗАО «Прогресс»Чебоксарского района ЧР (агрофон поля - стерня).Доля пожнивных остатковиспользованиеразработаннойпрограммы1-10,3531-20,3621-30,3251-40,2182-10,4322-20,4912-30,3232-40,3963-10,3543-20,3623-30,4253-40,4184-10,3324-20,1914-30,2234-40,3965-10,5535-20,2685-30,2295-40,2186-10,3356-20,2366-30,2986-40,279Среднее0,334№ИспользованиеSigmaScan0,3700,4180,3480,1910,3650,5680,2820,3730,3630,4080,4130,3690,3720,1650,2410,3410,4750,3020,2580,2490,3460,2150,2910,3090,335Отклонение, %НаложениеячейкиОтклонение, %1,5411,3442,9716,6565,5373,2873,5133,9632,4411,5313,0676,5170,4092,9873,1803,6510,4020,7241,7672,6565,5005,3334,9563,9653,2460,3470,3560,3150,2050,4120,4720,3130,3810,3450,3560,4120,3940,3300,1860,2150,3840,5510,2660,2240,2110,3160,2250,2840,2670,3244,85615,3826,95012,55515,44915,66112,6815,7892,40812,7312,79311,65812,16613,8408,01113,92714,10912,70212,60314,1913,4169,0352,49310,84310,260219Рисунок 5.11 - Результаты работы программы по автоматизации подсчетов2205.3.2.
Автоматизация оценки крошения почвы (анализ изображений)Адекватная количественная оценка степени крошения позволяетобоснованноиглубоковоготочнорыхлениявыбиратьприрежимыфрезерования,проведенииплантажа,агромелиоративныхикультуртехнических мероприятий.Среднее разрешение современных фотокамер (8-40 Мегапикселей)позволяет получать изображения, по которым можно идентифицироватьпочвенные частицы, составляющие десятые доли миллиметра.
Доступность иширокое распространение цифровой фото- и видеотехники способствовалосозданию базирующегося на использовании нейронных сетей программногообеспечения, которое на основе механизма распознавания образов позволяетоценить степень крошения почвы при фрезеровании, плантаже, глубоковомрыхлении.Наиболее перспективными для решения задач распознавания образов,являются, моделирующие работу нервной ткани, методы нейронных сетей.Искусственная нейронная сеть состоит из отдельных нейроэлементов,иерархически связанных между собой информационными каналами.
Каждыйнейрон может усиливать или ослаблять сигнал, поступающий на его вход. Нанейроны нижнего уровня подаются сигналы, представляющие значенияпараметров,сиспользованиемкоторыхпринимаютсярешения.Всоответствии с определенным алгоритмом эти сигналы усиливаются илиослабляются при передаче на следующий слой. Нейроны последнего,«верхнего» уровня формируют результат.Набор входных данных хi (i=1...n) путем суммирования и нелинейногопреобразования превращается в выходной сигнал. Блок суммированияреализует формулу s=Σwixi, где xi - компонент входного сигнала; n - числовходов; s -результат суммирования; wi - вес i-го входного признака.Нелинейность преобразования задается соотношением y=f(s), где f преобразование - функция активации; у - выходной сигнал нейрона.221СистемаинтеллектуальногоанализаМодульпредобработкиМодуль обучениянейросетиНастройкапараметровМодульинтеллектуального анализаОбучениеРасчеткачестваРисунок 5.12 - Модель системы интеллектуального анализа данныхДляпрактическогоприменениянейроннуюсетьследуетпредварительно «обучить» с помощью специальной обучающей выборки, длякоторой известен правильный результат, и которое состоит в подборекоэффициентов усиления таким образом, чтобы обеспечить необходимуюточность нейронной сети.
Для распознавания размеров частиц почвы намибыла выработана следующая модель системы интеллектуального анализаданных (рисунок 5.12).Нейронная сеть была реализована в программной среде Delphi сиспользованием библиотеки Fast Artificial Neural Network Library.Проведение ряда экспериментов по обработке фотографий показало,что наиболее эффективной является их конвертация в 2-х битноеизображение.В качестве нейронной сети, для проведения интеллектуального анализаданных, нами была использована многослойная искусственная нейроннаясеть, структура которой представлена на рисунке 5.13. На вход нейроннойсети поступает 16 бит данных (x1–x16) предварительно нормализованногоизображения участка почвы, соответствующие квадрату почвы 4 на 4пикселя.
При этом на выходе нейронной сети появляются значения Y,соответствующие вероятности того, что данный участок поверхности почвысодержит «комок» почвы.222Рисунок 5.13 - Структура нейронной сетиПрограммнаяреализациявозможностиобработкиизображений,позволяет получать достаточно точные эмпирические распределения числапочвенных агрегатов от их размера.Рисунок 5.14 - Результаты работы программы по автоматизации оценкикрошения223Рисунок 5.15 – Оценка среднего размера агрегатаРисунок 5.16– Калибровка дробью спортивной твердой (2,75±0,06 мм)Рабочее окно работы программы по оценке крошения представлено нарисунке5.14.изображений,Программнаяпозволяетреализацияполучатьвозможностидостаточноточныеобработкиэмпирическиераспределения числа почвенных агрегатов от их размера. На рисунке 5.15показана реализация измерения среднего размера агрегата при обработкеполученных изображений.
Для проверки правильности расчета линейныхразмеров и возможной калибровки было получено и обработано изображениеоднородной по размерам дроби спортивной твердой диаметром 2,75±0,06мм (рисунок 5.16).Обработка изображения с помощью разработанной программы выдаласледующий результат:224частиц от 2 до 3 мм 93%, от 3 до 4 мм 7%,средний размер 2,57 мм,среднеквадратическое отклонение 0,26 мм.Видим, что программа дает вполне удовлетворительное соответствиереальным данным. При ее использовании отпадает необходимость в«огрублении» результатов делением частиц на агрегаты и пыль.
Обработкаинформации занимает от нескольких секунд до минуты, в зависимости откачества фотографии, устройства (ноутбук, смартфон, планшет) и проводитсяпри минимальных финансовых и материальных затратах.5.3.3. Автоматизация оценки крошения почвы (лазерное сканированиеповерхности)Измерение размера агрегатов можно осуществить с помощьютриангуляционных лазерных датчиков.
Бесконтактное измерение расстоянийс помощью триангуляционных датчиков, в нашем случае, позволяетанализировать профили поверхности почвы, получать достаточно большиемассивыэкспериментальныхданныхиопределятьстатистическиехарактеристики размеров почвенных агрегатов.
В основе их работы лежитпринцип оптической триангуляции: излучение лазера рассеивается наобъекте и собирается объективом на CMOS-линейке; расстояние до теларассчитывается через координаты положения светлого пятна.Рисунок 5.17 –Усреднение при сканировании225Рисунок 5.18 – Определение размеров агрегатовИз соотношения a2=h(2R-h), где h=ε – высота сегмента, a=Δ – радиусоснования, R – радиус шара, справедливого для шарового сегмента можновычислить радиус шара.
Определение размеров показано на рисунках 5.17 и5.18.2266. РЕАЛИЗАЦИЯ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЙ И ИХЭКОНОМИЧЕСКАЯ ЭФФЕКТИВНОСТЬВ главе приведены результатыреализации экспериментальныхисследований проведенных:1) при оценке мелиоративных мероприятий летом-осенью 2013 г. начерноземах СХПК «Труд» Батыревского, весной 2012 гг. на светло-серой исерой лесных почвах ООО «Сормово» Канашского и весной-летом 2001-2004гг. на светло-серой почве ЗАО «Прогресс» Чебоксарского районовЧувашской Республики;2) в ходе проектных и изыскательских работ по реконструкциимежхозяйственной оросительной системы «Дружба», Канашского районаЧувашской Республики. Исследования проводились согласно плану работ(код по ОКПД 74.20.34.110) Федерального государственного бюджетногоучреждения «Управление мелиорации земель и сельскохозяйственноговодоснабженияпоЧувашскойРеспублике»(ФГБУ«Управление«Чувашмелиоводхоз»);3) в ходе расчета и приготовления смесевых почв с заданнымигидрофизическими свойствами, расчета влажностей «спелого» состоянияпочв, влажностей устойчивого завядания растений и создания индикаторовполива в ООО «Земледел».Целевымииндикаторамиреализациирезультатовисследованийявлялись- прирост эффективности производства продукции растениеводства наземлях сельскохозяйственного назначения;-вводвэксплуатациюмелиорируемыхземель(300га)засчетреконструкции.Дляреализациирезультатовисследованийнеобходимобылоопределить водный режим почв, а также провести почвенно-мелиоративныеизыскания (определение удельной поверхности, пористости, функции227влагопроводности,определениенормэрозионно-безопасногополива),учитывая планируемый севооборот и гидрофизические и гидрологическиехарактеристики почв на мелиорируемых землях.Для эффективного проведения мелиоративных мероприятий большоезначение имеет выбор почвообрабатывающей техники.Наиболее трудоемким из агромелиоративных и культуртехническихмероприятийявляетсявспашка.Короткоперечислимотечественныхпроизводителей, выпускающих технику для основной обработки почвы:«Алмаз» выпускает плуги ППО-5/5-35, ППО-6/5-35, ППО-7/5-35; болееширокозахватные модели - ППО.9.30/45, ППО.9.30/45-01, ППО.6.30/45;навесные плуги ПЛН 3-35, ПЛН 5-35, ПЛН 8-35 и чизельные - ПЧ 2,5, ПЧ 4,5и ПЧ 6.
ОАО «Лидсельмаш» производит плуги Л-101, Л-107, Л-108.«Компания САС» выпускает плуги работают в агрегате с МТЗ-80/82 (ПЛН-335), АГРОМАШ 90ТГ (ПЛН-4-35), МТЗ-1221 (ПЛН-4-35) и К 700/701 (ПНЛ8-40 С).Технику для поверхностной обработки почвы обеспечивающуюуменьшение испарения и увеличение поглощения воды почвой (бороны,культиваторы, лущильники и катки) выпускают: ОАО «Агрохиммаш»предлагает дисковые бороны «Дисколай», тяжелые культиваторы «Агритек»,«Агритоп» и машины «Агрифест»; ОАО «Белагромаш-сервис» - дисковыебороны (БДТ-3,5У, БДТ-3,5У, БДМ-6х4, БДТ-6ГТР и др.), дисково-режущиебороны (БДР-8х4) и лущильники (ЛДГ-12Б); ОАО «Точмаш» - дискаторДМТ-2/4/6, пружинная борона ЗБР-12/24, культиваторы КГС-8М, КСП-4,КРН-5,6, КПЭ-6, каток К-10 и пр.) и т.д.
И это не считая зарубежныхпроизводителей.В хозяйствах при обновлении и модернизации машинно-тракторногопарка, помимо финансовой стороны вопроса выбора техники и изученияэксплуатационных характеристик, крайне важно учитывать и качествовоздействия техники на различные типы почв в различных режимах [102].228На рисунках 6.1-6.3 приведены фрагменты карт ЗАО «Прогресс»Чебоксарского района ЧР, СХПК «Труд» Батыревского района ЧР, ООО«Сормово» Канашского района ЧР.Рисунок 6.1 - Фрагмент карты и расположение точек, где производился отборпочвенных образцов на территории ЗАО «Прогресс» Чебоксарского районаЧР229Рисунок 6.2 - Фрагмент карты и схема расположения экспериментальныхточек в СХПК «Труд» Батыревского района ЧРРисунок 6.3 - Фрагмент карты и схема расположения экспериментальныхточек ООО «Сормово» Канашского района ЧР2306.1.