Lysenko, V., Bolbot, I., Martynenko, O., Lendiel, T., & Nakonechna, K.
(2022).
Program implementation of mobile phytomonitoring work.
Machinery & Energetics,
13(1),
5-10.
https://doi.org/10.31548/machenergy.13(1).2022.5-10
Нині у світі інтенсивно розширюються галузі досліджень та використання мобільних роботів – мехатронних систем, що базуються на останніх досягненнях механіки, мікропроцесорної техніки, контрольно-вимірювальних систем, інформатики та теорії управління. Для успішного виконання великого кола завдань роботи повинні мати як мобільність, так і здатність інтерпретувати, планувати і автоматично виконувати отримане завдання, використовуючи бортову обчислювальну систему. Їх особливість – можливість досягнення заданої мети в невизначеному зовнішньому середовищі, уникаючи зіткнень зі стаціонарними перешкодами та рухомими об’єктами. Зараз впевнене функціонування мобільних роботів може бути забезпечене щодо знайомих і добре структурованих робочих просторах. Розвинуто методи управління роботами на основі добре сформульованих моделей та алгоритмів. При роботі в незнайомому або змінному оточенні мобільний робот повинен мати здатність адаптуватися до змін у навколишньому середовищі, реагувати на непередбачені ситуації та діяти на підставі попереднього досвіду. Таким чином, робот потребує системи управління з елементами штучного інтелекту. Як об’єкт керування робот є багатоканальною нелінійною динамічною системою. Незважаючи на те, що до теперішнього часу проведено цілу низку досліджень у галузі управління мобільними роботами, універсальні підходи до синтезу систем автоматичного управління роботами розроблені недостатньо. Мета дослідження полягає в обґрунтуванні програмного забезпечення мобільного робота для фітомоніторингу. Методологія є алгоритмом, що реалізується зазначеною програмою, передбачає зчитування та зберігання інформації про стани рослин та значення технологічних параметрів навколишнього середовища в теплиці. В статті обґрунтовано блок-схему алгоритму керування мобільним роботом для фітомоніторингу у промислових теплицях. Враховуючи, значну площу промислової теплиці і відповідно значну кількість рослин у ній, потрібно розрахувати відстань, на яку мобільний робот для фітомоніторингу може передати цифровий сигнал. Авторами доведено, що сумарна потужність каналу дорівнює сумі всіх потужностей передавача, приймача і антени передавача, чутливості системи та різниці втрат системи передачі
мобільний робот, фітомоніторинг, система керування, споруда закритого ґрунту, алгоритм керування
[1] Fonteijn, H., Afonso, M., Lensink, D., Mooij, M., Faber, N., Vroegop, A., Polder, G., & Wehrens, R. (2021). Automatic phenotyping of tomatoes in production greenhouses using robotics and computer vision: From theory to practice. Agronomy, 11(8), article number 1599. doi: 10.3390/agronomy11081599.
[2] Burud, I., Lange, G., Lillemo, M., Bleken, E., Grimstad, L., & From, P. (2017). Exploring robots and UAV’s as phenotyping tools in plantbreeding. IFAC – PapersOnLine, 50(1), 11479-11484. doi: 10.1016/j.ifacol.2017.08.1591.
[3] Mao, S., Li, Y., Ma, Y., Zhang, B., Zhou, J., & Wang, K. (2020). Automatic cucumber recognition algorithm for harvesting robots in the natural environment using deep learning and multi-feature fusion. Computers and Electronics in Agriculture, 170, article number 105254. doi: 10.1016/j.compag.2020.105254.
[4] Walter, M.S.J. (2019). Dimensional and geometrical tolerances in mechanical engineering – a historical review. Machine Design, 3, 67-74. doi: 10.24867/MD.11.2019.3.67-74.
[5] Ouammi, A., Achour, Y., Zejli, D., & Dagdougui, H. (2020). Supervisory model predictive control for optimal energy management of networked smart greenhouses integrated microgrid. Automation Science and Engineering IEEE Transactions, 17(1), 117-128. doi: 10.1109/TASE.2019.2910756.
[6] Bodrov, V., Bodrov, M., & Kuzin, V. (2017). Ensuring the parameters of microclimate of hothouses during a warm season. ARPN Journal of Engineering and Applied Sciences, 12(6), 1864-1869.
[7] Revathi, S., Radhakrishnan, T.K., Sivakumaran, N. (2017). Climate control in greenhouse using intelligent control algorithms. In Proceedings of the American control conference (pp. 887-892). Seattle: Seattle University. doi: 10.23919/ACC.2017.7963065.
[8] Nazarenko, I., Mishchuk, Y., Mishchuk, D., Ruchynskyi, M., Rogovskii, I., Mikhailova, L., Titova, L., Berezovyi, M., & Shatrov, R. (2021). Determiantion of energy characteristics of material destruction in the crushing chamber of the vibration crusher. Eastern-European Journal of Enterprise Technologies, 4(7(112), 41-49. doi: 10.15587/1729-4061.2021.239292.
[9] Vovna, O., Laktionov, I., Sukach, S., Kabanets, M., & Cherevko, E. (2018). Method of adaptive control of effective energy lighting of greenhouses in the visible optical range. Bulgarian Journal of Agricultural Science, 24(2), 335-340.
[10] Ouammi, A., Achour, Y., Dagdougui, H., & Zejli, D. (2020). Optimal operation scheduling for a smart greenhouse integrated microgrid. Energy for Sustainable Development, 58, 129-137. doi: 10.1016/j.esd.2020.08.001.
[11] Baratto, C., Faglia, G., Pardo, M., Vezzoli, M., Boarino, L., Maffei, M., Bossi, S., & Sberveglieri, G. (2005). Monitoring plants health in greenhouse for space missions. Sensors and Actuators B: Chemical, 108(1-2), 278-284.
[12] Lysenko, V.P., Zhyltsov, A.V., Bolbot, I.M., Lendiel, T.I., & Nalyvaiko, V.A. (2020). Phytomonitoring in the phytometrics of the plants. E3S Web of Conferences, 154, article number 07012. doi: 10.1051/e3sconf/202015407012.
[13] Mu, Y., Chen, T.S., Ninomiya, S., & Guo, W. (2020). Intact detection of highly occluded immature tomatoes on plants using deep learning techniques. Sensors, 20(10), article number 2984. doi: 10.3390/s20102984.
[14] Rogovskii, I.L., Titova, L.L., Gumenyuk, Yu.O., & Nadtochiy O.V. (2021). Technological effectiveness of formation of planting furrow by working body of passive type of orchard planting machine. IOP Conference Series: Earth and Environmental Science, 839, article number 052055.
[15] Lamnatou, Chr., & Chemisana, D. (2013). Solar radiation manipulations and their role in greenhouse claddings: Fresnel lenses, NIR- and UV-blocking materials. Renewable and Sustainable Energy Reviews, 18, 271-287. doi: 10.1016/j.rser.2012.09.041.
[16] Tang, Y.C., Wang, C., Luo, L., Li, J., Lian, G., & Zou, X. (2020). Recognition and localization methods for vision-based fruit picking robots: A review. Frontiers in Plant Science, 11, article number 510. doi: 10.3389/fpls.2020.00510.
[17] Bac, C.W., Hemming, J., van Tuijl, B., Barth, R., Wais, E., & van Henten, E.J. (2017). Performance evaluation of a harvesting robot for sweet pepper. Journal of Field Robot, 34, 1123-1139. doi: 10.1002/rob.21709.
[18] Mráz, M., Urbanovičová, O., & Findura, P. (2019). Use of information systems to support decision making according to analysis machines. Agricultural Machinery, 2, 89-93.
[19] Lysenko, V., Bolbot, I., Lendiel, T., Nurseitova, K., & Amirgaliyev, Y. (2021). Mobile robot with optical sensors for remote assessment of plant conditions and atmospheric parameters in an industrial greenhouse. Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments, 12040, 80-89. doi: 10.1117/12.2613975.