Детальная информация

Тема выпускной квалификационной работы: «Методика автоматизированного определения общего и фракционного содержания сорной и зерновой примесей в зерне с помощью машинного обучения». Работа посвящена разработке и метрологической оценке методики автоматизированного определения содержания сорной и зерновой примеси в зерне с применением машинного обучения. В условиях отсутствия стандартных эталонных образцов и устаревших ручных методик по [1], в работе обоснована необходимость внедрения цифровых подходов к контролю качества зерна. Цель исследования заключалась в разработке метода, основанного на объективной визуализации и классификации примесей с использованием алгоритмов машинного обучения. В качестве аппаратной платформы использовался [2], оборудованный высокоскоростной камерой и ИК-подсветкой. В работе проведён сравнительный анализ значений сорной примеси, полученных от одной из 7 независимых лабораторий по одной из 4 проб зерна (70 измерений), с применением статистических методов оценки. С учётом единых условий измерения, методологии и характерной структуры данных, можно обоснованно предположить аналогичную применимость описанных статистических подходов и к остальным пробам, как для оценки сорной, так и зерновой примеси. Практическая значимость исследования заключается в обосновании возможности замены [1] автоматизированной методикой и формировании методологических оснований для её стандартизации.

Topic of the graduate qualification work: "Methodology for Automated Determination of Total and Fractional Content of Weed and Grain Impurities in Grain Using Machine Learning." The study is devoted to the development and metrological evaluation of a methodology for the automated determination of weed and grain impurities in grain using machine learning. Given the absence of standard reference samples and the outdated manual procedures defined in [1], the necessity of adopting digital approaches to grain quality control is substantiated. The aim of the research was to develop a method based on objective visualization and classification of impurities using machine learning algorithms. The hardware platform employed was the “SAPFIR” analyzer, equipped with a high-speed camera and infrared illumination. The study includes a statistical analysis of 70 measurements of weed impurity content obtained from one of seven independent laboratories using one of four grain samples. Considering the uniformity of measurement conditions, methodology, and the characteristic data structure, the described statistical approaches are presumed to be equally applicable to the analysis of other samples and for both weed and grain impurities. The practical significance of the research lies in substantiating the possibility of replacing [1] with an automated methodology and providing methodological foundations for its standardization.

• ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
• РАБОТА БАКАЛАВРА
• РЕФЕРАТ
• THE ABSTRACT
• ВВЕДЕНИЕ
  • 1 СРАВНИТЕЛЬНЫЙ ОБЗОР
• 1.1 Методика ручного определения содержания примесей
• 1.2 Техническое устройство оптического анализатора «САПФИР»
• 1.3 Принцип работы машинного обучения анализатора «САПФИР»
  • 2 ТЕОРЕТИЧЕСКАЯ ИНФОРМАЦИЯ
• 2
  • 1.
  • 2.
  • 2.2 Методика статистической обработки результатов
  • 2.3 Доверительные интервалы и t-критерий
  • 3 ПРАКТИЧЕСКИЕ РАСЧЕТЫ И ОБРАБОТКА РЕЗУЛЬТАТОВ
• 3.1 Проверка гипотезы о нормальности распределения результатов
• 3.2 Оценка симметрии и эксцесса. Обоснование применения классических и робастных методов
• 3.3 Расчёт статистических характеристик распределения измерений, сделанных ручным методом
• 3.4 Расчеты доверительных интервалов и диапазонов для значений, полученных вручную
• 3.5 Выводы по предыдущим расчетам
• 3.6 Расчёт статистических характеристик распределения измерений, полученных на анализаторе «САПФИР»
• 3.7 Расчеты доверительных интервалов и диапазонов для значений, полученных на анализаторе «САПФИР»
• 3.
  • 4 ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ
  • 4.
  • 4.1 Ручной метод: интерпретация результатов
  • 4.2 Автоматизированный метод: интерпретация результатов
  • 4.3 Выводы по разделу
  • 5 ПРЕДЛОЖЕНИЯ ПО АДАПТАЦИИ ТРАДИЦИОННОЙ МЕТОДИКИ К МЕТОДАМ ЦИФРОВОГО АНАЛИЗА ЗЕРНА
  • 5.
  • 5.1 Основания для пересмотра методики
  • 5.2 Предлагаемая адаптация
  • 5.3 Предложения по включению в адаптированный под машинное обучение нормативный документ
  • 5.4 Предлагаемые в проекте методики критерии визуального разделения зерна при цифровом анализе
  • 5.5 Выводы
  • ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ