Details

Целью являлась разработка математической модели и алгоритмического обеспечения автоматизированной системы лазерной прополки, позволяющих минимизировать ошибку позиционирования лазерного луча на сорном растении с учётом суммарной временной задержки в контуре управления, и тем самым обеспечить селективное и энергоэффективное подавление сорной растительности. Для достижения поставленной цели в работе использовались методы цифровой обработки изображений и компьютерного зрения, алгоритмы машинного обучения для классификации и локализации растений, методы математического моделирования гальванометрических систем наведения в среде MATLAB/Simulink, а также конечно-элементный анализ прочности несущей рамы прицепа в ANSYS; дополнительно выполнен экспериментальный анализ работы прототипа на лабораторном стенде с движущейся платформой, позволивший подтвердить корректность принятых проектных решений и оценить точность позиционирования луча. Выполненная разработка двухэтапной системы обучения нейросетевых детекторов (сначала на синтетических маркерах, затем на живых растениях моркови) и математическое описание обратной задачи управления гальванометрическими зеркалами позволили обеспечить надёжное наведение лазерного луча на апикальные меристемы сорных растений при сохранении высокой производительности системы. Полученные материалы могут быть использованы при разработке промышленных образцов автоматизированных систем лазерной прополки для агропромышленного комплекса. В ходе работы применялись программные средства MATLAB/Simulink, Python (с библиотеками OpenCV, PyTorch, Ultralytics YOLO), ANSYS Mechanical, SolidWorks, а также среда разработки встраиваемого программного обеспечения для микроконтроллеров STM32 и Raspberry Pi 5.

The objective was to develop a mathematical model and algorithmic framework for an automated laser weeding system that minimizes the positioning error of the laser beam on weed plants, accounting for the total time delay in the control loop, thereby ensuring selective and energy-efficient weed suppression. To achieve this objective, the work employed digital image processing and computer vision methods, machine learning algorithms for plant classification and localization, mathematical modeling methods for galvanometric steering systems in MATLAB/Simulink, and finite element analysis of the trailer frame strength in ANSYS. Additionally, experimental analysis of the prototype was performed on a laboratory test bench with a moving platform, which confirmed the validity of the design decisions and assessed beam positioning accuracy. The developed two-stage training system for neural network detectors (first on synthetic markers, then on live carrot plants) and the mathematical formulation of the inverse control problem for galvanometric mirrors enabled reliable laser beam guidance to the apical meristems of weed plants while maintaining high system throughput. The obtained materials can be used in the development of industrial prototypes of automated laser weeding systems for the agro-industrial sector. The work utilized MATLAB/Simulink, Python (with OpenCV, PyTorch, Ultralytics YOLO libraries), ANSYS Mechanical, SolidWorks, as well as embedded software development environments for STM32 microcontrollers and Raspberry Pi 5.