Содержание к диссертации
Введение
1. Современные технологии контроля состояния сельскохозяйственных угодий и выполнения полевых работ 18
1.1. Цели и задачи мониторинга сельхозугодий 18
1.2. Методы и технические средства мониторинга сельхозугодий и полевых работ 23
2. Разработка методов автоматизированного контроля выполнения посевных работ и оптимизации маршрутов перемещения между выявленными проблемными участками на полях 47
2.1. Верификация и валидация данных мониторинга посевов 47
2.2. Постановка задачи разработки методического и аппаратно-программного обеспечения контроля выполнения посевных работ 54
2.3. Разработка методического и алгоритмического обеспечения контроля выполнения посевных работ 60
2.4. Разработка методики выбора оптимальных маршрутов перемещения сельскохозяйственных машин и технических средств дистанционного контроля между проблемными участками посевов 76
3. Экспериментальная отработка методов контроля за состоянием посевов и управления сельскохозяйственными машинами с оценкой эффективности их применения 86
3.1. Технология проведения и анализ результатов полевых испытаний аппаратно-программных комплексов контроля выполнения посевных работ 86
3.2. Эксперимент по оценке качества функционирования оборудования точного высева (Precision Planting) 100
3.3. Экспериментальное исследование технических и эксплуатационных характеристик систем навигации тракторов и других сельскохозяйственных агрегатов 103
3.4. Оценка эффективности разработанных методов 115
4. Разработка программного обеспечения для автоматизированного решения задач контроля состояния посевов и оптимизации маршрутов движения сельскохозяйственной техники как элементов автоматизированной системы управления агропредприятия 118
4.1. Цели, задачи, состав и макроструктура информационно-управляющей системы 118
4.2. Программное обеспечение мониторинга состояния посевов и качества выполнения посевных операций 129
4.3. Программное обеспечение расчета оптимальных маршрутов перемещения технических средств мониторинга и обработки посевов 132
5. Заключение 134
Список литературы 142
- Методы и технические средства мониторинга сельхозугодий и полевых работ
- Разработка методического и алгоритмического обеспечения контроля выполнения посевных работ
- Технология проведения и анализ результатов полевых испытаний аппаратно-программных комплексов контроля выполнения посевных работ
- Цели, задачи, состав и макроструктура информационно-управляющей системы
Введение к работе
Актуальность. В последние годы наблюдается всё более активное применение в теории и
практике растениеводства новейших достижений информационных, навигационных и
космических технологий. Вследствие этого, принципиально изменяется вся методология
управления как отдельными сельскохозяйственными машинами, так и предприятием в целом,
основой которого вместо плохо формализованного «опыта и интуиции» становятся
современные аппаратно-программные комплексы, собирающие и использующие в своей работе
точную количественную, как правило, цифровую информацию. «Анализ мировых тенденций
развития аграрного производства инновационных решений в смежных областях
свидетельствует, что до 80% разработок в АПК в последние годы базируются на широком
применении информационных, телекоммуникационных технологий, электронных
автоматизированных систем, роботов и др.» (Федоренко В.Ф.). Фактически, на предприятиях агропромышленного комплекса (АПК) России создаются автоматизированные системы управления производством (АСУП), постепенно вытесняющие человека из процессов сбора данных, принятия и реализации решений.
Различными аспектами проблемы автоматизации работы сельскохозяйственных предприятий, в том числе использующих технологии точного земледелия, занимаются многие известные российские и зарубежные ученые: А.Н. Каштанов, Кирюшин В.И., Личман Г.И., Марченко Н.М., Рунов Б.А., Федоренко В.Ф., Якушев В.П., Якушев В.В., AuernhammerH., BackesM., BillR., EhlertD., SchwartzY. и другие.
Однако АСУП сельскохозяйственной направленности имеют одно принципиальное отличие от аналогичных систем, используемых в промышленности, на транспорте и т.п. Объектом управления сельскохозяйственной АСУП являются растения, находящиеся в тесном взаимодействии с почвой и атмосферой. Для выработки в АСУП корректных, приводящих к ожидаемым результатам управляющих воздействий, необходимо иметь точную динамическую модель состояния растения и выбрать набор измерений, позволяющих определять её в заданные моменты времени. Такие модели находятся в настоящее время на стадии разработки, поэтому в диссертации ставится актуальная задача разработки методик оценки состояния посевов, основанных на упрощенных, создаваемых непосредственно перед началом обследования посевов, моделях.
По результатам мониторинга выявляются проблемные участки посевов. Их количество и расположение зависит от многих факторов: качества семян, работы высевающего агрегата, состава почвы и др. В общем случае, количество таких участков, особенно на больших полях, может исчисляться десятками и более. После выявления причин их плохого состояния и
разработки соответствующих агрохимических мероприятий, направленных исключительно на проблемные участки, возникает задача: как проложить маршрут перемещения сельскохозяйственных машин, обрабатывающих участки, а также полёта беспилотного летательного аппарата (БЛА), выполняющего контрольную съёмку только этих участков, чтобы затраты ресурсов (горючее, рабочее время и т.д.) были минимальны. Решение этой задачи, приведенное в работе, позволяет автоматизировать процедуру выбора оптимального маршрута движения средств контроля (БЛА) и сельскохозяйственных агрегатов (опрыскиватели, разбрасыватели и т.п.).
Цель работы: создание методического и аппаратно-программного обеспечения мониторинга посевов и оптимизации маршрутов движения сельскохозяйственной техники между выявленными проблемными участками, обеспечивающих повышение эффективности выполнения производственных операций контроля состояния посевов и их обработки.
Для достижения цели в работе решаются следующие задачи:
Разработка методики и программного обеспечения для определения количества всходов, выделения и точного позиционирования проблемных участков (отсутствие всходов, сорняки, вредители и т.п.) по данным съемок с БЛА.
Экспериментальная отработка методик мониторинга посевов, включая выбор параметров полета БЛА (скорость, высота) и съемочной фотоаппаратуры, а также сроков съемок.
Разработка методики и программного обеспечения расчета оптимального маршрута перемещений сельскохозяйственных агрегатов и БЛА по множеству проблемных участков, заданному координатами на поверхности Земли.
Проведение эксперимента по сравнительному анализу технических и эксплуатационных характеристик современных систем навигации сельскохозяйственных машин с целью подтверждения соответствия их точностных и иных параметров требованиям по позиционированию техники при обработке проблемных участков, а также выполнении иных полевых работ.
Определение цели, задач, структуры АСУП производства растениеводческой продукции, включая блоки для обработки данных мониторинга посевов и оптимального планирования маршрутов техники.
Предметом исследования является автоматизация процессов контроля качества выполнения посевных работ и состояния посевов, а также оптимального управления движением сельскохозяйственных машин (опрыскиватели, разбрасыватели, БЛА и др.) между выявленными проблемными зонами на полях.
Объектом исследования являются математические и экспериментальные методы, аппаратно-программные системы (АПС), обеспечивающие решение задач мониторинга состояния посевов и планирования оптимальных маршрутов движения сельскохозяйственной техники.
Научная новизна. Разработанные методы и АПС позволяют решить научно-техническую
задачу определения состояния посевов без привлечения сложных параметрических моделей
растений, а также построения оптимальных маршрутов движения техники
(сельскохозяйственные машины, БЛА и др.) при обработке и мониторинге проблемных участков посевов.
Наиболее существенными научными результатами являются:
постановка и решение задачи автоматизированного анализа состояния посевов и оценки качества работы посевных агрегатов, основанные на математических методах «машинного зрения»,
разработка методики построения оптимального в смысле расходования ресурсов (время, топливо и т.п.), маршрута перемещения средств мониторинга (БЛА и пр.), либо сельскохозяйственных машин между проблемными участками посевов, основанная на математической теории целочисленного программирования.
Теоретическая и практическая значимость.
Разработанный в диссертации метод распознавания отдельных растений и групп растений (кластеров) позволяет эффективно решать задачу определения количества, расположения и состояния всходов, с выделением проблемных участков посевов, подлежащих дополнительной обработке.
Предложенный в работе метод оптимизации маршрута, представляющий собой модификацию задачи «коммивояжера», обеспечивает возможность получения оптимального, в смысле минимизации заданного параметра (время, расход горючего и др.), решения широкого круга задач планирования движения сельскохозяйственных машин.
Разработанные теоретические методики реализованы в виде применимых на практике технологий контроля посевов с помощью БЛА, а также пакетов программного обеспечения (ПО) для обработки результатов съемок и планирования маршрутов движения техники.
Результаты работы используются в ЗАО «Инженерный Центр «ГЕОМИР», «Совзонд» и других предприятиях при создании и эксплуатации АПС для растениеводства, в частности в геоинформационно-аналитической системе «История поля», установленной в ряде сельскохозяйственных предприятий Курской области и Ставропольского края.
Кроме того по материалам диссертации подготовлены методические пособия, используемые ФГБОУ РИАМА в учебном процессе: в лекциях и практических занятиях по дисциплине «Точное земледелие».
Методология и методы исследования. Диссертация основана на методологии, сочетающей теоретические и практические методы исследования, реализованные по схеме: «разработка теоретических методик - создание ПО - экспериментальная отработка (верификация и валидация) АПС - оценка эффективности их применения».
Теоретические методы основаны на математическом аппарате распознавания изображений в задачах «машинного зрения» (мониторинг посевов) и целочисленном программировании (оптимизация маршрутов).
Экспериментальные методы основаны на проведении полномасштабных натурных экспериментов - испытаниях АПС на полях сельскохозяйственных предприятий России.
Положения выносимые на защиту.
Разработана методика и программное обеспечение автоматизированного определения количественных характеристик состояния посевов.
Разработана методика и ПО выбора оптимального маршрута передвижения сельскохозяйственных машин и воздушных средств мониторинга между проблемными участками посевов.
Экспериментальным путем выбраны характеристики технических средств мониторинга (БЛА и фотоаппаратура), обеспечивающие высокую достоверность результатов контроля состояния посевов.
Определены цели, задачи, структура АСУП для управления производством растениеводческой продукции, включая разработанные в диссертации модули контроля состояния посевов и оптимизации маршрутов техники.
Степень достоверности и апробация результатов.
Для подтверждения достоверности результатов полученных в диссертации, в 2015 -2017 гг. был проведен цикл полевых экспериментов, подтвердивший работоспособность и высокую точность разработанных технологий.
Материалы исследования неоднократно докладывались на международных и российских конференциях, семинарах и научных чтениях:
VII Международная научно-практическая конференция «Научно-информационное обеспечение инновационного развития АПК»; ФГБНУ «Росинформагротех»; 19.05-20.05.2014.
«Инновационные аспекты агроэкологии в повышении продуктивности растений и качества продукции»; ГНУ ВСТИСП Россельхозакадемии; 16.09.2014.
Навигационные технологии в сельском хозяйстве; РГАУ-МСХА имени К.А. Тимирязева; 03.12.2014.
Применение средств дистанционного зондирования Земли в сельском хозяйстве; Агрофизический институт РАН; 16.09-17.09.2015.
50-е Научные чтения памяти К.Э. Циолковского; Калуга; 15.09- 17.09.2015.
Точное земледелие; Сколково; 31.03.2016.
Научно-практическая конференция по развитию рынка беспилотных авиационно-космических систем в рамках Национальной технологической инициативы «Аэронет 2016»; Агентство стратегических инициатив; 15.09- 17.09.2016.
51-е Научные чтения памяти К.Э. Циолковского; Калуга; 20.09- 22.09.2016.
Международная научная конференция, посвященная 200-летию Н.И. Железнова; Москва; 07.12.2016.
52-е Научные чтения памяти К.Э. Циолковского; Калуга; 20.09- 22.09.2016.
Техническое и программное обеспечение внедрения в сельскохозяйственное производство технологий точного земледелия; Уфа; 22.02.2017.
Современные геоинформационные сервисы для осуществления государственного мониторинга земель сельскохозяйственного назначения; Москва; 05.04.2017-07.04.2017.
Точное земледелие; Москва, Сколково; 16.03.2017.
Публикации. Результаты диссертационного исследования опубликованы в тринадцати работах, в том числе пять статей в ведущих периодических изданиях, рекомендованных ВАК РФ, и в виде двух учебно-методических пособий. В работах, написанных в соавторстве, И.В. Воронкову принадлежат результаты по постановкам задач, выбору и применению математических методов, созданию методик, а также участию в разработках ПО и проведению экспериментов по мониторингу посевов, исследованию технических и эксплуатационных характеристик навигационных систем, установленных на тракторах.
Соответствие паспорту специальности. 05.20.01 - Технологии механизации сельского хозяйства, пунктам 4, 7, 10, так как в работе исследуются технологии и процессы в растениеводстве, методы оптимизации технических систем и средств в растениеводстве по критериям эффективности и ресурсосбережения технологических процессов, а также методы контроля и управления качеством работы средств механизации производственных процессов в растениеводстве.
Структура и объем диссертации. Диссертация состоит из введения, четырех глав и заключения, списка использованной литературы из 84 наименований. Общий объем работы 150 с.
Методы и технические средства мониторинга сельхозугодий и полевых работ
Инструментальные – полевые.
- метеостанции,
Измерение температуры и относительной влажности воздуха, скорости и направления ветра, атмосферного давления, количества осадков за различные периоды времени, ультрафиолетовой и солнечной радиации и др. Данные измерения можно использовать для прогнозирования заболеваний растений, расчета коэффициентов испарения и т.д.;
- влагомеры (термостатно-весовые, тензометрические, радиоактивные, электрические, оптические);
- ручные спектрометры (например GreenSeeker)(Рисунок 1.2),
Базируется на оптических датчиках, каждый из которых имеет свой источник света и может использоваться при любых погодных условиях и времени суток. Излучение этих источников света в красном и ближнем инфракрасном диапазоне отражается от растений и попадает на фотодиод, расположенный в головной части датчика. Таким образом измеряется индекс NDVI, характеризующий объем биомассы, по значениям которого в режиме реального времени может быть рассчитана доза азотных удобрений для данного участка посевов.
- мобильные агрохимлаборатории,
Позволяют определять основные параметры химического состава почвы непосредственно в поле (рисунок 1.3).
Многие современные посевные комплексы оснащены АПС, регистрирующими в реальном времени данные о процессе сева (расход семян, расстояние между соседними точками посева и др.).
Так, например, оборудование УСКВ (http://ускв.рф/)(Рисунок 1.4) позволяет контролировать процесс работы посевного комплекса и представлять оператору информацию по измеряемым технологическим параметрам и исправности оборудования, что позволяет своевременно принимать необходимые меры для обеспечения качества сева и предотвращения выхода из строя оборудования.
АПС разработанные фирмой MC Elettronics (Италия) (http://www.mcelettronica.it) (Рисунок 1.4) позволяют:
Своевременно обнаруживать забивание сошняков,
Контролировать уровень посевного материала и удобрений в бункерах,
Управлять нормой высева,
Отключать сошняки при проезде по уже засеянной зоне,
Управлять блокировкой рядов во время посева.
Наиболее полный контроль и управление процессом сева обеспечивает АПС, устанавливаемая на оборудовании фирмы Precision Planting (США) (http://www.precisionplanting.com/)(Рисунок 1.6) и обеспечивающая:
Правильную раскладку семян,
Равномерное заглубление без переуплотнений,
Увеличение скорости посева,
Полный контакт семени с почвой,
Автоматическое отключение рядков при проезде по уже засеянной зоне,
Контроль и управление посевом из кабины.
Все эти функции важны как для управления процессом сева в реальном времени, так и для последующего анализа состояния его результатов.
- системы картирования урожайности,
Система картирования урожайности — АПС измеряющая и фиксирующая объем и влажность зерна, собранного с каждой единицы площади поля. В результате АПС создает карту урожайности, позволяющую определить общий вес собранного с данного поля зерна, а также выявить вариации урожайности в пределах одного поля.
На рисунке 1.7 представлена схема системы картирования и карта урожайности, которая может являться основой при планировании агрохимического обследования почв и для создания аппликационных картограмм внесения удобрений.
Также эта АПС определяет фактическую площадь, с которой был убран урожай. На рисунке 1.8 представлены результаты сравнения этой площади с ранее определенной при обмере поля площадью в одном из хозяйств Курской области- системы мониторинга транспорта,
Система мониторинга сельхозтехники представляет собой автоматический комплекс, состоящий из бортового контроллера и набора датчиков, устанавливаемых на транспортное средство, а также программного обеспечения, устанавливаемого на офисном компьютере, на котором будет осуществляться контроль расхода топлива и перемещения сельхозтехники в режиме реального времени.
Помимо решения задачи контроля выполнения производственного задания, данная система позволяет измерять и регистрировать ряд важных для оценки качества полевых работ параметров: скорость и траектория движения сельскохозяйственного агрегата по полю и др.
Космические.
Космические методы мониторинга сельскохозяйственных угодий основаны на регистрации бортовой аппаратурой, установленной на КА, излучения участка поверхности Земли, отраженного (в видимой или сверхвысокочастотной части спектра электромагнитных волн), либо собственного (в тепловом инфракрасном диапазоне).
Космические методы ДЗЗ имеют ряд преимуществ по сравнению с наземными:
- возможность съёмки за короткий промежуток времени большого участка земной поверхности,
- отсутствие необходимости перемещения по посевам людей и техники с целью контроля их состояния.
В то же время, следует указать на ряд обстоятельств, обусловленных спецификой сельскохозяйственного производства в области растениеводства, затрудняющих их применение [74]:
- съёмки посевов с КА ДЗЗ необходимо выполнять в сравнительно короткие (несколько суток) промежутки времени, определенные процессами роста растений и вегетационными фазами, поскольку именно в эти периоды могут быть приняты и реализованы решения о, например, пересеве, подкормке, обработке гербицидами и т.п., однако полностью быть уверенными в получении данных с КА ДЗЗ нельзя, так как невозможно гарантировать, что в заданный отрезок времени соответствующий КА ДЗЗ пройдет над обследуемым районом, либо, что особенно вероятно для хозяйств средней полосы России, интересующий участок не будет закрыт облачностью,
- изображения Земли, получаемые с КА ДЗЗ, в общем случае позволяют определить только некие условные относительные характеристики состояния посевов – цветовые либо тоновые контрасты, вегетационные индексы и т.п.; для получения физических величин этих характеристик – объём биомассы, количество сорняков, тип вредителей и пр. необходимо проведение наземных калибровочных обследований, - вследствие чрезвычайного разнообразия факторов, влияющих на спектральные и геометрические характеристики получаемых с КА ДЗЗ изображений посевов, не создан архив параметрических (параметры – тип и сорт возделываемой культуры, фаза вегетации, освещённость – высота Солнца над местным горизонтом на момент съёмки – и пр.) эталонных образов, сравнение с которыми позволило бы идентифицировать состояние посевов без наземных обследований.
Разработка методического и алгоритмического обеспечения контроля выполнения посевных работ
Исходя из постановки данной задачи, сделанной в предыдущем параграфе, можно представить методику в виде следующей последовательности основных шагов:
- разделение изображения на два класса: «растения» и «почва»,
- выделение связанных объектов. Объединения объектов из класса «растения» в кластеры, фильтрация малых кластеров (размер которых меньше заданного) и привязка положения к географическим координатам,
- построение кусочно-линейной функции ряда и привязка выделенных кластеров к рядам,
- вычисление статистических показателей отклонений вдоль и поперек рядов от планировавшихся точек посадки растений, и вычисление количества не взошедших растений.
Выделение сигнала
Алгоритм разделения изображения на классы «растения» и «почва» основан на попиксельном сравнении измеренных спектральных характеристик изображения с эталонными величинами. Для примера здесь и далее будет рассматриваться изображение, сделанное в 3-х диапазонах видимого спектра, но данный алгоритм применим к изображениям с любым числом спектральных каналов наблюдения
Выделение связанных объектов
Объединение в кластеры
Каждый пиксел изображения с координатами (x, y) имеет восемь граничащих с ним ближайших пикселов (соседей), составляющих прямоугольную окрестность 33 (Рисунок 2.9).
При этом четыре пиксела (соседи по горизонтали и вертикали) являются более близкими и находятся от центрального пиксела окрестности на расстоянии 1 (1 – условный размер стороны квадрата пикселя). Еще четыре пиксела (соседи по диагонали) находятся от центрального пиксела окрестности на расстоянии 2. Соответственно, в обработке изображений рассматриваются два вида соседства и два соответствующих им вида связности:
1) соседство «по кресту» или 4-связность;
2) соседство «по квадрату» или 8-связность.
Чаще используется отношение 8-связности, при котором считается, что на прямоугольной решетке каждая точка изображения имеет восемь соседей.
Связной областью изображения (кластером) считается такая его область (множество точек), в которой:
1) все точки области удовлетворяют критерию (5);
2) между любыми двумя точками, принадлежащими данной области, существует непрерывный путь, состоящий из точек, также принадлежащих данной области и являющихся при этом "соседями" в смысле заданного отношения соседства (4-связности или 8-связности).
Выделенные сигналы объединяются в группы, методом «лесного пожара». Идея «метода лесного пожара» заключается в том, что область «поджигается» в одной точке, после чего каждая «подожженная» точка, в свою очередь, «поджигает» всех своих соседей удовлетворяющих критерию (5). Уже «сгоревшие» точки вторично не «поджигаются». Таким образом, согласно определению связной области, в конце концов все точки связной области окажутся вовлеченными в этот процесс.
Программно-алгоритмическая реализация данного метода состоит из следующих шагов:
1) выделяется сигнал в соответствии с критерием (5);
2) точки, соседствующие с выбранной по отношения соседства 8-связности, проверяются на соответствие критерию (5);
3) выделенные на шаге 2 точки добавляются в массив для последующей проверки;
4) из массива точек для проверки выбирается следующая точка, и алгоритм повторяется с шага 2;
5) алгоритм останавливается, когда проверены все точки из массива точек для проверки.
Блок схема данного алгоритма представлена на рисунке 2.10.
Технология проведения и анализ результатов полевых испытаний аппаратно-программных комплексов контроля выполнения посевных работ
Представленные в Главе 2 методики являются алгоритмической основой для создания АПС, которые должны использоваться в работе сельскохозяйственных предприятий. Очевидно, что практическая ценность указанных разработок будет оцениваться исходя из реальных показателей их эффективности. Поэтому до начала внедрения необходимо проведение их апробации на полях действующих предприятий агробизнеса. При этом целесообразно экспериментально исследовать как методы и АПС для мониторинга посевов, так и технические и эксплуатационные характеристики современных навигационных устройств, устанавливаемых на сельскохозяйственных машинах, поскольку от них в значительной мере зависит эффективность выполнения полевых операций.
Технология проведения и анализ результатов экспериментов по мониторингу посевов.
В целях отработки АПС на полях двух хозяйств Краснодарского края в 2016 году были проведены эксперименты по оценке состояния посевов на основе информации, получаемой с установленной на БЛА фотоаппаратуры, и обработанной с применением разработанных в данной диссертации методов [76].
Первая серия экспериментов проведена в начале мая 2016 года на посевах кукурузы со следующими характеристиками:
Культура на поле: кукуруза.
Площадь одного всхода на земле: 3-4 см2;
Расстояние между центрами всходов в рядке: 17-18 см;
Расстояние между рядками: 70 см.
Для проведения съемок использовался комплекс в составе БЛА Supercam S350 с фотокамерой Sony A7.
Характеристики БЛА Supercam s350 приведены в таблице 3.1.
Как видно на рис. посевы сильно засорены посторонними объектами (камни и др.). При этом не представляется возможным выделить всходы на фоне этих объектов. Они имеют близкие спектральные характеристики.
Повторная съемка.
С учетом опыта первой съемки, следующие полеты были на более низкой высоте 150 метров, что увеличивало количество пикселов на один всход и должно было повысить качество изображений и результатов их обработки. Также при более низкой высоте улучшается цветопередача и повышается пространственное разрешение снимка.
Исходя из формулы: = — = 1,6, где а = 24/6000 = 0,004 мм., Н= 150000 мм.,/= 50мм. (43)
Пространственное разрешение получилось равным 1,2 см/пс.
В момент съемки высота солнца над горизонтом составляла 63,38 градусов.
Видно, что цветопередача снимков заметно улучшилась. Результаты съемок приведены на рисунке 3.3.
Однако этого оказалось недостаточно для выделения всходов. Отдельные всходы по прежнему выделить было затруднительно. Прежде всего это связано с проблемой их дифференциации от посторонних объектов на полях.
Обработка результатов съемок.
Обработка результатов съемок показала, что добиться каких-либо значимых результатов по определению состояния всходов на данных полях с используемым аппаратным обеспечением невозможно.
Для получения результатов по определению состояния всходов необходимо проводить съемки полей, на которых отсутствуют посторонние объекты, либо их количество незначительно. В подобных случаях следует использовать профессиональную съемочную аппаратуру, которая позволит получить качественную цветопередачу и отделить всходы от посторонних объектов на полях.
Цели, задачи, состав и макроструктура информационно-управляющей системы
Основной целью создания АСУП сельскохозяйственного предприятия является повышение эффективности его деятельности, в первую очередь, снижения производственных затрат, увеличения объема и повышение качества выпускаемой продукции.
Для достижения поставленной цели необходимо решение следующих задач [79],[83]:
- автоматизированный сбор данных о складских запасах, сельскохозяйственной технике, транспорте, кадрах и других ресурсах предприятия,
- создание и поддержание в актуальном состоянии МЭК сельскохозяйственных угодий предприятия,
- организация периодического контроля состояния почвы и посевов с помощью наземных, воздушных и космических средств,
- создание системы мониторинга перемещений и функционирования подвижных объектов (сельскохозяйственная техника, грузовой и легковой транспорт),
- планирование и контроль исполнения полевых технологических операций,
- сбор метеорологической информации и прогнозных данных на территорию предприятия.
Далее, функции приведенных выше подсистем рассматриваются на примере системы Harver, обеспечивающей решение следующих задач [79]:
Мониторинг сельхозтехники, сельскохозяйственных угодий, технологических операций;
Планирование и учет материально-технических, финансовых, кадровых ресурсов предприятия;
Планирование и контроль выполнения технологических операций на полях и контроль соблюдения технологий;
Автоматизированная подготовка технологических карт и производственных заданий;
Централизованный сбор данных по объектам мониторинга;
Сбор, обработка и анализ информации о производственных процессах и задействованных в нем объектах (свойства почв, культурных и сорных растений, севообороты, технологии возделывания культур, машинно-тракторный парк и др.);
Сбор и анализ результатов наземных обследований почвы с привязкой к географическим координатам и полям;
Автоматизированное формирование отчетов;
Сбор сведений с подчинённых организаций и формирование сводной аналитики для принятия управленческих решений с возможностью вывода информации на экраны коллективного пользования;
Сопоставление данных прошлых лет с данными текущего года;
Привязки фотоснимков космических изображений, данных аэрофотосъемки и снимков полей к карте местности;
Сбора и отображения сведений из государственного кадастра;
Сбора, учета и отображения в том числе и на картографическом фоне данных о инфраструктуре регионов, областей, государств;
Обеспечение измерений и сбора метеоданных. Прогнозирование метеоусловий;
Изготовление агрохимических и агрофизических карт полей;
Изготовление карт отбора проб почвы;
Определение плотности растительности на полях;
Подготовка заданий и технологических карт дифференцированного внесения материалов для различных бортовых систем.
В данной системе можно выделить следующие функциональные блоки:
Справочная подсистема
Подсистема ведения организационно-штатной структуры
Подсистема ведения данных по полям
Подсистема планирования
Подсистема агротехнических расчетов
Подсистема удаленного сбора данных с полей
Подсистема учета и движения материальных средств по складам
Подсистема мониторинга техники и расходования топлива
Подсистема мониторинга технологических операций
Подсистема сбора данных об измерениях и прогнозировании метеоусловий
Подсистема обработки цифровых снимков
Модуль оповещения
Модуль импорта и обработки аэро и космических данных
Модуль опроса терминалов мониторинга
Подсистема «Карта»
Модуль генерации отчетов
Подсистема администрирования
Средства защиты ПО
Подсистема взаимодействия с внешними программами
Подсистема агрегирования данных
Общая структура системы Harver приведена на рисунке 4.1.
Рассмотрим ключевые функциональные блоки и их основное предназначение.
Справочная подсистема.
Основные задачи:
Ведение нормативно-справочной информации;
Организация справочников пользователя;
Поддержка пользователя при идентификации растений и вредителей;
Отображение эксплуатационной документации;
Состав справочников и классификаторов определяется в процессе проектирования каждой подсистемы.
Подсистема ведения организационно-штатной структуры
Система ведения организационно-штатной структуры обеспечивает ведение данных по организации и ее подчинённым (отделения, филиалы) в части:
структуры организации;
штатной численности;
данных по людям;
сельхозугодий;
технических средств (машины, орудия и пр.);
семян;
удобрений;
СЗР;
Структура организации может быть древовидной, любой вложенности. Отделения (филиалы) организации могут быть физически удалены от головной организации. В таком случае, взаимодействие осуществляется посредством автоматизированного обмена отчетными формами по электронным каналам связи.
Подсистема ведения данных по полям
Данная система является электронным «дневником агронома» и обеспечивает возможность сбора, накопления и отображения следующих информационных массивов:
Сорняки;
Болезни в почве;
Вредители;
Культуры;
Цифровые снимки с полей;
Физико-химические свойства почвы;
Технологические операции;
Кроме того, система обеспечивает ведение электронного полевого журнала с привязкой всех записей к карте и году (с возможностью сортировки «по году»).
Система позволяет сравнивать любые текущие данные с данными предыдущих лет.