ОБГРУНТУВАННЯ ПЕРЕЛІКУ ФАКТОРІВ ДЛЯ ВИБОРУ МОДЕЛІ РОБОТА – ПРОПОЛЮВАЧА БУР’ЯНІВ
DOI:
https://doi.org/10.36910/acm.vi51.1891Ключові слова:
бур'яни, робот, експертне оцінювання, фактори, способи боротьби з бур'янамиАнотація
Проблема бур'янів є однією з актуальних для сільського господарства. Традиційні технології, які передбачають застосування великої кількості хімічних речовин, стали загрозою для світових екологічних систем. Крім того, деякі види бур'янів розвинули стійкість до ряду гербіцидів. Все це вимагає запровадження інноваційних підходів до організації технологічних процесів знищення бур'янів. Аналіз чинних досліджень виявив, що світова наукова спільнота рахує запровадження робототехніки в галузь сільського господарства перспективним й актуальним напрямком його подальшого розвитку. Запровадження роботів у сільському господарстві у США, Нідерландах, Китаї вже на даний час сприяє вирішенню ряда проблем. Зокрема, дозволяє аграріям скорочувати виробничі витрати, вирішувати проблему дефіциту робочих рук, забезпечує стабільно високі показники якості продукції, сприяє поліпшенню умов праці робітників. З урахуванням зазначеного у Національному університеті водного господарства та природокористування проводяться науково – прикладні роботи, спрямовані на розробляння та випробування роботів для виконання різних видів сільськогосподарських робіт. Автором проведено ряд робіт із розробляння робота для прополювання бур’янів. У статті представлено результати аналізу чинних досліджень, спрямованих на розробляння та запровадження новітніх технологій в галузі виявлення та боротьби з бур'янами, які базуються на застосуванні роботів. Проведений аналіз буде покладено в основу концептуального проєктного рішення моделі робота. Також викладено результати експертного оцінювання факторів, які визначають вибір моделі робота – прополювача для конкретного сільськогосподарського підприємства. Ефективний підбір робота для конкретного господарства вимагає системного наукового підходу до організації самого процесу знищення бур’янів. Необхідно враховувати всі кількісні та якісні фактори, які не завжди залежать від виробника.
Отримані результати можуть бути використані аграрними виробниками для обґрунтованого вибору робота й ефективної організації технологій прополювання.
Посилання
Gallardo, R. K., & Sauer, J. (2018). Adoption of labor-saving technologies in agriculture. Annual Review of Resource Economics, 10, 185–206. https://doi.org/10.1146/annurev-resource-100517-023018
Gebresenbet, G., Bosona, T., Patterson, D., & Persson, H. (2023). A concept for application of integrated digital technologies to enhance future smart agricultural systems. Smart Agricultural Technology, 5, 100–255. https://doi.org/10.1016/j.atech.2023.100255
Kushwaha, H. (2020). Robotic and mechatronic application in agriculture. RASSA Journal of Science for Society, 1(3), 89–97.
Li, N., Zhang, X., Zhang, C., Ge, L., He, Y., & Wu, X. (2019). Review of machine-vision-based plant detection technologies for robotic weeding. In IEEE International Conference on Robotics and Biomimetics (ROBIO), 2370–2377.
Machleb, J., Peteinatos, G. G., Kollenda, B. L., Andújar, D., & Gerhards, R. (2020). Sensor-based mechanical weed control: Present state and prospects. Computers and Electronics in Agriculture, 176, 105–638. https://doi.org/10.1016/j.compag.2020.105638
MacLaren, C., Storkey, J., Menegat, A., Metcalfe, H., & Research, R. (2020). An ecological future for weed science to sustain crop production and the environment: A review. Agronomy for Sustainable Development, 40(4). https://doi.org/10.1007/s13593-020-00631-6
Martin, T., Gasselin, P., Hostiou, N., et al. (2022). Robots and transformations of work in farm: A systematic review of the literature and a research agenda. Agronomy for Sustainable Development, 42, 66. https://doi.org/10.1007/s13593-022-00796-2
Merfield, C. N. (2016). Robotic weeding’s false dawn? Ten requirements for fully autonomous mechanical weed management. Weed Research, 56(5), 340–344. https://doi.org/10.1111/wre.12217
Merfield, C. N. (2023). Could the dawn of Level 4 robotic weeders facilitate a revolution in ecological weed management? Weed Research, 63(2). https://doi.org/10.1111/wre.12570
Mia, M. J., Massetani, F., Murri, G., & Neri, D. (2020). Sustainable alternatives to chemicals for weed control in the orchard – A review. Horticultural Science, 47(1), 1–12. https://doi.org/10.17221/29/2019-HORTSCI
Mohd Javaid, A., Haleem, A., Khan, I. H., & Suman, R. (2023). Understanding the potential applications of artificial intelligence in agriculture sector. Advanced Agrochem, 2(1), 15–30. https://doi.org/10.1016/j.aac.2022.10.001
Moshayedi, A. J., Khan, A., Yang, Y., Hu, J., & Kolahdooz, A. (2024). Robots in agriculture: Revolutionizing farming practices. EAI Endorsed Transactions on AI and Robotics, 3, 1–23. https://doi.org/10.4108/airo.5855
Paraforos, D. S., Aube, C., Athanasakos, L., Avgoustakis, I., Baron, S., Bresilla, T., Fountas, S., Hemming, J., Karagiannis, P., Mylonas, N., Nieuwenhuizen, A. T., Garcia, F. R., Pavlenko, T., Scovill, A., Sharipov, G. M., Vidal, J., & Van Evert, F. K. (2022). Connecting agricultural robots and smart implements by using ISO 11783 communication. IFAC-Papers OnLine, 55, 200–205. https://doi.org/10.1016/j.ifacol.2022.11.139
Petrich, L., Lohrmann, G., Martin, F., Stoll, A., & Schmidt, V. (2022). Model-based scenario analysis for effective site-specific weed control on grassland sites. Computers and Electronics in Agriculture, 202, 107–332. https://doi.org/10.1016/j.compag.2022.107332
Quan, L., Jiang, W., Li, H., Li, H., Wang, Q., & Chen, L. (2022). Intelligent intra-row robotic weeding system combining deep learning technology with a targeted weeding mode. Biosystems Engineering, 216, 13–31. https://doi.org/10.1016/j.biosystemseng.2022.01.019
Raja, R., Slaughter, D. C., Fennimore, S. A., & Siemens, M. C. (2023). Real-time control of high-resolution micro-jet sprayer integrated with machine vision for precision weed control. Biosystems Engineering, 228, 31–48. https://doi.org/10.1016/j.biosystemseng.2023.02.006
Shang, L., Pahmeyer, C., Heckelei, T., Rasch, S., & Storm, H. (2023). How much can farmers pay for weeding robots? A Monte Carlo simulation study. Precision Agriculture, 24, 1712–1737. https://doi.org/10.1007/s11119-023-10015-x
Sparrow, R., & Howard, M. (2021). Robots in agriculture: Prospects, impacts, ethics, and policy. Precision Agriculture, 22, 818–833. https://doi.org/10.1007/s11119-020-09757-9
Thakur, A., Venu, S., & Gurusamy, M. (2023). An extensive review on agricultural robots with a focus on their perception systems. Computers and Electronics in Agriculture, 212, 108146. https://doi.org/10.1016/j.compag.2023.108146
Zhao, X., Yang, J., Zhong, Y., Zhang, C., & Gao, Y. (2024). Study on chassis leveling control of a three-wheeled agricultural robot. Agronomy, 14, 1765. https://doi.org/10.3390/agronomy14081765
Гнатієнко, Г. М., & Снитюк, В. Є. (2008). Експертні технології прийняття рішень [Expert decision-making technologies]. Київ: Маклаут.
Jiang, W., Quan, L., Wei, G., Chang, C., & Geng, T. (2023). A conceptual evaluation of a weed control method with post-damage application of herbicides: A composite intelligent intra-row weeding robot. Soil Tillage Research, 234. https://doi.org/10.1016/j.still.2023.105837
Hussain, N., Farooque, A. A., Schumann, A. W., McKenzie-Gopsill, A., Esau, T., Abbas, F., et al. (2020). Design and development of a smart variable rate sprayer using deep learning. Remote Sensing, 12(24), 4091. https://doi.org/10.3390/rs12244091
