employee from 01.01.2024 until now
Mtsensk, Orel, Russian Federation
employee from 01.01.2022 until now
Moscow, Moscow, Russian Federation
employee from 01.01.2025 until now
Lipetsk, Lipetsk, Russian Federation
employee from 01.01.2024 until now
Ryazan, Orel, Russian Federation
UDC 004.89
This article examines the physico-chemical degradation of the surfaces of technical vision systems used in the agro-industrial complex, as well as the reliability of computer vision systems operating in chemically aggressive environments. As autonomous agricultural machinery becomes increasingly dependent on optical data for navigation and crop monitoring, the reliability of camera interfaces under prolonged exposure to fertilizers, herbicides, and pesticides is becoming a critical engineering challenge. The study provides a detailed analysis of the interaction between the chemical components of widely used agrochemicals, with special attention paid to active ingredients, organic solvents and surfactants, as well as the housings of vision modules. The experimental basis includes a comparative assessment of the durability of materials of vision systems under controlled exposure to various concentrations of reagents. The main point of this study is the mechanisms of destruction of materials. The study correlated the duration of exposure and concentration of the reagent with quantitative indicators of optical characteristics, including loss of transmission in the visible and near-infrared spectra and an increase in surface roughness, as well as a chemical analysis of the interaction of reagents with materials of vision systems.
Machine vision; greenhouse microclimate; humidity; image quality; condensation; precision agriculture; environmental robustness
Введение. Современные технологии в настоящее время получают достаточно широкое распространение во всех отраслях государства, в том числе, в агропромышленном комплексе. Применение систем технического зрения (СТЗ) является эффективным, но нераспространенным способом повышения эффективности отдельных предприятий агропромышленного комплекса, не смотря на значительное увеличение количества и качества исследований в данной области [1].
Известные исследования, направленные на применение СТЗ на технике для автоматизации процессов посадки, обработки и сбора урожая, для осуществления мониторинга больших открытых территорий и для решения иных задач земледелия в агропромышленном комплексе. Немаловажным и перспективным за счет своей потенциальной эффективности является применение СТЗ в контролируемых условиях земледелия, а именно, в теплицах. Потенциально высокая эффективность применения таких систем обуславливается неизменными условиями работы периферийных устройств СТЗ и возможностью создания необходимых условий по освещению, а также меньшим воздействием условий окружающей среды в случае применения СТЗ в полевых условиях, таких как осадки, запыленность и др., значительно влияющих на качество обработки и определения объектов и их свойств на полученных изображениях [2,3].
Теплица является спроектированным для создания определенных условий для возделывания культур строением, обладающим рядом преимуществ в сравнении с открытым грунтом, но в то же время сложной средой для применение автоматизированных систем мониторинга за состоянием роста и развития болезней. Замкнутый характер микроклимата в теплице создает условия, характеризующиеся высокой относительной влажностью и ограниченной циркуляцией воздуха, что может приводить к перепадам влажности, образованию водяного тумана и выпадению росы [4].
Туман и росса являются факторами, оказывающими непосредственное влияние на качество исходного изображения и, соответственно, на качество оценки состояния культуры и принимаемых системой мониторинга решений. Аналитическое исследование влияния данных факторов позволит предусмотреть некоторые факторы работы СТЗ в тепличных условиях до их фактического применения, оценить степень их влияния на качество работы системы и предусмотреть возможные направления решения выявленных факторов [5].
Выпадение росы на объективах камер СТЗ и появление водяного тумана непосредственно влияют на оптические свойства периферийных устройств системы и приводят к заметным искажениям изображений, снижения четкости, контраста и искажения цвета, что существенно влияет на качество работы вычислительного модуля, так как большинство систем обработки и анализа изображений основываются на определении контура и формы объекта, а также его цветовой идентификации [6].
Целью данного аналитического исследования является оценка влияния водяного тумана и росы на качество получаемых изображений и точность определения объекта на изображении и его состояния.
Данное исследование направлено на количественную оценку взаимосвязи между конкретными параметрами влажности и критическими показателями качества изображения, такими как контрастность, отношение сигнал/шум (SNR) и структурное сходство (SSIM). Основная цель исследования состоит в том, чтобы создать теоретическую базу исследования механизмов деградации, определяющая критические пороговые значения для снижения производительности и обеспечивающая основу для разработки более экологичных систем машинного зрения для сельского хозяйства.
Материалы и методы. Определено, что ключевыми параметрами, оказывающими непосредственное влияние не качество изображения и, как следствие, точность определение объекта и его состояния являются на изображении являются: четкость, контрастность и искажение цвета [7]. Тогда в качестве аналитического эксперимента настоящего исследования определяются два основных показателя:
– Контрастность (контраст, C), являющаяся отдельным показателем качества изображения.
– Структурное сходство (SSIM) – факторный показатель, зависящий от четкости изображения (размытия) и искажения цвета.
Для определения влияния тепличных условий на качество работы аналитической системы мониторинга за состоянием окружающей среды были проанализированы исследования, определяющие влияние влажности на изображение [8]. Далее, были отобраны 100 референсных изображений, на которые с помощью искусственной деградации с помощью фильтров и преобразований были наложены эффекты до достижения состояния изображения, соответствующего
45 %, 60 %, 70 %, 80 % и 90 % влажности, соответственно. Таким образом, было получено 500 изображений для проведения аналитического эксперимента. Стоит отметить, что все эксперименты проводились при условии выпадения росы и образования водяного тумана при соответствующих показателях влажности.
Для достижения требуемого уровня качества изображений применялись следующие методы искусственной деградации:
– рассеяние света на микрокаплях (размытие по Гауссу),
– ухудшение видимости (манипулирование контрастом),
– искажение структуры (локальные фильтры, уменьшающие SSIM) [9].
Эксперимент включал в себя аналитическое определение показателя контраста и индекса структурного сходства для каждого набора изображений, соответствующих определенной влажности и сравнение их с исходным набором изображений. Аналитическое исследование основывалось на следующих зависимостях:
1. Контраст – измеряется как разница между максимальной и минимальной интенсивностями пикселей [10]:
, (1)
где и
представляют собой максимальную и минимальную интенсивность пикселей соответственно.
2. SSIM для оценки сходства эталонного и «искусственного» изображения был рассчитан в соответствии с формулой [11]:
, (2)
где μх, μy, – это локальные значения, σху – стандартные отклонения, а С1 и С2 являются стабилизирующими константами.
Результаты аналитического эксперимента по оценке показателя контрастности и индекса структурного сходства представлены в таблице 1.
Таблица 1
Средние показатели качества изображения относительно уровня влажности
|
Влажность воздуха (%) |
Контраст (C) |
SSIM |
|
45 |
0,82 |
0,98 |
|
60 |
0,76 |
0,93 |
|
70 |
0,69 |
0,86 |
|
80 |
0,58 |
0,79 |
|
90 |
0,51 |
0,72 |
Полученные данные демонстрируют устойчивую зависимость между уровнем влажности в теплице и показателями контрастности (C) и индекса структурного сходства.
Немаловажными факторами являются условия образования водяного тумана и выпадения росы, так как влажность воздуха в отрыве от данного показателя не является основополагающим фактором изменения качества изображения [12].
Точка росы – температура, при которой начинается образование конденсата в воздухе с определённой температурой и относительной влажностью [13].
Температура точки росы Td была рассчитана с использованием приближения Магнуса–Тетенса:
, (3)
где T – температура, °С, RH – относительная влажность в объемных долях, a = 17,27,
b = 237,7 °С,
Результаты определения точки росы для исследуемых показателей влажности и характерных для тепличных условий температур воздуха, соответствующих 20 °С, 25 °С и 30 °С, представлены в таблице 2.
Таблица 2
Результаты аналитического определения точки росы
|
Температура (°C) |
Относительная влажность воздуха (%) |
Средняя точка росы (°C) |
|
20 |
45 |
7,6 |
|
60 |
12,0 |
|
|
70 |
14,2 |
|
|
80 |
16,3 |
|
|
90 |
18,2 |
|
|
25 |
45 |
12,3 |
|
60 |
16,5 |
|
|
70 |
19,3 |
|
|
80 |
21,2 |
|
|
90 |
23,1 |
|
|
30 |
45 |
16,0 |
|
60 |
21,4 |
|
|
70 |
23,7 |
|
|
80 |
25,8 |
|
|
90 |
28,1 |
Результаты определения точки росы позволяют выявить условия, при которых возможно образование водяного тумана и выпадения росы. Стоит отметить характерную зависимость между температурой окружающей среды и средней точкой росы, а также более подробно рассмотреть механизм образования тумана и росы, которые имеют различную природу возникновения.
Водяной туман в тепличных условиях может возникать при условиях снижения температуры воздуха и влажности при отсутствии снижения или при незначительном снижении температуры грунта [14]. Контакт холодного и сухого воздуха и теплого влажного грунта приводит к конденсации влаги из почвы и возникновению стойкого тумана [15].
Выпадение росы имеет схожую природу образования, но характеризуется иными изменениями условий окружающей среды. Так, образование росы можно описать следующим образом: воздух может содержать в себе определенное количество влаги, которое зависит от температуры, чем больше температура, тем больше влаги, соответственно, при снижении температуры избыточное количество влаги выделяется в виде капель жидкости в первую очередь на поверхности более холодных предметов.
Таким образом, точка росы служит не только расчетным параметром, но и точным физическим индикатором, предопределяющим область ухудшения качества изображения, обусловленного прямым воздействием конденсата.
Основная часть. Результаты определения показателей качества изображений, как фактора, являющего основополагающим для определения состояния культур с помощью систем технического зрения, позволяют сделать вывод о резком снижении качества изображения и получаемых результатов анализа. В свою очередь понимание механизма образования водяного тумана и выпадения росы позволяет сформировать такие требования к периферийному оборудованию и программно-аппаратному комплексу интеллектуальной системы автоматизированного контроля за ростом и состояние тепличных культур, при которых в случае наблюдения системой условий для образования водяного тумана или росы, полученные снимки будут автоматически исключены из дальнейшего анализа для исключения ложного срабатывания системы и некорректных дальнейших решений оператора или системы.
Дальнейший анализ зависимости показателя контрастности от влажности окружающей среды при соблюдении условий для выпадения росы и образования водяного тумана позволил определить стандартное отклонение и относительное снижение контрастности, представленные в таблице 3.
Таблица 3
Ухудшение контрастности при различных уровнях влажности (при 25°C)
|
Влажность, % |
Контраст, C |
Стандартное отклонение |
Относительное снижение контрастности (%) |
|
45 |
0,82 |
0,011 |
0 |
|
60 |
0,76 |
0,012 |
7,3 |
|
70 |
0,69 |
0,015 |
15,9 |
|
80 |
0,58 |
0,016 |
29,3 |
|
90 |
0,51 |
0,018 |
37,8 |
Анализ зависимости между относительной влажностью и контрастностью показал, что снижение контрастности является одним из наиболее чувствительных и ранних индикаторов снижения качества изображения под воздействием влаги. Контрастность напрямую отражает разницу яркостей между объектом и фоном, и небольшое ее уменьшение приводит к заметному ухудшению визуальной разделимости структур на изображении. При повышении относительной влажности увеличенная концентрация водяного пара и образование микрокапель на оптических поверхностях приводят к рассеянию света, из-за чего изображение становится более “плоским” и менее информативным.
Зависимость между влажностью и контрастностью может быть аппроксимирована уравнением регрессии:
(4)
где С0 = 0,82 – базовый контраст в сухих условиях, а k1 =0,0041 – коэффициент деградации.
Как показано на рисунке 1, контрастность изображения линейно снижается с увеличением влажности, особенно при относительной влажности выше 70 %.
Рис. 1. Зависимость контраста от относительной влажности
Анализ значений индекса структурного сходства, характеризующегося размытием и искажением цвета, позволил определить стандартное отклонение и относительное снижение SSIM. Результаты представлены в таблице 4.
Таблица 4
Изменение индекса SSIM в зависимости от влажности (при 25°C)
|
Влажность (%) |
SSIM |
Стандартное отклонение |
Относительное снижение SSIM (%) |
|
45 |
0,98 |
0,005 |
0 |
|
60 |
0,93 |
0,008 |
5,1 |
|
70 |
0,86 |
0,010 |
12,2 |
|
80 |
0,79 |
0,014 |
19,4 |
|
90 |
0,72 |
0,015 |
26,5 |
При относительной влажности воздуха до 60 % SSIM оставался выше 0,9, однако, при дальнейшем повышении уровня влажности, он линейно падал до 0,72, что указывает на искажения изображений, потерю детализации текстуры и локальное размытие из-за конденсата.
Зависимость SSIM от влажности была смоделирована с использованием квадратичного полинома:
, (5)
где а0 = 0,98, а1 = -0,0017 и а2 = -1,6·10-5.
Порог ухудшения восприятия, определенный как SSIM ≤ 0,85, был достигнут при относительной влажности воздуха = 73% ± 2 % (рис. 2).
Рис. 2. Зависимость SSIM от относительной влажности
Результаты аналитического исследования продемонстрировали статистически устойчивую корреляцию между моделируемыми условиями влажности в теплице и ухудшением ключевых показателей качества изображения. Коэффициенты корреляции были рассчитаны между относительной влажностью и основными показателями — контрастностью (C) и индексом структурного сходства (SSIM) – с использованием синтетических образцов, что дало значения
R = -0,982 и R = -0,938 соответственно. Эти значения свидетельствуют о том, что даже в вычислительных условиях повышенные параметры влажности оказывают значительное влияние на стабильность качества изображении.
Совокупные результаты демонстрируют, что уровни влажности, превышающие 65–70 %, представляют собой критический предел для большинства систем машинного зрения без внешней защиты от влажности. Сочетание эффектов приводит к искажению качества изображений, получаемых интеллектуальной системой мониторинга и снижению точности обработки изображений.
Выводы. Существует статистически значимая отрицательная корреляция между относительной влажностью воздуха в теплице и ключевыми метриками качества изображения. Повышение влажности с 45 % до 90 % приводит к прогрессирующему ухудшению изображения: контрастность (C) снижается на 37,8 %, а индекс структурного сходства (SSIM) – на 26,5 %. Коэффициенты корреляции составили R = -0.982 для контрастности и R = -0.938 для SSIM, что подтверждает устойчивость выявленной зависимости. Определены критические пороговые значения влажности для работы систем машинного зрения. Качественная деградация изображений, при которой SSIM опускается ниже порога восприятия в 0.85, наступает при относительной влажности воздуха около 73 % ± 2 %. Для большинства незащищенных систем машинного зрения диапазон влажности выше 65–70 % представляет собой критический предел, за которым существенно снижается точность обработки и анализа изображений. Основным физическим механизмом деградации является образование конденсата (водяного тумана и росы). Точечный анализ условий конденсации с использованием модели точки росы (приближение Магнуса–Тетенса) показал, что именно достижение точки росы, а не абстрактный уровень влажности, является непосредственным индикатором начала ухудшения качества изображения из-за рассеяния света на микрокаплях и искажения оптического пути. Полученные результаты формируют практическую основу для повышения надежности интеллектуальных систем мониторинга. Для обеспечения корректной работы в тепличных условиях необходимы: аппаратные решения (защита оптических компонентов от конденсата с помощью подогрева, гидрофобных покрытий или герметичных кожухов); программно-алгоритмические меры (разработка алгоритмов, компенсирующих артефакты, вызванные влагой, или автоматически исключающих из анализа изображения, полученные в условиях, благоприятных для конденсации); системные требования (формирование спецификаций по допустимому микроклимату для размещения камер и пороговых значений для принятия решений). Таким образом, исследование количественно обосновывает значимое влияние влажностного режима теплицы на работу систем машинного зрения и предлагает конкретные направления для разработки более экологически устойчивых решений в области точного земледелия.
1. Astapov R.L., Mukhamadeeva R.M. Automation of selection of machine learning parameters and training of a machine learning model [Avtomatizaciya podbora parametrov mashinnogo obucheniya i obuchenie modeli mashinnogo obucheniya]. Aktual'nye nauchnye issledovaniya v sovremennom mire. 2021. No. 5-2(73). Pp. 34–37. EDN GJEUNW. (rus)
2. Nekrasov A.D. The use of machine vision in various industries [Ispol'zovanie mashinnogo zreniya v razlichnyh otraslyah]. Nauchnyj Lider. 2022. No. 3(48). Pp. 28–29. EDN RTACEU. (rus)
3. Savateev S.I., Savateev V.I., Shlaev V.I., Vasiliev D.M. Modern approaches and prospects for the development of machine vision in industry and production [Sovremennye podhody i perspektivy razvitiya mashinnogo zreniya v promyshlennosti i proizvodstve]. Nauka segodnya: vyzovy, perspektivy i vozmozhnosti: Materialy mezhdunarodnoj nauchno-prakticheskoj konferencii. V 2-h chastyah, Vologda, December 11, 2019 Vol. Part 1. Vologda: "Marker" LLC. Pp. 102–104. EDN JBKOGQ. (rus)
4. Akulov A.A., Omelchenko N.A., Taldykin D.S., Ganzha N.M. Prospects and effectiveness of using machine vision systems in the agro-industrial complex of the Russian Federation [Perspektivy i effektivnost' primeneniya sistem mashinnogo zreniya v agropromyshlennom komplekse Rossijskoj Federacii]. ACTUAL problems of MODERN SOCIETY, SCIENCE and EDUCATION: collection of articles of the II International scientific-practical conference, Penza, August 20, 2025. Penza: Nauka i Prosveshchenie (IP Gulyaev G.Yu.), 2025. Pp. 14–19. EDN RSFSOQ. (rus)
5. Kosnikov S.N., Gazizov R.R., Kost A.E. Artificial intelligence in the management of agricultural operations: cost reduction and production efficiency improvement [Iskusstvennyj intellekt v upravlenii sel'skohozyajstvennymi operaciyami: snizhenie zatrat i povyshenie effektivnosti proizvodstva]. Drukerovskij vestnik. 2023. No. 3(53). Pp. 284–293. DOIhttps://doi.org/10.17213/2312-6469-2023-3-284-293. EDN BVAWTW. (rus)
6. Gazeev E.D. Application of machine vision in agriculture [Primenenie mashinnogo zreniya v sel'skom hozyajstve]. Avtomatizirovannye sistemy upravleniya i informacionnye tekhnologii : materialy vserossijskoj nauchno-tekhnicheskoj konferencii, Perm', June 7–9, 2024. Perm: Perm National Research Polytechnic University, 2024. Pp. 426–431. EDN QQHPKR. (rus)
7. Kuznecov V.A., Smirnov V.V. Application of neural networks in machine vision systems [Primenenie nejrosetej v sistemah mashinnogo zreniya]. Tradicii i innovacii v stroitel'stve i arhitekture. Stroitel'nye tekhnologii: sbornik statej. Samarskij gosudarstvennyj tekhnicheskij universitet. Samara: Samarskij gosudarstvennyj arhitekturno-stroitel'nyj universitet, 2017. Pp. 514–516. EDN WOOHNA. (rus)
8. Shcherbakov N.A., Sadov A.A. Possibility of using machine vision to determine plant growth phases on the example of tomatoes [Vozmozhnost' primeneniya mashinnogo zreniya dlya opredeleniya faz rosta rastenij na primere pomidorov]. Obzor tendencij v agropromyshlennom komplekse : sbornik statej konferencii studentov, aspirantov i molodyh uchenyh «Tendencii v APK», 24 October 2022. Yekaterinburg: Ural'skij gosudarstvennyj agrarnyj universitet, 2022. Pp. 99–100. EDN POFSAD. (rus)
9. Manukyan R.L., Petrashin I.V. Machine vision. Main components of machine vision [Mashinnoe zrenie. Osnovnye komponenty mashinnogo zreniya]. Modern science: actual issues, achievements and innovations: collection of articles of the VII International scientific and practical conference: in 4 parts, Penza, June 05, 2019. Vol. Part 2. Penza: "Nauka i Prosveshchenie" (IP Gulyaev G.Yu.), 2019. Pp. 295–297. EDN HEJCRG. (rus)
10. Yakovleva E.A. Application of machine vision technologies in conditions of limited resources [Primenenie tekhnologij mashinnogo zreniya v usloviyah ogranichennyh resursov]. Information security of the regions of Russia (IBRR-2023): XIII St. Petersburg Interregional Conference. Conference proceedings, St. Petersburg, October 25–27, 2023. St. Petersburg: St. Petersburg Society of Informatics, Computer Engineering, Communication and Control Systems, 2023. Pp. 303–304. EDN SXCAHQ. (rus)
11. Rashitov A.R., Bulatasov I.R. Application of mathematical methods in machine vision [Primenenie matematicheskih metodov v mashinnom zrenii]. The role of mathematics in the formation of a specialist-2023: materials of the International scientific and practical conference, Ufa, May 18, 2023. Ufa: Ufa State Petroleum Technological University, 2023. Pp. 38–50. EDN VSASDS. (rus)
12. Bogdanov L.A. Machine vision and image recognition [Mashinnoe zrenie i raspoznavanie izobrazhenij]. Akademicheskaya nauka - problemy i dostizheniya, North Charleston, SC, USA, 07–08 July 2014 / Research Center «Akademicheskij». Vol. 2. North Charleston, SC, USA: CreateSpace, 2014. P. 119. EDN SWGEHH. (rus)
13. Ponomarev A.N., Kazanceva L.V. Machine vision: relevance and application [Mashinnoe zrenie: aktual'nost' i primenenie]. Nauchno-tekhnicheskij vestnik Povolzh'ya. 2021. No. 4. Pp. 100–102. EDN VGJJVW. (rus)
14. Sitnikov V.V., Lyuminarskij V.V., Korobejnikov A.V. Overview of object recognition methods used in machine vision systems [Obzor metodov raspoznavaniya ob"ektov, ispol'zuemyh v sistemah mashinnogo zreniya]. Vestnik IzhGTU imeni M.T. Kalashnikova. 2018. Vol. 21, No. 4. Pp. 222–229. DOIhttps://doi.org/10.22213/2413-1172-2018-4-222-229. EDN YTZICT. (rus)
15. Khusnullin A.A. Machine vision technologies: from face recognition to quality control in production [Tekhnologii mashinnogo zreniya: ot raspoznavaniya lic do kontrolya kachestva na proizvodstve]. Youth and the XXI century - 2025: Collection of scientific articles of the 14th International youth scientific conference. In 5 volumes, Kursk, February 20–21, 2025. Kursk: "Universitetskaya kniga" CJSC, 2025. Pp. 435–438. EDN BAJPOC. (rus)
