Повышение технологической эффективности лесосечных работ с помощью системы поддержки принятия решений оператора валочно-сучкорезно-раскряжевочной машины тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Рогачев Дмитрий Игоревич

• Рогачев Дмитрий Игоревич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Рогачев Дмитрий Игоревич

ВВЕДЕНИЕ

ГЛАВА 1. СОВРЕМЕННОЕ СОСТОЯНИЕ ВОПРОСА, ЦЕЛИ И ЗАДАЧИ ИССЛЕДОВАНИЯ

1.1. Основные аспекты рабочего процесса оператора валочно-сучкорезно-раскряжёвочной машины

1.2. Система поддержки принятия решений

1.3. Цифровизация в лесном комплексе

1.4. Элементы машинного зрения

1.5. Методы определения таксационных параметров растущего дерева

1.6. Фильтрация облака точек

1.7. Формирование библиотеки данных для обучения нейронной сети

1.8. Выводы по Главе

ГЛАВА 2. ИНТЕГРАЦИЯ ДАННЫХ LIDAR В СИСТЕМУ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ОПЕРАТОРА

2.1. Концепция системы поддержки принятия решений оператора ВСРМ

2.2. Обоснования выбора лазерного сканера ^БАЯ)

2.2.1. Расположение лазерного сканера на базовой машине

2.2.2. Методика определения количества лучей, пересекающих ствол дерева в зависимости от горизонтального шага сканирования

2.2.3. Методика определения количества лучей, пересекающих ствол дерева в зависимости от вертикального угла обзора и шага сканирования

2.2.4. Методика определения количества лучей, пересекающих ствол дерева в зависимости от угла сканирования

2.3. Методики определения диаметра поперечного сечения ствола дерева с учётом его наклона

2.3.1. Метод определения наклона, основанный на аппроксимации цилиндра

Стр.

2.3.2. Метод определения наклона, основанный на аппроксимации конуса

2.3.3. Метод определения наклона, основанный на аппроксимации оси

2.3.4. Определение диаметра поперечного сечения ствола дерева

2.4. Выводы по Главе

ГЛАВА 3. ОБРАБОТКА ДАННЫХ LIDAR, ОБЕСПЕЧИВАЮЩАЯ ЭФФЕКТИВНОЕ ФУНКЦИОНИРОВАНИЕ СППР

3.1. Фильтр шумов облака точек

3.1.1. Фильтр точек, основанный на цветовой модели

3.1.2. Фильтр точек, основанный на значении локальной кривизны

3.2. Методика для создания библиотеки синтетических данных ЫЭАЯ для обучения нейронной сети

3.3. Математическая модель карты местности

3.3.1. Ограничения области

3.3.2. Карта местности

3.4. Выводы по Главе

ГЛАВА 4. ВАЛИДАЦИЯ И ОЦЕНКА ЭФФЕКТИВНОСТИ РАЗРАБОТАННОЙ СППР

4.1. Приборы исследования

4.2. Калибровка камеры и лазерного сканера

4.3. Сбор данных

4.4. Оценка работы фильтров

4.4.1. Фильтр, основанный на цветовой модели

4.4.2. Фильтр, основанный на кривизне

4.5. Точность сегментации деревьев

4.6. Оценка производительности

4.6.1. Моделирование расположения древостоя

4.6.2. Моделирование таксационных параметров деревьев

4.6.3. Расчёт производительности

4.6.4. Моделирование рабочего процесса ВСРМ

Стр.

4.6.5. Результаты моделирования

4.7. Выводы по Главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СЛОВАРЬ ТЕРМИНОВ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Введение диссертации (часть автореферата) на тему «Повышение технологической эффективности лесосечных работ с помощью системы поддержки принятия решений оператора валочно-сучкорезно-раскряжевочной машины»

ВВЕДЕНИЕ

Актуальность исследования. Утверждённая «Стратегия развития лесного комплекса Российской Федерации до 2030 года» является ключевым нормативно -правовым актом, определяющим векторы развития лесопользования и лесной промышленности в России. Утверждение данной стратегии имеет особое значение для сохранения лесных ресурсов и рационального использования лесов как важного природного ресурса и для перехода от экстенсивных методов землепользования к интенсивным.

Интенсивные методы лесозаготовок направлены на повышение производительности труда и экологической устойчивости лесного комплекса путём применения инновационных технологий, оптимизации технологических процессов заготовки, восстановления и управления лесами. Данный подход способствует эффективному лесопользованию и сохранению экологического баланса.

Развитие технологий как с точки зрения технологического потенциала, так и с точки зрения экономически эффективной интеграции происходит экспоненциальными темпами. В то время как высокотехнологичные роботизированные системы уже стали обычным явлением в таких отраслях, как сельское хозяйство, горнодобывающая промышленность, в лесной отрасли они пока не получили широкого распространения

Экстраполируя цифровое развитие смежных отраслей на лесозаготовительные машины, можно сделать обоснованное предположение о том, что на пути создания полностью автономной лесозаготовительной машины должны быть промежуточные этапы с решениями, автоматизирующими рутинные операции. Одним из таких автоматизированных решений должна стать система поддержки принятия решений оператора лесозаготовительной машины.

Степень разработанности темы. В рамках диссертационного исследования проведён комплексный анализ существующих исследований из взаимосвязанных

областей, таких как: оптимизация рабочего процесса оператора валочно-сучкорезно-раскряжевочной машины, внедрение цифровых технологий в лесохозяйственный комплекс, применение элементов машинного зрения для определения таксационных параметров деревьев, обработка данных с облака точек и формирование набора данных для обучения нейронных сетей.

Приняты во внимание работы авторов: Анучин Н.П., Бухтояров Л.Д., Быковский М.А., Васенёв М.Ю., Васильев С.Б., Галактионов О.Н., Гусев Н.Н., Данилин И.М., Демидов Д.Н., Думов М.И., Жук К.Д., Загреев В.В., Захаров В.К., Кабонен А.В., Каплина Н.Ф., Карпачев С.П., Комиссаров А.В., Клубничкин В.Е., Кравченко П.П., Ласточкин Д.М., Лебков В.Ф., Макаров В.С., Мошкалев А.Г., Петухов И.В., Севрюгина Н.С., Середович В.А., Танрывердиев И.О., Alvites C., Broughton R.K., Chernov N.I., Feng Y., Gril E., He Z., Kasa I., Kelly M., La Hera P. M., Lindroos O., Lopatin E., Mehendale N., Montaghi A., Ososkov G.A., Pratt V., Puliti S., Taubin G., Turner P. и др.

Цель и задачи исследования. Целью диссертационной работы является повышение технологической эффективности работы оператора валочно-сучкорезно-раскряжёвочной машины путём разработки системы поддержки принятия решений, функционирование которой основано на дистанционном определение таксационных параметров дерева.

Для достижения цели исследования сформулированы следующие научные задачи:

- Анализ оптимального размещения лазерного сканера LiDAR (Light Detection and Ranging) на валочно-сучкорезно-раскряжёвочной машине с учётом специфики её конструкции и выполняемых операций, а также обоснование технических характеристик сканера.

- Разработка алгоритма фильтрации шумов для облака точек, полученного при наземном лазерном сканирование участка леса с помощью лазерного сканера LiDAR и цифровой камеры, на основе цвета точек.

- Исследование и сравнительный анализ методик определения диаметра поперечного сечения ствола дерева с учётом его наклона на основе данных наземного лазерного сканирования.

- Разработка методики генерации библиотеки синтетических данных LiDAR, предназначенной для обучения нейронной сети для реализации сегментации стволов деревьев из облака точек, полученном посредством наземного лазерного сканирования участка леса.

- Разработка математической модели для визуализации мест, из которых возможно производить валку дерева на основе данных, полученных с помощью лазерного сканера LiDAR при наземном сканирование участка леса.

- Теоретическая оценка влияния системы поддержки принятия решений на производительность оператора лесозаготовительной машины.

Объект исследования: процесс лесозаготовки с применением лесозаготовительной техники, оснащённой интеллектуальной системой машинного зрения.

Предмет исследования: алгоритмы и методики предобработки облаков точек, получаемых посредством наземного лазерного сканирования лесных массивов, с целью извлечения таксационных параметров деревьев.

Научная новизна работы:

1. Разработана математическая модель для аналитической оценки количества лучей лазерного сканера LiDAR, пересекающих ствол дерева, данная модель служит теоретической основой для обоснования возможности применения сканера LiDAR в целях автоматизации и информатизации управления лесозаготовительной машиной, отличающаяся учётом характеристик образующей древесного ствола и местоположением сканера на базовой машине.

2. Разработан алгоритм фильтрации шумов облака точек, полученного при наземном лазерном сканировании участка леса с целью повышения точности работы неразрушающих методов оценки древесины, отличающейся применением последовательности фильтров, анализирующих цветовые пространства YCbCr и Lab, а также локальную кривизну точек.

3. Разработана методика создания библиотеки синтетических данных LiDAR, предназначенной для обучения нейронной сети, выполняющей сегментацию стволов деревьев в облаке точек, полученном посредством наземного лазерного сканирования участка леса, отличающаяся моделированием деревьев с учётом характеристик образующей древесного ствола.

Достоверность и обоснованность научных результатов, выводов и рекомендаций обеспечиваются экспериментальными исследованиями и возможностью их воспроизведения при наличии аналогичного оборудования и соблюдении описанных условий эксперимента.

Методы исследований. В диссертационной работе использован комплексный подход, объединяющий компьютерное моделирование, обработку данных и экспериментальные исследования. Геометрическое и статистическое моделирование применялось для анализа зон сканирования LiDAR, создания синтетических данных. Алгоритмы фильтрации шумов, сегментации облаков точек и определения таксационных параметров деревьев с помощью методов обработки данных и машинного обучения. Эффективность разработанных решений оценивалась путём сравнительного анализа и оценки производительности.

Основные научные положения и результаты исследований, выносимые на защиту:

1. Алгоритм фильтрации шумов облака точек, полученного посредством наземного лазерного сканирования участка леса, основанный на последовательном применении фильтров, анализирующих цветовые модели YCbCr и Lab и локальную кривизну точек.

2. Методика генерации библиотеки синтетических данных LiDAR, предназначенной для обучения нейронной сети, с целью сегментации стволов деревьев из облака точек.

3. Результаты теоретической оценки влияния системы поддержки принятия решений на производительность оператора лесозаготовительной машины.

Личный вклад диссертанта в решение поставленных задач. Все представленные в диссертационной работе результаты получены автором лично. В частности, автором разработан алгоритм фильтрации шумов облака точек, анализирующий цветовые модели YCbCr и Lab и локальную кривизну точек,

методика генерации библиотеки синтетических данных LiDAR на основе характеристик образующей древесного ствола и математическая модель карты местности, предназначенная для визуализации мест, из которых возможно производить валку деревьев.

Теоретическая и практическая значимость работы заключается в:

- Проведено исследование по оптимизации размещения лазерного сканера на лесозаготовительной машине с целью дистанционного получения таксационных параметров деревьев.

- Разработан алгоритм фильтрации облаков точек, полученных наземным лазерным сканированием с использованием LiDAR и цифровой камеры. Алгоритм основан на цветовых моделях YCbCr и Lab и предназначен для удаления точек, соответствующих листве.

- Предложен метод фильтрации облаков точек, основанный на анализе значения локальной кривизны. Данный метод, применяемый к данным наземного LiDAR-сканирования, позволяет сегментировать точки, принадлежащие ветвям деревьев, и исключить их из дальнейшей обработки.

- Исследованы методы определения диаметра поперечного сечения ствола дерева с учётом его пространственной ориентации на основе данных наземного лазерного сканирования.

- Предложена методика формирования синтетического набора данных для обучения нейронной сети, осуществляющей сегментацию стволов деревьев в облаках точек, полученных при наземном LiDAR-сканировании лесного участка.

- Создана математическая модель для визуализации зон, пригодных для валки деревьев, работа модели основана на результатах обработки облака точек, полученного при наземном сканировании лесного участка.

- Установлена положительная корреляция между использованием системы поддержки принятия решений и производительностью оператора лесозаготовительной машины.

Соответствие диссертации паспорту научной специальности. Основные результаты диссертационной работы соответствуют пунктам: «1 - Параметры и показатели предмета труда в лесном хозяйстве и лесной промышленности как

объекта обработки (технологических воздействий); создание информационных баз»; «6 - Автоматизация, роботизация, информатизация управления машинами и системами лесного хозяйства и лесной промышленности»; «12 - Неразрушающие методы и квалиметрическая оценка древесины на корню, в сортиментах, в конструкциях из древесины и древесных материалов»; из паспорта специальности 4.3.4. «технологии, машины и оборудование для лесного хозяйства и переработки древесины».

Реализация результатов работы. Результаты работы используются в учебном процессе кафедр технологии и оборудование лесопромышленного производства и транспортно-технологические средства и оборудование лесного комплекса МФ МГТУ им. Н.Э. Баумана, что подтверждается соответствующими актами. Реализованное программное обеспечение, полученное в результате работы над диссертацией, внедрено в предприятие ООО «ЛЕСТЕХ-ФИНАНС», что подтверждается соответствующим актом.

Апробация работы. Основные положения и результаты диссертационной работы заслушивались и обсуждались на научно-технических семинарах МФ МГТУ им. Н.Э. Баумана Мытищи, 2021-2024; на Всероссийской научно-практической конференции «Современный лесной комплекс страны: актуальные векторы развития» Воронеж 2023; на VIII Всероссийской научной-технической конференция «Леса России: политика, промышленность, наука, образование» Санкт-Петербург 2023; XVIII Международном лесном форуме и выставке техники и оборудования для лесного комплекса «Российский лес 2023» Вологда 2023.

Публикации. По материалам диссертации опубликовано 12 научных работ, из них 3 работы в рецензируемых журналах, рекомендуемых перечнем ВАК РФ.

Структура работы. Диссертация состоит из введения, четырёх глав, общих результатов и выводов, списка литературы и трех приложений. Работа изложена на 216 листах машинного текста, содержит 132 рисунка, 26 таблиц. Список литературы содержит 186 наименований.

ГЛАВА 1. СОВРЕМЕННОЕ СОСТОЯНИЕ ВОПРОСА, ЦЕЛИ И ЗАДАЧИ

ИССЛЕДОВАНИЯ

Утверждённая «Стратегия развития лесного комплекса Российской Федерации до 2030 года» является ключевым документом, определяющим направления развития лесопользования и лесной промышленности в России. Утверждение этой стратегии имеет стратегическое значение для сохранения лесных ресурсов и эффективного использования лесов как важного природного ресурса [1].

В документе обсуждается реализация национального плана действий по первому этапу адаптации к изменению климата до 2022 года, направленного на снижение уязвимости системы национальной безопасности страны, экономики и граждан к изменению климата. В нем особое внимание уделяется оценке климатических рисков, ранжированию адаптационных мер, а также разработке и реализации секторальных планов адаптации в области управления природными ресурсами. В документе также подчёркивается необходимость межсекторальных усилий по использованию лесных ресурсов в лесном хозяйстве, энергетике, землепользовании, сельском хозяйстве, строительстве, производстве упаковочных материалов и других секторах экономики. Далее в нем излагаются необходимые меры по повышению продуктивности лесов, включая переход от экстенсивных методов землепользования к интенсивным, защиту природных экосистем от пожаров, ускорение воспроизводства и восстановления лесов и включение мер по восстановлению и благоустройству лесов в региональные лесные планы.

Экстенсивные методы лесозаготовок подразумевают под собой вырубку леса с минимальным использованием новейших технологий и методов восстановления лесных ресурсов. Этот подход может привести к неконтролируемой вырубке, утрате биоразнообразия и деградации лесных экосистем.

Интенсивные методы лесозаготовок, напротив, направлены на повышение производительности и устойчивости лесного комплекса путём применения

современных технологий, оптимизации процессов заготовки, восстановления и управления лесами. Этот подход способствует эффективному использованию лесных ресурсов и сохранению экологического баланса.

Развитие технологий как с точки зрения возможностей, так и с точки зрения экономически эффективной интеграции, происходит быстрыми темпами. В то время как передовые роботизированные системы уже стали обычным явлением в таких отраслях, как сельское хозяйство, горнодобывающая промышленность, в лесной отрасли находятся в зачаточном состоянии. Нет никаких сомнений в том, что автономная техника будет играть важную роль в лесохозяйственных операциях в будущем. «Индустрия 4.0», также известная как четвертая промышленная революция, представляет собой концепцию, которая предполагает использование новых технологий и цифровых решений для улучшения производственных процессов и повышения эффективности.

Реализация «Индустрии 4.0» в лесной отрасли может включать в себя использование датчиков «Интернета вещей» для мониторинга и управления процессами, а также использование искусственного интеллекта для оптимизации процессов и принятия решений [2,3,4]. Вот несколько примеров того, как «Индустрия 4.0» может быть применена в лесной отрасли:

- датчики для мониторинга и управления лесным хозяйством [5] соответствующие концепции «Интернет вещей» могут быть использованы для мониторинга состояния леса, температуру, включая влажность почвы [6] и другие параметры, что в конечном счёте позволит более точно управлять лесными ресурсами и принимать решения о вырубке, посадке и уходе за лесом [7].

- «Индустрия 4.0» может помочь автоматизировать процессы лесозаготовки, включая управление машинами и оборудованием, за счёт реализации автономных машин, которые могут самостоятельно определять оптимальные маршруты и выполнять задачи без участия человека.

- «Индустрия 4.0» может помочь оптимизировать процессы лесопиления, включая управление оборудованием и контроль качества продукции, за счёт

внедрения искусственного интеллекта для определения оптимальных параметров работы оборудования и принятия решений о качестве продукции [8].

- «Индустрия 4.0» может помочь улучшить управление цепочкой поставок в лесной отрасли, за счёт использования оборудования, соответствующего концепции «Интернета вещей» для отслеживания перемещения древесины от места вырубки до конечного потребителя, а также использование искусственного интеллекта для оптимизации маршрутов и управления запасами.

В целом, приход «Индустрии 4.0» может помочь лесной отрасли стать более эффективной, безопасной и устойчивой. Однако, для успешного внедрения этих технологий необходимо учитывать специфику отрасли и разрабатывать индивидуальные решения для каждого конкретного случая.

1.1. Основные аспекты рабочего процесса оператора валочно-сучкорезно-раскряжёвочной машины

Валочно-сучкорезно-раскряжёвочная машина (харвестер) представляет собой самоходную машину, предназначенную для комплексной механизированной заготовки леса и работающую в комплексе с одним или двумя транспортными погрузчиками (форвардерами). В состав технологического процесса лесозаготовки входят следующие операции: валка деревьев, обрезка сучьев, раскряжёвка хлыстов и пакетирование сортиментов харвестером, сбор и погрузка сортиментов (мини пачек) на грузовую платформу форвардера, подвозка и разгрузка их с подсортировкой сортиментов в штабели у лесовозной дороги [9,10].

Деревья спиливают и валят с учётом расположения групп подроста и оставляемого на доращивание древостоя. Волок при этой технологии может быть как прямолинейным (Рисунок 1.1, а), что упрощает трелёвку, так и непрямолинейным (Рисунок 1.1,б) вследствие огибания харвестером куртин

подроста, одиночных деревьев хозяйственно ценных пород и других препятствий. В полностью машинизированном методе расстояние между волоками принято 20 м (Рисунок 1.1, а). При максимальной зоне обработки звеньев харвестер может обрабатывать всю зону между волоками, где выборочно срезают отдельные деревья. Ширина пасечного волока, с которой полностью удаляют деревья, составляет 4 м.

Рисунок 1.1 - Технологии лесозаготовки [9]

Рабочий процесс оператора валочно-сучкорезно-раскряжёвочной машины характеризуют как циклический процесс в следствие последовательного выполнения следующих операций [11]:

1) Оператор направляет харвестер на рабочую площадку, одновременно выбирая наилучшую позицию для размещения машины. Наилучшей является та позиция, при которой оператор может беспрепятственно подвести харвестерную головку к выбранному дереву, а также хорошо просматривать зону работы и следить за пильной шиной харвестерной головки [12].

2) Выбрав дерево, оператор наводит харвестерную головку для охвата дерева и валки.

3) При падении дерева не разжимая захвата, происходит протаскивание дерева транспортирующими роликами на расстояние, соответствующее размеру сортиментов.

4) Затем процесс раскряжёвки повторяется. При необходимости в процессе раскряжёвки возможно изменение длины отрезаемых сортиментов. Раскряжёванные сортименты складываются манипулятором в пакеты.

5) Затем машина перемещается на новую позицию (либо при прежней позиции машины манипулятор направляется к следующему дереву).

Человеческий фактор и характеристики технологического оборудования являются ключевыми аспектами влияющими на продолжительность цикла работы оператора.

В работе группы авторов Musat E.C., Apafaian A.I., Ignea Gh., Ciobanu V. D. приведены результаты исследования продолжительности операций харвестера [13]. Значения результатов измерений приведены в таблице 1.

Таблица 1 - Сводная таблица результатов хронометража операций харвестера

Операция Минимум, с Максимум, с Среднее, с Соотношение, %

Время, затрачиваемое на перемещение харвестера 4,4 32,7 12,94 21,38%

Наведение стрелы манипулятора на ствол дерева 1,4 23,8 5,13 8,48%

Захват дерева 0,2 21 4,48 7,40%

Валка дерева 0,3 14,4 2,24 3,70%

Раскряжевка хлыста. 7 123,6 35,72 59,03%

Итог 13,3 215,5 60,51 100%

В цикле работ Мохирев А.П. приходит к выводу о том, что успешность работы оператора лесозаготовительной машины напрямую зависит от его профессиональных навыков, физической подготовки и психологической устойчивости [14]. Опытный оператор способен быстрее реагировать на непредвиденные обстоятельства и принимать оптимальные решения в процессе работы. Автор так же упоминает о том, что в России часто наблюдается дефицит таких специалистов, что приводит к тому, что управлять сложной лесозаготовительной техникой приходится людям, не имеющим достаточной подготовки [15].

В работе Андронов А.В., Пегов В.Ю исследуют вопрос влияния стажа оператора харвестера на сменную производительность (см. Рисунок 1.2). Авторы приходят к выводу, что максимальная выработка достигается к 13 месяцу работы и в дальнейшем значение остаётся постоянной величиной [16,17].

у = 60.7 5 7 X0-2275

123436789 10 1112 1314 15 16

Стажработы, мес.

Рисунок 1.2 - Зависимость средней выработки от стажа работы оператора

харвестера [16]

Опрос группы авторов КагМ К., Ovaskainen Н. и Ра1а^ег Т включал телефонные интервью с 60 операторами харвестера, в ходе которых основное внимание уделялось их опыту, процессам принятия решений и проблемам, с которыми они сталкиваются во время операций рубки [18]. Средний возраст операторов составлял 43 года, а опыт работы в области прореживания составлял в среднем 18 лет (Рисунок 1.3). Опрос включал вопросы о выборе деревьев для вырубки, характеристиках, влияющих на этот выбор, и трудностях, возникающих во время операций по вырубке. Операторы подчеркнули важность таких факторов, как положение дерева относительно других деревьев, размер ствола и порода деревьев. Они также подчеркнули проблемы, связанные с густым подлеском, снегом на деревьях, темнотой в сочетании с осадками и солнечными бликами. Кроме того, в статье рассматривается потребность операторов в дополнительной информации, особенно относительно состояния живого крона деревьев и верхушки дерева в целом. Также обсуждается важность способности оператора харвестера оценить количество и плотность оставшихся деревьев в насаждении, а также влияние рельефа местности на интенсивность прореживания.

вспомогательную систему, пользу система помощника по

О)

Рисунок 1.3 - Результаты опроса [18] Автоматизация таких функций харвестера, как регулировка давления сучкорезных ножей и возврат головки, направлена на повышение эргономичности процесса лесозаготовок. Система управления, оптимизируя раскрой ствола с учетом экономических параметров, минимизирует потери древесины и повышает общую эффективность работ. Автоматизация рутинных операций освобождает оператора от выполнения монотонных задач, позволяя ему сосредоточиться на более сложных аспектах процесса: выбор оптимальных траекторий движения и планирование дальнейших операций [19,20].

В цикле работ группы авторов Карпачев С.П., Быковский М.А., Лаптев А.В., посвящённых методике выбора технологического оборудования харвестера, а именно: манипулятора и харвестерной головки [21,22,23], обсуждается технология работы харвестера при выборочных рубках. Авторы акцентируют внимание на ключевой роли манипулятора в технологическом процессе, доля которого в общем времени рабочего цикла составляет около 80%.

Высокая степень неопределённости, присущая лесной среде, обусловленная переменными метеоусловиями, динамикой освещённости и разнообразием объектов манипулирования, создаёт значительные препятствия для разработки надёжных систем автоматического управления манипуляторами харвестеров и форвардеров. Сложная геометрия рабочего пространства и высокая динамичность процессов требуют создания интеллектуальных систем, способных адаптироваться к изменяющимся условиям и принимать решения в реальном времени.

Несмотря на развитие технологий, погрузка сортимента остаётся трудоёмким процессом, требующим высокой квалификации оператора. Ручное управление манипулятора обуславливает низкую производительность и подвергает оператора значительным физическим и психофизиологическим нагрузкам, связанным с вибрацией, монотонностью работы и необходимостью длительной концентрации внимания. Существующие системы управления не в полной мере учитывают антропометрические и физиологические особенности человека, что ограничивает их эффективность и безопасность [24]. Обычно операторы харвестера тратят около 80% своего времени на управление манипулятором [25] и в среднем способны использовать только 20% максимальной скорости [26].

В 2013 году John Deere стал первым производителем лесозаготовительной техники, предложившим своё решение системы плавного и интеллектуального управления манипулятора (SBC и IBC) сначала для форвардеров, а затем для харвестеров. Исследованию эффективности работы данной системы посвящена работа авторов Tomás Zemánek, Petr Fil'o [27].

Результаты показали, что использование IBC-системы привело к значительному повышению производительности неподготовленных операторов, что выражалось в увеличении количества перевезенных бревен (в среднем на 27%) и сокращении времени работы с манипулятором (в среднем на 53%).

Кроме того, IBC-система способствовала снижению количества повреждений лесозаготовительной техники и деревьев, вызванных неправильными действиями оператора. Однако, опыт работы операторов оказал значительное влияние на их производительность, что подтвердилось увеличением количества ошибок у опытных операторов, которые использовали IBC-систему. Наибольшее влияние на производительность операторов оказывает их практический опыт, а IBC-система в основном влияет на производительность новичков.

Полученные результаты свидетельствуют о том, что использование IBC-системы в лесозаготовительных машинах может повысить их эффективность, особенно в сочетании с соответствующими программами обучения и тренировками операторов.

Список литературы диссертационного исследования кандидат наук Рогачев Дмитрий Игоревич, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Об утверждении Стратегии развития лесного комплекса Российской Федерации до 2030 года: Распоряжение Правительства РФ от 11.02.2021 № 312-р. Доступ из справ.-правовой системы «КонсультантПлюс».

2. Васенёв М. Ю. Лесная промышленность и «Индустрия 4.0.»: трансформация отрасли // Проблемы и перспективы развития научно-технологического пространства: материалы V Международной научной интернет-конференции, Вологда, 21-25 июня 2021 года / Федеральное государственное бюджетное учреждение науки «Вологодский научный центр Российской академии наук». Вологда: Вологодский научный центр Российской академии наук, 2021. С. 368-371.

3. Севрюгина Н. С., Апатенко А. С., Владимирова Н. И., Архипов А. В. Индустрия 4.0 при оптимизации сервисной сферы поддержания работоспособного состояния транспортных и технологических машин // Ремонт. Восстановление. Модернизация. 2023. № 10. С. 15-21.

4. Севрюгина Н. С., Апатенко А. С., Голубев И. Г. Цифровые модели контроля и управления безрискового функционирования мелиоративного комплекса // Природообустройство. 2024. № 3. С. 13-20.

5. Думов М. И. "Умный лес" или IoT технологии мониторинга состояния лесных территорий // Актуальные вопросы в лесном хозяйстве: Материалы молодежной международной научно-практической конференции, Санкт-Петербург, 29-30 ноября 2017 года. Санкт-Петербург: Санкт-Петербургский государственный лесотехнический университет им. С.М. Кирова, 2017. С. 89-93.

6. Gril E. et al. Using airborne LiDAR to map forest microclimate temperature buffering or amplification // Remote Sensing of Environment. 2023. Т. 298. С. 113820.

7. Мехтиев Д. С. Вопросы использования лидаров для контроля лесных пожаров в горных массивах // Известия высших учебных заведений. Лесной журнал. 2015. № 4 (346). С. 68-75.

8. Васенёв М. Ю. Информационная система управления лесозаготовками в рамках концепции «Индустрия 4.0»: структура, оценка эффективности // Экономика. Информатика. 2022. Т. 46. № 2. С. 383-393.

9. Лаптев А. В. Технологические схемы разработки лесосек при выполнении выборочных рубок с использованием многооперационных машин манипуляторного типа // Лесной вестник / Forestry bulletin. 2014. Т. 18. № Спецвыпуск. С. 62-70.

10. Воскобойников И. В., Кондратюк В. А., Крылов В. М. и др. Многооперационные лесные машины. Том 2. Москва: Московский государственный университет леса, 2013. 496 с.

11. Бухтояров Л. Д., Абрамов В. В., Просужих А. А. и др. Анализ конструкций и технологий работы форвардеров на лесозаготовках // Resources and Technology. 2020. Т. 17, № 3. С. 1-35.

12. Федоренчик А. С., Герман А. А., Протас П. А. Лесные машины «Амкодор»: учеб.-метод. пособие для студентов специальностей 1-46 01 01 «Лесоинженерное дело», 1-36 05 01 «Машины и оборудование лесного комплекса», 1-75 01 01 «Лесное хозяйство». Минск: БГТУ, 2013.

13. Musat E. C. et al. Time expenditure in computer aided time studies implemented for highly mechanized forest equipment // Annals of Forest Research. 2016. С. 129-144.

14. Мохирев А. П. Тренажеры-симуляторы лесозаготовительных машин при подготовке квалифицированных кадров // Актуальные проблемы лесного комплекса. 2014. № 40. С. 12-15.

15. Аксенов Н. В., Мохирев А. П., Шеверев О. В. Факторный анализ производительности лесозаготовительных машин // Экономика и эффективность организации производства. 2015. № 23. С. 50-53.

16. Андронов А. В., Пегов В. Ю. Анализ влияния стажа работы оператора на производительность харвестера // Научно-техническая конференция института технологических машин и транспорта леса Санкт-Петербургского государственного лесотехнического университета по итогам научно-

исследовательских работ 2017 года: Сборник статей по материалам научно-технической конференции, Санкт-Петербург, 26 января - 2 февраля 2018 года / Отв. ред. В.А. Соколова. Санкт-Петербург: Санкт-Петербургский государственный лесотехнический университет им. С.М. Кирова, 2018. С. 59-65.

17. Дмитриева М. Н., Григорьев И. В., Дмитриева И. Н., Степанищева М. В. Анализ общих закономерностей влияния стажа работы оператора на производительность технологического процесса производства сортиментов с использованием харвестера // Системы. Методы. Технологии. 2015. № 25. С. 157161.

18. Karha K., Ovaskainen H., Palander T. Decision-making among harvester operators in tree selection and need for advanced harvester operator assistant systems (AHOASs) on thinning sites // Proceedings of the Joint 43rd Annual Meeting of Council on Forest Engineering (COFE) & the 53rd International Symposium on Forest Mechanization (FORMEC), Forest Engineering Family—Growing Forward Together. 2021. С. 15-25.

19. Shilovsky V., Pitukhin A., Kostyukevich V. Maintenance Performance of Imported Forest Machines in the Russian Federation // Resources and Technology. 2013. № 10. С. 139-150.

20. Иванов В. А., Степанищева М. В., Кепеть И. И. Системный анализ работы комплекса машин лесозаготовительного производства // Актуальные проблемы лесного комплекса. 2015. № 42. С. 5-8.

21. Карпачев С. П., Быковский М. А., Лаптев А. В. Методика выбора манипулятора харвестера // Лесной вестник / Forestry Bulletin. 2021. Т. 25. № 1. С. 123-129.

22. Карпачев С. П., Быковский М. А., Лаптев А. В. К вопросу выбора харвестерной головки для лесов Центральной России // Лесной вестник / Forestry Bulletin. 2020. Т. 24. № 6. С. 113-118.

23. Лаптев А. В., Макаренко А. В., Быковский М. А. Определение зоны эффективной работы многооперационной лесозаготовительной машины

манипуляторного типа // Научно-технический вестник Поволжья. 2015. № 6. С. 170-172.

24. Anandan N. et al. Design and Evaluation of Capacitive Smart Transducer for a Forestry Crane Gripper // Sensors. 2023. Т. 23. № 5. С. 2747.

25. La Hera P., Morales D. O. What do we observe when we equip a forestry crane with motion sensors? // Croatian Journal of Forest Engineering: Journal for Theory and Application of Forestry Engineering. 2019. Т. 40. № 2. С. 259-280.

26. Dvorak J. et al. Influence of human factor on the time of work stages of harvesters and crane-equipped forwarders // Journal of Forest Science. 2008. Т. 54. № 1. С. 24-30.

27. Zemanek T., Fil'o P. Influence of intelligent boom control in forwarders on performance of operators // Croatian Journal of Forest Engineering: Journal for Theory and Application of Forestry Engineering. 2022. Т. 43. № 1. С. 47-64.

28. Кремлева, Э. Ш. Модели и методы интеллектуальной обработки данных для систем поддержки принятия решений (на примере систем экологической безопасности): дис. ... канд.тех.наук.: 05.13.18 / Кремлева Эльмира Шамильевна, 2021. - 180 с.

29. Марковнина А. И., Папунин А. В., Макаров В. С., Вахидов У. Ш. Исследование влияния интеллектуальных систем помощи водителю на пропускную способность городских дорог и расчет экономического эффекта от внедрения // Труды НГТУ им. Р.Е. Алексеева. 2019. № 2(125). С. 178-186.

30. Аникин А. А., Бабанов Н. Ю., Барахтанов Л. В. и др. Мобильные роботы, робототехнические комплексы и роботизированные системы помощи водителю автотракторной и вездеходной техники. Том. Книга 2. Нижний Новгород: Научно-издательский центр "XXI век", 2021. 942 с.

31. Танрывердиев И.О. Разработка средств автоматизированного управления лесозаготовительных машин на основе инфотелекоммуникационных технологий: дис. ... канд.тех.наук.: 05.21.01 / Танрывердиев Илья Оруджевич. - Йошкар-Ола, 2015. - 141 с.

32. Стешина Л. А., Танрывердиев И. О., Петухов И. В., Ширнин Ю. А. Способ автоматизированного принятия решений по назначению деревьев в рубку при их обработке лесозаготовительной машиной. Патент РФ № 2556070 С1. Заявл. 24.12.2013. Опубл. 10.07.2015.

33. Сиротов А. В., Лапин А. С., Тесовский А. Ю., Карчин Ф. А., Усачев М. С. Супервизорное управление исполнительными механизмами машин лесозаготовок и лесного хозяйства // Лесной вестник / Forestry Bulletin. 2021. Т. 25. № 4. С. 121128.

34. TimberMatic Maps. Information at your fingertips. [Электронный ресурс]. URL: https://www.deere.com.au/en/forestry/timbermatic-manager/ (дата обращения: 07.07.2024).

35. Control and information system. [Электронный ресурс]. URL: https://www.komatsuforest.com/forest-machines/control-and-information-systems (дата обращения: 07.07.2024).

36. Newsroom. [Электронный ресурс]. URL: https://www.komatsuforest.com/media/newsroom/komatsu-forest-launches-maxivision (дата обращения: 07.07.2024).

37. HARVESTER SYSTEMS. [Электронный ресурс]. URL: https://www.ponsse.com/ru/produkciya/informacionnye-sistemy-opti/produkt/-/p/harvester_systems#/ (дата обращения: 07.07.2024).

38. Каталог Техники. [Электронный ресурс]. URL: http://www.ksponsse.ru/katalog-tekhniki/informatsionnye-sistemy-opti/systems/syst/ (дата обращения: 07.07.2024).

39. MANAGER 2.0. [Электронный ресурс]. URL: https://manager2.ponsse.com/ (дата обращения: 07.07.2024).

40. Ponsse Technology Concept - Thinning Density Assistant. [Электронный ресурс]. URL: https://www.youtube.com/watch?v=aO-9d31F8VI (дата обращения: 07.07.2024).

41. Кравченко П. П., Бурцев Д. С. Цифровые технологии в лесной промышленности: перспективы и барьеры // Вопросы инновационной экономики. 2022. Т. 12, № 2. С. 1029-1050.

42. Valieva A. R., Mingazova Z. R., Uraev R. R. State policy on digitalization of the forest industry // E3S Web of Conferences. EDP Sciences, 2023. Т. 411. № 02030.

43. Feng Y., Audy J. F. Forestry 4.0: a framework for the forest supply chain toward Industry 4.0 // Gestao & Produ?ao. 2020. Т. 27.

44. Gharaibeh L. et al. Toward digital construction supply chain-based Industry 4.0 solutions: scientometric-thematic analysis // Smart and Sustainable Built Environment. 2024. Т. 13. № 1. С. 42-62.

45. He Z., Turner P. A Systematic Review on Technologies and Industry 4.0 in the Forest Supply Chain: A Framework Identifying Challenges and Opportunities // Logistics. 2021. Т. 5. № 4. С. 88.

46. Суханов Ю. В., Щукин П. О., Гаврилова О. И. и др. Беспилотные машины и аппараты в лесном хозяйстве // Наука, технологии, общество - НТО-11-2022: сборник научных статей по материалам II Всероссийской научной конференции, Красноярск, 28-30 июля 2022 года. Красноярск: Общественное учреждение "Красноярский краевой Дом науки и техники Российского союза научных и инженерных общественных объединений", 2022. С. 46-66.

47. Клубничкин В. Е. и др. Применение инновационных технологий при исследовании нагруженности трансмиссий гусеничных машин // Беспилотные транспортные средства: проблемы и перспективы. 2016. С. 183-190.

48. Клубничкин В. Е. Коллаборативная технология трелёвки древесины // Современный лесной комплекс страны: проблемы и тренды развития: Материалы Всероссийской научно-практической конференции, Воронеж, 7 октября 2022 года. Воронеж: Воронежский государственный лесотехнический университет им. Г.Ф. Морозова, 2022. С. 26-31.

49. Клубничкин В. Е., Клубничкин Е. Е., Карташов А. Б. Краткий анализ тенденций развития лесозаготовительных машин // Труды НГТУ им. Р.Е. Алексеева. 2020. № 3 (130). С. 93-102.

50. Galaktionov O. N., Sukhanov Yu. V., Vasilyev A. S., Ivashnev M. V. Robotic Transport Platform for Forestry // Components of Scientific and Technological Progress. 2022. №. 9(75). С. 6-8.

51. Галактионов О. Н., Рего Г. Э., Томских М. и др. О конструкции колесного шасси и сенсорной системы для автономного движения по труднопроходимой местности с преодолением и обходом препятствий при выполнении лесохозяйственных работ // Экстремальная робототехника. 2022. Т. 1, № 1. С. 3545.

52. Ласточкин Д. М., Онучин Е. М. Автоматизация захватно-срезающего устройства лесозаготовительной машины // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2013. № 91. С. 521-536.

53. Rautio P. et al. Lean forestry-A paradigm shift from economies of scale to precise and sustainable use of ecosystem services in forests // Forest Ecology and Management. 2023. Т. 530. С. 120766.

54. La Hera P. et al. Exploring the feasibility of autonomous forestry operations: Results from the first experimental unmanned machine // Journal of Field Robotics. 2024. Т. 41. № 4. С. 942-965.

55. Miettinen M. et al. New measurement concept for forest harvester head // Field and Service Robotics: Results of the 7th International Conference. Springer Berlin Heidelberg, 2010. С. 35-44.

56. Lopatin E. et al. Unlocking Digitalization in Forest Operations with Viewshed Analysis to Improve GNSS Positioning Accuracy // Forests. 2023. Т. 14. № 4. С. 689.

57. Salmivaara A. et al. Wheel rut measurements by forest machine-mounted LiDAR sensors-accuracy and potential for operational applications? // International Journal of Forest Engineering. 2018. Т. 29. № 1. С. 41-52.

58. Гасюк К. В. Машинное зрение // Инновационные технологии, экономика и менеджмент в промышленности: Сборник научных статей по итогам V международной научной конференции, Волгоград, 20-21 мая 2021 года. Волгоград: ООО "КОНВЕРТ", 2021. С. 120-121.

59. Mehendale N., Neoge S. Review on lidar technology // Available at SSRN 3604309. 2020.

60. Привалов В. Лидар. На пути к цифровому прибору // Фотоника. 2014. № 6(48). С. 30-39.

61. Данилин И. М., Медведев Е. М., Мельников С. Р. Лазерная локация земли и леса. Красноярск: Ин-т леса им. В. Н. Сукачева СО РАН, 2005. 182 с.

62. Константинов Э. С. Твердотельный лидар в автономном транспорте // Перспективные информационные технологии (ПИТ 2019): Труды Международной научно-технической конференции, Самара, 24-26 июня 2019 года / Под ред. С.А. Прохорова. Самара: Самарский научный центр РАН, 2019. С. 460-462.

63. Типы и производители 3D-лидаров, представленных на рынке РФ. Доступ из сети Интернет: https://www.npk-photonica.ru/info/reading/23153/ (дата обращения: 03.03.2024).

64. Yan G. et al. Joint camera intrinsic and lidar-camera extrinsic calibration // 2023 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2023. С. 11446-11452.

65. Muhovic J., Pers J. Joint Calibration of a Multimodal Sensor System for Autonomous Vehicles // Sensors. 2023. Т. 23. № 12. С. 5676.

66. Guindel C. et al. Automatic extrinsic calibration for lidar-stereo vehicle sensor setups // 2017 IEEE 20th international conference on intelligent transportation systems (ITSC). IEEE, 2017. С. 1-6.

67. Могильный С. Г., Шоломицкий А. А., Лунев А. А. Конструктивная калибровка цифровой камеры // Известия высших учебных заведений. Геодезия и аэрофотосъемка. 2011. № 2. С. 62-66.

68. Стругайло В. В. Обзор методов фильтрации и сегментации цифровых изображений // Машиностроение и компьютерные технологии. 2012. № 5. С. 17.

69. Канева Р. Ю. Цветовые модели // Теоретические и прикладные вопросы экономики, управления и образования. 2021. С. 160-162.

70. Susstrunk S., Buckley R., Swen S. Standard RGB color spaces // Color and imaging conference. Society of Imaging Science and Technology, 1999. Т. 7. С. 127 -134.

71. RGB. Доступ из сети Интернет: https://ru.wikipedia.org/wiki/RGB (дата обращения: 03.03.2024).

72. Dong L., Zhang W., Xu W. Underwater image enhancement via integrated RGB and LAB color models //Signal Processing: Image Communication. - 2022. - Т. 104. - С. 116684.

73. Ly B. C. K. et al. Research techniques made simple: cutaneous colorimetry: a reliable technique for objective skin color measurement //Journal of Investigative Dermatology. - 2020. - Т. 140. - №. 1. - С. 3-12. e1.

74. YCbCr. [Электронный ресурс] // Википедия. URL: https://ru.wikipedia.org/wiki/YCbCr (дата обращения: 03.03.2024).

75. Huang B., Zou S. A new camera calibration technique for serious distortion //Processes. - 2022. - Т. 10. - №. 3. - С. 488.

76. Причины дисторсии. Исправление изогнутых линий на фотографиях. [Электронный ресурс] // Two Pilots. URL: https://www.colorpilot.ru/distortion_theory.html (дата обращения: 03.03.2024).

77. Lindroos O. et al. Advances in using robots in forestry operations //Robotics and automation for improving agriculture. - Burleigh Dodds Science Publishing, 2019. -С. 233-260.

78. Низаметдинов Н.Ф., Моисеев П.А., Воробьев И.Б. Лазерное сканирование и аэрофотосъемка с БПЛА в исследовании структуры лесотундровых древостоев Хибин // Известия вузов. Лесной журнал. 2021. № 4. С. 9-22.

79. Демидов Д.Н. Исследование алгоритма оценки параметров предполетной ориентации средств управления беспилотного летательного аппарата при мониторинге молодых лесных насаждений // Лесотехнический журнал. 2021. Т. 11. № 4. С. 100-111.

80. Torresan C. et al. Forestry applications of UAVs in Europe: A review //International Journal of Remote Sensing. - 2017. - Т. 38. - №. 8-10. - С. 2427-2447.

81. Кабонен А.В., Иванова Н.В. Оценка биометрических характеристик деревьев по данным наземного LiDAR и разносезонной аэрофотосъемки в искусственных насаждениях // Nature Conservation Research. Заповедная наука. 2023. Т. 8. № 1. С. 64-83.

82. Puliti S., Talbot B., Astrup R. Tree-stump detection, segmentation, classification, and measurement using unmanned aerial vehicle (UAV) imagery // Forests. 2018. Т. 9. № 3. С. 102.

83. Alvites C. и др. LiDAR as a tool for assessing timber assortments: A systematic literature review // Remote Sensing. 2022. Т. 14. № 18. С. 4466.

84. Broughton R. K. et al. Winter habitat selection by Marsh Tits Poecile palustris in a British woodland //Bird Study. - 2014. - Т. 61. - №. 3. - С. 404-412.

85. Kelly M., Tommaso S. D. Mapping forests with Lidar provides flexible, accurate data with many uses //California Agriculture. - 2015. - Т. 69. - №. 1.

86. Kirkeby C., Wellenreuther M., Brydegaard M. Observations of movement dynamics of flying insects using high resolution lidar //Scientific Reports. - 2016. - Т. 6. - №. 1. - С. 29083.

87. Smigaj M. et al. Canopy temperature from an Unmanned Aerial Vehicle as an indicator of tree stress associated with red band needle blight severity // Forest Ecology and Management. 2019. Т. 433. С. 699-708.

88. Пятаева А.В., Гулютин Н.Н., Михалев А.С. Определение породы дерева по данным БПЛА в задаче лесной таксации на территории Кузнецкого плато // Обработка пространственных данных в задачах мониторинга природных и антропогенных процессов (SDM-2023). 2023. С. 137-142.

89. Войтов Д.Ю., Васильев С.Б., Кормилицын Д.В. Разработка технологии определения породы деревьев с применением компьютерного зрения // Лесной вестник / Forestry Bulletin. 2023. Т. 27. № 1. С. 60-66.

90. Жук, К.Д. Повышение эффективности лесозаготовок путем совершенствования информационных систем и программного обеспечения лесных машин: дис. ... канд.тех.наук.: 4.3.4 / Жук Кирилл Дмитриевич. - С.П., 2023. - 146 с."

91. Жук К.Д., Угрюмов С.А., Свойкин Ф.В. Распознавание пород деревьев в процессе лесозаготовки с применением методов машинного обучения // Известия Санкт-Петербургской лесотехнической академии. 2023. Вып. 242. С. 167-178.

92. Жук К.Д., Угрюмов С.А., Свойкин Ф.В. Статистическая оценка размерных характеристик лесоматериалов с использованием данных stm-файлов многооперационных лесных машин // Известия Санкт-Петербургской лесотехнической академии. 2021. Вып. 235. С. 137-149.

93. Кабонен А.В., Иванова Н.В. Оценка биометрических характеристик деревьев по данным наземного LiDAR и разносезонной аэрофотосъемки в искусственных насаждениях // Nature Conservation Research. Заповедная наука. 2023. Т. 8(1). С. 64-83.

94. Кабонен, А.В. Оценка дендрометрических характеристик насаждений по данным аэрофотосъемки и лазерного сканирования: дис. ... канд.с.-х.н.: 4.1.6 / Кабонен Алексей Валерьевич. - П., 2024. - 118 с.

95. Kelbe D. et al. Single-scan stem reconstruction using low-resolution terrestrial laser scanner data // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2015. Т. 8. № 7. С. 3414-3427.

96. Kelbe D. et al. Marker-free registration of forest terrestrial laser scanner data pairs with embedded confidence metrics // IEEE Transactions on Geoscience and Remote Sensing. 2016. Т. 54. № 7. С. 4314-4330.

97. Lindberg E. et al. Estimation of stem attributes using a combination of terrestrial and airborne laser scanning // European Journal of Forest Research. 2012. Т. 131. С. 1917-1931.

98. Bienert A. et al. Tree detection and diameter estimations by analysis of forest terrestrial laserscanner point clouds // ISPRS Workshop on Laser Scanning. Эспоо, Финляндия: IAPRS, 2007. Т. 36. С. 50-55.

99. Liang X. et al. Automatic stem mapping using single-scan terrestrial laser scanning // IEEE Transactions on Geoscience and Remote Sensing. 2011. Т. 50. № 2. С. 661-670.

100. Liang X. et al. Automated stem curve measurement using terrestrial laser scanning //IEEE Transactions on Geoscience and Remote Sensing. 2013. Т. 52. №. 3. С. 1739-1748.

101. Устинов С.М., Митрофанов Е.М., Устинов М.В. Исследование возможности использования наземного мобильного лазерного сканера для определения высот и диаметров деревьев в сосновых насаждениях // Вестник Бурятской государственной сельскохозяйственной академии им. В.Р. Филиппова. 2023. № 1(70). С. 134-140.

102. 3D Forest. 3D Forest-Terrestrial lidar data processing tool [Программное обеспечение]. URL: https://www.3dforest.eu (дата обращения: 05.04.2024).

103. Hackenberg J. et al. SimpleTree—an efficient open source tool to build tree models from TLS clouds // Forests. 2015. Т. 6. № 11. С. 4245-4294.

104. Бухтояров Л.Д., Безноско Я.В., Базула И.А., Попов А.Н. Сканирование отдельно стоящих деревьев с помощью 3D Sense и их реконструкция в САПР // Актуальные направления научных исследований XXI века: теория и практика. 2020. Т. 8. № 1(48). С. 35-38.

105. Panagiotidis D., Abdollahnejad A., Slavik M. Assessment of stem volume on plots using terrestrial laser scanner: A precision forestry application // Sensors. 2021. Т. 21. № 1. С. 301.

106. Kasa I. A circle fitting procedure and its error analysis // IEEE Transactions on Instrumentation and Measurement. 1976. № 1. С. 8-14.

107. Berman M., Culpin D. The statistical behaviour of some least squares estimators of the centre and radius of a circle // Journal of the Royal Statistical Society. Series B: Statistical Methodology. 1986. Т. 48. № 2. С. 183-196.

108. Pratt V. Direct least-squares fitting of algebraic surfaces // ACM SIGGRAPH Computer Graphics. 1987. Т. 21. № 4. С. 145-152.

109. Taubin G. Estimation of planar curves, surfaces, and nonplanar space curves defined by implicit equations with applications to edge and range image segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1991. Т. 13. № 11. С. 1115-1138.

110. Chernov N. I., Ososkov G. A. Effective algorithms for circle fitting // Computer Physics Communications. 1984. Т. 33. № 4. С. 329-333.

111. Chernov N., Lesort C. Least squares fitting of circles // Journal of Mathematical Imaging and Vision. 2005. Т. 23. С. 239-252.

112. Qin Zhaoyang. Исследование алгоритма SLAM роботов на основе оптимизации графов // StudNet. 2021. № 7. Статья. URL: https://cyberleninka.ru/article/n/issledovanie-algoritma-slam-robotov-na-osnove-optimizatsii-grafov (дата обращения: 29.01.2023).

113. Gollob C., Ritter T., Nothdurft A. Forest inventory with long range and highspeed Personal Laser Scanning (PLS) and Simultaneous Localization and Mapping (SLAM) technology // Remote Sensing. 2020. Т. 12. № 9. С. 1509.

114. Васенев М. Ю. Перспективные направления автоматизации современных лесозаготовительных машин // Системы. Методы. Технологии. 2018. № 3(39). С. 125-129.

115. Cantzler H. Random sample consensus (RANSAC) // Institute for Perception, Action and Behaviour, Division of Informatics, University of Edinburgh. 1981. Т. 3.

116. Isack H., Boykov Y. Energy-based geometric multi-model fitting // International Journal of Computer Vision. 2012. Т. 97. № 2. С. 123-147.

117. Nister D. Preemptive RANSAC for live structure and motion estimation // Machine Vision and Applications. 2005. Т. 16. № 5. С. 321-329.

118. Громыко Г.Л., Воробьев А.Н., Иванов Ю.Н. и др. Теория статистики: Учебник / Под ред. Г.Л. Громыко. - 4-е изд., перераб. и доп. - Москва: ООО «Научно-издательский центр ИНФРА-М», 2019. - 465 с. - (Высшее образование: Бакалавриат). - ISBN 978-5-16-014914-1.

119. Дждид, А. Разработка методик обработки результатов наземного лазерного сканирования для 3D-кадастра: дис. ... канд.тех.наук.: 25.00.26 / Дждид Али. - М., 2022. - 181 с.

120. Xiong B. et al. Voxel grid-based fast registration of terrestrial point cloud // Remote Sensing. 2021. Т. 13. № 10. С. 1905.

121. Середович В.А., Комиссаров А.В., Комиссаров Д.В., Широкова Т.А. Наземное лазерное сканирование. Новосибирск: Сибирский государственный университет геосистем и технологий, 2009. 261 с. ISBN 978-5-87693-336-2.

122. Lee K. W., Wang W. P. Feature-preserving mesh denoising via bilateral normal filtering // Ninth International Conference on Computer Aided Design and Computer Graphics (CAD-CG'05). IEEE, 2005. С. 6.

123. Durgadevi M. et al. Generative adversarial network (GAN): a general review on different variants of GAN and applications // 2021 6th International Conference on Communication and Electronics Systems (ICCES). IEEE, 2021. С. 1-8.

124. Yuan Y., Sester M. Comap: A synthetic dataset for collective multi-agent perception of autonomous driving // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2021. Т. 43. С. 255-263.

125. Takaya K. et al. Simulation environment for mobile robots testing using ROS and Gazebo // 2016 20th International Conference on System Theory, Control and Computing (ICSTCC). IEEE, 2016. С. 96-101.

126. Qiu W., Yuille A. Unrealcv: Connecting computer vision to unreal engine // Computer Vision-ECCV 2016 Workshops: Amsterdam, The Netherlands, October 8-10 and 15-16, 2016, Proceedings, Part III 14. Springer International Publishing, 2016. С. 909-916.

127. Shah S. et al. AirSim: High-fidelity visual and physical simulation for autonomous vehicles // Field and service robotics: Results of the 11th International Conference. Springer International Publishing, 2018. С. 621-635.

128. Jiono M., Lin H. I. Software framework of autonomous mobile robots on Isaac Sim and ROS // 2023 11th International Conference on Control, Mechatronics and Automation (ICCMA). IEEE, 2023. С. 158-163.

129. Ijiri T., Owada S., Igarashi T. The sketch L-system: Global control of tree modeling using free-form strokes // International symposium on smart graphics. Springer Berlin Heidelberg, 2006. С. 138-146.

130. Загреев В.В., Гусев Н.Н., Мошкалев А.Г., Селимов Ш.А. Лесная таксация и лесоустройство. М.: Экология, 1991. 384 с.

131. Забавская Л.Н., Вайс А.А. Образующая продольного сечения древесного ствола // Научно-образовательный потенциал молодежи в решении актуальных проблем XXI века. 2016. № 5. С. 261-275.

132. Захаров В.К. Форма древесных стволов и методы ее исследования // Сборник научных трудов. Минск: Гос. изд-во БССР, Ред. научно-техн. лит., 1957. Вып. X. С. 77-91. Библиогр.: 18 назв.

133. Анучин Н.П. Лесная таксация: Учебник для вузов. 5-е изд., доп. М.: Лесн. пром-сть, 1982. 552 с.

134. Батурин К.В., Стариков А.В. Анализ математических моделей образующих древесных стволов // Актуальные направления научных исследований XXI века: теория и практика. 2015. № 5. С. 23-26.

135. Войнов Н.Т. Изучение образующей древесного ствола с помощью ЭЦВМ // Новое в лесоводстве. Минск: Урожай, 1969. С. 117-123.

136. Гусев И.И. Форма древесных стволов ели Европейского Севера и ее математическая модель // Лесная таксация и лесоустройство: межвуз. сб. науч. тр. Красноярск: СибТИ, 1975. С. 3-10.

137. Петровский В.С., Малышев В.В., Мурзинов Ю.В. Автоматизированное проектирование режимов и выбора машин для проведения рубок ухода за лесом: монография. М.: ФЛИНТА: Наука, 2012. 216 с.

138. Каплина Н.Ф., Лебков В.Ф. Уравнение образующей ствола дерева с двумя параметрами формы: структура, модификации и компьютерная программа // Актуальные проблемы лесного комплекса. 2006. № 13.

139. Лебков В.Ф., Каплина Н.Ф. Возрастная динамика формы ствола деревьев сосны обыкновенной и кедра сибирского // Лесной вестник. 2003. №2 1(26). С. 18-24.

140. Лебков В.Ф., Каплина Н.Ф. Строение древостоев сосны и ели в чистых и смешанных насаждениях по форме ствола и его возрастная динамика // Лесная таксация и лесоустройство. Красноярск, 2003. № 1(32). С. 37-41.

141. Лебков В.Ф., Каплина Н.Ф. Сбег древесных стволов различной формы по относительным высотам // Лесная таксация и лесоустройство. Красноярск. 2003. № 1(32). С. 55-59.

142. Севко О.А. Ландшафтная таксация с основами парколесоустройства: учеб.-метод. пособие к практическим занятиям для студентов специальности 1-75 01 02 «Садово-парковое строительство» / О.А. Севко. Минск: БГТУ, 2012. 107 с.

143. Рогачев, Д. И. Концепция системы поддержки принятия решений оператора лесозаготовительной машины // Современный лесной комплекс страны: актуальные векторы развития: Материалы Всероссийской научно-практической конференции, Воронеж, 05 октября 2023 года / Отв. ред. А.А. Платонов. Воронеж: Воронежский государственный лесотехнический университет им. Г.Ф. Морозова, 2023. С. 120-124.

144. Системы параллельного вождения "Кампус" [Электронный ресурс] // Кампус агронавигатор. — URL: https://xn--80aajzloekgt.xn--p1ai/ (дата обращения: 03.03.2024).

145. Рогачев, Д. И. Цифровой ассистент оператора лесозаготовительной машины // Студенческая научная весна : Тезисы докладов Всероссийской студенческой конференции, посвященной 175-летию Н.Е. Жуковского, Москва, 01-30 апреля 2022 года. Москва: Издательский дом "Научная библиотека", 2022. С. 602-603.

146. Цветков В.Я. Дополненная реальность. // Международный журнал прикладных и фундаментальных исследований. 2017. № 6-2. С. 211-212.

147. Славин О.А., Гринь Е.С. Обзор технологий виртуальной и дополненной реальности. // Труды Института системного анализа Рос. акад. наук. 2019. Т. 69. № 3. С. 42-54.

148. Itoh Y. et al. Towards indistinguishable augmented reality: A survey on optical see-through head-mounted displays. // ACM Computing Surveys (CSUR). 2021. Т. 54. № 6. С. 1-36.

149. Герц Э.Ф., Уразова А.Ф. Внедрение ЕГАИС как один из методов государственного регулирования рынка лесной продукции. // Деревообработка: технологии, оборудование, менеджмент XXI века. 2019. С. 10-16.

150. Рогачев Д.И. Краткий анализ возможного расположения лазерного сканера LIDAR на лесозаготовительной машине. // Современный лесной комплекс страны: актуальные векторы развития: Материалы Всерос. науч.-практ. конф., Воронеж, 05 окт. 2023. / отв. ред. А.А. Платонов. . Воронеж: Воронеж. гос. лесотехн. ун-т им. Г.Ф. Морозова, 2023. С. 60-63.

151. Ringdahl O. et al. Enhanced algorithms for estimating tree trunk diameter using 2D laser scanner. // Remote Sensing. 2013. Т. 5. № 10. С. 4839-4856.

152. Miettinen M. et al. New Measurement Concept for Forest Harvester Head. // 7th International Conference on Field and Service Robots (FSR 2009), Cambridge, Massachusetts, USA, 14-16 July 2009. 2009.

153. Products. [Электронный ресурс]. // LSLIDAR. URL: https://www.lslidar.com/products/ (дата обращения: 03.03.2024).

154. Рогачев Д.И. Влияние горизонтального шага сканирования lidar на определение диаметра дерева. // Современный лесной комплекс страны: актуальные векторы развития: Материалы Всероссийской научно-практической конференции, Воронеж, 05 октября 2023 / отв. ред. А.А. Платонов. . Воронеж: Воронежский государственный лесотехнический университет им. Г.Ф. Морозова, 2023. С. 204-208. DOI 10.58168/MFCCAVD_204-208. EDN WLICRX.

155. Симплексный метод: учебно-методическое пособие для лабораторных работ и самостоятельного изучения. / В.В. Осенний, А.Г. Бурда, Г.П. Бурда [и др.]. . Краснодар: Кубанский государственный аграрный университет имени И.Т. Трубилина, 2015. 100 с. EDN TWPZLH.

156. Klasing K. et al. Comparison of surface normal estimation methods for range sensing applications. // 2009 IEEE international conference on robotics and automation. — IEEE, 2009. — С. 3206-3211.

157. Jordan K., Mordohai P. A quantitative evaluation of surface normal estimation in point clouds. // 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems. — IEEE, 2014. — С. 4220-4226.

158. Mitra N.J., Nguyen A. Estimating surface normals in noisy point cloud data. // Proceedings of the nineteenth annual symposium on Computational geometry. — 2003. — С. 322-328.

159. Abdel-Hamid L. Glaucoma detection using statistical features: comparative study in RGB, HSV and CIELab* color models. // Tenth International Conference on Graphics and Image Processing (ICGIP 2018). SPIE, 2019. Т. 11069. С. 817-825.

160. Рогачев Д.И., Козлов И.В., Клубничкин В.Е. Фильтрация шумов сканируемого LiDAR участка леса на основе цветовых моделей YCbCr и Lab*. // Лесотехнический журнал. 2023. Т. 13. № 4 (52). Ч. 1. С. 125-139.

161. Holzer S. et al. Adaptive neighborhood selection for real-time surface normal estimation from organized point cloud data using integral images. // 2012 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE, 2012. С. 2684-2689.

162. Hoppe H. et al. Surface reconstruction from unorganized points. // Proceedings of the 19th annual conference on computer graphics and interactive techniques. 1992. С. 71-78.

163. Таблицы и модели хода роста и продуктивности насаждений основных лесообразующих пород Северной Евразии: нормативно-справочные материалы / А.З. Швиденко, Д.Г. Щепащенко, С. Нильсон, Ю.И. Булуй. 2-е изд., доп. М.: Федеральное агентство лесного хозяйства Мин-ва с. х-ва Рос. Федерации, 2008. 886 с.

164. Ridvan Cantas M., Guvenc L. Customized Co-Simulation Environment for Autonomous Driving Algorithm Development and Evaluation. // arXiv e-prints. 2023. arXiv:2306.00223.

165. Jiang C. et al. Co-simulation of the unreal engine and matlab/simulink for automated grain offloading. // IFAC-PapersOnLine. 2022. Т. 55. № 24. С. 379-384.

166. Harvester Crane: CH7 [Электронный ресурс]. // Waratah. URL: https://www.waratah.com/product/ch7/ (дата обращения: 07.07.2024).

167. Karpachev S., Bykovskiy M. Taking into account of natural and technological aspects of sustainable development of the forest complex when choosing a harvester manipulator. // E3S Web of Conferences. EDP Sciences. 2020. Т. 208. С. 01006. DOI: https://doi.org/10.1051/e3 sconf/202020801006.

168. Макаренко С.А., Соболев П.А. Методика создания цифровой модели рельефа местности. // Мелиорация, водоснабжение и геодезия: Модели и технологии природообустройства (регион. аспект). Воронеж: ФГБОУ ВПО Воронежский ГАУ. 2016. С. 63-70.

169. Оскорбин Н.М., Суханов С.И. Создание цифровой модели местности на основе космических снимков высокого разрешения. // Известия Алтайского государственного университета. 2013. Т. 2. № 1 (77). С. 87-91.

170. Mid-70 LiDAR Sensor [Электронный ресурс]. // LIVOX. URL: https://www.livoxtech.com/mid-70 (дата обращения: 03.03.2024).

171. Albarelli A. et al. Robust camera calibration using inaccurate targets. // Proceedings of the British Machine Vision Conference (BMVC 2010). BMVA Press. 2010. Т. 1. С. 16.1-16.10.

172. Долганова В.А. Методы оценки качества моделей бинарного выбора. // Время открытий. 2018. № 1(1). С. 10-17. EDN VMPYBI.

173. Foody G.M. Challenges in the real world use of classification accuracy metrics: From recall and precision to the Matthews correlation coefficient. // PLoS one. 2023. Т. 18. № 10. С. e0291908.

174. Florkowski C.M. Sensitivity, specificity, receiver-operating characteristic (ROC) curves and likelihood ratios: communicating the performance of diagnostic tests. // The Clinical Biochemist Reviews. 2008. Т. 29. Suppl 1. С. S83.

175. Dong X., Pang Y., Wen J. Fast efficient algorithm for enhancement of low lighting video. // ACM SIGGRAPH 2010 posters. 2010. С. 1-1.

176. He K., Sun J., Tang X. Single image haze removal using dark channel prior. // IEEE transactions on pattern analysis and machine intelligence. 2010. Т. 33. № 12. С. 2341-2353.

177. Park D. et al. Single image dehazing with image entropy and information fidelity. // 2014 IEEE International Conference on Image Processing (ICIP). IEEE. 2014. С. 4037-4041.

178. Алексеев И.С., Беленя И.А. Применение алгоритма Retinex для обработки изображений, полученных в сложных условиях освещения. // Решетневские чтения. 2016. Т. 2. № 20. С. 180-181.

179. Lang A.H. et al. Pointpillars: Fast encoders for object detection from point clouds. // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019. С. 12697-12705.

180. Paigwar A. et al. Frustum-pointpillars: A multi-stage approach for 3d object detection using rgb camera and lidar. // Proceedings of the IEEE/CVF international conference on computer vision. 2021. С. 2926-2933.

181. Лесотаксационный справочник по Северо-Западу СССР. / Ленингр. лесотехн. акад. им. С.М. Кирова; [Подгот. А.Г. Мошкалевым и др.]. Ленинград: ЛТА. 1984. 319 с. 21 см.

182. Долматов С.Н., Никончук А.В. Технология и оборудование лесозаготовок: учеб. пособие. / СибГУ им. М.Ф. Решетнева. Красноярск. 2022. 96 с.

183. Долматов С.Н., Крисько А.С. Технология и оборудование лесозаготовок. Комплексная механизация лесосечных работ: учебное пособие по курсовому проектированию для студентов направления 35.03.02 «Технология лесозаготовительных и деревоперерабатывающих производств», всех форм обучения. Красноярск: СибГУ. 2017. 82 с.

184. СП 64.13330.2011. Деревянные конструкции. Актуализированная редакция СНиП II-25-80*. М. 2011. 92 с.

185. H412 [Электронный ресурс] // T-S-C. URL: https://www.t-s-c.ru/attachments/h412-rus.pdf (дата обращения: 07.07.2024).

186. HR16-03 [Электронный ресурс] // Baltrotors. URL: https://baltrotors.com/en/product/rotatori/hr16-03 (дата обращения: 07.07.2024).

ПРИЛОЖЕНИЯ

П. 1. Сводные таблицы

Сводная таблица результатов расчета по методу определения наклона,

основанному на аппроксимации цилиндра.

№ Количеств о точек Результат замера радиуса RANSAC по трем точкам RANSAC по четырем точкам Kasa Taubine Pratt

1 345 0,225 0,316 0,281 0,248 0,258 0,258

2 332 0,161 0,183 0,163 0,166 0,169 0,169

3 370 0,198 0,184 0,173 0,181 0,182 0,182

4 298 0,198 0,206 0,184 0,186 0,186 0,186

5 331 0,174 0,179 0,183 0,167 0,178 0,178

6 197 0,201 0,192 0,182 0,180 0,184 0,184

7 286 0,187 0,197 0,191 0,177 0,183 0,183

8 351 0,200 0,191 0,183 0,195 0,194 0,194

9 182 0,170 0,156 0,163 0,157 0,159 0,159

10 185 0,151 0,141 0,137 0,134 0,135 0,135

11 230 0,193 0,157 0,170 0,173 0,174 0,175

12 309 0,158 0,159 0,169 0,165 0,175 0,175

13 76 0,153 0,167 0,169 0,156 0,165 0,166

14 102 0,221 0,218 0,228 0,218 0,224 0,224

15 92 0,154 0,142 0,154 0,149 0,149 0,149

16 78 0,133 0,145 0,163 0,161 0,163 0,164

17 81 0,115 0,116 0,115 0,132 0,118 0,119

18 59 0,163 0,145 0,156 0,151 0,154 0,154

19 94 0,160 0,153 0,158 0,157 0,157 0,157

20 144 0,162 0,163 0,169 0,171 0,167 0,167

21 111 0,127 0,129 0,122 0,144 0,124 0,124

22 630 0,298 0,291 0,314 0,305 0,315 0,315

23 317 0,153 0,146 0,143 0,155 0,147 0,147

24 429 0,173 0,167 0,167 0,169 0,168 0,168

25 371 0,173 0,169 0,181 0,170 0,171 0,171

26 334 0,146 0,180 0,160 0,168 0,162 0,162

27 233 0,175 0,181 0,158 0,174 0,161 0,161

28 502 0,147 0,150 0,154 0,161 0,152 0,153

29 521 0,238 0,209 0,210 0,210 0,210 0,210

30 432 0,193 0,208 0,200 0,199 0,201 0,201

31 325 0,183 0,162 0,171 0,172 0,172 0,172

32 425 0,190 0,180 0,174 0,180 0,180 0,180

№ Количеств о точек Результат замера радиуса ЯЛ^ЛС по трем точкам ЯЛ^ЛС по четырем точкам Ка$а ТаиЫпе Рга«

33 357 0,168 0,178 0,167 0,176 0,175 0,176

34 257 0,132 0,161 0,136 0,142 0,138 0,139

35 353 0,225 0,251 0,226 0,228 0,228 0,228

36 429 0,176 0,163 0,160 0,156 0,159 0,159

37 259 0,172 0,166 0,164 0,159 0,164 0,164

38 314 0,199 0,174 0,196 0,189 0,190 0,190

39 349 0,157 0,176 0,169 0,168 0,168 0,168

40 251 0,190 0,165 0,207 0,163 0,199 0,199

41 351 0,145 0,150 0,144 0,148 0,147 0,147

42 393 0,201 0,208 0,202 0,207 0,206 0,206

43 585 0,257 0,234 0,245 0,239 0,240 0,240

44 183 0,220 0,212 0,236 0,226 0,229 0,229

45 175 0,171 0,176 0,194 0,190 0,190 0,190

46 123 0,135 0,141 0,147 0,157 0,145 0,145

47 162 0,155 0,161 0,163 0,183 0,162 0,162

48 137 0,210 0,267 0,248 0,229 0,243 0,243

49 179 0,212 0,221 0,211 0,213 0,213 0,213

50 175 0,201 0,194 0,197 0,194 0,194 0,194

Сводная таблица результатов расчета по методу определения наклона,

основанному на аппроксимации конуса.

№ Количеств о точек Результат замера радиуса ЯЛ^ЛС по трем точкам ЯЛ^ЛС по четырем точкам Ка$а ТаиЫпе Рга«

1 345 0,225 0,225 0,052 0,046 0,047 0,048

2 332 0,161 0,161 0,055 0,056 0,153 0,055

3 370 0,198 0,198 0,203 0,185 0,178 0,179

4 298 0,198 0,198 0,215 0,177 0,181 0,182

5 331 0,174 0,174 0,064 0,070 0,066 0,067

6 197 0,201 0,201 0,048 0,035 0,048 0,038

7 286 0,187 0,187 0,048 0,062 0,063 0,063

8 351 0,200 0,200 0,210 0,197 0,194 0,196

9 182 0,170 0,170 0,047 0,041 0,048 0,041

10 185 0,151 0,151 0,126 0,130 0,133 0,133

11 230 0,193 0,193 0,042 0,035 0,057 0,036

12 309 0,158 0,158 0,054 0,048 0,057 0,049

13 76 0,153 0,153 0,059 0,040 0,067 0,043

14 102 0,221 0,221 0,284 0,225 0,205 0,224

15 92 0,154 0,154 0,139 0,143 0,148 0,144

16 78 0,133 0,133 0,165 0,139 0,161 0,140

№ Количеств о точек Результат замера радиуса RANSAC по трем точкам RANSAC по четырем точкам Kasa Taubine Pratt

17 81 0,115 0,115 0,085 0,098 0,092 0,097

18 59 0,163 0,163 0,129 0,123 0,096 0,125

19 94 0,160 0,160 0,097 0,094 0,109 0,096

20 144 0,162 0,162 0,240 0,224 0,101 0,236

21 111 0,127 0,127 0,047 0,276 0,087 0,300

22 630 0,298 0,298 0,062 0,068 0,104 0,066

23 317 0,153 0,153 0,143 0,143 0,155 0,147

24 429 0,173 0,173 0,162 0,164 0,156 0,161

25 371 0,173 0,173 0,048 0,074 0,073 0,074

26 334 0,146 0,146 0,146 0,165 0,167 0,165

27 233 0,175 0,175 0,182 0,168 0,174 0,173

28 502 0,147 0,147 0,146 0,152 0,148 0,151

29 521 0,238 0,238 0,131 0,132 0,154 0,132

30 432 0,193 0,193 0,038 0,039 0,143 0,042

31 325 0,183 0,183 0,121 0,108 0,106 0,107

32 425 0,190 0,190 0,062 0,055 0,079 0,055

33 357 0,168 0,168 0,033 0,038 0,076 0,041

34 257 0,132 0,132 0,038 0,095 0,067 0,100

35 353 0,225 0,225 0,252 0,244 0,241 0,243

36 429 0,176 0,176 0,048 0,066 0,086 0,066

37 259 0,172 0,172 0,072 0,101 0,096 0,099

38 314 0,199 0,199 0,051 0,060 0,086 0,060

39 349 0,157 0,157 0,048 0,046 0,093 0,047

40 251 0,190 0,190 0,203 0,171 0,163 0,178

41 351 0,145 0,145 0,119 0,113 0,108 0,114

42 393 0,201 0,201 0,224 0,221 0,217 0,224

43 585 0,257 0,257 0,223 0,261 0,212 0,263

44 183 0,220 0,220 0,059 0,048 0,135 0,050

45 175 0,171 0,171 0,187 0,179 0,191 0,179

46 123 0,135 0,135 0,041 0,040 0,118 0,042

47 162 0,155 0,155 0,129 0,137 0,138 0,138

48 137 0,210 0,210 0,280 0,247 0,229 0,236

49 179 0,212 0,212 0,202 0,203 0,207 0,206

50 175 0,201 0,201 0,135 0,132 0,130 0,131

Сводная таблица результатов расчета по методу определения наклона,

основанному на аппроксимации оси.

№ Количеств о точек Результат замера радиуса ЯЛ^ЛС по трем точкам ЯЛ^ЛС по четырем точкам Ка$а ТаиЫпе Рга«

1 345 0,225 0,223 0,280 0,243 0,257 0,257

2 332 0,161 0,180 0,176 0,166 0,172 0,172

3 370 0,198 0,179 0,171 0,181 0,181 0,181

4 298 0,198 0,179 0,190 0,186 0,186 0,186

5 331 0,174 0,177 0,165 0,167 0,168 0,168

6 197 0,201 0,192 0,222 0,180 0,205 0,205

7 286 0,187 0,176 0,189 0,177 0,182 0,182

8 351 0,200 0,196 0,196 0,195 0,196 0,196

9 182 0,170 0,183 0,150 0,157 0,155 0,155

10 185 0,151 0,131 0,145 0,134 0,140 0,140

11 230 0,193 0,156 0,177 0,173 0,174 0,175

12 309 0,158 0,157 0,167 0,165 0,169 0,169

13 76 0,153 0,165 0,169 0,156 0,166 0,166

14 102 0,221 0,232 0,227 0,219 0,220 0,220

15 92 0,154 0,138 0,143 0,149 0,145 0,145

16 78 0,133 0,139 0,141 0,161 0,142 0,142

17 81 0,115 0,128 0,120 0,132 0,120 0,121

18 59 0,163 0,157 0,158 0,151 0,154 0,154

19 94 0,160 0,147 0,165 0,157 0,158 0,159

20 144 0,162 0,157 0,171 0,171 0,170 0,170

21 111 0,127 0,132 0,145 0,144 0,148 0,149

22 630 0,298 0,362 0,291 0,305 0,306 0,306

23 317 0,153 0,164 0,140 0,155 0,146 0,146

24 429 0,173 0,174 0,169 0,169 0,167 0,168

25 371 0,173 0,176 0,159 0,172 0,170 0,171

26 334 0,146 0,171 0,157 0,168 0,159 0,159

27 233 0,175 0,168 0,178 0,173 0,176 0,176

28 502 0,147 0,150 0,145 0,161 0,148 0,148

29 521 0,238 0,263 0,266 0,258 0,263 0,263

30 432 0,193 0,210 0,208 0,199 0,205 0,205

31 325 0,183 0,172 0,178 0,172 0,174 0,174

32 425 0,190 0,178 0,175 0,180 0,180 0,180

33 357 0,168 0,186 0,174 0,175 0,176 0,176

34 257 0,132 0,135 0,142 0,142 0,142 0,142

35 353 0,225 0,248 0,223 0,228 0,227 0,227

36 429 0,176 0,185 0,189 0,190 0,190 0,190

37 259 0,172 0,173 0,148 0,159 0,154 0,154

38 314 0,199 0,236 0,182 0,189 0,189 0,189

№ Количеств о точек Результат замера радиуса RANSAC по трем точкам RANSAC по четырем точкам Kasa Taubine Pratt

39 349 0,157 0,167 0,159 0,168 0,168 0,168

40 251 0,190 0,202 0,203 0,163 0,193 0,193

41 351 0,145 0,142 0,146 0,148 0,148 0,149

42 393 0,201 0,223 0,221 0,207 0,214 0,214

43 585 0,257 0,245 0,241 0,240 0,240 0,240

44 183 0,220 0,223 0,231 0,226 0,230 0,230

45 175 0,171 0,181 0,180 0,191 0,180 0,180

46 123 0,135 0,170 0,155 0,157 0,155 0,155

47 162 0,155 0,179 0,162 0,183 0,161 0,162

48 137 0,210 0,262 0,230 0,229 0,230 0,230

49 179 0,212 0,211 0,212 0,213 0,213 0,213

50 175 0,201 0,193 0,204 0,194 0,194 0,194

П.2. Программа-алгоритм

import csv import unreal

dict_sample = { "1" : ""путь до трехмерной модели дерева 1" "2" : ""путь до трехмерной модели дерева 2"

М О М М '-Ч ГО

"3" : " путь до трехмерной модели дерева 3 "4" : ""путь до трехмерной модели дерева 4" "5" : ""путь до трехмерной модели дерева 5" "6" : ""путь до трехмерной модели дерева 6"

}

put_file = ""путь до файла с координатами расположения деревьев""

with open(put_file, newline='') as csvfile:

spamreader = csv.reader(csvfile, delimiter=',', quotechar='|')

for row in spamreader:

name = dict_sample[row[2]]

my_class = unreal.EditorAssetLibrary.load_asset(name) spawn_location = unreal.Vector( float(row[1]), float(row[0]), 0) spawn_rotation = unreal.Rotator( float(row[4]), 0, float(row[5])) unreal.EditorLevelLibrary.spawn_actor_from_object(my_class , spawn_location, spawn_rotation)

П.3. Акты внедрения

УТВЕРЖДАЮ Первый проректор

по учебной работе см. Н.Э. Баумана ЩБ.В. Падалкин

%<Ш^2024 г.

Г

АКТ ОБ ИСПОЛЬЗОВАНИИ

результатов диссертационной работы Д.И. Рогачева на тему «Повышение технологической эффективности лесосечных работ с помощью системы поддержки принятия решений оператора валочно-сучкорезно-раскряжёвочной

машины» в учебном процессе

Результаты теоретических и экспериментальных исследований, полученные в диссертационной работе «Повышение технологической эффективности лесосечных работ с помощью системы поддержки принятия рещений оператора в ал очно-су ч кор езно -р ас кря жёвоч ной машины», выполненной на соискание ученой степени кандидата технических наук ассистентом кафедры «Транспортно-технологические средства и оборудование лесного комплекса» МФ МГТУ им, Н.Э. Баумана Рогачевым Д.И,, используются в учебном процессе на кафедрах «Транспортно-технологические средства и оборудование лесного комплекса» и «Технологии и оборудование лесопромышленного производства» МФ МГТУ им, Н.Э. Баумана при чтении лекций по направлениям подготовки бакалавриата 15.03.02 «Технологические машины и оборудование». 35.03.02 «Технология лесозаготовительных и дсрсвоперерабатывающих ' производств» и магистратуры 15.04.02 «Технологические машины и оборудование», 35.04.02 «Технология лесозаготовительных и деревоперерабатывающих производств» в рамках дисциплин «Проектирование машин и оборудования лесного комплекса»,

УТВЕРЖДАЮ

АКТ ВНЕДРЕНИЯ

; Директор

¿¿^_2024 г.

^ А.М. Дёмкин

:стёх-ФИНАНс"

и

результатов диссертационной работы Рогачева Дмитрия Игоревича «Повышение технологической эффективности лесосечных работ с помощью системы поддержки принятия решений оператора валочно-сучкорезно-раскряжёвочной машины», выполненной на соискание учёной степени кандидата технических наук по специальности 4.3.4 - Технологии, машины и оборудование для лесного хозяйства и переработки древесины

Комиссия в составе: председателя - директора ООО "ЛЕСТЕХ-ФИНАНС" Дёмкина Александра Михайловича и членов - начальника леса Козунова Тимофея Николаевича; начальника отдела охраны труда Самцова Владимира Викторовича составила настоящий акт о том, что полученные в диссертационной работе Д.И. Рогачева результаты теоретических и экспериментальных исследований, а именно: результаты научно-обоснованного выбора мест расположения сканера ЬШАЯ на лесозаготовительной машине с целью обеспечения полного сканирования рабочего пространства; предложенный подход для дистанционного определения таксационных параметров дерева при наземном сканировании леса, используются в ООО "ЛЕСТЕХ-ФИНАНС", внедрены в корпоративную систему поддержки принятия решений и применяются нашими специалистами в повседневной работе.

Члены комиссии:

Козунов Тимофей Николаевич

Самцов Виктор Викторович