Программно-аппаратный комплекс оценки качества фракционирования семян пшеницы по биоэлектрическим сигналам тема диссертации и автореферата по ВАК РФ 05.20.02, кандидат наук Барышев Денис Дмитриевич

• Барышев Денис Дмитриевич
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Барышев Денис Дмитриевич

Оглавление

Введение

Глава 1 Современное состояние проблемы оценки качества фракционирования семян пшеницы

1.1 Обзор методов и средств фракционирования семян пшеницы

1.1.1 Фракционирование семян пшеницы на решетах

1.1.2Разделение семян пшеницы воздушным потоком

1.2 Показатели качества семян пшеницы при их разделении на фракции

1.3 Применение искусственного интеллекта в сельском хозяйстве и анализ современных методов классификации и прогнозирования качества семян пшеницы

1.4 Анализ применения биоэлектрических сигналов для решения задачи оценки качества фракционирования

1.5 Выводы, цель и задачи исследования

Глава 2 Экспериментальное исследование биоэлектрических сигналов семян

пшеницы и выбор информативных признаков для обучающей выборки

2.1 Средство и метод измерения биоэлектрических сигналов семян пшеницы, процесс сбора данных

2.2 Материал для исследований

2.3 Процесс разделения семян на фракции по аэродинамическим свойствам и сбор данных по биоэлектрическим сигналам

2.4 Формирование информативных признаков для обучающей выборки

2.5 Выводы

Глава 3 Разработка модели и алгоритма оценки качества фракционирования

семян пшеницы на основе методов машинного обучения

3.1 Разработка модели и алгоритма оценки качества фракционирования семян пшеницы

3.1.1 Сбор данных методом контроля мембранных потенциалов семян

пшеницы

3.1.2Первичная обработка данных, обнаружение и исключение аномалий, так

называемых грубых ошибок

3.1.3Формирование обучающей и тестовой выборки, обучение системы, тестирование и оценка адекватности модели

3.2 Выбор метода машинного обучения для решения задачи классификации семян пшеницы по показателям посевного качества

3.3 Выбор инструментальных средств для реализации системы

3.4 Выводы

Глава 4 Практическое применение методов машинного обучения для оценки

качества фракционирования семян пшеницы

4.1 Информативные признаки на основе характеристик биоэлектрических потенциалов для построения обучающей выборки

4.2 Программная реализация алгоритма классификации

4.3 Результаты классификации

4.3.1 Результаты классификации методом деревьев решений

4.3.2 Результаты классификации методом опорных векторов

4.3.3 Результаты классификации методом ближайшего соседа

4.4 Оценка эффективности методов классификации

4.5 Алгоритм классификации по биоэлектрическим характеристикам для оценки качества разделения на фракции

4.6 Практическая реализация метода оценки качества фракционирования

4.7 Оценка экономической эффективности

4.8 Выводы

Заключение

Список использованных источников

Приложение А. Фрагмент программного модуля визуализации и обработки

данных

Приложение Б. Акты внедрения результатов научно-исследовательских работ

Приложение В. Оценка качества посевного материала (Методические рекомендации)

Введение диссертации (часть автореферата) на тему «Программно-аппаратный комплекс оценки качества фракционирования семян пшеницы по биоэлектрическим сигналам»

Введение

Актуальность темы исследования и степень ее разработанности.

Проблема отбора высококачественных семенных фондов с высокой урожайностью является актуальной на сегодняшний день. Качество семенного материала представляет существенный фактор формирования будущей урожайности.

Использование очистительных технологий способствует повышению качества семян пшеницы. Чистота семян представляет нормируемый показатель качества и регламентируется ГОСТ. Выделение из зернового вороха мелких и щуплых семян, загнивших, раздавленных и поврежденных и доведение основной фракции семян до высоких посевных кондиций значительно повышает будущую урожайность.

В работах Ионовой Е.В., Кокиной Л.П., Щенниковой И.Н. представлены результаты воздействия травмированности семян на лабораторную и полевую всхожесть. Выявлено, что при наличии травм всхожесть семян значительно снижалась (как лабораторная, так и полевая).

Вопрос о повышении качества семенного материала, в том числе об эффективности фракционирования семян, широко раскрыт в работах ученых Цугленка Н.В., Оробинского В.И., Тарасенко А.П. Буркова А.И., Пасынкова А.В., Пасынковой Е.Н. Установлено, что одной из основных причин снижения качества семян пшеницы является несоблюдение технологии послеуборочной обработки семян, использование неэффективных технологических и технических решений для очистки семян, что в свою очередь вызывает заражение семян, их травмирование и дробление, а в результате снижение посевного качества.

Авторами предложены решения по совершенствованию технологий предварительной обработки зерна, предложены высокоэффективные средства, обоснованы их параметры, предложено разделение семян на фракции с возможностью дальнейшего выделения биологически полноценного зерна с

высоким посевным качеством. Однако выполненные исследования не отражают в полной мере вопрос оценки качества разделения семян на фракции.

Одним из альтернативных решений является оценка качества фракционирования семян по их биоэлектрическим сигналам. Именно биоэлектрические сигналы являются показателями качества семян пшеницы, которые характеризуют не только лабораторную всхожесть, как это раскрыто в работах Барышевой Н.Н., Матлаева А.Г., Лукоянычевой О.В., но и отражают биологическую полноценность, а, следовательно, могут быть использованы для определения наличия травмированных и щуплых семян в исследуемой фракции.

Разработка системы классификации семян пшеницы на основе инструментария интеллектуальной обработки и анализа данных, полученных из биоэлектрических сигналов, позволит автоматизировать процесс оценки качества фракционирования и повысить эффективность оценки.

Целью диссертационной работы является исследование с помощью информационно-измерительной системы биоэлектрических сигналов от семян пшеницы различных сортов, разделенных на фракции, и разработка программно-аппаратного комплекса для оценки качества фракционирования семян по биоэлектрическим сигналам.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Выполнить анализ существующих методов оценки качества семян пшеницы при разделении их на фракции, обосновать использование биоэлектрических сигналов и интеллектуальных систем для оценки качества фракционирования.

2. С помощью информационно-измерительной системы получить биоэлектрические сигналы от семян пшеницы различных фракций и разных сортов. Определить и исследовать информативные признаки в полученных сигналах, которые способны обеспечить оценку качества разделения семян на фракции.

3. Сформировать обучающую выборку для классификации семян пшеницы, на основе которой будет определяться качество фракционирования.

4. Разработать комплекс алгоритмов обработки данных и оценки качества фракционирования семян пшеницы.

5. Разработать интеллектуальную систему оценки качества фракционирования семян пшеницы по биоэлектрическим сигналам и апробировать ее на сельскохозяйственном предприятии.

Объектом исследований являются семена пшеницы разных сортов, разделенных на фракции по аэродинамическим свойствам.

Предмет исследований - алгоритм оценки качества фракционирования семян пшеницы по биоэлектрическим сигналам.

Научная новизна результатов работы:

1. Получены экспериментальные зависимости между максимальными значениями мембранного потенциала щуплых, травмированных и выполненных семян пшеницы различных сортов. Установлена закономерность, что максимальное значение мембранного потенциала щуплых и травмированных семян выше максимального значения выполненных семян в среднем на 48 процентов.

2. В биоэлектрических сигналах выделены четыре информативных признака. Получены экспериментальные зависимости между информативными признаками от семян пшеницы различных сортов и аэродинамическими свойствами. Каждая зависимость имеет нелинейный характер, поэтому из-за неоднозначности не способна определить принадлежность семян к определенной фракции. Однако их совокупное применение в интеллектуальной системе обеспечивает однозначность принадлежности семян к определенной фракции.

3. Сформирована обучающая выборка, которая может быть использована для решения задач классификации методами машинного обучения. Предложено решение для исключения грубых ошибок из обучающей выборки с помощью методов машинного обучения.

4. Реализованы и исследованы методы решения задачи классификации, разработана модель и алгоритм оценки качества фракционирования семян пшеницы по биоэлектрическим сигналам.

5. Разработана интеллектуальная система оценки качества фракционирования семян пшеницы по биоэлектрическим сигналам, которая включает программный модуль первичной обработки данных, модули распознавания щуплых и травмированных семян, модуль анализа данных и модуль расчета процентного содержания принадлежности семян к определенной фракции.

Теоретическую значимость работы представляют:

1. Освещение проблемы оценки качества фракционирования семян пшеницы по биоэлектрическим сигналам, применение метода интеллектуальной обработки и анализа данных для классификации семян пшеницы.

2. Информативные признаки для формирования обучающей выборки, полученные в результате анализа биоэлектрических сигналов семян пшеницы.

3. Отличительные особенности характеристик биоэлектрических сигналов выполненных, щуплых и травмированных семян пшеницы.

4. Экспериментальные данные нескольких сортов пшеницы, подтверждающие зависимость характеристик биоэлектрических сигналов от аэродинамических свойств.

Практическую значимость работы представляют:

1. Метод диагностики на основе машинного обучения позволяет осуществлять оценку качества разделения семян пшеницы на фракции и может быть использован для оценки качества технических средств и методов сепарирования.

2. Система классификации может быть использована для диагностики качества семяочистительных линий.

3. Результаты исследований могут быть применены для разработки методов оценки качества разделения на фракции семян других сельскохозяйственных культур.

4. Результаты экспериментальных исследований биоэлектрических сигналов могут быть использованы для определения щуплых и травмированных семян в исследуемой партии.

Методология и методы исследования.

В диссертационной работе применены методы экспериментального исследования, интеллектуальной обработки и анализа данных, теории вероятностей и математической статистики.

Соответствие паспорту специальности 05.20.02 Электротехнологии и электрооборудование в сельском хозяйстве.

Содержание диссертации соответствует следующей области исследования: «Исследование электрофизических свойств сельскохозяйственных продуктов и материалов как объектов электротехнологий».

На защиту выносятся следующие положения:

1. Результаты исследований. Информативные признаки в биоэлектрических сигналах: максимальное значение мембранного потенциала (МахМП), время нарастания сигнала до МахМП, время нарастания сигнала на прямолинейном участке до МахМП, значение времени нарастания сигнала в диапазоне от 0,9-МахМП до МахМП.

2. Метод оценки качества фракционирования семян пшеницы по биоэлектрическим сигналам.

3. Закономерность изменения максимального значения мембранного потенциала щуплых, травмированных и выполненных семян пшеницы.

4. Формирование обучающей выборки на основе информативных признаков с целью решения задач классификации семян пшеницы методами машинного обучения.

5. Сравнительный анализ методов классификации семян пшеницы, выбор метода классификации.

Достоверность и обоснованность результатов подтверждается объемом исследуемого посевного материала различных сортов, предоставленного кафедрой «Сельскохозяйственная техника и технологии» Алтайского государственного аграрного университета, использованием современных методов и средств измерения биоэлектрических сигналов, методов обработки и анализа данных, применением

методов анализа полученных статистических данных, апробацией основных результатов диссертации на конференциях.

Апробация результатов работы.

Результаты диссертационной работы внедрены в сельскохозяйственные предприятия, в Алтайский государственный аграрный университет (кафедра «Сельскохозяйственная техника и технологии») и использованы при чтении лекций, дипломном проектировании на кафедре «Информационные технологии» Алтайского государственного технического университета им. И.И. Ползунова.

Основные положения и результаты диссертационной работы докладывались и обсуждались на международных и всероссийских конференциях, в том числе: Международной научно-практической конференции «Виртуальные и интеллектуальные системы - ВИС-2019»; XVII Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых «Наука и молодежь»; X Международной научно-практической конференции «Высокопроизводительные вычислительные системы и технологии в научных исследованиях, автоматизации управления и производства»; VI Всероссийской научно-технической конференции «Фундаментальные и прикладные аспекты компьютерных технологий и информационной безопасности».

Личный вклад соискателя.

Личный вклад представляет обзор научной литературы по теме диссертации, анализ методов и средств. Основной вклад автора заключается в постановке проблемы оценки качества фракционирования семян пшеницы. Автор принимал участие в экспериментальных исследованиях биоэлектрических сигналов семян пшеницы разных сортов, разделенных на фракции, выполнял обработку и анализ данных с использованием интеллектуальных инструментальных средств. Также была выполнена подготовка материалов для публикации в научных журналах и докладов на научные конференции.

Публикации.

Основные положения и результаты диссертационной работы представлены в 11 научных работах, в том числе в изданиях, рекомендованных ВАК - 4 работы, в изданиях Scopus и Web of Science - 2 работы.

Структура и объем диссертации. Диссертация представляет собой следующую структуру - введение, четыре главы, заключение, список литературы и приложения. Работа представлена на 127 страницах машинописного текста, включает 37 рисунков, 8 таблиц, 3 приложения. Список литературы включает 125 наименований.

Благодарности. Автор выражает огромную благодарность заслуженному деятелю науки и техники России, доктору технических наук, профессору Никольскому О.К. за участие в обсуждении полученных результатов и ценные замечания.

Глава 1 Современное состояние проблемы оценки качества фракционирования семян пшеницы

Стабильное производство высококачественного зерна в России представляет важное государственное и политическое значение.

Производство качественного зерна с высокими урожайными свойствами определяется несколькими важными факторами - почвенными ресурсами [1], погодными условиями, используемыми технологиями уборки, обработки, хранения, а также сортовым фактором и качеством семенного материала [2-5].

Разделение семян на фракции является одним из альтернативных способов повышения качества посевного материала.

Поэтому оценка качества разделения семян на фракции является актуальной задачей на сегодняшний день.

При этом актуальным вопросом является комплексный анализ структурно-механических, физико-химических и биохимических свойства зерновой массы [6], так как эти показатели взаимосвязаны и в совокупности определяют качество семян.

1.1 Обзор методов и средств фракционирования семян пшеницы

Фракционирование семян представляет собой процесс сортирования, то есть механическое разделение уже очищенного от примесей зерна на определенное количество фракций. При этом каждая фракция отличается разными показателями продовольственного и посевного качества. Основная цель фракционирования семян - повышение качества продовольственного и семенного материала за счет выделения биологически ценных семян [7].

Однако некоторые инструментальные средства фракционирования способны реализовывать одновременную очистку семян от примесей и разделение на фракции.

Существует огромное множество методов фракционирования семян пшеницы, одни из самых популярных являются:

• фракционирование на решетах по размерам семян,

• фракционирование с помощью воздушного потока,

• фракционирование с использованием триеров,

• фракционирование по форме и поверхностным свойствам,

• фракционирование по плотности,

• фракционирование по цвету,

• электрические методы фракционирования.

Признаки, по которым зерна делятся на фракции - это удельный вес зерна, удельная плотность, размер и форма (при этом учитывается толщина, ширина, длина), вес зерна, аэродинамические свойства зерна, физико-механические свойства зерна, состояние его поверхности и цвет [9].

Еще ранние исследования Майсурян Н.А. показали, что использование семян с более высокой плотностью позволяет повысить урожайность [10]. Разделение семян по удельной массе позволяет выявить фракции семян с наивысшей лабораторной всхожестью и повысить урожайность, снижая при этом нормы высева [11].

В работах авторов Галкина В.Д., Галкина А.Д. широко раскрыты вопросы энерго-ресурсосберегающих технологий и технологических решений очистки семян от примесей и их сортирования. Авторами установлено, что условиями фракционирования с целью выявления биологически ценных семян являются, прежде всего, расходная характеристика зерна, поступающего на очистку от примесей, и относительное содержание компонентов, которые подлежат выделению

[7, 8].

Основополагающим в процессе фракционирования является не только выбор метода и комплекса признаков разделения семян, но и конструктивные особенности средств фракционирования, и их параметры.

В качестве средств разделения на фракции широкое применение получили зерноочистительные машины с решетами, безрешетные с использованием воздушного потока, триерные, комбинированные, а также электромагнитные, пневмосортировальные столы и др. [7, 8, 10, 11].

По назначению технические средства могут быть разделены на машины предварительной, первичной и вторичной очистки, универсальные [12] и специальные машины для выделения биологически полноценных семян [13].

1.1.1 Фракционирование семян пшеницы на решетах

Зерноочистительные машины с решетами разных конструкций прежде всего используются для первичной обработки семян, очистки семян от примесей, но и используются также для фракционной переработки, идея которой заключается в разделении семян на две фракции (основную и фуражную) по их физико-механическим свойствам для дальнейшей раздельной очистки, обработки и размола [14-17].

Для разделения семян на большее количество фракций необходимо использовать комбинированные подходы - воздушно-решетные зерноочистительные машины [15].

Эффективность решетного фракционирования семян определяется их свойствами и концентрацией компонентов смеси, конструкцией и материалами используемых решет, их размерами и режимами работы технологических органов.

Основной недостаток применения технологических конструкций с использованием сортировальных решет является сравнительно небольшая производительность. Также установлено попадание неполноценного зерна во фракцию качественных семян, что вызывает снижение показателей продовольственного и посевного качества исследуемого материала.

Если наращивать количество решет, как это сказано в работах автора Ямпилова С.С., наблюдается более сильная травмированность семян, что приводит к снижению посевных показателей качества [17, 18].

1.1.2 Разделение семян пшеницы воздушным потоком

Вопросы повышения качества разделения семян пшеницы на фракции по аэродинамическим свойствам широко раскрыты в работах Буркова А.И., Оробинского В.И., Тарасенко А.П. и многих других ученых [13, 18-21, 124].

Прежде всего работы посвящены совершенствованию конструктивных решений зерноочистительных машин, повышению производительности, применению энерго-ресурсосберегающих технологий при соблюдении санитарно-гигиенических норм [13].

Классификация машин разделения семян по аэродинамическим свойствам представлена на рисунке 1.1.

Рисунок 1.1 - Классификация машин разделения семян на фракции по аэродинамическим свойствам [16]

Производительность работы технологических средств фракционирования воздушным потоком определяется аэродинамическими свойствами компонентов зернового вороха, характеристиками воздушного потока, конструктивными решениями.

Одним из недостатков разделения семян на фракции воздушным потоком является снижение эффективности при наличии крупных загрязнителей. Если в исследуемом зерновом ворохе имеются сорные частицы, аналогичные аэродинамическим свойствам зерна, то требуется повторная очистка.

1.2 Показатели качества семян пшеницы при их разделении на

фракции

Неоднородность и разное качество семян одной партии является выявленной многими авторами закономерностью [22]. Такая закономерность объясняется рядом факторов:

1) Место формирования семян пшеницы в колосе.

Исследования на эту тему показали, что семена можно разделить по плотности и весу в зависимости от их места формирования в колосе. Экспериментально было установлено, что при разделении семян на фракции по аэродинамическим свойствам во вторую и третью фракцию попадают семена из средней части колоса. Эти семена отличаются наилучшими показателями лабораторной всхожести.

2) Биологические и физические особенности семян пшеницы.

Одним из таких признаков является размер зерна, который определяется массой 1000 семян. Показатель массы 1000 семян характеризует их крупность, тяжеловесность, выполненность и количество запасных питательных веществ, что оказывает большое влияние на их урожайные свойства. Кроме того, показатель массы 1000 семян необходим для расчета весовой нормы высева по штучному

коэффициенту в миллионах зерен на гектар. Метод определения массы 1000 семян стандартизирован и изложен в ГОСТ [23]. Масса 1000 семян определяется путем расчета суммы результатов взвешивания двух проб по 500 семян. Каждый результат округляется до десятой доли грамма [24-27].

Однако в разрезе анализа изменения показателей качества при фракционировании крупность и вес зерна не являются основополагающими факторами при определении посевных качеств. Так в результате исследований было установлено, что фракции с максимальным значением массы 1000 зерен не дают наилучших результатов во время оценки посевных качеств. Основываясь на аэродинамических свойствах зерен пшеницы, исследователи обнаружили, что максимальное качество дают семена, отобранные при скоростях 8-9 м/с.

3) Почвенно-климатические факторы.

Исследования авторов показали, что данный фактор безусловно определяет разнокачественность семян пшеницы [22]. Данные исследования интересны при использовании минеральных удобрений разного объема для той или иной фракции при изучении их ответной реакции на внешнюю среду.

4) Технологические приемы обработки семян пшеницы.

Обзор методов и средств фракционирования, признаков разделения на фракции со всеми своими преимуществами и недостатками объясняет наличие разнокачественности семян.

При разделении семян на фракции особое внимание уделяется обнаружению травмированных и щуплых семян, поскольку эта категория семян существенно влияет на их посевные качества и урожайные свойства [121, 122].

В статье Пехальского И.А., Артюшина А.А., Елизарова В.П., Славкина В.И., Сорочинского В.Ф. установлено, что травмирование семян в процессе механизированной подготовки представляет существенное негативное влияние не только на посевные качества семян, но и на технологические свойства зерна. Исключить эти повреждения на данный момент невозможно [28, 29]. Из-за

микроповреждений и внутренних трещин увеличивается дробление и снижается выход готовой продукции.

Из-за повреждений оболочек облегчается доступ вредителей и патогенной микрофлоры к зерновке, происходит ее заражение бактериями и грибами, заселение хлебными клещами и насекомыми. У поврежденного зерна резко возрастает дыхание, оно становится нестойким при хранении, быстро плесневеет и самосогревается.

Авторы предложили методику, которая позволяет провести комплексную оценку травмирования семян [28, 29]. Схема методики приведена на рисунке 1.2.

Тг Время Т. с

ВХОД Б

Ilc(,iij\&iH машпа

Отбор среднего образца {no (4J)

Вьгкод и;

ыашлны

Отбор среднего образца (по [4])

Навеска для определения влажлостн (по ]} Навесьядля определения тр авмнр о Единя (по [б]) Навеска для определения тр 1Е.ЧИРО В1ННЯ <_ПО [6 J>

Отлод

(ПО |Ь|)

Определение ко,-кч есгва ма № о по spi^aiHfi fe4*H

Семгла основной КУЛЬТУРЫ

й -

ёЕ

2 g

Типы внешние поЕре^пенЕгн С«ЖН EUEHiHMDCTlItTnp ННЯТОЙ при исследовании кдасенфккацни гтвреааений

П П! Hi П,

^ £

г в

Б =

= I

с 5

S 8

- количество семян для

1Н1ЛИИ >П-ргл™™ Б

ОТ К¥ЛЫЛ"РЫ

I I

Определение глсшшг; ПОЕР С ЯЛеЛИЙ С CMJQI (ПО Г?1) Определите виутреншг: лови сидении семян

Типы EHVTpi нних поврежден™ семян в зависимости от принятой при исследовании жла ссзсфикацкн повреждений

р. Pi Pj Рп

Опр едгленне колпче:твеннс й и ш( собой д слей поврежденных семян

Стати: гичеекдя о бр абош

рнупнхи ли ПЖДСЯАННЕ

Рисунок 1.2 - Схема определения травмированных зерновок [28, 29]

Авторы предлагают с помощью рентгенограмм проводить оценку внутренней травмированности семян (микроповреждений) [28, 29].

Таким образом, для исследования наличия травмированных семян используются методы рентгенографии. Авторами представлены алгоритмы для выделения признаков нарушения качества, которые основаны на анализе изображений [30-32]. Метод диагностики заключается в пропускании рентгеновских лучей, полученных с помощью флюороскопа (LX-85708, Lixi Inc., США) через ядра пшеницы, которые размещаются на платформе для образцов между рентгеновской трубкой и системой визуализации. Далее анализируются полученные изображения. В качестве входных данных для статистических дискриминантных классификаторов (линейных, квадратичных и Mahalanobis) авторами выбрано несколько статистических объектов, таких как локальные максимум и минимум, семь функций матрицы совпадений уровня серого (GLCM) [30]. При идентификации здоровых семян данным методом точность составила 82% [30, 32].

Анализ цветовой характеристики является также одним из способов оценки качества. Авторами работ представлен метод определения и оценки качества пшеницы на основе изображений семян. Обработка изображений осуществляется с использованием методов машинного обучения. С помощью вейвлет-пакета и морфологической операции автор извлекает морфологические, цветовые и текстурные особенности из изображений здоровых цельнозерновых семян пшеницы [32, 33]. Результаты показывают, что функция цвета может в значительной степени отражать разницу между разными сортами пшеницы. Морфологическая особенность также может отражать разницу, но не так резко, как цветовая характеристика. Следовательно, цветовой признак взят за основу для цельно-зерновой сортировки пшеницы. Затем автор устанавливает линейную классификацию параметров, модель распознавания, модель классификации нейронной сети для определения качества пшеницы. Общий уровень распознавания у первой модели достигает 95,5%, а у второй модели достигает 97%. Характерные параметры пшеницы извлекаются по сигналу CEEMD, далее подвергается

регрессионному анализу с помощью нескольких линейных регрессионных моделей. Коэффициент корреляции регрессионной модели составляет 0,9511, что указывает на возможность определения качества пшеницы данным методом [32, 33].

Для диагностики травмированных семян также широко применяются методы, основанные на использовании электротехнологий. Для этих целей используются электрозерноочистительные машины, которые имеют возможность разделять семена по электрическим свойствам [32, 34].

Для реализации данного метода авторами представлено устройство -сепаратор [32, 35]. Используется нагревательный элемент, через который пропускается зерно.

В результате выполненного обзора выявлено, что травмированность семян вызывает появление пустотелых, полых зерновок, что в свою очередь влияет как на лабораторную всхожесть, так и на посевную.

Список литературы диссертационного исследования кандидат наук Барышев Денис Дмитриевич, 2020 год

Список использованных источников

1. Мельник, А. Ф. Формирование урожайности и качества зерна озимой пшеницы / А. Ф. Мельник, А. Ф. Мартынов // Вестник ОрелГАУ. - 2012. - № 2. - С. 23-28. - URL: https://cyberleninka.ru/article/n/formirovanie-urozhaynosti-i-kachestva-zema-ozimoy-pshenitsy (дата обращения: 11.06.2019).

2. Сандакова, Г. Н. Влияние климатических факторов на качество зерна различных сортов яровой твёрдой пшеницы в природных зонах сортового районирования оренбургской области / Г. Н. Сандакова // Известия Оренбургского государственного аграрного университета. - 2018. - № 4 (72). -С. 58-62. - URL: https://cyberleninka.ru/article/n/vliyanie-klimaticheskih-faktorov-na-kachestvo-zerna-razlichnyh-sortov-yarovoy-tvyordoy-pshenitsy-v-prirodnyh-zonah-sortovogo (дата обращения: 11.09.2020).

3. Мельник, А. Ф. Сроки сева в условиях аридизации климата как фактор регулирования продуктивности озимой пшеницы / Мельник А. Ф. - DOI https://doi.org/10.18551/rjoas.2017-11.56 // Russian Journal of Agricultural and Socio-Economic Sciences. - 2017. - № 11. - С. 426-430. - URL: https://rjoas.com/issue-2017-11/article_56.pdf (дата обращения: 11.09.2020).

4. Кудеяров, В. Н. [Рецензия] / В. Н. Кудеяров, В. И. Глазко, М. С. Соколов // Агрохимия. - 2010. - № 4. - С. 92-96. - Рец. на кн.: Адаптивное растениеводство (эколого-генетические основы): теория и практика : в 3 томах / А. А. Жученко. Москва : Агрорус, 2008-2009. URL: https://elibrary.ru/item.asp?id=14368721 (дата обращения: 11.09.2020).

5. Кутровский, В. Д. Основные факторы повышения устойчивости производства зерна в Центральном регионе России в условиях глобального изменения климата / В. Д. Кутровский, В. Н. Штырхунов // Зерновое хозяйство России. -2010. - №6 (12). - С. 17-22. - URL: https://www.elibrary.ru/download/elibrary_15618493_44038064.pdf (дата обращения: 11.09.2020).

6. Маматожиев, Ш. И. Влияние изменения физико-химических свойств зерна в зависимости от влажности на равномерное распределение нагрузки по поверхности дробильного вала / Маматожиев Ш. И., Усаркулова М. М. // Проблемы Науки. - 2020. - № 4-2 (149). - С. 5-8. - URL: https://cyberleninka.ru/article/n/vliyanie-izmeneniya-fiziko-himicheskih-svoystv-zema-v-zavisimosti-ot-vlazhnosti-na-ravmmemoe-raspredelenie-nagruzki-po-poverhnosti (дата обращения: 11.09.2020).

7. Галкин, В. Д. Создание машин и агрегатов для подготовки семян из влажного зернового вороха по энерго-ресурсосберегающим технологиям / В. Д. Галкин, А. Д. Галкин, В. А. Хандриков // Роль аграрной науки в устойчивом развитии сельских территорий : сборник III Всероссийской (национальной) научной конференции. - Новосибирск, 2018. - С. 566-569. - URL: https://www.elibrary.ru/download/elibrary_36522133_90968911.pdf (дата обращения: 11.09.2020).

8. Параметры и режимы очистки семян на вибропневмосепараторе усовершенствованной конструкции / В. Д. Галкин, А. Д. Галкин, В. А. Хандриков, А. Ф. Федосеев, М. С. Накаряков // Пермский аграрный вестник. -2020. - № 1 (29). - С. 4-12. URL: https://cyberleninka.ru/article/n7parametry-i-rezhimy-ochistki-semyan-na-vibropnevmoseparatore-usovershenstvovannoy-konstruktsii (дата обращения: 11.09.2020).

9. Структура изменчивости признаков семян зернобобовых культур / А. Д. Хабибов, А. М. Магомедов, М. Д. Дибиров, М. А. Магомедов, Ш. М. Зубаирова // Известия вузов. Северо-Кавказский регион. Серия: Естественные науки. - 2004. - № 2. - C. 73-78. URL: https://cyberleninka.ru/article/n/struktura-izmenchivosti-priznakov-semyan-zernobobovyh-kultur (дата обращения: 11.09.2020).

10. Майсурян, Н. А. Биологические основы сортирования семян по удельному весу / Н. А. Майсурян // Труды ТСХА. - Москва : ТСХА, 1947. -Вып. 3. - С. 12-20.

11. Гладков, Н. Г. Зерноочистительные машины. Конструкция, расчет, проектирование и эксплуатация / Н. Г. Гладков. - Москва : Машгиз, 1961. -246 с

12. Гиевский, А. М. Пути повышения производительности универсальных зерноочистительных машин / А. М. Гиевский, В. А. Гулевский, В. И. Оробинский. - DOI 10.26897/1728-7936-2018-3-12-16 // Агроинженерия. -2018. - №3 (85). - С. 12-16. - URL: https://cyberleninka.ru/article/n/puti-povysheniya-proizvoditelnosti-universalnyh-zernoochistitelnyh-mashin (дата обращения: 11.09.2020).

13. Бурков, А. И. Тенденции развития воздушно-решётных зерноочистительных машин на современном этапе / А. И. Бурков. - DOI 10.30766/2072-9081.2018.63.2.04-15 // Аграрная наука Евро-Северо-Востока. -2018. - Т. 63, №2. - С. 4-15. - URL: https://cyberleninka.ru/article/n/tendentsii-razvitiya-vozdushno-reshyotnyh-zernoochistitelnyh-mashin-na-sovremennom-etape (дата обращения: 11.09.2020).

14. Быков, B C. Интенсификация процесса плоскорешетной сепарации за счет высокочастотных вибраций / B. C. Быков // Совершенствование технологий и технических средств для механизации процессов в растениеводстве: сборник научных трудов / Воронежский государственный аграрный университет. - Воронеж, 1994. - С. 52-60.

15. Ермольев, Ю. И. Интенсификация технологических операций в воздушно-решетных зерноочистительных машинах / Ю. И. Ермольев. -Ростов-на-Дону : Издательский центр ДГТУ, 1998 - 496 с.

16. Сорокин, Н. Н. Совершенствование процесса послеуборочной подготовки семян пшеницы : специальность : 05.20.01 «Технологии и средства механизации сельского хозяйства» : дисс. ... канд. с.-х. наук / Сорокин Николай Николаевич. - Воронеж, 2016. - 160 с.

17. Ямпилов, С. С. Технологическое и техническое обеспечение ресурсо-энергосберегающих процессов очистки и сортирования зерна и семян / С. С.

Ямпилов. - Улан-Удэ : Изд-во ВСГТУ, 2003. - 262 с.

18. Тарасенко, А. П. Совершенствование воздушно-решётной семяочистительной машины / А. П. Тарасенко, В. И. Оробинский, А. А. Сундеев, В. В. Шередекин // Механизация и электрификация сельского хозяйства. - 2005. - №4. - С. 3-5.

19. Оробинский, В. И. Совершенствование технологии послеуборочной обработки семян фракционированием и технических средств для ее реализации : специальность : 05.20.01 «Технологии и средства механизации сельского хозяйства» : дисс. ... д-ра с.-х. наук / Оробинский Владимир Иванович. - Воронеж, 2007. - 298 с.

20. Оробинский, В. И. Фракционирование зернового вороха и качество семян / В. И. Оробинский // Тракторы и сельскохозяйственные машины. -2006. - № 10. - С. 29-30.

21. Снижение травмирования зерна при послеуборочной обработке / А. П. Тарасенко, В. И. Оробинский, А. М. Гиевский, И. В. Баскаков, А. В. Чернышов, М. К. Харитонов // Вестник аграрной науки Дона. - 2019. - № 45. -С. 63-68. URL: https://cyberleninka.ru/article/n/snizhenie-travmirovaniya-zerna-pri-posleuborochnoy-obrabotke (дата обращения: 11.09.2020).

22. Change in Quality Parameters of Hulled Oats Grain at Fractionation / E. N. Pasynkova, A. A. Zavalin, A. V. Pasynkov, N. V. Kotel'nikova. - DOI https://doi.org/10.3103/S1068367418050142 // Russian Agricultural Sciences. -2018. - Vol. 44. - P. 409-413. - URL: https://link.springer.com/article/10.3103/S1068367418050142 (дата обращения: дд.мм.гггг).

23. ГОСТ 10842-89. Зерно зерновых и бобовых культур и семена масличных культур. Метод определения массы 1000 зерен или 1000 семян : взамен ГОСТ 10842-76 : дата введения 1991-07-01. - Москва : Издательство стандартов, 2001. - 8 с.

24. Матлаев, А. Г. Метод контроля всхожести зерна пшеницы по

нернстовскому потенциалу / А. Г. Матлаев // Международная научная конференция молодых ученых «Актуальные задачи современной науки». -Красноярск, 2009. - С. 20-22.

25. Применение микрофокусной рентгенографии для анализа качества семян овощных растений / Ф. Мусаев, Н. Н. Потрахов, Е. Н. Потрахов, В. П. Бессонов, К. К. Жамова, М. В. Архипов, Л. П. Великанов // Биотехносфера. -2015. - № 2 (38). - С. 25-27. - URL: https://cyberleninka.ru/article/n/primenenie-mikrofokusnoy-rentgenografii-dlya-analiza-kachestva-semyan-ovoschnyh-rasteniy (дата обращения: 11.09.2020).

26. Грязнов, А. Ю. Применение метода микрофокусной рентгенографии для контроля качества семян / Грязнов А. Ю., Староверов Н. Е., Баталов К. С. // Плодоводство и виноградарство Юга России. - 2017. - № 48 (06). - С. 46-55. -URL: http://journalkubansad.ru/pdf/17/06/06.pdf (дата обращения: 11.09.2020).

27. Патент № 2323560 Российская Федерация, МПК A01C 1/02 (2006.01), C12Q 1/02 (2006.01) Способ определения всхожести семян пшеницы : № 2006119264/13 : заявл. 01.06.2006 : опубл. 10.05.2008 / Савельев В. А., Бешкильцева Т. А. : заявитель Курганская государственная сельскохозяйственная академия имени Т. С. Мальцева - 6 с.

28. Пехальский, И. А. Травмирование внутренних структур зерновок как фактор снижения продуктивности семян зерновых культур / Пехальский И. А., Кряжков В. М., Артюшин А. А., Сорочинский В. Ф. // Научный журнал КубГАУ. - 2016. - № 117. С. 1-10. - URL: http://ej.kubagro.ru/2016/03/pdf/51.pdf (дата обращения: 11.09.2020).

29. Пехальский И. А. Методика определения комплексного травмирования зерна и семян машинами / Пехальский И. А., Артюшин А. А., Елизаров В. П., Славкин В. И., Сорочинский В. Ф. // Научный журнал КубГАУ. - 2016. - № 120. - С. 1-13. - URL: https://cyberleninka.ru/article/n7metodika-opredeleniya-kompleksnogo-travmirovaniya-zerna-i-semyan-mashinami (дата обращения: 12.05.2020).

30. Narvankar, D. S. Assessment of soft X-ray imaging for detection of fungal infection in wheat / D. S. Narvankar [et al.]. - DOI https://doi.org/10.1016/j.biosystemseng.2009.01.016 // Biosystems Engineering. -2009. - Vol. 103, Issue 1. - P. 49-56. - URL: https://www.sciencedirect.com/science/article/abs/pii/S1537511009000464 (дата обращения: 12.05.2020).

31. Безух, Е. П. Применение метода микрофокусной рентгенографии для контроля качества семян плодовых культур / Е. П. Безух, Н. Н. Потрахов, В. Б. Бессонов // Теоретический и научно-практический журнал. ИАЭП. - 2016. -89. - С. 106-112. - URL: https://cyberleninka.ru/article/n/primenenie-metoda-mikrofokusnoy-rentgenografii-dlya-kontrolya-kachestva-semyan-plodovyh-kultur (дата обращения: 12.05.2020).

32. Барышев, Д. Д. Методы диагностики травмированных семян пшеницы / Д. Д. Барышев, Н. Н. Барышева, С. П. Пронин // Ползуновский альманах. -2019. - № 4. - С. 121-123.

33. Dexian, Zh. On Detection Method of Wheat Quality Based on Image Processing and Support Vector Machine / Zh. Dexian, G. Xiaobo. - DOI 10.21311/002.31.7.05 // Revista de la Facultad de Ingeniería U.C.V. - 2016. - Vol. 31, N 7 - P. 46-57. - URL: https://pdfs.semanticscholar.org/a37c/96be0ef5e7273ab04c8895a1e682114a29a0.pd f?_ga=2.121540876.527407111.1599843683-1474075191. 1599843683 (дата обращения: 12.05.2020).

34. Актуальные вопросы технических наук: теоретический и практический аспекты: коллективная монография / [под ред. И.А. Григорьева]. - Уфа: Аэтерна, 2014. - 172 с.

35. Патент 71566 Российская Федерация, МПК B03C 7/02. Коронный электросепаратор : № 2006115994/03 : заявл. 10.05.2006 : опубл. 20.03.2008 / Знаев А. С., Осинцев Е. Г. ; заявитель ФГОУ ВПО Челябинский

государственный агроинженерный университет. - 4 с.

36. Применение технологий искусственного интеллекта в сельском хозяйстве / Е. А. Скворцов, В. И. Набоков, К. В. Некрасов, Е. Г. Скворцова, М. И. Кротов. - DOI 10.32417/article_5d908ed78f7fc7.89378141 // Аграрный вестник Урала. - 2019. - № 8 (187). - С. 91-98. - URL: https://cyberleninka.ru/article/n/primenenie-tehnologiy-iskusstvennogo-intellekta-v-selskom-hozyaystve (дата обращения: 10.05.2020).

37. Hussain, Lal. Seed Classification using Machine Learning Techniques. / Lal Hussain, Raja Ajaz // Journal of Multidisciplinary Engineering Science and Technology (JMEST). - 2015. - Vol. 2, Issue 5. - P. 1098-1102. - URL: https://www.researchgate.net/publication/277475448_Seed_Qassification_using_M achine_Learning_Techniques (дата обращения: 10.05.2020).

38. Nabeel, A. Wheat Seeds Classification using Multi-Layer Perceptron Artificial Neural Network / A. Nabeel, A. Quteishat // International Journal of Electronics Communication and Computer Engineering. - 2015. - Vol. 6. - P. 22784209. - URL: https://www.researchgate.net/publication/290044776_Wheat_Seeds_Classification_ using_Multi-Layer_Perceptron_Artificial_Neural_Network (дата обращения : 10.05.2020).

39. Mehra, L. K. Predicting Pre-planting Risk of Stagonospora nodorum blotch in Winter Wheat Using Machine Learning Models / L. K. Mehra, C. Cowger, K. Gross P. S. Ojiambo. - DOI 10.3389/fpls.2016.00390 // Frontiers in Plant Science. -2016. - vol. 7. - P. 1-14. - URL: https://www.researchgate.net/publication/299525980_Predicting_Pre-planting_Risk_of_Stagonospora_nodorum_blotch_in_Winter_Wheat_Using_Machi ne_Learning_Models (дата обращения: 10.05.2020).

40. Comparison of logistic regression and neural network analysis applied to predicting living setting after hip fracture / K. J. Ottenbacher, R. T. Linn, P. M.Smith, S. B. Illig, M. Mancuso, C. V. Granger. -DOI

10.1016/j.annepidem.2003.10.005 // Annals of Epidemiology. - 2004. - Vol. 14. -P. 551-559. - URL:

https://www.researchgate.net/publication/8362784_Comparison_of_logistic_regress ion_and_neural_network_analysis_applied_to_predicting_living_setting_after_hip_ fracture (дата обращения: 10.05.2020).

41. Набоков, В. И. Кадровая проблема и внедрение робототехники в сельском хозяйстве / В. И. Набоков, Е. А. Скворцов, К. В. Некрасов // Финансовая экономика. - 2018. - № 7. - С. 89-91.

42. Шаманин, В. П. Кластерный анализ сортов мягкой яровой пшеницы по элементам структуры урожая в южной лесостепи Западной Сибири / В. П. Шаманин, С. Л. Петуховский, Ю. С. Краснова // Вестник КрасГАУ. - 2016. -№4. - C.147-152. - URL: https://cyberleninka.ru/article/n/klasternyy-analiz-sortov-myagkoy-yarovoy-pshenitsy-po-elementam-struktury-urozhaya-v-yuzhnoy-lesostepi-zapadnoy-sibiri (дата обращения: 10.05.2020).

43. Крыловецкий, А. А. Распознавание изображений элементов зерновых смесей методами глубокого обучения с использованием библиотек KERAS и TENSORFLOW / А. А. Крыловецкий, Д. М. Суходолов. - DOI https://doi.org/10.17308/sait.2018.2/1222 // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. - 2018. - № 2. - C. 139-148. - URL: https://journals.vsu.ru/sait/article/view/1222 (дата обращения: 10.05.2020).

44. Шаззо, А. Ю. Эффективность распознавания скрытой зараженности зерновок по изображениям в инфракрасном спектре / А. Ю. Шаззо, С. В. Усатиков // Известия ВУЗов. Пищевая технология. - 2012. - № 4. - C. 105-108. - URL : https://cyberleninka. ru/article/n/effektivnost-raspoznavaniya-skrytoy-zarazhennosti-zernovok-po-izobrazheniyam-v-infrakrasnom-spektre (дата обращения: 10.05.2020).

45. Da-Wen Sun. Computer Vision Technology for Food Quality Evaluation / Da-Wen Sun. - DOI https://doi.org/10.1016/C2014-0-01718-2. - [S.L.] : Academic

Press. Elsevier, 2016. - 658 P.

46. Jawad, Nagi. A MATLAB based Face Recognition System using Image Processing and Neural Networks / N. Jawad, K. A. Syed, N. Farrukh // 4th International Colloquium on Signal Processing and its Applications. - Kuala Lumpur, Malaysia. - 2008. - P. 83-88. - URL: https://www.researchgate.net/publication/228963208_A_MATLAB_based_Face_R ecognition_System_using_Image_Processing_and_Neural_Networks (дата обращения: 10.05.2020).

47. Власов, А. В. Машинное обучение применительно к задаче классификации семян зерновых культур в видеопотоке / А. В. Власов, А. С. Фадеев // XIV Международная научно-практическая конференция студентов аспирантов и молодых ученых «Молодежь и современные информационные технологии». - Томск, 2016. - С. 133-135.

48. Automatic recognition of rape seeding emergence stage based on computer vision technology / F. Yihang, C. Tingting, Z. Ruifang, W. Xingyu. - DOI 10.1109/Agro-Geoinformatics.2014.6910634 // Agro-geoinformatics 2014: The Third International Conference on Agro-Geoinformatics, Beijing. - 2014. - P. 1-5. URL:

http://ieeexplore. ieee.org/stamp/stamp.j sp?tp=&arnumber=6910634&isnumber=691 0562 (дата обращения: 10.05.2020).

49. Tsapko, I. V. Object's border and position allocating in an X-ray image / I. V. Tsapko, A. V. Vlasov. - DOI 10.4028/www.scientific.net/AMM.756.667 // Applied Mechanics and Materials. - 2015. - Vol. 756. - P. 667-672. URL: https://www.researchgate.net/publication/277662761_Objecfs_Border_and_Positio n_Allocating_in_an_X-Ray_Image (дата обращения: 10.05.2020).

50. Methods of Measuring the Spectral Characteristics and Identifying the Components of Grain Mixtures in Real-Time Separation Systems / E. К. Algazinov, М. А. Dryuchenko, D. А Minakov., А. А. Sirota, V. А. Shulgin. - DOI https://doi.org/10.1007/s11018-014-0406-3 // Measurement Techniques. - 2014. -

Vol. 57, No. 1. - Р. 54-61. - URL: https://link.springer.com/article/10.1007/s11018-014-0406-3

51. A Reliable Methodology for Determining Seed Viability by Using Hyperspectral Data from Two Sides of Wheat Seeds / Zhang T., Wei W., Zhao B., Wang R., Li M., Yang L., Wang J., Sun Q. - DOI 10.3390/s18030813 // Sensors. -2018. - Vol. 18 (3), Issue 813. - P. 1-13. URL: https://www.researchgate.net/publication/323645586_A_Reliable_Methodology_for _Determining_Seed_Viability_by_Using_Hyperspectral_Data_from_Two_Sides_of _Wheat_Seeds (дата обращения: 10.05.2020).

52. Барышева, Н. Н. Обзор результатов исследования биоэлектрических сигналов в растениях / Н. Н. Барышева, С. П. Пронин // Вестник Курской государственной сельскохозяйственной академии. - 2018. - № 9. - С. 233-236.

53. Барышева, Н. Н. Метод контроля всхожести семян пшеницы по изменению мембранного потенциала / Н. Н. Барышева, С. П. Пронин // Ползуновский вестник. - 2015. - № 2. - С.69-73.

54. Барышева, Н. Н. Результаты теоретических и экспериментальных исследований изменения мембранного потенциала зерен пшеницы разной всхожести / Н. Н. Барышева, С. П. Пронин // Дальневосточный аграрный вестник. - 2018. - № 2 (46). - С.141-145.

55. Барышева, Н. Н. Исследование электрических сигналов зерен пшеницы / Н. Н. Барышева, С. П. Пронин // Вестник аграрной науки Дона. - 2019. - № 2 (46). - С. 36-41.

56. Барышева, Н. Н. Выбор алгоритма фильтрации экспериментальных данных для контроля всхожести семян пшеницы по мембранным потенциалам / Н. Н. Барышева, С. П. Пронин // Вестник Алтайского государственного аграрного университета. - 2019. - № 4 (174). - С. 150-154.

57. Барышева, Н. Н. Сравнение разрушающего и неразрушающего методов измерения мембранного потенциала зерен пшеницы / Н. Н. Барышева, С. П. Пронин, В. С. Афонин // Вестник Алтайского государственного аграрного

университета. - 2019. - № 6 (176). - С. 143-147.

58. Барышева, Н. Н. Метод и средство контроля мембранного потенциала зерен пшеницы и его применение для оценки всхожести : специальность 05.11.13 «Приборы и методы контроля природной среды, веществ, материалов и изделий» : дисс. ... канд. тех. наук / Барышева Надежда Николаевна. -Барнаул. - 2015. - 116 с.

59. Матлаев, А. Г. Метод и средство контроля всхожести семян пшеницы / А. Г. Матлаев, С. П. Пронин // Естественные и технические науки. - 2009. - № 3 (41). - С. 308-311.

60. Матлаев, А. Г. Зависимость изменения потенциала действия зерна пшеницы от всхожести / А. Г. Матлаев, С. П. Пронин // Ползуновский альманах. - 2009. - № 2. - С. 138-139.

61. Лукоянычева, О. В. Анализ биоэлектрических сигналов с целью формирования базы знаний для экспертной системы по определению показателя всхожести зёрен пшеницы / О. В. Лукоянычева // Ползуновский альманах. - 2014. - № 1. - С. 97-99.

62. Лукоянычева, О. В. Использование значений биоэлектрических потенциалов для построения аппаратно-программного комплекса определения всхожести зерна / О. В. Лукоянычева // Перспективы развития науки и образования. Часть IV. - Москва: АР-Консалт, 2013. - С. 50-53.

63. Лукоянычева, О. В. Использование измерения потенциала покоя для построения аппаратно-программного комплекса по определению всхожести зёрен пшеницы / О. В. Лукоянычева, С. П. Пронин // Технические науки от теории к практике. - Новосибирск, 2013. - № 27-2. - С. 32-38.

64. Лукоянычева, О. В Исследование электрических сигналов в зёрнах пшеницы с различной всхожестью и разработка рекомендаций по построению экспертной системы / О. В. Лукоянычева, С. П. Пронин // Вестник Алтайского государственного аграрного университета. - 2014. - № 1 (111). - С. 109-114.

65. Кафтанников, И. Л. Проблемы формирования обучающей выборки в

задачах машинного обучения / И. Л. Кафтанников, А. В. Парасич. - DOI 10.14529/ctcr160302 // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. - 2016. - № 3. - C. 15-24. URL: https://cyberleninka.ru/article/n/problemy-formirovaniya-obuchayuschey-vyborki-v-zadachah-mashinnogo-obucheniya (дата обращения: 10.05.2020).

66. Huang, TH. Two Algorithms Under Stochastic Gradient Descent Framework for Recommender Systems / TH. Huang, V. Nikulin. - DOI https://doi.org/10.1007/978-3-319-13186-3_21 // Trends and Applications in Knowledge Discovery and Data Mining. PAKDD 2014. Lecture Notes in Computer Science. - 2014. - Vol. 8643. - P. 219-230. - URL: https://link.springer.com/chapter/10.1007%2F978-3-319-13186-3_21 (дата обращения: 10.05.2020).

67. Кипра, Н. Аэродинамическое сепарирование зерновых масс / Н. Кипра // Хранение и переработка зерна. - 2014. - Т. 180, № 3. - С.44-46. - URL: http://journals.uran.ua/index.php/2306-4498/article/view/106444/101542 (дата обращения: 10.05.2020).

68. Stepanenko, S. Research pneumatic gravity separation grain materials / Stepanenko S. // International Scientific Journal Mechanization in agriculture & Conserving of the resources. - 2017. - Vol. 63, Issue 2. - P. 54-56. - URL: http: //www.agrimachinery.net/sbornik/2017/2/17 .RESEARCH%20PNEUMATIC% 20GRAVITY%20SEPARATION%20GRAIN%20MATERIAL S.pdf (дата обращения: 10.05.2020).

69. ГОСТ 12038-84. Семена сельскохозяйственных культур. Методы определения всхожести : взамен ГОСТ 12038-66 : дата введения 1986-07-01. -Москва : Стандартинформ, 2011. - 31 с.

70. ГОСТ 12036-85 Семена сельскохозяйственных культур. Правила приемки и методы отбора проб : взамен ГОСТ 12036-66 : дата введения 1986-

07-01. - Москва : Издательство стандартов, 2004. - 14 с.

71. Барышев, Д. Д. Классификации семян пшеницы для оценки качества их фракционирования / Д. Д. Барышев, В. И. Беляев // Вестник Алтайского государственного аграрного университета. - 2020. - № 9 (191). - С. 104-108.

72. Экспериментальное исследование электрофизических свойств семян пшеницы, разделенных на фракции по аэродинамическим свойствам / Д. Д. Барышев, Н. Н. Барышева, С. П. Пронин, В. И. Беляев // Вестник Алтайского государственного аграрного университета. - 2019. - № 9 (179). - С. 136-140.

73. Барышев, Д. Д. Экспресс-оценка качества семян пшеницы после очистительной линии / Н. Н. Барышева, С. П. Пронин, В. И. Беляев, Д. Д. Барышев // Вестник Алтайского государственного аграрного университета, 2019. - № 10 (180). - С. 128-134.

74. Нейросетевое исследование данных о качестве семенного материала пшеницы по биоэлектрическим сигналам / Н. Н. Барышева, М. В. Гунер, Д. Д. Барышев, С. П. Пронин // Материалы X Международной научно-практической конференции «Высокопроизводительные вычислительные системы и технологии в научных исследованиях, автоматизации управления и производства». - Барнаул, 2020. - Т.4, №1. - С. 179-184.

75. Барышев, Д. Д. Подготовка обучающей выборки для задач классификации семян по их урожайным свойствам / Д. Д. Барышев, Н. Н. Барышева, С. П. Пронин // АПК России. - 2020. - Т. 27, № 3. -С. 440-446.

76. Analysis of seed quality indicators based on neural network/ N. N. Barysheva, M. V. Guner, D. D. Baryshev, S. P. Pronin. - DOI https://doi.org/10.1088/1742-6596/1615/1/012022 // Journal of Physics: Conference Series. - 2020. - Vol. 1615. - P. 1-10. - URL: https://iopscience.iop.org/article/10.1088/1742-6596/1615/ 1/012022/pdf (дата

обращения: 10.05.2020).

77. Барышев, Д. Д. Обработка и визуализация данных о электрофизических свойствах зерен пшеницы с помощью библиотеки matplotlib / Н. Н. Барышева, Д. Д. Барышев, Р. Е. Дорохов // Наука и образование. - 2020. - Т.3, №2. - С. 375-379.

78. Шелухин, О. И. Обнаружение аномальных состояний компьютерных систем средствами интеллектуального анализа данных системных журналов / Шелухин О. И., Рябинин В. С., Фармаковский М. А. - DOI 10.21681/23113456-2018-2-33-43 // Вопросы кибербезопасности. - 2018. - № 2 (26). - С. 3343. - URL: https://cyberleninka.ru/article/n/obnaruzhenie-anomalnyh-sostoyaniy-kompyuternyh-sistem-sredstvami-intellektualnogo-analiza-dannyh-sistemnyh-zhurnalov (дата обращения: 03.07.2020).

79. Гладких, Т. В. Обнаружение аномалий - обучение без учителя / Т. В. Гладких, Т. Гнот, В. Сольский // Вимiрювальна та Обчислювальна Техшка в Технолопчних Процесах. - 2016. - № 1. - С. 148-158. - URL: http://www.irbis-nbuv.gov.ua/cgi-

bin/irbis_nbuv/cgiirbis_64.exe?C21 COM=2&I21DBN=UJRN&P21DBN=UJRN&I MAGE_FILE_DOWNLOAD=1 &Image_file_name=PDF/vott_2016_1_30.pdf (дата обращения: 03.07.2020).

80. Гоголевский, А. С. Метод обнаружения аномальных измерений в системах реального времени на основе алгоритмов машинного обучения / А. С. Гоголевский, Л. В. Уткин, С. П. Хабаров // Известия Санкт-Петербургской лесотехнической академии. - 2014. - № 206. - С. 173-180. - URL: https://www.elibrary.ru/download/elibrary_22665714_89116341.pdf (дата обращения: 03.07.2020).

81. Frotscher, T. Architecture-Based Multivariate Anomaly Detection for Software Systems. Master's Thesis / T. Frotscher. - Kiel University, Kiel, Germany, 2013. -

107 p.

82. Андреа, Клитон. Обнаружение выбросов с помощью боксплотов, основанных на новых высокоэффективных робастных оценках масштаба / К. Андреа, Г. Л. Шевляков // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Информатика, телекоммуникации и управление. - 2013. - № 5 (181). - С. 3945. - URL: https://cyberleninka.ru/article/n/obnaruzhenie-vybrosov-s-pomoschyu-boksplotov-osnovannyh-na-novyh-vysokoeffektivnyh-robastnyh-otsenkah-masshtaba (дата обращения: 03.07.2020).

83. Thirumalai, C. Data analysis using box plot on electricity consumption / C. Thirumalai, R. Kanimozhi, B. Vaishnavi. - DOI 10.1109/ICECA.2017.8212735 // 2017 International conference of Electronics, Communication and Aerospace Technology (ICECA), Coimbatore, 2017, - P. 598-600. - URL: http://ieeexplore.ieee.org/stamp/stamp.] sp?tp=&arnumber=8212735&isnumber=821 2707 (дата обращения: 03.07.2020).

84. Praveen, V. Data analysis using box plot and control chart for air quality / V. Praveen, T. Delhi Narendran, R. Pavithran, C. Thirumalai. - DOI 10.1109/IC0EI.2017.8300877 //2017 International Conference on Trends in Electronics and Informatics (ICEI), Tirunelveli, 2017. - P. 1082-1085. - URL: http://toc.proceedings.com/38466webtoc.pdf (дата обращения: 03.07.2020).

85. Барышева, Н. Н. Метод определения всхожести семян пшеницы на основе мембранных потенциалов / Н. Н. Барышева, С. П. Пронин. - DOI https://doi.org/10.15507/2658-4123.029.201903.443-455 // Инженерные технологии и системы. - 2019. - Т .29, № 3. - С. 443-455. - URL: http://vestnik.mrsu.ru/index.php/en/articles2-en/84-19-3/725-10-15507-0236-2910-029-201903-8 (дата обращения: 03.07.2020).

86. Hochreiter, S. Long Short-term Memory / S. Hochreiter. - DOI 10.1162/neco.1997.9.8.1735 // Neural Computation. - 1997. - Vol. 9(8). - P. 1735-

1780. - URL: https://www.researchgate.net/publication/13853244_Long_Short-term_Memory (дата обращения: 03.07.2020).

87. Filonov, P. Multivariate Industrial Time Series with Cyber-Attack Simulation: Fault Detection Using an LSTM-based Predictive Data Model / P. Filonov, A. Lavrentyev, A Vorontsov // NIPS Time Series Workshop 2016, Barcelona, Spain, 2016. - P. 1-8. - URL: https://arxiv.org/pdf/1612.06676.pdf (дата обращения: 03.07.2020).

88. Klein, R. A Method for Anomaly Detection for Non-stationary Vibration Signatures / R. Klein // Annual Conference of the Prognostics and Health Management Society, 2013 - P. 1-7. - URL: https://www.phmsociety.org/sites/phmsociety.org/files/phm_submission/2013/phmc _13_038.pdf (дата обращения: 03.07.2020).

89. Дьяконов, А. Г. Выявление аномалий в работе механизмов методами машинного обучения / А. Г. Дьяконов, А. М. Головина // Труды XIX Международной конференции «Аналитика и управление данными в областях с интенсивным использованием данных» (DAMDID / RCDL'2017). - Москва, 2017. - С. 389-396.

90. Scholkopf, B. Estimating the Support of a High-dimensional Distribution / B. Scholkopf, J. Platt, J. Shawe-Taylor, A. Smola, R. Williamson. - DOI 10.1162/089976601750264965 // Neural Computation. - 2001. - Vol. 13 (7). - P. 1443-1471. - URL: https://www.researchgate.net/publication/220499623_Estimating_Support_of_a_Hi gh-Dimensional_Distribution (дата обращения: 03.07.2020).

91. Vapnik, V. The nature of statistical learning theory / V. Vapnik. - DOI https://doi.org/10.1007/978-1-4757-3264-1. - Springer, New York, 2013. - 334 p.

92. Liu, F. T. Isolation forest / F. T. Liu, K. M. Ting, Z. H. Zhou // 2008 Eighth

IEEE International Conference on Data Mining, Pisa, 2008. - P. 413-422. - URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4781136&isnumber=478 1078 (дата обращения: 03.07.2020).

93. Чесноков, М. Ю. Поиск аномалий во временных рядах на основе ансамблей алгоритмов DBSCAN / М. Ю. Чесноков // Искусственный интеллект и принятие решений. -2018. - № 1. - С. 98-106. - URL: http://www.isa.ru/aidt/images/documents/2018-01/99-107.pdf (дата обращения: 03.07.2020).

94. Шунина, Ю. С. Влияние способа формирования обучающей и тестовой выборок на качество классификации / Ю. С. Шунина // Вестник УлГТУ. -2015. - № 2 (70). - C. 43-46. - URL: https://cyberleninka.ru/article/n/vliyanie-sposoba-formirovaniya-obuchayuschey-i-testovoy-vyborok-na-kachestvo-klassifikatsii (дата обращения: 03.07.2020).

95. Никишечкин, А. П. Формирование примеров обучающей и тестовой выборки нейронной сети на принципах планирования экспериментов / А. П. Никишечкин, А. Абдерразек // Евразийский Союз Ученых. - 2016. - № 3-1 (24). - С. 153-156. - URL: https://cyberleninka.ru/article/n/formirovanie-primerov-obuchayuschey-i-testovoy-vyborki-neyronnoy-seti-na-printsipah-planirovaniya-eksperimentov (дата обращения: 03.07.2020).

96. Nikulin, V. On the Evaluation of the Homogeneous Ensembles with CV-passports / Nikulin V., Bakharia A., Huang TH. DOI https://doi.org/10.1007/978-3-642-40319-4_10 // Trends and Applications in Knowledge Discovery and Data Mining. PAKDD 2013. Lecture Notes in Computer Science, Springer, Berlin, Heidelberg. - 2013. - Vol. 7867. - P. 109-120. - URL: https://link.springer.com/chapter/10.1007/978-3-642-40319-4_10 (дата обращения: 29.01.2020).

97. Бахриддинова, Н. М. Влияние различных факторов на пищевую

безопасность зерна пшеницы / Бахриддинова Н. М., Зарипова М. Д. // Universum: Технические науки. - 2019. - № 3 (60). - URL: https://cyberleninka.ru/article/n7vliyanie-razlichnyh-faktorov-na-pischevuyu-bezopasnost-zerna-pshenitsy (дата обращения: 29.01.2020).

98. Никулин, В. Н. Об однородных ансамблях при использовании метода бустинга в приложении к несбалансированным данным / В. Н. Никулин, С. А. Палешева, В. С. Зубарева // Вестник ПГУ. Серия: Экономика. - 2012. - № 4. -С. 8-14. - URL: https://cyberleninka.ru/article/n/ob-odnorodnyh-ansamblyah-pri-ispolzovanii-metoda-bustinga-v-prilozhenii-k-klassifikatsii-nesbalansirovannyh-dannyh (дата обращения: 13.09.2020).

99. LeCun, Y. Deep Learning / Y. LeCun, Y. Bengio, G. Hinton. - DOI 10.1038/nature 14539 // Nature. - 2015. - Vol. 521. - P. 436-444. - URL: https://www.researchgate.net/publication/277411157_Deep_Learning (дата обращения: 29.01.2020)

100. Донских, А. О. Обучение глубоких нейронных сетей в условиях малой выборки для классификации биологических объектов по мультиспектральным измерениям / А. О. Донских, А. А. Сирота. // Вестник Воронежского государственного университета, Серия: Системный анализ и информационные технологии. - 2019. - № 4. - C.109-118.

101. Коротеев, М. В. Обзор некоторых современных тенденций в технологии машинного обучения / Коротеев М. В. - DOI 10.26425/2658-3445-2018-1-26-35 // E-Management. - 2018. - № 1. - C. 26-35 - URL: https://cyberleninka.ru/article/n/obzor-nekotoryh-sovremennyh-tendentsiy-v-tehnologii-mashinnogo-obucheniya (дата обращения: 14.05.2020).

102. Baryshev, D. D. Comparison of machine learning methods for solving the problem of wheat seeds classification by yield properties / D. D. Baryshev, N. N. Barysheva, S. P. Pronin, O. K. Nikol'skii. - DOI

https://doi.org/10.3103/S1068367420040047 // Russian Agricultural Sciences. -2020. - Vol. 46 (4). - P. 410-417. - URL: https://link. springer.com/article/10.3103 %2FS 1068367420040047 (дата

обращения: 29.09.2019).

103. Барышев, Д. Д. Выбор метода классификации семян пшеницы по их качеству / А. А. Гертер, Д. Д. Барышев, Н. Н. Барышева // Сборник статей VI Всероссийской научно-технической конференции молодых ученых, магистрантов, аспирантов и студентов «Фундаментальные и прикладные аспекты компьютерных технологий и информационной безопасности». -Таганрог, 2020. - С. 376-377.

104. Барышев, Д. Д. Проектирование АИС «Оценка качества посевного материала» / А. А. Гертер, Д. Д. Барышев // Наука и молодежь : материалы XVII Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых (01-05 июня 2020 года, г. Барнаул), АлтГТУ им. И.И. Ползунова. - Барнаул : Изд-во АлтГТУ, 2020. - С.38-40.

105. Arefi, A. Wheat class identification using computer vision system and artificial neural networks / A. Arefi, A. M. Motlagh, R. F. Teimourlou // International Agrophysics. - 2011. - Vol. 25. - P. 319-323. - URL: http://www.international-agrophysics.org/Wheat-class-identification-using-computer-vision-system-and-artificial-neural-networks,106328,0,2.html (дата обращения: 29.09.2019).

106. Classification of Wheat Cultivars Using Image Processing and Artificial Neural Networks / A. Khoshroo, A. Arefi, A. Masoumiasl, G.-H. Jowkar // Agricultural Communications. - 2014. - Vol. 2. - P. 17-22. - URL: https://www.researchgate.net/publication/260292108_Classification_of_Wheat_Cult ivars_Using_Image_Processing_and_Artificial_Neural_Networks (дата обращения: 29.09.2019).

107. Bertsimas, D. Optimal classification trees / D. Bertsimas, J. Dunn. - DOI https://doi.org/10.1007/s10994-017-5633-9 // Machine Learning. - 2017. - Vol.106. - P. 1039-1082. - URL: https://link.springer.com/article/10.1007%2Fs10994-017-5633-9 (дата обращения: 29.09.2019).

108. Kampichler, C. Classification in conservation biology: A comparison of five machine-learning methods / C. Kampichler, R. Wieland, S. Calmé, H. Weissenberger, S. Arriaga-Weiss. - DOI 10.1016/j.ecoinf.2010.06.003 // Ecological Informatics. - 2010. - Vol. 5. - P. 441-450. - URL: https://www.researchgate.net/publication/220109984_Classification_in_conservatio n_biology_A_comparison_of_five_machine-learning_methods (дата обращения: 29.09.2019).

109. Mehne, S. H. H. Support Vector Machine: Applications and Improvements Using Evolutionary Algorithms / S. H. H. Mehne., S. Mirjalili. - DOI 10.1007/978-981-32-9990-0_3 // Evolutionary Machine Learning Techniques. Algorithms for Intelligent Systems, Springer, Singapore, 2020. - P. 35-50. - URL: https://www.researchgate.net/publication/337196897_Support_Vector_Machine_Ap plications_and_Improvements_Using_Evolutionary_Algorithms (дата обращения: 29.09.2019).

110. Scholkopf, B. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond / B. Scholkopf, A. Smola. - MIT Press, Cambridge, MA, USA, 2002. - 644 p.

111. Razzaghi, T. Multilevel Weighted Support Vector Machine for Classification on Healthcare Data with Missing Values / T. Razzaghi, O. Roderick, I. Safro, N. Marko. - DOI https://doi.org/10.1371/journal.pone.0155119 // PloS one. - 2016. -Vol. 11(5). - URL: https://www.researchgate.net/publication/301876055_Multilevel_Weighted_Suppor t_Vector_Machine_for_Classification_on_Healthcare_Data_with_Missing_Values

(дата обращения: 29.09.2019).

112. Зайцева, Ж. В. Методические основы нечетко-когнитивного управления коммерческими рисками предприятий пищевой промышленности в условиях неопределенности : специальность 08.00.05 «Экономика и управление народным хозяйством» : дисс. ... канд. э. наук / Зайцева Жанна Викторовна. -Москва. - 2008.

113. Zhang, Z. Introduction to machine learning: k-nearest neighbors / Z. Zhang. -DOI 10.21037/atm.2016.03.37 // Annals of Translational Medicin. - 2016. - Vol. 4(11). - P. 218. - URL: https://www.researchgate.net/publication/303958989_Introduction_to_machine_lear ning_K-nearest_neighbors (дата обращения: 29.09.2019).

114. Kalke, H. Support vector machine learning applied to digital images of river ice conditions / H. Kalke, M. Loewen. - DOI https://doi.org/10.1016Zj.coldregions.2018.08.014 // Cold Regions Science and Technology. - 2018. - Vol. 155. - P. 225-236. - URL: https://www.sciencedirect.com/science/article/abs/pii/S0165232X17304251 (дата обращения: 29.09.2019).

115. Chase, T. Hierarchical tree classifiers to find suitable sites for sandplain grasslands and heathlands on Martha's Vineyard Island, Massachusetts / T. Chase, K. D. Rothley. - DOI https://doi.org/10.1016/j.biocon.2006.10.047 // Biological Conservation. - 2007. - Vol. 136. - P. 65-75. - URL: https://www.sciencedirect.com/science/article/abs/pii/S0006320706004812 (дата обращения: 29.09.2019).

116. Steele, B. M. Combining multiple classifiers: an application using spatial and remotely sensed information for land cover mapping / B. M. Steele. - DOI 10.1016/S0034-4257(00)00145-0 // Remote Sensing of Environment. - 2000. - Vol. 74. - P. 545-556. - URL: https://www.researchgate.net/publication/263118603_Combining_Multiple_Classifi

ers_-

_An_Application_Using_Spatial_and_Remotely_Sensed_Information_for_Land_C over_Type_Mapping (дата обращения: 29.09.2019).

117. Раевский, Б. В. Изучение динамики лесных массивов карельской части Зеленого пояса Фенноскандии методами дистанционного зондирования / Б. В. Раевский, В. В. Тарасенко // Труды Карельского научного центра РАН. - 2019. - № 4. - C. 89-99. - URL: https://cyberleninka.ru/article/n/izuchenie-dinamiki-lesnyh-massivov-karelskoy-chasti-zelenogo-poyasa-fennoskandii-metodami-distantsionnogo-zondirovaniya (дата обращения: 29.09.2019).

118. Caley, P. Application and evaluation of classification trees for screening unwanted plants / P. Caley, P. M. Kuhnert. - DOI https://doi.org/10.1111/j.1442-9993.2006.01617.x //Austral Ecology. - 2006. - Vol. 31. - P. 647-655. - URL: https: //onlinelibrary. wiley.com/doi/epdf/10.1111/j.1442-9993.2006.01617.x (дата обращения: 29.09.2019).

119. Методы классификации элементов зерновых смесей на основе анализа спектральных характеристик в видимом и инфракрасном диапазонах длин волн / А. О. Донских, Д. А. Минаков, А. А. Сирота, В. А. Шульгин // Вестник Воронежского государственного университета, Серия: Системный анализ и информационные технологии. - 2016. - № 1. - С. 150-160. - URL: http://www.vestnik.vsu.ru/pdf/analiz/2016/01/2016-01-20.pdf (дата обращения: 29.09.2019).

120. Чубукова, И.А. Data Mining : учебное пособие / Чубукова И.А. — Москва : Интуит НОУ, 2016. — 470 с. — URL: https://book.ru/book/917500 (дата обращения: 14.09.2020).

121. Скворцова, Ю. Г. Влияние травмирования семян озимой пшеницы на их посевные качества / Ю. Г. Скворцова, Е. В. Ионова // Аграрный вестник Урала. — 2015. — №11 (141). — С. 16-19. — URL: https://cyberleninka.ru/article/n/vliyanie-travmirovaniya-semyan-ozimoy-pshenitsy-na-ih-posevnye-kachestva (дата обращения: 19.07.2020).

122. Кокина Л. П. Травмирование как фактор снижения посевных качеств семян ячменя / Л. П. Кокина, И. Н. Щенникова, И. Ю. Зайцева // Вестник Алтайского государственного аграрного университета. — 2019. — №5 (175).

— С. 19-24. — URL: https://cyberleninka.ru/article/n/travmirovanie-kak-faktor-snizheniya-posevnyh-kachestv-semyan-yachmenya (дата обращения: 13.04.2020).

123. Цугленок, Н. В. Современное состояние производства семян и их подготовки к посеву / Н. В. Цугленок // Наука, техника и образование. - 2019.

- №6 (59). - С. 53-56.

124. Подготовка высококачественных семян с использованием пневмосепараторов / Бурков А. И., Баталова Г. А., Глушков А. Л., Лазыкин В. А. - DOI https://doi.Org/10.30766/2072-9081.2017.57.2.72-76// Аграрная наука Евро-Северо-Востока. - 2017. - №2. - С. 72-76. - URL: https://www.agronauka-sv.ru/jour/article/view/120/0 (дата обращения: 13.03.2019).

125. Нехороших, М. C. Матрикальная разнокачественность семян озимой ржи в условиях южной лесостепи республики Башкортостан : специальность 06.01.01 «Общее земледелие, растениеводство» : дисс. ... канд. с.-х. наук / Нехороших Максим Сергеевич. - Уфа, 2016. - 228 с.

Приложение А. Фрагмент программного модуля визуализации и

обработки данных

1п [12]: data.he.adO

МахМР Т-10% Т-МахМР Т-Ыпе У

0 195 53 547.0 25.0 3

1 215 42 553.0 34.0 3

г 194 43 557.0 20.0 3

3 179 47 555.0 33.0 3

4 201 50 547.0 35.0 3

1п [13]: fig = 5П5.ря:.г-р1о1:(data_, |1ие= "V , ра1е1Ле= '5е1:1');

Рисунок

1 - Визуализация данных

File

jupyter Part 2 (autosaved)

Edit View Insert Cell

Kemel Widgets Help

Ь ф N Run ■ С №

IÜ

Logout

Trusted

Python 3 О

In [171]

from _future_ import division, pnint_function

import numpy as rip

import pandas as pd

Kmatplotlib inline

import seaborn as sns

from matplotlib import pyplot as pit

from sklearn import model_selection

from sklearn.model_selection import cross_validate

from sklearn.model_selection import cross_val_score

from sklearn.model_selection import trsin_test_split

from sklearn.tree import DecisionTreeClassifier

from sklearn import svm

from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import confusion_matrix

In [172]: data = pd.read_csv(1С:/Users/Winterfell/Desktop/Data.csv1, Eap=';encoding= 'u data_test = pd.read_csv(1С:/Users/Winterfell/Desktop/Test.csv1, sep=';', encodin

data_test_nois = pd.read_csv('С:/Users/Uinterfell/Desktop/Test-nois.csv', sep="; < ►

In [175]: data.head() 0ut[175]:

Мах MP Т-10* Т-МахМР T-Lire

0 206 57 440 251

1 212 71 435 252

2 200 72 431 242

3 134 74 432 255

4 135 66 427 255

In [178]: trair_data

0ut[17S]:

Max MP Т-10% Т-МахМР T-Lire

0 206 57 440 251

1 212 71 435 252

г 200 72 431 242

ъ 134 74 432 255

Рисунок 2 - Подключение библиотек для обработки и анализа данных

Приложение Б. Акты внедрения результатов научно-исследовательских

работ

Министерство науки и высшего образования Российской Федерации Федеральное государственное бюджетное научное учреждение «Федеральный Алтайский научный центр агробиотехнологий»

(ФГБНУ ФАНЦА)

Юридический адрес: п. Научный городок, д.35, г. Барнаул, Алтайский край, 656910 Тел/факс [phone], e-mail: [e-mail] Отдел племенной завод «Комсомольское» Почтовый адрес отдела: 659004, Ленина ул., д. 4, пос. Комсомольский, Павловский район, Алтайский край, 659004 Тел. [phone], факс [phone], e-mail: [e-mail] ОКПО 71220805; ОГРН 1032202071505; ИНН/КПП 2223043971/222301001

Акт внедрения результатов диссертационной работы Барышева Дениса Дмитриевича «ПРОГРАММНО-АППАРАТНЫЙ КОМПЛЕКС ОЦЕНКИ КАЧЕСТВА ФРАКЦИОНИРОВАНИЯ СЕМЯН ПШЕНИЦЫ ПО БИОЭЛЕКТРИЧЕСКИМ СИГНАЛАМ»

Настоящим актом подтверждается использование программно-аппаратного комплекса для оценки качества фракционирования семян пшеницы после семяочистительной линии ПЗ «Комсомольское».

Настоящий акт не является финансовым документом и не предполагает взаимных расчетов.

Руководитель отдела

Приложение В. Оценка качества посевного материала (Методические

рекомендации)