CC BY
0ВЕСТНИК Восточно-Сибирского государственного университета технологий и управления (Вестник ВСГУТУ)
DOI 10.53980/24131997_2025_1_74
С.С. Ямпилов, д-р техн. наук, проф., e-mail: [email protected]
Н.А. Нехуров, аспирант, e-mail: [email protected] В.Б. Балданов, канд. техн. наук, доц. Г.Ж. Хандакова, канд. техн. наук, доц. А.О. Жигжитов, канд. техн. наук, доц.
Восточно-Сибирский государственный университет технологий и управления, г. Улан-Удэ
УДК 631.362
ТЕХНИЧЕСКОЕ ЗРЕНИЕ В СОРТИРОВКЕ И АНАЛИЗЕ ЗЕРНА
Данный обзор посвящен анализу современных методов применения технического зрения для автоматизации процессов анализа и сортировки семян, включая зерновые культуры. Рассмотрены различные подходы от простых методов обработки изображений до комплексных систем, интегрирующих машинное обучение, спектроскопию и передовые оптические решения. Особое внимание уделено оценке зрелости и качества семян, повышению точности и производительности сортировочных систем, а также применению современных алгоритмов обнаружения объектов, таких как YOLOv5n. Проанализированы ключевые факторы, влияющие на эффективность сортировки, включая методы анализа изображений, алгоритмы машинного обучения, аппаратную реализацию и создание баз данных. Результаты обзора могут служить основой для разработки и совершенствования сепараторов с техническим зрением для сельскохозяйственного производства.
Ключевые слова: сепаратор, техническое зрение, очистка зерна.
S.S. Yampilov, Dr. Sc. Engineering, Prof. N.A. Nekhurov, PG student V.B. Baldanov, Cand. Sc. Engineering, Assoc. Prof.
G.Zh. Khandakova, Cand. Sc. Engineering, Assoc. Prof. A.O. Zhigzhitov, Cand. Sc. Engineering, Assoc. Prof. East Siberian State University of Technology and Management, Ulan-Ude
TECHNICAL VISION IN GRAIN SORTING AND ANALYSIS
The review analyzes current methods of applying technical vision to automate seed analysis and sorting processes, including grain crops. Various approaches are considered, ranging from simple image processing methods to complex systems that integrate machine learning, spectroscopy and advanced optical solutions. Special attention is given to assessing seed maturity and quality, improving the accuracy and efficiency of sorting systems, and utilizing modern object detection algorithms, such as YOLOv5n. Key factors influencing sorting efficiency are analyzed, including image analysis methods, machine learning algorithms, hardware implementations, and database creation. The results of this review can serve as a foundation for developing and improving technical vision-based separators for agricultural production.
Key words: separator, technical vision, grain purification
Введение
Автоматизация процессов очистки и сортировки зерна играет ключевую роль в современном сельском хозяйстве и пищевой промышленности, поскольку качество семенного материала напрямую определяет урожайность и качество конечной продукции. Традиционные методы сортировки (воздушная сепарация, решетные станы, триеры) часто оказываются недостаточно эффективными при необходимости высокой точности, производительности и отделения трудноотделимых примесей, таких как татарская гречишка, присутствующая в зерне в Республике Бурятия [1, 2]. Применение технологий технического зрения (машинного зрения) для автоматизации анализа и сортировки зерна становится все более актуальным, обеспечивая
74
Вестник ВСГУТУ. 2025. № 1 (96)
ВЕСТНИК Восточно-Сибирского государственного университета технологий и управления (Вестник ВСГУТУ)
объективный и неразрушающий анализ на основе обработки изображений. Техническое зрение позволяет определять широкий спектр характеристик, включая размер, форму, цвет, текстуру, наличие дефектов и другие качественные показатели.
Цель работы - анализ современных методов, применяемых в технических средствах для очистки и сортировки зерна с использованием технического зрения.
Материалы и методы исследования
Данный обзор посвящен анализу современных методов, применяемых в системах технического зрения для анализа и сортировки семян, включая зерновые культуры. Рассмотренные работы используют разнообразные подходы, основанные на комбинации методов обработки изображений, машинного обучения, спектроскопии и управления.
Общие методы:
• Обработка изображений: включает в себя широкий спектр техник, таких как предварительная обработка (улучшение контраста, удаление шума, фильтрация, сегментация, выделение контуров), извлечение признаков (анализ формы, текстуры, цвета) и морфологический анализ. Для анализа цвета используются различные цветовые пространства, например RGB, HSV, Lab. Для текстурного анализа могут применяться статистические методы, такие как матрицы GLCM (Gray-Level Co-occurrence Matrix), и спектральные методы.
• Машинное обучение: используются как классические алгоритмы (SVM, KNN, Random Forest и др.), так и методы глубокого обучения, включая сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN) и другие современные архитектуры. Для задач обнаружения объектов в реальном времени применяются алгоритмы, такие как YOLOv5n, RetinaNet и Faster R-CNN.
• Спектроскопия: основана на анализе взаимодействия электромагнитного излучения с веществом. В контексте анализа семян применяется для определения химического состава, зрелости и других внутренних характеристик. Часто используются флуоресцентная спектроскопия (анализ излучения после возбуждения светом определенной длины волны) и мультис-пектральный анализ (получение изображений в нескольких диапазонах спектра).
• Методы управления: включают в себя различные стратегии управления исполнительными механизмами сортировочных систем, такие как управление воздушным потоком, механическими манипуляторами и др. Важным аспектом является использование систем с обратной связью для повышения точности, например с использованием прогнозного контроллера модели (MPC).
Применение методов в рассмотренных работах:
• Фавахерджи и др. [3] изучали применение мультиспектральных изображений для сегментации.
• Мерзуги и др. [4] использовали анализ цвета, текстуры и формы с применением SVM, KNN и Random Forest.
• Виет и др. [5] исследовали повышение точности с помощью замкнутого контура рециркуляции материала и управления с обратной связью на основе MPC. Для моделирования использовались CFD и DEM.
• Чжан и др. [6] использовали высокоскоростную съемку линейными камерами, анализ флуоресценции хлорофилла (возбуждение на 670 нм) и CNN с механизмами остаточного обучения и внимания. Для сортировки применялся управляемый воздушный поток.
• Фэн и др. [7] разработали сортировщик на основе машинного зрения и YOLOv5n.
• Ислам и др. [8] исследовали RetinaNet и Faster R-CNN для обнаружения и классификации семян.
• Велесака и др. [9] представили обзор методов классификации семян с использованием компьютерного зрения.
75
Вестник ВСГУТУ. 2025. № 1 (96)
ВЕСТНИК Восточно-Сибирского государственного университета технологий и управления (Вестник ВСГУТУ)
• Для отделения трудноотделимых примесей ведутся исследования на фотосепараторах [10 - 13].
• Во ВСГУТУ [14 - 17] разработан сепаратор для очистки зерна с использованием технического зрения.
• С целью увеличения урожайности и подготовки кондиционных семян проводятся исследования с использованием фотосепараторов (Мяснянкин К.В., Лебедев Д.В. [18, 19]).
Результаты и обсуждение
Оценка качества зерна
Помимо сортировки по физическим параметрам, важной задачей является оценка качества зерна.
Качество зерна - один из ключевых параметров, влияющих на эффективность его использования. В работе [4] предложен метод автоматического анализа качества зерна твердой пшеницы, в котором используется сочетание анализа цвета, текстуры и формы. Для реализации этого подхода применялись алгоритмы машинного обучения, включая метод опорных векторов (SVM), метод k ближайших соседей (KNN) и алгоритм случайного леса (Random Forest).
Этот подход позволяет проводить объективную и автоматизированную оценку качества, определения сорта и повышения производительности сельскохозяйственных процессов. Благодаря возможности адаптировать алгоритмы к различным сортам зерна и параметрам качества система становится универсальным инструментом для контроля качества.
По сравнению с традиционными методами, которые включают ручной осмотр или химический анализ, предложенный подход отличается большей скоростью, экономичностью и объективностью.
Повышение точности сортировки
Точность сортировки напрямую влияет на эффективность и экономическую целесообразность использования оптических сортировщиков. Однопроходные системы подвержены ошибкам из-за неоднородности потока материала и вариаций освещения.
Для повышения точности сортировки в работе [5] был предложен подход, основанный на замкнутом контуре рециркуляции материала и управлении с обратной связью на основе MPC (Model Predictive Control - прогнозное управление моделью). Рециркуляция позволяет повторно анализировать и сортировать материал, что минимизирует количество ошибок. MPC, учитывая динамику системы, оптимизирует управление на основе прогноза, адаптируясь к изменениям в потоке материала.
Этот подход, хотя и не был применен непосредственно к сортировке зерна в данной работе, имеет большой потенциал для повышения точности сортировочных систем в сельском хозяйстве. Рециркуляция и управление с обратной связью могут быть особенно полезны для отделения трудноотделимых примесей или для сортировки семян по нескольким критериям. Моделирование DEM-CFD, использованное авторами, позволяет детально изучить поведение частиц материала и оптимизировать параметры системы.
В отличие от методов, фокусирующихся на улучшении алгоритмов классификации, подход направлен на оптимизацию самого процесса сортировки. Дальнейшие исследования могут быть направлены на адаптацию этого подхода к конкретным задачам сортировки зерна и на сравнение его эффективности с другими методами повышения точности.
Оценка зрелости семян
Оценка зрелости семян является критически важным фактором для определения посевных качеств и, следовательно, для повышения урожайности. Традиционные методы, основанные на визуальном осмотре, субъективны и трудоемки. Автоматизация этого процесса с использованием технического зрения позволяет получить объективные и воспроизводимые результаты.
76
Вестник ВСГУТУ. 2025. № 1 (96)
ВЕСТНИК Восточно-Сибирского государственного университета технологий и управления (Вестник ВСГУТУ)
Для оценки зрелости семян в работе [6] был предложен комплексный подход, сочетающий высокоскоростную съемку линейными камерами с анализом флуоресценции хлорофилла. Ключевым преимуществом данного метода является использование флуоресценции, предоставляющей информацию о внутренних биохимических изменениях в семени, коррелирующих со степенью зрелости. В отличие от методов, основанных только на анализе внешних признаков, таких как цвет или размер, анализ флуоресценции хлорофилла дает более объективную и надежную оценку, поскольку менее подвержен влиянию внешних факторов.
Высокоскоростная съемка линейными камерами обеспечивает необходимую пропускную способность для сортировки в реальном времени. Применение CNN с механизмами остаточного обучения и внимания позволило достичь высокой точности классификации (96 %) при скорости сортировки свыше 50 частиц в секунду. Эта высокая производительность и точность имеют прямое практическое значение для сельского хозяйства, позволяя автоматизировать отбор наиболее зрелых и жизнеспособных семян для посева, что способствует повышению урожайности и снижению потерь. Однородность зрелости посевного материала обеспечивает равномерные всходы и развитие растений.
Данный метод демонстрирует высокую эффективность, но требует использования специального оборудования для анализа флуоресценции. Дальнейшие исследования могут быть направлены на оптимизацию параметров съемки и обработки данных для снижения стоимости и сложности системы, а также на изучение влияния различных факторов на характеристики флуоресценции для создания более универсальных моделей.
Быстрая сортировка и обнаружение объектов
Для промышленного применения сортировочных систем критически важна высокая скорость обработки.
В работе [7] был разработан сортировщик на основе машинного зрения, использующий алгоритм YOLOv5n. Благодаря своей архитектуре YOLOv5n обеспечивает высокую скорость обработки изображений, что необходимо для сортировки в реальном времени.
Применение YOLOv5n для сортировки семян позволяет достичь высокой пропускной способности системы, что особенно важно для обработки больших объемов зерна. Выбор между YOLOv5n и другими алгоритмами обнаружения объектов (например, RetinaNet и Faster R-CNN, исследованными Bello) зависит от компромисса между скоростью и точностью. YOLOv5n обеспечивает более высокую скорость, но может уступать в точности более сложным моделям, таким как Faster R-CNN.
Дальнейшие исследования могут быть направлены на оптимизацию YOLOv5n для конкретных задач сортировки зерна, а также на сравнение его с другими алгоритмами обнаружения объектов с учетом таких факторов, как скорость, точность, вычислительные ресурсы и устойчивость к различным условиям освещения.
Перспективы дальнейших исследований включают разработку более сложных моделей машинного обучения, способных учитывать широкий спектр параметров качества и методы выявления скрытых дефектов зерна, которые невозможно обнаружить визуально.
Заключение
Хотелось бы выделить несколько перспективных направлений для дальнейших исследований:
• оптимизация алгоритмов глубокого обучения: дальнейшее развитие и адаптация алгоритмов глубокого обучения, таких как CNN и YOLO, для задач сортировки зерна, включая оптимизацию для работы на маломощных устройствах (например, мобильных платформах или встроенных системах), позволит создавать более доступные и эффективные системы. Исследования в области облегченных архитектур и методов квантования моделей могут быть особенно перспективными;
77
Вестник ВСГУТУ. 2025. № 1 (96)
ВЕСТНИК Восточно-Сибирского государственного университета технологий и управления (Вестник ВСГУТУ)
• создание специализированных баз данных: создание больших и размеченных баз данных изображений и спектральных данных различных сортов зерновых культур, содержащих информацию о различных дефектах и характеристиках качества, необходимо для обучения и тестирования алгоритмов машинного обучения. Необходимо разработать стандартизованные протоколы сбора данных и разметки, чтобы обеспечить сопоставимость результатов разных исследований;
• разработка методов выявления скрытых дефектов: исследования, направленные на разработку методов выявления скрытых дефектов зерна (например, внутренние повреждения, заражения), невидимых в видимом диапазоне, с использованием мультиспектрального анализа, гиперспектральной визуализации, методов томографии или других передовых методов, представляют большой интерес;
• разработка интеллектуальных систем управления: исследования, направленные на разработку интеллектуальных систем управления сортировочным процессом, учитывающих динамику потока материала, характеристики сортируемых семян, внешние условия и другие факторы, позволят создать полностью автоматизированные и высокоэффективные сортировочные комплексы. Применение методов машинного обучения для оптимизации параметров управления в реальном времени может значительно повысить производительность и точность сортировки.
Библиография
1. Стукалова А.В., Ямпилов С.С. Анализ поступающего зерна за 2021-2022 гг. в Республике Бурятия // Материалы нац. науч.-практ. конф. «Образование и наука», посвящ. празднованию 50-летия начала строительства Байкало-Амурской магистрали. Серия: Технологии и технические средства в АПК. Биомедицинская техника. - Улан-Удэ, 2024. - Вып. 18. - С. 63-70.
2. Ямпилов С.С., Нехуров Н.А., Балданов В.Б. и др. Производство зерновых культур в Республике Бурятия: анализ динамики за 2012-2023 годы // Научный альманах. - 2024. - № 9-3. - С. 54-58.
3. Fawakherji M., Potena C., Pretto A. et al. Hyperspectral image segmentation using deep learning techniques for precision agriculture // Robotics and Autonomous Systems. - 2021. - Vol. 146. - Art. 103861.
- DOI: 10.1016/j .robot.2021.103861.
4. Merzougui G., Boulelouah N., Mokhtari A. et al. Improving the Approval Process for Durum Wheat Grain Quality in Algeria Using Computer Vision and Machine Learning // Ingenierie des systemes d'information. - 2024. - Vol. 29, N 1. - P. 279-291. - DOI: 10.18280/isi.290128.
5. Vieth J., Reith-Braun M., Bauer A. et al. Improving Accuracy of Optical Sorters Using Closed-Loop Control of Material Recirculation // 2023 American Control Conference (ACC), San Francisco, CA, USA, May 31 - June 2, 2023. - DOI: 10.23919/ACC55779.2023.10156014.
6. Zhang Y., Yu L., Zhang S. A rapid detection and sorting system for seed maturity // Journal of Physics: Conference Series: Proceedings of the 4th International Conference on Artificial Intelligence Technologies and Applications (ICAITA 2022), Changchun, China, August 18-21, 2022. - 2022. - Vol. 2400. - Art. 012001.
- DOI: 10.1088/1742-6596/2400/1/012001.
7. Feng Y., Zhao X., Tian R. et al. Research on an Intelligent Seed-Sorting Method and Sorter Based on Machine Vision and Lightweight YOLOv5n // Agronomy. - 2024. - Vol. 14, N 9. - Art. 1953. -DOI: 10.3390/agronomy14091953.
8. Islam T., Sarker T.T., Ahmed K.R. et al. Detection and Classification of Cannabis Seeds Using Reti-naNet and Faster R-CNN // Seeds. - 2024. - Vol. 3, N 3. - P. 456-478. - DOI: 10.3390/seeds3030031.
9. Velesaca H.O., Suarez P.L., Mira R. et al. Computer vision based food grain classification: A comprehensive survey // Computers and Electronics in Agriculture. - 2021. - Vol. 187. - Art. 106287. -DOI: 10.1016/j.compag.2021.106287.
10. Иванов А.М., Шаронова Т.В., Иванов Д.В. Фотосепараторы для зерна // Студенческая наука
- первый шаг в академическую науку: материалы всерос. студ. науч.-практ. конф. с участием школьников 10-11 классов, Чебоксары, 14-15 марта 2018 г. Ч. 2. - Чебоксары: Изд-во Чувашской гос. с.-х. академии, 2018. - С. 78-81.
78
Вестник ВСГУТУ. 2025. № 1 (96)
ВЕСТНИК Восточно-Сибирского государственного университета технологий и управления (Вестник ВСГУТУ)
11. Мекшун Ю.Н., Овчинников Д.Н., Новикова В.А. и др. Применение фотосепаратора при выделении трудноотделимых примесей // Приоритетные направления развития энергетики в АПК: материалы I Всерос. науч.-практ. конф., Лесниково, 28 сентября 2017 г. - Лесниково: Изд-во Курганской гос. с.-х. академии им. Т.С. Мальцева, 2017. - С. 79-82.
12. Лерке В.В., Надвоцкая В.В. Анализ технических характеристик фотосепараторов для технического переоснащения технологической линии. Программно-техническое обеспечение автоматизированных систем // Материалы всерос. молодеж. науч.-практ. конф., г. Барнаул, 22 ноября 2019 г. / под ред. А.Г. Якунина. - Барнаул: Изд-во Алтайского гос. техн. ун-та им. И.И. Ползунова, 2019. - С. 17-20.
13. Тищенко А.И. Повышение качества сыпучих зерновых продуктов на основе разработки и применения многокритериальных фотоэлектронных сепараторов: дис. ... канд. техн. наук: 05.20.02 / А.И. Тищенко. - Барнаул, 2000. - 304 с.
14. Патент RU №2468872. В07С 5/342 Устройство для сортировки зерна / Ямпилов С.С. Цыды-пов Ц.Ц., Жигжитов А.О. // Патентообладатели: Федеральное государственное образовательное учреждение высшего профессионального образования «Восточно-Сибирский государственный университет технологий и управления». - Заявка № 2011144345, заявл. 1. 11. 2011, опубл. 10.12.2012.
15. Ямпилов С.С., Батуева С.В., Хандакова Г.Ж. и др. Разработка программного обеспечения сепаратора для очистки зерна // Вестник ИрГСХА. - 2017. - Вып. 81. - С. 171-178.
16. Ямпилов С.С., Нехуров Н.А., Цыбенов Ж.Б. и др. Математическая модель движения частиц зернового материала по лотку сепаратора с использованием технического зрения // Вестник ВСГУТУ. - 2024. - № 4. - С. 69-74.
17. Ямпилов С.С., Цыбенов Ж.Б., Жигжитов А.О. и др. Теоретическое описание процесса разделения частиц зернового материала // Вестник ВСГУТУ. - 2022. - Вып. 4. - С. 40-44.
18. Мяснянкин К.В. Совершенствование технологического процесса подготовки семян гречихи с применением фотосепаратора: автореф. . дис. канд. техн. наук. - Воронеж, 2020. - С. 20.
19. Лебедев Д.В. Параметры процесса распознования семян люцерны в семенном материале высоточным оптико-электронным способом: автореф. . дис. канд. техн. наук. - Краснодар, 2006. -С. 21.
Bibliography
1. Stukalova A.V., Yampilov S.S. Analysis of incoming grain for 2021 -2022 in the Republic of Buryatia Proceedings of the National Scientific and Practical Conference «Education and Science» commemorating the 50th anniversary of the Baikal-Amur Mainline construction. Series: Technologies and technical means in AIC. Biomedical engineering. - Iss. 18. -P. 63-70.
2. Yampilov S.S., Nekhurov N.A., Baldanov V.B. et al. Production of grain crops in the Republic of Buryatia: dynamics analysis for 2012-2023 // Science Almanac. - 2024. - N 9-3. - P. 54-58.
3. Fawakherji M., Potena C., Preto A. et al. Hyperspectral image segmentation using deep learning techniques for precision agriculture // Robotics and Autonomous Systems, 2021. - Vol. 146. - Art. 103861. -DOI: 10.1016/j.robot.2021.103861.
4. Merzougui G., Boulelouah N., Mokhtari A. et al. Improving the Approval Process for Durum Wheat Grain Quality in Algeria Using Computer Vision and Machine Learning // Ingenierie des systemes d'information. - 2024. - Vol. 29, N 1. - P. 279-291. - DOI: 10.18280/isi.290128.
5. Vieth J., Reith-Braun M., Bauer A. et al. Improving Accuracy of Optical Sorters Using Closed-Loop Control of Material Recirculation // 2023 American Control Conference (ACC), San Francisco, CA, USA, May 31 - June 2, 2023. - DOI: 10.23919/ACC55779.2023.10156014.
6. Zhang Y., Yu L., Zhang S. A rapid detection and sorting system for seed maturity // Journal of Physics: Conference Series: Proceedings of the 4th International Conference on Artificial Intelligence Technologies and Applications (ICAITA 2022), Changchun, China, August 18-21, 2022. - Vol. 2400. - Art. 012001. -DOI: 10.1088/1742-6596/2400/1/012001.
7. Feng Y., Zhao X., Tian R. et al. Research on an Intelligent Seed-Sorting Method and Sorter Based on Machine Vision and Lightweight YOLOv5n // Agronomy, 2024. - Vol. 14, N 9. - Art. 1953. -DOI: 10.3390/agronomy14091953.
8. Islam T., Sarker T.T., Ahmed K.R. et al. Detection and Classification of Cannabis Seeds Using Reti-naNet and Faster R-CNN // Seeds. - 2024. - Vol. 3, N 3. - P. 456-478. - DOI: 10.3390/seeds3030031.
79
Вестник ВСГУТУ. 2025. № 1 (96)
ВЕСТНИК Восточно-Сибирского государственного университета технологий и управления (Вестник ВСГУТУ)
9. Velesaca H.O., SuarezP.L., Mira R. et al. Computer vision based food grain classification: A comprehensive survey // Computers and Electronics in Agriculture. - 2021. - Vol. 187. - Art. 106287. -DOI: 10.1016/j.compag.2021.106287.
10. Ivanov A.M., Sharonova T.V., IvanovD.V. Photoseparators for grain // Student science as the first step into academic science: Proceedings of the All-Russian student scientific and practical conference with participation of schoolchildren of grades 10-11, Cheboksary, March 14-15, 2018. Part 2. - Cheboksary: Chuvash State Agricultural Academy, 2018. - P. 78-81.
11. Mekshun Yu.N., Ovchinnikov D.N., Novikova V.A. et al. Use of a photoseparator in separation of hard-separable impurities // Priority areas of energy development in AIC: Proceedings of the 1st All-Russian scientific and practical conference, Lesnikovo, September 28, 2017. - Lesnikovo: Kurgan State Agricultural Academy named after T.S. Maltsev, 2017. - P. 79-82.
12. Lerke V.V., Nadvotskaya V.V. Analysis of technical characteristics of photoseparators for technical re-equipment of a technological line. Software and hardware support for automated systems: Proceedings of the All-Russian youth scientific and practical conference, Barnaul, November 22, 2019 / Edited by A.G. Yakunin. - Barnaul: Altai State Technical University named after I.I. Polzunov, 2019. - P. 17-20.
13. Tishchenko A.I. Improving the quality of bulk grain products based on the development and use of multi-criteria photoelectronic separators: diss. ... Cand. Sc. Engineering (05.20.02). - Barnaul, 2000. - 304 p.
14. Patent RU №2468872. B07C 5/342 Grain sorting device./Yampilov S.S., Tsydypov Ts.Ts., Zhig-zhitov A.O. // Patent holders: Federal State Educational Institution of Higher Professional Education «East Siberian State University of Technology and Management». - Application N 2011144345, appl. 1.11.2011, publ. 10.12.2012.
15. Yampilov S.S. Batueva S.V., Khandakova G.Zh. et al. Development of software for a grain cleaning separator // Vestnik IrGSHA. - 2017. - Iss. 81. - P. 171-178.
16. Yampilov S.S. Nekhurov N.A., Tsybenov Zh.B. et al. Mathematical model of grain material particles movement along separator tray using machine vision // ESSUTM Bulletin. - 2024. - N 4. - P. 69-74.
17. Yampilov S.S., Tsybenov Zh.B., Zhigzhitov A.O. et al. Theoretical description of separation process of grain material particles // ESSUTM Bulletin. - 2022. - N 4. - P. 40-44.
18. Myasnyankin K.V. Improving technological process of preparing buckwheat seeds using a photoseparator: abstracts for diss. . Cand. Sc Engineering. - Voronezh, 2020. - 20 p.
19. Lebedev D.V. Parameters of alfalfa seeds recognizing process in seed material using high-altitude optical-electronic method: abstracts for diss. . Cand Sc Engineering. - Krasnodar, 2006. - 21 p.
80
Вестник ВСГУТУ. 2025. № 1 (96)
