Удосконалення процесу оптичного сортування дрібнонасіннєвих культур
DOI:
https://doi.org/10.32515/2664-262X.2026.14(45).245-256Ключові слова:
дрібнонасіннєві культури, фотосепаратор, система подачі, барабанний дозатор, пневмомеханічний метод, точність сортуванняАнотація
Стаття присвячена вирішенню проблеми низької точності фотосепарації дрібного насіння, спричиненої хаотичним рухом частинок під дією повітряних потоків ежекторів. Проаналізовано недоліки існуючих гравітаційних та механічних систем подачі в умовах запиленості. Запропоновано конструкцію пневмомеханічної системи, де використання барабана з каліброваними отворами забезпечує чітке позиціонування насінин, а стиснене повітря виконує роль безконтактного виштовхувача. Встановлено, що такий підхід дозволяє поєднати високу точність механічного дозування з надійністю та низьким травмуванням насіння, характерним для пневматичних систем.
Посилання
References
1. Aliiev, E. B., & Lupko, K. O. (2020). Morphological characteristics and physical and mechanical properties of seeds of small-seeded crops. Design, Production and Exploitation of Agricultural Machines, 50, 27–35 [in Ukrainian]. https://doi.org/10.32515/2414-3820.2020.50.35-41.
2. Ovsiannykova, L. K. (2017). Physico-technological properties of modern varieties of small-seeded crops. Grain products and compound feeds, 17 (1), 9–15 [in Ukrainian].
3. Spirin, A. V., Tsurkan, O. V., Tverdokhlib, I. V., & Omelianov, O. M. (2021). Ways to intensify the production of grass seeds. Vibrations in engineering and technologies, 4(103), 110–120 [in Ukrainian]. https://doi.org/10.37128/2306-8744-2021-4-12.
4. Bakum, М., Krekot, М., Abduev, М., Mikhailov, А., Maiboroda, М., Chalaya, О., Bezpalko, В., et al. (2021). Study of the efficiency of a pneumatic separator with an inclined channel on the preparation of safflor seed material. Bulletin of Lviv National Environmental University. Series Agroengineering Research, 25, 28–35 [in Ukrainian]. https://doi.org/10.31734/agroengineering2021.25.028.
5. Stepanenko, S. P., & Nykyforov, A. O. Research on impact of alternating air flow on quality of vibro-frictional separation of fine-seed materials. (2024). Technical service of agriculture, forestry and transport, 24, 52–68 [in Ukrainian]. https://doi.org/10.37700/ts.2024.24.52-68.
6. Aliiev, E. (2019). Justification of constructive-mode parameters of a photo-electron separator of sunflower seeds. Scientific Horizons, 22(5), 23–30 [in Ukrainian]. https://doi.org/10.33249/2663-2144-2019-78-5-23-30.
7. Cujbescu, D., Nenciu, F., Persu, C., Găgeanu, I., Gabriel, G., Vlăduț, N.-V., Matache, M., et al. (2023). Evaluation of an Optical Sorter Effectiveness in Separating Maize Seeds Intended for Sowing. Applied Sciences, 13(15), 8892. https://doi.org/10.3390/app13158892.
8. Sabanci, K., Kayabasi, A. & Toktas, A. (2017). Computer vision-based method for classification of wheat grains using artificial neural network. Journal of the Science of Food and Agriculture, 97, 2588–2593. https://doi.org/10.1002/jsfa.8080
9. Stepanenko S., Kuzmych A., Kharchenko S., Borys A., Dnes V., Volyk D., & Kalinichenko R. (2025). A machine vision approach for grain quality control during separation. Journal of Engineering Sciences (Ukraine), 12(1), E9–E17. https://doi.org/10.21272/jes.2025.12(1).e2.
10. Stepanenko, S., Kuzmych, A., Borys, A., Dnes, V., Kharchenko, S., Rogovskii, I., Golub, G., et al. (2025). Substantiating the YOLO11 architecture for determining the fractional composition of winter wheat grain mixtures. Eastern-European Journal of Enterprise Technologies, 4(2 (136), 81–92. https://doi.org/10.15587/1729-4061.2025.338124.
11. Mensah, B., Prasifka, J., Hulke, B., Monono, E., & Sun, X. (2025). Detection of insect-damaged sunflower seeds using near-infrared hyperspectral imaging and machine learning. Smart Agricultural Technology, 12, 101110. https://doi.org/10.1016/j.atech.2025.101110.
12. Zade, N., Gupte, A., Gupta, P., Detalle, N., Mannion, A., & Voyle, R. (2025). Spectral Feature Extraction and Ensemble Learning for Multiclass Aircraft Damage Identification. MethodsX. 15. 103625. https://doi.org/10.1016/j.mex.2025.103625.
13. Yang, M., Shi, Y., Song, Q., Wei, Z., Dun, X., Wang, Z., Cheng, X., et al. (2025). Optical sorting: past, present and future. Light: Science & Applications, 14(1), 103. https://doi.org/10.1038/s41377-024-01734-5.
14. Su, C., Hong, J., Wang, J., & Yang, Y. (2023). Quick and Accurate Counting of Rapeseed Seedling with Improved YOLOv5s and Deep-Sort Method. Phyton-International Journal of Experimental Botany, 92(9), 2611–2632. https://doi.org/10.32604/phyton.2023.029457.
15. Hardwick, J., Morgan, Z. & Hirayama, R. (2025). Acoustophoretic system for seed separation on conveyor belts. Nature Communications, 16, 6975. https://doi.org/10.1038/s41467-025-62006-3.
16. Nadolski, S., Samuels, M., Klein, B., & Hart, C.J.R. (2018). Evaluation of bulk and particle sensor-based sorting systems for the New Afton block caving operation, Minerals Engineering, 121, 169–179. https://doi.org/10.1016/j.mineng.2018.02.004.
17. Fei, Y., Li, Z., Zhu, T., Chen, Z., & Ni, C. (2025). Nondestructive detection and classification of impurities-containing seed cotton based on hyperspectral imaging and one-dimensional convolutional neural network, Digital Communications and Networks, 11(2), 308–316. https://doi.org/10.1016/j.dcan.2024.05.008.
18. Hall, W., Seagar, A. & Palmer, S. (2012). Automatic grain texture analysis using integral transforms. Holzforschung, 66(2), 231–236. https://doi.org/10.1515/HF.2011.127.
19. Latif, G., Bouchard, K., Maitre, J., Back, A., & Bédard, L. P. (2022). Deep-Learning-Based Automatic Mineral Grain Segmentation and Recognition. Minerals, 12(4), 455. https://doi.org/10.3390/min12040455
20. Lin, F., Fang, H., Liu, H., Zhang, Y., Jensen, D. J., Hovad, E. (2025). Automatic detection of grains in partially recrystallized microstructures using deep learning, Materials Characterization, 219, 114576. https://doi.org/10.1016/j.matchar.2024.114576.
21. Cetin, G., Fadali, S. (2021). Optimal resource allocation in networked control systems using viterbi algorithm. Bulletin of Electrical Engineering and Informatics, 10(3), 1524–1535. https://doi.org/10.11591/eei.v10i3.3022.
22. Steeneck, D., Eng-Larsson, F. (2018). The Baum-Welch algorithm with limiting distribution constraints. Operations Research Letters, 46 (6), 563–567. https://doi.org/10.1016/j.orl.2018.08.008.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 С. П. Степаненко
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
