The object of research, development or design (in Russian) : Объектом исследования является интеллектуальная малогабаритная машина и программно-аппаратный комплекс, интегрирующий оптоэлектронные модули, системы машинного зрения и алгоритмы искусственного интеллекта. Разрабатываемая установка предназначена для количественного анализа геометрических и колориметрических характеристик яблок, их классификации по товарным категориям и формирования цифрового протокола качества в режиме реального времени. Предметом исследования является процесс неразрушающего определения показателей качества и сортировки яблок с использованием цифровых методов анализа изображений и автоматизированной обработки данных.

The object of research, development or design (in Kazakh) : Зерттеу жобасы оптоэлектрондық модульдерді, машиналық көру жүйелерін және жасанды интеллект алгоритмдерін біріктіретін шағын ауқымды интеллектуалды машина мен аппараттық және бағдарламалық жүйеге бағытталған. Жүйе алманың геометриялық және колориметриялық сипаттамаларын сандық талдауға, оларды өнім санаты бойынша жіктеуге және нақты уақытта сандық сапа хаттамасын құруға арналған. Зерттеу жұмысы сандық кескінді талдау мен деректерді автоматтандырылған өңдеуді қолдана отырып, бұзылмайтын сапа көрсеткіштерін анықтауға және алма сұрыптауға бағытталған.

Aim of work (in Russian) : Целью работы является создание и экспериментальная проверка цифровой технологии и малогабаритной автоматизированной машины, обеспечивающих высокоточную сортировку яблок на товарные сорта по морфометрическим и колориметрическим признакам на основе технологий искусственного интеллекта и машинного зрения. Реализация данной цели направлена на автоматизацию процесса контроля качества яблок, снижение доли ручного труда, повышение точности и скорости сортировки, а также на обеспечение цифровизации процессов постуборочной обработки яблок в агропромышленном комплексе Казахстана.

Aim of work (in Kazakh) : Бұл жұмыстың мақсаты жасанды интеллект және машиналық көру технологияларын пайдалана отырып, морфометриялық және колориметриялық сипаттамаларға негізделген алмаларды тауарлық сорттарға жоғары дәлдікпен сұрыптауды қамтамасыз ететін цифрлық технологияны және шағын өлшемді автоматтандырылған машинаны әзірлеу және тәжірибелік сынақтан өткізу болып табылады. Бұл мақсатты жүзеге асыру алма сапасын бақылау процесін автоматтандыруға, қол еңбегінің үлесін азайтуға, сұрыптаудың дәлдігі мен жылдамдығын арттыруға, Қазақстанның агроөнеркәсіп кешеніндегі алманы жинаудан кейінгі өңдеуді цифрландыруды қамтамасыз етуге бағытталған.

Методы исследования (на русском) : В исследовании применялись методы компьютерного зрения, глубинного обучения, метрологического анализа, тензометрических измерений и математического моделирования. Для реализации алгоритмов была разработана гибридная программная платформа Python–MATLAB, интегрированная с аппаратной частью на базе Raspberry Pi 4 и промышленной камеры HIKVISION MV-CE100-30GC. Обработка изображений осуществлялась с использованием предобученных свёрточных нейронных сетей GoogLeNet и SqueezeNet в режиме transfer learning, что обеспечило высокую точность классификации при ограниченном количестве обучающих данных. В ходе работы использовались методы сегментации, фильтрации изображений, коррекции освещённости, морфометрического анализа, построения GLCM-текстурных признаков, а также методы статистической оценки точности (MAE, RMSE, F1-score).

Методы исследования (на казахском) : Зерттеуде компьютерлік көру, тереңдетіп оқыту, метрологиялық талдау, тензорметрлік өлшеу және математикалық модельдеу әдістері қолданылды. Алгоритмдерді енгізу үшін Raspberry Pi 4 және HIKVISION MV-CE100-30GC өнеркәсіптік камерасы негізіндегі аппараттық құралдармен біріктірілген Python–MATLAB гибридті бағдарламалық платформасы әзірленді. Кескінді өңдеу transfer learning режимінде алдын ала дайындалған үйірткілі нейрондық желілерді GoogLeNet және SqueezeNet пайдалану арқылы орындалды, бұл оқыту деректерінің шектеулі көлемімен жоғары классификация дәлдігін қамтамасыз етті. Жұмыс барысында сегменттеу, кескінді сүзу, жарықтандыруды түзету, морфометриялық талдау, GLCM текстуралық ерекшеліктерін құру, сонымен қатар статистикалық дәлдікті бағалау әдістері (MAE, RMSE, F1-балл) қолданылды.

Obtained results and novelty (in Russian) : В результате выполненных исследований разработана цифровая технология определения показателей качества плодов яблок, изготовлена и апробирована лабораторная автоматизированная установка и малогабаритная машина обеспечивающая: • точность классификации яблок по сортам до 94 %; • определение массы, формы и доли покровной окраски с высокой корреляцией с лабораторными измерениями (r = 0,91–0,96); • устойчивую работу механизмов подачи и синхронизации камеры при изменении освещённости и положения объекта. Научная новизна работы заключается в интеграции методов машинного зрения, метрологической обработки и искусственного интеллекта в единую цифровую систему контроля качества плодов. В отличие от существующих решений, технология обеспечивает комплексный многопараметрический анализ (масса, форма, окраска, плотность, дефекты) и формирует цифровой паспорт качества партии продукции. Результаты могут быть адаптированы к другим видам плодоовощной продукции и использованы в составе интеллектуальных постуборочных линий.

Obtained results and novelty (in Kazakh) : Жүргізілген зерттеулер нәтижесінде алма жемістерінің сапа көрсеткіштерін анықтаудың цифрлық технологиясы әзірленді және зертханалық автоматтандырылған қондырғы мен шағын габаритті машина жасалып, сынақтан өтті, бұл: • сорт бойынша алма классификациясының дәлдігі 94%-ға дейін; • массасын, пішінін және жабын түсінің пропорциясын зертханалық өлшемдермен жоғары корреляциямен анықтау (r = 0,91–0,96); • объектінің жарықтандыруы мен орны өзгерген кезде камераны синхронизациялау және беру механизмдерінің тұрақты жұмысы. Бұл жұмыстың ғылыми жаңалығы машиналық көруді, метрологиялық өңдеуді және жасанды интеллектті бір цифрлық жеміс сапасын бақылау жүйесіне біріктіруде жатыр. Қолданыстағы шешімдерден айырмашылығы, бұл технология жан-жақты көппараметрлі талдауды (салмақ, пішін, түс, тығыздық, ақаулар) қамтамасыз етеді және жемістердің әрбір партиясы үшін сандық сапа цифрлық паспортты қалыптастырады. Нәтижелерді жеміс-көкөніс өнімдерінің басқа түрлеріне бейімдеуге және егін жинаудан кейінгі интеллектуалды желілердің бөлігі ретінде пайдалануға болады.

The main constructive and technical economic indicators (in Russian) : Производительность: 300–400 кг/ч (1 плод/сек). Точность сортировки: до 94 %. Уровень автоматизации: полностью автономная работа с цифровым интерфейсом и базой данных. Конструктивно машина включает оптический модуль с кольцевой подсветкой, транспортёр с электрическим приводом, систему машинного зрения, вычислительный узел на Raspberry Pi 4 и программный интерфейс оператора.

The main constructive and technical economic indicators (in Kazakh) : Өнімділік: 300–400 кг/сағ (1 жеміс/сек). Сұрыптау дәлдігі: 94% дейін. Автоматтандыру деңгейі: сандық интерфейс және деректер базасы бар толық автономды жұмыс. Құрылғының дизайны сақиналы жарықтандыруы бар оптикалық модульді, электр жетегімен басқарылатын конвейерді, машинаны көру жүйесін, Raspberry Pi 4 есептеу түйінін және оператордың бағдарламалық интерфейсін қамтиды.

Level of implementation (in Russian) : Разработан и изготовлен макетный образец малогабаритной машины, прошедший лабораторные испытания в ТОО «НПЦАгроинженерии». Результаты работы внедряются в учебно-научные лаборатории кафедры «Энергетика и электротехника» для проведения экспериментальных и учебных занятий, а также рекомендованы к использованию в фермерских и исследовательских хозяйствах для автоматизации сортировки плодов. Полученные материалы используются при подготовке магистерских и докторских диссертаций, а также в отечественных международных публикациях.

Level of implementation (in Kazakh) : Шағын өлшемді машинаның прототипі әзірленіп, шығарылды және ол «НПЦАгроинженерии» жауапкершілігі шектеулі серіктестігінде зертханалық сынақтардан өтті. Жұмыстың нәтижелері «Энергетика және электротехника» кафедрасының оқу және ғылыми зертханаларында тәжірибелік және оқу іс-шаралары үшін енгізілуде, сонымен қатар жемістерді сұрыптауды автоматтандыру үшін шаруашылықтар мен ғылыми-зерттеу нысандарында пайдалануға ұсынылады. Алынған материалдар магистрлік және докторлық диссертацияларды дайындауда, сонымен қатар отандық халықаралық басылымдарда қолданылады.

Efficiency (in Russian) : Экономическая эффективность выражается в снижении себестоимости сортировочного оборудования и уменьшении эксплуатационных расходов за счёт: • сокращения трудоёмкости сортировки на 60–70 %; • снижения влияния человеческого фактора и повышения повторяемости оценки качества; • увеличения скорости обработки и повышения точности классификации яблок на товарные сорта. Социально-экономический эффект состоит в повышении конкурентоспособности отечественной продукции, развитии цифрового сельского хозяйства и подготовке высококвалифицированных кадров в сфере агроинженерии.

Efficiency (in Kazakh) : Экономикалық тиімділік сұрыптау жабдықтарының құнының төмендеуінен және пайдалану шығындарының төмендеуіне байланысты көрінеді: • сұрыптаудың еңбек сыйымдылығын 60–70%-ға төмендету; • адам факторының әсерін азайту және сапаны бағалаудың қайталану мүмкіндігін арттыру; • өңдеу жылдамдығын арттыру және алмаларды тауарлық сорттарға бөлудің дәлдігін арттыру. Әлеуметтік-экономикалық әсер отандық өнімнің бәсекеге қабілеттілігін арттырудан, цифрлық ауыл шаруашылығын дамытудан, агроинженерия саласында жоғары білікті кадрларды даярлаудан тұрады.

Field of application (in Russian) : Разработанная цифровая технология и малогабаритная сортировочная машина могут применяться: • в лабораториях аграрных университетов и научных центров для обучения и исследований; • на перерабатывающих и фермерских предприятиях для контроля качества и классификации плодов; • в составе интеллектуальных постуборочных линий, IoT-платформ и систем Agri-Tech; • при внедрении цифровой прослеживаемости продукции в рамках «умного сельского хозяйства».

Field of application (in Kazakh) : Әзірленген сандық технология мен шағын өлшемді сұрыптау машинасын қолдануға болады: • ауылшаруашылық университеттерінің зертханаларында және оқу-ғылыми зерттеу орталықтарында; • жемістердің сапасын бақылау және жіктеу үшін қайта өңдеу және ауыл шаруашылығы кәсіпорындарында; • егін жинаудан кейінгі интеллектуалды желілердің, IoT платформаларының және Agri-Tech жүйелерінің бөлігі ретінде; • «ақылды ауыл шаруашылығы» аясында өнімдерді цифрлық қадағалауды енгізу кезінде.