مدلسازی دینامیکی و ساخت سامانه کاشت بذر در سینی نشاء (مطالعه موردی: چغندرقند)

چغندر­قند با نام علمیBeta vulgaris L  یکی از محصولات زراعی و استراتژیک صنعتی است که سهم عمده­ای در تولید شکر در جهان دارد. نیاز روزافزون کشور به تولید شکر و تأمین حدود 70 درصد تولید داخلی شکر از چغندرقند، اهمیت اقتصادی این محصول را به خوبی نشان می­دهد. این محصول به طور مستقیم (از طریق تولید قند و شکر) و به صورت غیر مستقیم (از طریق تأمین خوراک دام) بخشی از نیازهای کشور را برآورده می­سازد. طول دوره رشد این محصول برای تولید قند ۶ تا ۹ ماه می­باشد (بیانکاردی و همکاران[1]، 2010). افزون بر این از ملاس که از فرآورده­های فرعی چغندرقند به شمار می­آید در صنعت الکل­سازی و داروسازی استفاده می­شود. بر اساس آمار رسمی فائو[2]، سطح زیر کشت چغندرقند در جهان حدود 03/5 میلیون هکتار با عملکرد متوسط حدود 6/48 تن در هکتار می­باشد که سهم ایران در بین کشورهای جهان، حدود 87 هزار هکتار سطح زیر کشت و با عملکرد حدود 59 تن در هکتار است (بی­نام، 2018). در مناطق دارای محدودیت طول دورة رشد و دارای منابع آب و خاک به نسبت شور با اطمینان 99 درصد کشت نشائی بهتر از کشت مستقیم بذر است؛ لذا چغندر­قند نیز از این قاعده مستثنی نمی­باشد (کیوانلو و آرمین[3]، 2017). در پژوهشی، کشت گلدانی چغندرقند با کشت مستقیم آن از نظر اندازه ریشه و عملکرد شکر مقایسه گردید. در این بررسی، کشت مستقیم 79/18 درصد قند تولید شد، در حالی که میزان قند تولیدی در کشت گلدانی 32/17 درصد بود. اگرچه در کشت گلدانی، درصد قند تولیدی کمتر بود اما بالاتر بودن عملکرد ریشه در این روش سبب افزایش عملکرد شکر تولیدی شد (نصری و همکاران[4]، 2011).

با گسترش چشمگیر علوم و فناوری رایانه‏ای و امکان استفاده از این سامانه­ها در فعالیت­های مختلف کشاورزی (به عنوان مثال درجه‏‏بندی محصولات مختلف، هدایت ربات، بازرسی و کنترل کیفیت تولیدات)، توجه بسیاری از صنعتگران و پژوهشگران معطوف به استفاده هرچه بیشتر از این فناوری­ها شده است. در این میان، بینایی ماشین یکی از پر کاربردترین روش­های نوینی می­باشد که در زمینه­های مختلف صنعتی (با در نظر گرفتن کشاورزی به عنوان بخشی از صنعت) مورد استفاده قرار گرفته است. از جمله این زمینه­ها می­توان به هدایت و تشخیص سامانه­های هوشمند در فعالیت­های کاشت، داشت و برداشت محصولات کشاورزی و همچنین صنعت دام و طیور اشاره نمود (زاچاراکی و همکاران[5]، 2020). در همین راستا، در پژوهشی، روش­های مکانیزه بصری به منظور هوشمندسازی پیوند نشاء مورد بررسی قرار گرفت؛ در این پژوهش، موقعیت حفره­ها و مشخصات سینی با استفاده از روش تصویربرداری نواری و تابش لیزر به سینی­های نشاء تعیین شد (یورنا و همکاران[6]، 2001). در پژوهشی دیگر، یوشر و همکاران[7] (2014) به بررسی اثر عملکرد ربات در سالن نگهداری طیور بر رفتار حیوان با کمک پردازش سیگنال پرداختند. ربات، دارای دوربین و مجموعه­ای از معیارهای قابل اندازه­گیری مانند میانگین فاصله اجتنابی^[8]، سرعت میانگین اجتنابی و متوسط زمان بازیابی بود. تجزیه و تحلیل­ها نشان داد که عملکرد ربات در محیط، نسبت به زمان حضور یک انسان، برای مرغ کم­تر استرس­زا می­باشد. در مطالعه­ای دیگر، یک سامانه رباتیک به منظور برداشت توت فرنگی طراحی و ساخته شد. در این تحقیق از یک بازوی مکانیکی استوانه­ای به منظور برداشت و یک واحد بینایی ماشین به منظور هدایت بازو به محل محصول استفاده گردید (هایاشی و همکاران[9]، 2010).

با توسعه اتوماسیون در سامانه­های کشاورزی، سطح اقتصادی کشاورزی نیز به­تدریج افزایش یافته است. عملکرد اقتصادی مناسب در محصولات زراعی و گلخانه­ای تابع رشد رویشی مناسب در اوایل فصل رشد و توزیع و تخصیص مناسب مواد فتوسنتزی به ریشه است، در نتیجه کشت به موقع گیاهان از اهمیت به سزایی برخوردار است. تسریع در رشد گیاه را می­توان در شرایط کنترل­شده به کمک کشت در خزانه و انتقال آن به زمین اصلی در زمان مناسب که خطر سرمای زمستانه و همچنین مشکل کمبود آب برطرف شده، میسر نمود (کاو[10]، 2019). لذا بسیاری از صنایع با توجه به این نیاز روز افزون تولید دستگاه­های کشت و همچنین کاهش زمان و نیاز نیروی کار به طور پیوسته، اقدام به تولید سامانه­های خودکار تولید و کاشت نشاء نموده­اند (تیان و همکاران[11]، 2017). تا به امروز پژوهش عمده­ای در زمینه ساخت و تولید دستگاه­های خودکار تولید و کشت نشاء صورت نگرفته و فرآیند تولید نشاء به صورت دستی در کشور انجام می­شود. این در حالی است که شدت کار بالا و راندمان پایین این عمل به صورت دستی، تولید در مقیاس بزرگ را دشوار می­نماید. بر اساس گزارش­های موجود، توسعه دستگاه­های مکانیزه تولید نشاء درکشورهای آمریکا و ژاپن در خلال سال­های 1980 شروع گردید. دستگاه­های توسعه یافته شامل دستگاه­های تولید و کشت در سینی نشاء (روزلی و همکاران[12]، 2016؛ سی و همکاران[13]، 2013)، سامانه کشت نشاء در گلدان (یانگ و همکاران[14]، 2018) و دستگاه­های کشت نشاء در مزرعه (وانگ و همکاران[15]، 2018) می­باشند.

انرژی ورودی و هزینه کارگری تولید و کشت نشاء نسبت به کشت مستقیم بیشتر بوده و این در صورتی است که حذف کار کارگری در هر بخش می­تواند صرفه اقتصادی این نوع کشت را به صورت چشمگیری افزایش دهد. لذا هدف از این پژوهش، مدل­سازی دینامیکی و طراحی بازوی کشت بذر در سینی نشاء در نظر گرفته شد. بدین منظور ابتدا مدل ریاضی بازو در سرعت­های حرکتی مختلف سینی نشاء به دست آمد، سپس بر اساس مدل­سازی صورت گرفته، عملیات کاشت در سینی نشاء انجام پذیرفت.