XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

Развитие цифровых технологий и методов компьютерного зрения привело к появлению новых подходов к анализу инженерных процессов [2], ранее основанных преимущественно на ручных измерениях. Одной из таких задач является оценка параметров искусственного дождя при испытаниях дождевальных машин [3]. Эти испытания определяют качество формирования капельного потока, равномерность распределения осадков и соответствие оборудования нормативным требованиям. Однако традиционная методика анализа основывается на использовании фильтровальной бумаги, визуальной оценке отпечатков капель и ручных вычислениях, что приводит к высокой трудоёмкости, низкой воспроизводимости и зависимости результатов от субъективного опыта оператора.

Современные методы компьютерного зрения позволяют значительно повысить объективность анализа за счёт автоматического выделения капель на видеокадрах, измерения их параметров и вычисления статистических метрик.

Использование языка архитектурного моделирования ArchiMate [1,4] предоставляет возможность формализовать как текущее состояние процесса анализа искусственного дождя, так и целевую модель автоматизированной системы. Это позволяет выявить ключевые проблемы ручной методики, обосновать необходимость цифровизации и спроектировать многослойную архитектуру, включающую бизнес-процессы, прикладные сервисы и элементы.

Целью настоящей работы является архитектурное описание анализа искусственного дождя на основе методов компьютерного зрения в терминах языка ArchiMate. В статье представлены модель процесса «как есть», мотивационная модель трансформации и целевая архитектура, обеспечивающая автоматизированный сбор, обработку и интерпретацию данных эксперимента.

Испытания дождевальных машин направлены на получение объективных данных о качестве формируемого искусственного дождя, поскольку от характеристик капельного потока напрямую зависят эффективность орошения, равномерность распределения воды и соответствие оборудования установленным нормативам [5]. В практических условиях такие испытания выполняются на специализированном стенде, где регистрируются условия полива, интенсивность выпадения осадков и пространственное распределение капель. Основное внимание уделяется параметрам капельного потока: диаметру капель, их количественной плотности в поле наблюдения, статистическим распределениям по размерам и показателям равномерности дождя.

Традиционный подход к анализу основан на механических средствах фиксации и ручной обработке данных. Наиболее распространённая методика предполагает использование фильтровальной бумаги или аналогичных каплеуловителей, по отпечаткам на которых оператор определяет размеры капель и объём собранной воды. Измерения выполняются вручную с применением линейки или микроскопа, после чего полученные значения заносятся в таблицы и обрабатываются арифметически. Такой процесс является трудоёмким, требует значительного времени, зависит от опыта исполнителя и подвержен ошибкам, связанным с человеческим фактором. Это снижает воспроизводимость результатов и затрудняет получение детализированных статистических характеристик.

Развитие методов компьютерного зрения позволяет использовать принципиально иной подход к анализу капельного потока. Видеозапись эксперимента обеспечивает фиксацию динамики формирования дождя в цифровом виде, а алгоритмы обработки изображений дают возможность автоматически выделять капли на кадрах, измерять их параметры и формировать статистические распределения. Такой подход повышает точность измерений, исключает субъективность оператора и создаёт условия для сопоставимого анализа разных экспериментов в единой цифровой форме.

Для корректной цифровой обработки предметная область требует строгой формализации состава данных [6]. Базовой единицей анализа является кадр видеозаписи, содержащий множество капель, каждая из которых описывается контуром, площадью, координатами и вычисленным диаметром. Совокупность таких данных формирует массив, на основе которого рассчитываются ключевые метрики: средние диаметры, распределения D10–D90, интенсивность выпадения капель, равномерность дождя и другие показатели. Итоговые результаты оформляются в виде отчёта, включающего графические визуализации, таблицы и суммарные характеристики, необходимые для инженерного анализа.

Предметная область также предъявляет требования к условиям регистрации видеоданных: необходима стабильная съёмка с достаточной частотой кадров, корректная калибровка масштаба, постоянство освещения и возможность повторного анализа экспериментов без потери исходных материалов. Эти факторы определяют точность и надёжность последующей цифровой обработки.

Процесс анализа искусственного дождя в текущем состоянии представляет собой последовательную цепочку ручных операций, в которой каждый следующий этап опирается на результаты предыдущего, а корректность итоговых измерений во многом определяется точностью действий исполнителей.

На рисунке 1 представлена диаграмма ArchiMate архитектуры анализа искусственного дождя «как есть».

Рисунок 1 – Архитектура анализа искусственного дождя «как есть» в нотации ArchiMate

На диаграмме (рисунок 1) отражено, что работа начинается с подготовки испытательной площадки: «Оператор испытаний» формирует необходимые условия для проведения эксперимента, расставляет «Подготовленную сеть дождемеров», сверяет порядок работ с «План-программой испытаний» и проверяет функционирование оборудования. На этом этапе используются «Испытательная площадка», «Комплект дождемеров» и «Метеоприборы», обеспечивающие создание стабильных условий для измерений. Подготовка служит основой для дальнейших действий, определяя корректность последующей фиксации данных.

На этапе формирования искусственного дождя оператор дождевальной машины обеспечивает запуск и работу оборудования, фиксируя фактические параметры хода опыта. В результате этой деятельности формируются такие бизнес-объекты, как «Искусственный дождь», «Журнал метеоусловий», «Данные дождемеров» и «Протокол выполненных режимов испытаний». Журнал содержит данные о погодных условиях в момент испытаний, протокол фиксирует настройки и изменения режимов работы дождевальной машины, а дождемеры накапливают влагу, позволяя оценить объём и распределение осадков. Вся информация собирается разрозненно, преимущественно вручную, что отражено в модели посредством отсутствия автоматизированных сервисов обработки данных.

После завершения полива процесс переходит к отбору измерительных образцов. На диаграмме показано, что эта операция выполняется «Лаборантом», который использует «Каплеуловитель КР-2» и «Фильтровальную бумагу» для получения «Образцов отпечатков капель». Этот шаг является ключевым для последующего анализа размеров капель, однако полностью зависит от аккуратности действий исполнителя: нарушение расстояния, времени экспозиции или условий отбора приводит к искажению данных. Диаграмма подчёркивает требованием «Аккуратность», что данный этап остаётся одним из наиболее уязвимых к человеческому фактору.

Далее «Специалисту по измерениям выполняет процесс «Измерить отпечатки и рассчитать диаметры». На этом этапе формируются данные «Таблица рассчитанных диаметров» и «Таблица диаметров капель». Специалист вручную измеряет размеры отпечатков капель на фильтровальной бумаге, используя «Средства измерений и взвешивания», и переводит их в диаметры с помощью «Средств ручных вычислений (калькулятора)». Именно здесь на диаграмме ярко проявляется отсутствие цифровой обработки: все измерения проводятся вручную, вычисления выполняются арифметически, а результаты заносятся на «Бланки/таблицы расчётов». Это делает этап наиболее трудозатратным и зачастую наименее воспроизводимым.

Заключительный этап «Обработать результаты» выполняется инженером-испытателем, который проводит первичную обработку и проверку полученных данных, после чего формирует итоговые материалы. На этом этапе используются сведения из «Таблицы диаметров капель», «Данных дождемеров», «Журнала метеоусловий» и «Протокола выполненных режимов испытаний», на основе которых создаются «Карта распределения полива» и «Ведомость дождемеров». На этом этапе данные сравниваются с нормативами, анализируется равномерность распределения осадков и определяется качество работы дождевальной машины. Обработка также осуществляется вручную, что делает результаты сильно зависимыми от квалификации исполнителя и усложняет корректную проверку измерений.

Таким образом, представленная архитектура «как есть» демонстрирует линейный, многоэтапный и полностью ручной процесс оценки параметров искусственного дождя. Каждый этап опирается на физическое оборудование и бумажные, а человеку приходится выполнять и регистрацию данных, и вычисления, и анализ. Модель подчёркивает отсутствие автоматизированных инструментов, цифровой фиксации данных и алгоритмической обработки изображений, что приводит к высокой трудоёмкости, низкой воспроизводимости и риску ошибок на каждом шаге.

Мотивационная модель на рисунке 2 отражает причины, по которым существующий анализ искусственного дождя требует преобразований – трансформации, а также показывает связи между интересами участников испытаний, возникшими проблемами и формируемыми целями. На диаграмме представлены ключевые заинтересованные стороны: производители дождевальных машин, специалисты испытательных станций, исполнители полевых работ и аналитики, отвечающие за интерпретацию результатов. Для них процесс получения характеристик искусственного дождя является основой оценки ключевых показателей качества оборудования (безопасность, точность и эффективность работы), подтверждения соответствия нормативам и подготовки материалов для последующих инженерных решений.

Рисунок 2 – Мотивационная модель анализа искусственного дождя в нотации ArchiMate

В центре мотивационной модели находятся проблемы, выявляемые в ходе анализа текущей схемы работы. Основной из них является высокая трудоёмкость выполнения измерений: каждый этап требует значительных усилий, множество операций выполняется вручную, а перенос данных между этапами происходит без автоматической проверки. Вторая проблема связана с ограниченной точностью — результаты измерений зависят от человеческого фактора и допускают вариативность, не связанную с реальными характеристиками дождя. Третьей проблемой является низкая воспроизводимость результатов: при повторном проведении аналогичных испытаний значения могут существенно отличаться, что усложняет сравнение экспериментов и проверку корректности работы дождевальной машины.

Эти проблемы оказывают прямое влияние на достижение целей участников процесса. Высокая трудоёмкость замедляет проведение испытаний и требует значительных ресурсов; ограниченная точность снижает доверие к получаемым данным; отсутствие воспроизводимости не позволяет надёжно сопоставлять результаты разных испытательных серий. В условиях необходимости строгого соответствия нормативным документам и обеспечения прослеживаемости данных такие недостатки становятся критичными.

Модель показывает, что для устранения выявленных проблем формируются цели, направленные на повышение объективности анализа, сокращение количества ручных операций, достижение устойчивости результатов и улучшение качества подготовки отчётных материалов. Эти цели поддерживаются рядом требований, отражённых на диаграмме: обеспечить точные измерения параметров капель, стандартизировать порядок проведения испытаний, уменьшить зависимость результатов от индивидуальных действий исполнителей, а также обеспечить регулирование и контроль ключевых шагов процесса.

На диаграмме также представлены правила проведения испытаний, такие как необходимость ведения протоколов, соблюдение установленных методов измерений, фиксирование метеоусловий и корректное использование измерительного оборудования. Эти правила служат ограничивающими факторами, которые необходимо учитывать при достижении поставленных целей.

Таким образом, мотивационная модель демонстрирует, что трансформация архитектуры анализа искусственного дождя обусловлено объективной потребностью устранить существующие недостатки ручной работы. Она описывает логические связи от проблем — к целям и требованиям, которые должны обеспечить более точную, устойчивую и контролируемую оценку характеристик дождя.

Целевая архитектура, представленная на рисунке 3, отражает результат трансформации анализа искусственного дождя, в котором ключевые операции переходят от ручных измерений к использованию цифровых данных, а последовательность действий становится более устойчивой, контролируемой и воспроизводимой. В отличие от текущей архитектуры, где каждый этап основан на ручных бизнес-процессах, целевая архитектура предполагает применение автоматизированного приложения, работающего с видеозаписями эксперимента и обеспечивающего детализированное измерение характеристик капельного потока.

Как видно из диаграммы на рисунке 3, структура процесса сохраняется, однако содержание его этапов приобретает иное функциональное наполнение. Первым этапом остаётся процесс подготовки испытаний — оператор стенда вводит параметры опыта, задаёт конфигурацию записи и подготавливает оборудование. При этом появляется новый объект «Задание на видеоанализ», который фиксирует исходные параметры эксперимента, включая масштаб, расстояния и характеристики условий съемки. Также сохраняется работа с физическим стендом, но его роль теперь заключается в формировании стабильного среды для видеозаписи, а не источника ручных измерений.

Следующий этап — «Записать видеоряд эксперимента». В отличие от схемы «как есть», где результатом полива являются отпечатки капель и данные дождемеров, целевой процесс фиксирует сам поток капель с помощью камеры или смартфона. Формируется объект «Видео эксперимента», содержащий динамическую информацию о движении и форме капель. Запись осуществляется автоматически, а оператор управляет только запуском и остановкой видеосъёмки.

После получения видеозаписи процесс переходит в цифровую обработку. На третьем этапе — «Обработать видеокадры и выделить капли» — приложение выполняет последовательные операции: разбиение видео на кадры, бинаризацию изображений, поиск контуров, выделение отдельных капель и определение их геометрических параметров. Эти преобразования отображены на диаграмме через объект «Набор кадров (frames)» и результат их обработки — «Признаки капель». На данном этапе устраняется необходимость отбора отпечатков вручную, полностью исчезают операции, связанные с фильтровальной бумагой и измерением отпечатков.

Следующий шаг — «Рассчитать метрики и распределения». На основе выделенных признаков приложение вычисляет числовые характеристики дождя: диаметры капель, распределения по фракциям, интенсивность выпадения и другие показатели. Эти результаты представлены объектом «Метрики и показатели капель». В текущей схеме эти вычисления проводились вручную с помощью калькулятора, тогда как теперь расчёты выполняются автоматически, обеспечивая точность и воспроизводимость.

Финальный этап — «Визуализировать и сформировать отчёты». Приложение объединяет результаты измерений, создаёт графики, гистограммы и таблицы, а затем формирует «Файл отчёта PDF» и «Файл отчёта CSV». Роль оператора здесь заключается только в том, чтобы ознакомиться с итоговыми материалами. Появление автоматизированных отчётов обеспечивает стандартизированное представление данных, упрощает сравнение экспериментов и исключает человеческие ошибки, характерные для ручного оформления результатов.

Целевая архитектура также включает модульную структуру приложения, где каждый программный компонент реализует соответствующий сервис, представленный на диаграмме рисунка 3: «UIController» управляет взаимодействием с оператором, «VideoCapture» осуществляет захват видеосигнала, «FrameExtractor» выполняет разбиение видео на кадры, «ImageAnalyzer» выделяет капли на изображении, «MetricsEngine» рассчитывает количественные характеристики, а «ReportGenerator» формирует итоговые документы. Эти модули связаны между собой потоком данных и работают согласованно, обеспечивая непрерывность обработки от видео до отчёта.

Поддерживающие элементы — такие как «Ноутбук оператора», камера и среда выполнения приложения — обеспечивают стабильную работу программных модулей. Камера служит источником видеосигнала, ноутбук выполняет вычисления, а используемая программная среда поддерживает работу алгоритмов обработки изображений и расчётов. В отличие от текущего состояния, где оборудование выполняет исключительно вспомогательную роль, здесь оно становится частью единой цифровой цепочки.

Таким образом, целевое состояние формирует полностью новый подход к анализу искусственного дождя: измерения выполняются автоматически по видеоданным, расчёты проводятся алгоритмически, результаты визуализируются и формируются в стандартизированных отчётах. Это значительно снижает трудоёмкость работы, повышает точность, обеспечивает воспроизводимость результатов и устраняет проблемы, характерные для ручного процесса. Модель «как будет» служит основой для перехода к более надёжному и объективному анализу характеристик искусственного дождя.

Рисунок 3 – Целевая архитектура анализа искусственного дождя «как будет» в нотации ArchiMate

Сравнение текущего процесса анализа искусственного дождя с целевой моделью позволяет наглядно увидеть ключевые изменения, достигаемые при переходе к цифровой обработке данных. В схеме «как есть» все операции выполняются вручную: результаты фиксируются на бумаге, отпечатки капель измеряются линейкой, вычисления выполняются с помощью калькулятора, а итоговые данные оформляются вручную в виде таблиц и схем. Каждый этап требует участия исполнителя, что увеличивает трудоёмкость, снижает точность и делает процесс зависимым от человеческого фактора.

Целевая модель демонстрирует полностью иной подход. Вместо ручного отбора и измерения отпечатков анализ строится на видеозаписи дождя и автоматическом выделении капель на кадрах. Преобразование данных, расчёт метрик и формирование отчётов выполняются алгоритмами приложения, а роль оператора сводится к подготовке стенда, запуску съёмки и ознакомлению с результатами. Такой подход обеспечивает устойчивость и воспроизводимость измерений, повышает детализацию расчётов и существенно сокращает количество ручных действий.

Таким образом, модель «как будет» устраняет основные недостатки текущего процесса — низкую точность, высокую трудоёмкость и невозможность стандартизированного анализа. Автоматическая обработка данных позволяет получать более объективные результаты, повышать скорость проведения испытаний и формировать отчёты, пригодные для сопоставления между различными сериями экспериментов. Представленный анализ показал, что существующий процесс оценки параметров искусственного дождя характеризуется высокой трудоёмкостью, значительной зависимостью от исполнителей и ограниченными возможностями для получения точных и воспроизводимых результатов. Ручные методы измерений, расчётов и оформления данных создают риски ошибок и осложняют сравнение испытаний между собой. Построенная модель текущего состояния позволила выявить ключевые проблемные зоны и определить факторы, которые препятствуют объективной оценке характеристик дождя.

Целевая архитектура демонстрирует принципиально иной подход, основанный на использовании видеозаписи и автоматической обработки изображений. Переход к цифровым данным, алгоритмическому выделению капель и автоматическому расчёту метрик обеспечивает повышение точности, снижение количества ручных операций и достижение устойчивой воспроизводимости результатов. Формирование отчётов в стандартизированной форме упрощает анализ, улучшает качество итоговых материалов и создаёт основу для последующего развития методов оценки дождевальных машин.

Таким образом, предложенная архитектурная модель подтверждает целесообразность трансформации анализа искусственного дождя и определяет этапы перехода от текущей к целевой архитектуры исследуемой предметной области. Результаты представленной работы могут служить основой для разработки программного решения и его интеграции в практику проведения испытаний.

Список используемых источников

1. The Open Group. ArchiMate® 3.2 Specification. — Van Haren Publishing, 2021. — 348 p.

2. Гонсалес Р. К., Вудс Р. Цифровая обработка изображений. — 4-е изд. — Москва: Техносфера, 2019. — 1184 с.

3. Жданов К. В., Ляхов П. А. Анализ параметров аэрозольных и капельных потоков методами компьютерного зрения // Вестник аграрной науки. — 2022. — № 4. — С. 112–118.

4. Зараменских Е. П., Кудрявцев Д. В., Арзуманян М. Ю. Архитектура предприятия: учебник для вузов. — 2-е изд. — Москва: Юрайт, 2025. — 436 с.

5. Кузнецова Е. И., Закабунина Е. Н., Снипич Ю. Ф. Орошаемое земледелие: учебное пособие. — Москва: Колос, 2019. — 256 с.

6. Поспелов Д. А. Системный анализ и методы моделирования. — Москва: Физматлит, 2020. — 312 с.

7. Соколов С. Н., Бордовский А. Г. Методы анализа изображений и компьютерного зрения. — Санкт-Петербург: БХВ-Петербург, 2022. — 384 с.