ass日本风韵熟妇pics男人扒开女人屁屁桶到爽|扒开胸露出奶头亲吻视频|邻居少妇的诱惑|人人妻在线播放|日日摸夜夜摸狠狠摸婷婷|制服 丝袜 人妻|激情熟妇中文字幕|看黄色欧美特一级|日本av人妻系列|高潮对白av,丰满岳妇乱熟妇之荡,日本丰满熟妇乱又伦,日韩欧美一区二区三区在线

Abstract:

智慧農(nóng)業(yè)是現(xiàn)代農(nóng)業(yè)的發(fā)展方向,無人化智慧農(nóng)場(chǎng)是實(shí)現(xiàn)智慧農(nóng)業(yè)的重要途徑,無人化智慧農(nóng)場(chǎng)是農(nóng)業(yè)轉(zhuǎn)型升級(jí)的重要方向,其精準(zhǔn)高效作業(yè)質(zhì)量依賴于農(nóng)田邊界識(shí)別技術(shù)的精度和可靠性。本文系統(tǒng)梳理了農(nóng)田邊界識(shí)別的技術(shù)體系與應(yīng)用場(chǎng)景,重點(diǎn)分析了衛(wèi)星遙感,、無人機(jī)遙感和地面感知3類數(shù)據(jù)獲取方式和識(shí)別算法研究現(xiàn)狀,。衛(wèi)星遙感的優(yōu)勢(shì)在于其廣域周期性的監(jiān)測(cè)能力可支撐大范圍農(nóng)田變化分析,但空間分辨率有限;無人機(jī)高分辨率影像與地面?zhèn)鞲衅魃疃热诤?如 LiDAR 點(diǎn)云與 RGB 圖像配準(zhǔn))可實(shí)現(xiàn)厘米級(jí)邊界分割,為復(fù)雜農(nóng)田場(chǎng)景提供高精度數(shù)據(jù)支撐,但視野范圍有限。傳統(tǒng)圖像處理算法(閾值分割、邊緣檢測(cè)等)在規(guī)則農(nóng)田中具有實(shí)時(shí)性優(yōu)勢(shì),但難以應(yīng)對(duì)異物同譜,、靜態(tài)要素遮擋等場(chǎng)景;基于深度學(xué)習(xí)的 U-Net,、DeepLab 系列模型通過多尺度特征融合與注意力機(jī)制優(yōu)化可顯著提升對(duì)不規(guī)則邊界的識(shí)別魯棒性。 這些技術(shù)都已應(yīng)用于農(nóng)業(yè)數(shù)字化地圖構(gòu)建和農(nóng)機(jī)路徑規(guī)劃,但仍面臨多源數(shù)據(jù)時(shí)空對(duì)齊精度不足導(dǎo)致融合效率低,輕量化模型在邊緣計(jì)算設(shè)備上的推理速度難以滿足實(shí)時(shí)作業(yè)需求,農(nóng)田邊界變動(dòng)實(shí)時(shí)監(jiān)測(cè)難等問題,。未來應(yīng)聚焦多模態(tài)時(shí)空特征融合,、邊緣推理導(dǎo)向的模型輕量化技術(shù),以及空-天-地協(xié)同支撐下的數(shù)字農(nóng)田地圖自主更新技術(shù),為實(shí)現(xiàn)農(nóng)田邊界的高精度、高響應(yīng)和高動(dòng)態(tài)識(shí)別提供支撐,。

Abstract:

路徑規(guī)劃是決定再生稻頭季收獲作業(yè)效率和質(zhì)量的關(guān)鍵因素之一,。目前,無人農(nóng)機(jī)在作業(yè)區(qū)域內(nèi)的全覆蓋路徑規(guī)劃技術(shù)研究中,較少有考慮收獲機(jī)在田間收獲時(shí)對(duì)再生稻的碾壓?jiǎn)栴},為此本文開展減少碾壓的再生稻收獲路徑規(guī)劃研究,。通過分析農(nóng)田信息、待作業(yè)區(qū)域和卸糧等,將再生稻收獲卸糧路徑規(guī)劃問題轉(zhuǎn)化為帶有容量約束的車輛路徑問題(CVRP),。以收獲機(jī)最小碾壓面積和最短總路徑為目標(biāo),構(gòu)建再生稻收獲路徑數(shù)學(xué)模型,。提出再生稻少碾壓路徑規(guī)劃混合算法,采用傳統(tǒng)蟻群算法(ACO)和2-opt算法獲得最優(yōu)路徑。以再生稻無人駕駛收獲機(jī)為對(duì)象,設(shè)計(jì)直線路徑規(guī)劃田間試驗(yàn),、地頭轉(zhuǎn)向路徑以及卸糧路徑規(guī)劃田間試驗(yàn)和全環(huán)節(jié)田間作業(yè)試驗(yàn),采用自動(dòng)駕駛系統(tǒng)進(jìn)行田間試驗(yàn),考察收獲機(jī)田間碾壓率,。結(jié)果表明,直線跟蹤平均絕對(duì)誤差為3.51cm,最大偏差為8.24cm,直線段作業(yè)碾壓率為17.55%。地頭區(qū)域碾壓率下降52.2%,。本研究設(shè)計(jì)的路徑規(guī)劃全田碾壓率為27.42%,滿足再生稻特殊的作業(yè)要求,。

Abstract:

自動(dòng)導(dǎo)航拖拉機(jī)在側(cè)偏側(cè)滑等工況下路徑跟蹤誤差大、糾偏易超調(diào)且調(diào)節(jié)時(shí)間長(zhǎng),。為解決拖拉機(jī)側(cè)偏側(cè)滑工況快速糾偏問題,提出了一種基于驅(qū)動(dòng)輪橫向控制補(bǔ)償策略的改進(jìn)純追蹤路徑跟蹤控制方法,。通過構(gòu)建拖拉機(jī)的坡面?zhèn)然Ｐ?結(jié)合二輪車運(yùn)動(dòng)學(xué)模型,提出了純追蹤算法的橫向控制補(bǔ)償策略,對(duì)經(jīng)典純追蹤算法進(jìn)行改進(jìn),實(shí)現(xiàn)自動(dòng)駕駛拖拉機(jī)精確橫向補(bǔ)償控制。為驗(yàn)證本文橫向側(cè)偏補(bǔ)償改進(jìn)純追蹤路徑跟蹤算法性能,進(jìn)行CarSim/Simulink聯(lián)合仿真,緩坡試驗(yàn)結(jié)果表明,改進(jìn)后的算法在10°斜坡上的控制精度相比經(jīng)典算法提升了73.6%;持續(xù)側(cè)滑仿真,經(jīng)典算法無法脫困,而改進(jìn)算法在3.9s內(nèi)完成脫困,橫向偏差收斂至0.01m以內(nèi),超調(diào)量為0.14m,。此外本文還在田間試驗(yàn)中驗(yàn)證了改進(jìn)算法的有效性,在相同試驗(yàn)條件下,進(jìn)行了3次重復(fù)試驗(yàn),結(jié)果表明拖拉機(jī)在所有試驗(yàn)中均成功脫困,試驗(yàn)表明平均脫困時(shí)間為7.03s,平均最大超調(diào)量為0.054m,。試驗(yàn)結(jié)果表明,本文橫向控制補(bǔ)償策略顯著提升了自動(dòng)導(dǎo)航拖拉機(jī)在復(fù)雜工況下的控制精度和穩(wěn)定性,。

Abstract:

針對(duì)水田自動(dòng)駕駛農(nóng)機(jī)遇到側(cè)滑時(shí)速度突變導(dǎo)致轉(zhuǎn)角估計(jì)不準(zhǔn)確的問題,本文提出了一種基于雙觀測(cè)值融合卡爾曼濾波器的水田作業(yè)農(nóng)機(jī)轉(zhuǎn)向輪角估計(jì)方法,建立了水田作業(yè)農(nóng)機(jī)轉(zhuǎn)向輪角估計(jì)模型,。首先采用改進(jìn)型兩輪農(nóng)機(jī)側(cè)滑模型獲得基于運(yùn)動(dòng)學(xué)模型的水田農(nóng)機(jī)前輪轉(zhuǎn)向角度,其次對(duì)所采集的GPS速度和慣性導(dǎo)航速度采用加權(quán)觀測(cè)融合的方法對(duì)轉(zhuǎn)向模型的水田農(nóng)機(jī)作業(yè)速度進(jìn)行補(bǔ)償,最后提出了基于雙觀測(cè)值融合卡爾曼濾波器的水田作業(yè)農(nóng)機(jī)輪向輪角估計(jì)方法,將基于運(yùn)動(dòng)學(xué)模型的前輪轉(zhuǎn)向角和基于轉(zhuǎn)向電機(jī)編碼的前輪轉(zhuǎn)向角作為雙觀測(cè)值,從而估計(jì)水田農(nóng)機(jī)前輪轉(zhuǎn)角,。為驗(yàn)證本文所提方法,以水稻直播機(jī)為研究平臺(tái),在水田中開展速度校正、前輪轉(zhuǎn)向角估計(jì)試驗(yàn)和直線跟蹤試驗(yàn),。速度校正試驗(yàn)結(jié)果表明,水田硬底層高低不平是前輪轉(zhuǎn)角擬合精度不佳的直接原因,本文所提方法將直播機(jī)速度穩(wěn)定在一定范圍內(nèi),解決了因水田硬底層起伏變化造成前輪轉(zhuǎn)角擬合精度不佳的問題,。前輪轉(zhuǎn)向角估計(jì)試驗(yàn)結(jié)果表明,農(nóng)機(jī)前輪估計(jì)角度相對(duì)角度傳感器角度變化跟蹤誤差平均值為0.12°,偏差最大值為1.67°,偏差標(biāo)準(zhǔn)差為0.4°。本文所提方法能夠準(zhǔn)確地測(cè)量農(nóng)機(jī)前輪轉(zhuǎn)向角,最終控制直播機(jī)穩(wěn)定追蹤目標(biāo)角度,滿足水田農(nóng)機(jī)前輪轉(zhuǎn)角估計(jì)精度要求,。直線跟蹤試驗(yàn)結(jié)果表明,在水田環(huán)境下,平均絕對(duì)誤差為3.14cm,位置偏差標(biāo)準(zhǔn)差為2.11cm,。本文提出的方法適用于水田無人駕駛,提高了轉(zhuǎn)角估計(jì)精度和農(nóng)機(jī)導(dǎo)航作業(yè)質(zhì)量,。

Abstract:

針對(duì)協(xié)同控制在農(nóng)機(jī)轉(zhuǎn)場(chǎng)場(chǎng)景下受復(fù)雜環(huán)境影響導(dǎo)致的響應(yīng)速度慢,、控制精度低,、穩(wěn)定性差、魯棒性不足等問題,提出一種農(nóng)機(jī)編隊(duì)轉(zhuǎn)場(chǎng)多機(jī)協(xié)同控制方法,。搭建主機(jī)人工駕駛領(lǐng)航,、從機(jī)自動(dòng)跟隨的多機(jī)協(xié)同模型,基于弗萊納坐標(biāo)轉(zhuǎn)換將協(xié)同控制解耦為橫向、縱向控制,采用模型預(yù)測(cè)控制算法設(shè)計(jì)縱向控制器以實(shí)現(xiàn)機(jī)組間相對(duì)距離保持及速度,、加速度跟隨,采用純追蹤算法設(shè)計(jì)橫向控制器以實(shí)現(xiàn)從機(jī)沿主機(jī)軌跡行駛,引入模糊算法實(shí)時(shí)調(diào)整關(guān)鍵控制系數(shù)以實(shí)現(xiàn)控制效果優(yōu)化,。基于CarSim/Simulink平臺(tái)設(shè)計(jì)多種轉(zhuǎn)場(chǎng)典型工況對(duì)本文方法進(jìn)行仿真試驗(yàn)分析,結(jié)果表明相比傳統(tǒng)控制方法本文方法具備更可靠?jī)?yōu)越的性能,并基于智能拖拉機(jī)機(jī)組開展實(shí)車試驗(yàn)驗(yàn)證,結(jié)果表明機(jī)組軌跡橫向誤差小于0.090m,速度誤差小于0.570m/s,相對(duì)距離誤差小于0.169m,加速度誤差小于0.252m/s2,均能漸進(jìn)穩(wěn)定滿足農(nóng)機(jī)編隊(duì)轉(zhuǎn)場(chǎng)實(shí)際需求,。

Abstract:

無人駕駛拖拉機(jī)在軌跡跟蹤的過程中以跟蹤性能為主,忽視作業(yè)能耗導(dǎo)致經(jīng)濟(jì)性較差,。為此提出了一種考慮經(jīng)濟(jì)性與軌跡跟蹤性能的分層協(xié)同控制策略,。首先以縱向偏差和橫向偏差為目標(biāo)、以加速度和前輪轉(zhuǎn)角速度為約束,采用模型預(yù)測(cè)控制算法建立軌跡跟蹤系統(tǒng),其次以發(fā)動(dòng)機(jī)燃油消耗率和液壓機(jī)械無級(jí)變速器傳動(dòng)效率比為優(yōu)化目標(biāo),建立基于外部參數(shù)優(yōu)化的二元調(diào)節(jié)經(jīng)濟(jì)性控制策略,。在此基礎(chǔ)上,以拖拉機(jī)下一時(shí)刻預(yù)測(cè)速度和當(dāng)前拖拉機(jī)犁耕阻力為傳遞變量,融合軌跡跟蹤系統(tǒng),、經(jīng)濟(jì)性控制策略形成分層協(xié)同控制策略。采用純跟蹤算法與一元調(diào)節(jié)經(jīng)濟(jì)性控制策略作為對(duì)比策略,基于Matlab仿真平臺(tái)對(duì)該分層協(xié)同控制策略進(jìn)行仿真試驗(yàn),并通過硬件在環(huán)試驗(yàn)平臺(tái)驗(yàn)證了該分層協(xié)同控制策略的有效性,結(jié)果表明:與對(duì)比策略相比,分層協(xié)同控制策略有效減小了無人駕駛拖拉機(jī)軌跡跟蹤偏差,提高了拖拉機(jī)經(jīng)濟(jì)性,速度方差降低36.7%,縱向跟蹤偏差減小89.8%,橫向跟蹤偏差減小91.7%,拖拉機(jī)油耗量減小11.8%,。

Abstract:

稻油輪作是我國(guó)長(zhǎng)江中下游地區(qū)水稻和油菜兩種作物種植的主要模式,。為發(fā)展稻油輪作無人化農(nóng)場(chǎng),進(jìn)一步降低該地區(qū)水稻和油菜種植用工成本,、提高種植效益及競(jìng)爭(zhēng)力,本文通過分析稻油輪作無人化農(nóng)場(chǎng)的生產(chǎn)模式、機(jī)具類型和作業(yè)路徑規(guī)劃要求,針對(duì)稻油輪作無人化農(nóng)場(chǎng)典型作業(yè)環(huán)節(jié)農(nóng)機(jī)具田間自動(dòng)導(dǎo)航作業(yè)過程的路徑需求,結(jié)合Android軟件開發(fā),、JavaPython混合編程,、云服務(wù)器和數(shù)據(jù)庫(kù)等多項(xiàng)技術(shù),設(shè)計(jì)了基于Android應(yīng)用框架的無人化農(nóng)場(chǎng)智能農(nóng)機(jī)具作業(yè)運(yùn)維軟件,包括地塊管理、機(jī)具屬性管理,、路徑規(guī)劃及仿真模擬和路徑導(dǎo)出等模塊,。在已有聯(lián)合收獲機(jī)收獲作業(yè)路徑規(guī)劃算法、播種機(jī)播種作業(yè)路徑規(guī)劃算法和無人機(jī)植保及飛防作業(yè)路徑規(guī)劃算法的基礎(chǔ)上,重點(diǎn)設(shè)計(jì)了稻收油播和水田耕整地2個(gè)典型作業(yè)環(huán)節(jié)的路徑規(guī)劃算法,并通過Chaquopy插件混合編程調(diào)用前期Python編碼實(shí)現(xiàn)的田間作業(yè)路徑規(guī)劃算法,。通過基于GoogleEarth軟件選取的典型實(shí)際田塊多算例仿真測(cè)試和基于稻收油播一體機(jī)的實(shí)機(jī)田間試驗(yàn)聯(lián)合調(diào)試結(jié)果表明,所設(shè)計(jì)的移動(dòng)端軟件及路徑規(guī)劃算法運(yùn)行穩(wěn)定可靠,軟件人機(jī)交互性好,算法能夠針對(duì)不同機(jī)具及常見四邊形地塊提供有效的自動(dòng)導(dǎo)航自主作業(yè)路徑,單個(gè)田塊作業(yè)路徑規(guī)劃算法在小米5Pro平板計(jì)算機(jī)等4種典型Android移動(dòng)終端上的運(yùn)行耗時(shí)為29~1898ms,計(jì)算效率及路徑合理性均滿足實(shí)際應(yīng)用中典型作業(yè)環(huán)節(jié)無人化生產(chǎn)的需要,。所提出的算法及軟件框架,為長(zhǎng)江中下游區(qū)域稻油輪作無人化農(nóng)場(chǎng)的建設(shè)提供了作業(yè)路徑規(guī)劃理論及技術(shù)支撐。

Abstract:

針對(duì)當(dāng)前溫室作業(yè)環(huán)境復(fù)雜、現(xiàn)有機(jī)械行走穩(wěn)定性差的問題,本文提出了溫室自主跟隨電動(dòng)平臺(tái)行走速度控制方法,。由于該系統(tǒng)存在非線性和時(shí)變性的特點(diǎn),傳統(tǒng)PID控制算法無法實(shí)現(xiàn)有效控制,因此提出了一種基于蜣螂(Dungbeetle optimizer,DBO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)PID控制算法,。該算法采用DBO優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行優(yōu)化,加快了BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)速率,實(shí)現(xiàn)對(duì)溫室自主跟隨電動(dòng)平臺(tái)行走速度的快速精確控制,提高系統(tǒng)的響應(yīng)速度并降低超調(diào)量,最后,將本文提出的行走速度控制算法與PID控制算法、BP-PID控制算法,、遺傳算法(Genetical gorithm,GA)優(yōu)化PID控制算法,、蟻群算法(Antcolony optimization,ACO)優(yōu)化PID控制算法對(duì)比。試驗(yàn)結(jié)果表明,當(dāng)行走速度為1m/s時(shí),系統(tǒng)平均響應(yīng)速度為0.11s,調(diào)整時(shí)間為0.27s,最大超調(diào)量為2.44%;當(dāng)履帶線速度大小和方向發(fā)生變化時(shí),系統(tǒng)依然表現(xiàn)出響應(yīng)速度快,、超調(diào)量小且穩(wěn)態(tài)過程無振蕩的優(yōu)點(diǎn),。DBO-BP-PID控制算法在控制穩(wěn)定性和控制精度上表現(xiàn)更優(yōu),有效降低了系統(tǒng)時(shí)滯性和非線性影響,滿足溫室自主跟隨電動(dòng)平臺(tái)行走速度控制的需求。

Abstract:

數(shù)字孿生技術(shù)通過對(duì)物理實(shí)體全生命周期的數(shù)字化實(shí)現(xiàn)其狀態(tài)的監(jiān)測(cè)和控制,為實(shí)現(xiàn)機(jī)器人的遠(yuǎn)程控制和連續(xù)式作業(yè)提供了解決思路,。作業(yè)底盤行駛過程的高精度控制是保證機(jī)器人作業(yè)質(zhì)量的關(guān)鍵,本文針對(duì)溫室環(huán)境變化和底盤損耗導(dǎo)致行駛狀態(tài)預(yù)測(cè)模型誤差大,以及動(dòng)態(tài)數(shù)據(jù)在線采集困難等問題,提出一種基于數(shù)字孿生的溫室作業(yè)底盤行駛狀態(tài)在線監(jiān)測(cè)方法,。首先,開發(fā)了面向底盤行駛狀態(tài)的溫室作業(yè)底盤數(shù)字孿生系統(tǒng),在線感知行駛過程中的動(dòng)態(tài)數(shù)據(jù)并實(shí)時(shí)仿真底盤行駛狀態(tài)變化過程;然后,結(jié)合底盤行駛狀態(tài)時(shí)變偏差量化模型和考慮行駛過程中的各種不確定因素,構(gòu)建了溫室作業(yè)底盤行駛狀態(tài)在線預(yù)測(cè)模型;最后,搭建底盤行駛狀態(tài)在線監(jiān)測(cè)試驗(yàn)環(huán)境,并進(jìn)行在線監(jiān)測(cè)試驗(yàn)和行駛效果驗(yàn)證試驗(yàn)。結(jié)果表明:本文在線預(yù)測(cè)方法對(duì)應(yīng)數(shù)據(jù)集M1,、M2,、M3、M4的橫向偏移預(yù)測(cè)精度分別為96.32%,、95.96%,、95.69%和96.11%,縱向偏移預(yù)測(cè)精度分別為96.58%、96.36%,、96.51%和96.13%,對(duì)比基于BP+SVR方法的橫向偏移預(yù)測(cè)精度分別提升3.61%,、3.26%、3.92%和3.98%,縱向偏移預(yù)測(cè)精度分別提升2.96%,、2.78%,、3.27%和3.06%,證明了本文提出的在線預(yù)測(cè)方法能夠有效修正地面波動(dòng)和底盤損耗帶來的偏差影響;實(shí)際底盤行駛橫向偏移和縱向偏移平均值相較于基于固定行駛參數(shù)的行駛方法分別降低48.13%和49.49%,本文方法能夠基于底盤實(shí)時(shí)行駛狀態(tài)進(jìn)行動(dòng)態(tài)調(diào)整。本文提出的基于數(shù)字孿生的溫室作業(yè)底盤行駛狀態(tài)在線監(jiān)測(cè)方法具有強(qiáng)實(shí)時(shí)性和高精度的特點(diǎn),可為設(shè)施農(nóng)業(yè)機(jī)器人的連續(xù)式作業(yè)技術(shù)提供依據(jù)和參考,。

Abstract:

為解決農(nóng)業(yè)機(jī)器人在示范溫室工作通道行駛中難以避讓動(dòng)態(tài)障礙物,、易陷入局部最小值、無法到達(dá)目標(biāo)點(diǎn)等問題,提出了基于雙障礙物評(píng)價(jià)函數(shù),、自適應(yīng)權(quán)重和虛擬目標(biāo)法的動(dòng)態(tài)窗口法(Dual obstacle cost function,adaptive weights and virtual target_dynamic window approach,DAV_DWA)來實(shí)現(xiàn)機(jī)器人局部路徑規(guī)劃,。首先,采用動(dòng)靜雙策略的避障方法,將動(dòng)態(tài)和靜態(tài)障礙物安全距離劃分為 2 個(gè)評(píng)價(jià)函數(shù),降低動(dòng)態(tài)障礙物碰撞風(fēng)險(xiǎn)且防止對(duì)靜態(tài)障礙物過度避障;其次,提出評(píng)價(jià)函數(shù)權(quán)重自適應(yīng)策略,根據(jù) 2 種障礙物距離實(shí)現(xiàn)自適應(yīng)調(diào)整各評(píng)價(jià)函數(shù)權(quán)重,以增強(qiáng)機(jī)器人在不同復(fù)雜環(huán)境中的路徑尋優(yōu)能力;最后,提出虛擬目標(biāo)法,使其脫離局部最小值后繼續(xù)導(dǎo)航,增強(qiáng)其對(duì)于局部最小值的路徑規(guī)劃能力。對(duì)比仿真試驗(yàn)和溫室實(shí)地試驗(yàn)結(jié)果表明,在仿真環(huán)境中,相較于其他算法,DAV_DWA算法在保證安全性的前提下,能夠在更短的時(shí)間內(nèi),以更短的路徑到達(dá)目標(biāo)點(diǎn);溫室障礙物場(chǎng)景中,機(jī)器人可以完成自主導(dǎo)航任務(wù),且定位誤差不大于0.12 m,跟蹤誤差不大于0.10 m,符合實(shí)際需求,。

Abstract:

優(yōu)化無人農(nóng)場(chǎng)作業(yè)路徑用以提升農(nóng)田管理效率和資源利用率是移動(dòng)機(jī)器人導(dǎo)航領(lǐng)域的研究熱點(diǎn),針對(duì)傳統(tǒng)麻雀搜索算法(Sparrow search algorithm,SSA)和強(qiáng)化學(xué)習(xí)算法搜索效率低,、路徑不夠光滑容易陷入局部最優(yōu)的問題,本文設(shè)計(jì)了一種融合改進(jìn)IQL(ImprovedQ-learning)算法的改進(jìn)麻雀搜索算法(Improved sparrow search algorithm,ISSA),結(jié)合貝塞爾曲線用于移動(dòng)機(jī)器人的全局路徑規(guī)劃。首先,在算法初期采用多策略初始化種群,將IQL算法與Logistic混沌映射和拉丁超立方抽樣(Latin hypercube sampling,LHS)方法相結(jié)合,為種群提供優(yōu)良性和多樣性的初始解;其次,將線性動(dòng)態(tài)慣性權(quán)重調(diào)整方法引入到發(fā)現(xiàn)者位置更新中,平衡算法的全局搜索能力和局部開發(fā)能力,、提升算法收斂速度;然后,在警戒者中引入反向?qū)W習(xí)策略進(jìn)一步探索未開發(fā)區(qū)域,防止陷入局部最優(yōu)解;最后,結(jié)合避障算法和貝塞爾曲線對(duì)路徑進(jìn)行平滑處理,消除行駛路徑距離障礙物過近和路徑不平滑問題,。通過在Matlab平臺(tái)上進(jìn)行對(duì)比仿真試驗(yàn),驗(yàn)證ISSA算法的有效性和優(yōu)越性,。試驗(yàn)結(jié)果表明,ISSA算法有效地結(jié)合IQL算法的自學(xué)習(xí)特性和SSA算法的強(qiáng)大搜索能力,在網(wǎng)格仿真環(huán)境和實(shí)地場(chǎng)景下均顯著提高了全局路徑優(yōu)化效率,生成的路徑更加平滑。在實(shí)地場(chǎng)景下,ISSA算法相較于SSA和ACO算法,路徑規(guī)劃時(shí)間分別減少64.43%,、9.94%,平均最短路徑長(zhǎng)度分別減少8.3%,、12%。研究可為無人農(nóng)場(chǎng)機(jī)器人精準(zhǔn),、高效作業(yè)提供優(yōu)質(zhì)的路徑規(guī)劃方案,。

Abstract:

葡萄精準(zhǔn)對(duì)行采收可有效減少收獲機(jī)振動(dòng)機(jī)構(gòu)與籬架碰撞幾率,是實(shí)現(xiàn)大規(guī)模機(jī)械化采收的重要手段,?；贔renet坐標(biāo)系下行間局部行駛場(chǎng)景模型,本文提出一種葡萄收獲機(jī)自動(dòng)對(duì)行路徑規(guī)劃算法,。以全局作業(yè)路徑為參考線,通過車載激光雷達(dá)實(shí)時(shí)識(shí)別前方葡萄行,利用K-means算法聚類葡萄點(diǎn)云;采用Lattice算法根據(jù)行駛車速對(duì)前方行駛區(qū)域動(dòng)態(tài)點(diǎn)陣采樣,基于五次多項(xiàng)式生成局部路徑簇;以前,、后輪轉(zhuǎn)向極限位置為收獲機(jī)輪廓特征點(diǎn),進(jìn)行特征點(diǎn)與橫向條帶分割的葡萄行最小包絡(luò)矩形碰撞檢測(cè),并計(jì)算各條局部路徑相對(duì)葡萄行和參考線的偏離代價(jià);根據(jù)作業(yè)工況和環(huán)境條件確定葡萄行偏離參考線的決策限值,采用動(dòng)態(tài)規(guī)劃算法對(duì)加權(quán)求和后的偏離代價(jià)進(jìn)行尋優(yōu),獲得路徑簇中代價(jià)最小路徑作為當(dāng)前局部路徑;利用機(jī)器人仿真軟件Gazebo和Rviz聯(lián)合仿真并開展實(shí)車試驗(yàn),。結(jié)果表明,規(guī)劃的局部路徑相對(duì)葡萄行平均橫向偏差為4.37cm,最大橫向偏差為10.95cm,生成局部路徑平均絕對(duì)曲率為0.0612m-1,最大絕對(duì)曲率為0.2011m-1,。在全局路徑相對(duì)葡萄行偏移較大時(shí),局部路徑能夠有效糾正偏差,滿足葡萄收獲作業(yè)對(duì)行駕駛要求。在單次規(guī)劃6m路徑的仿真試驗(yàn)中,本文算法平均耗時(shí)213ms/次,最大耗時(shí)337ms/次;規(guī)劃6m路徑實(shí)車試驗(yàn)中,本文算法平均耗時(shí)577ms/次,最大耗時(shí)816ms/次,。研究結(jié)果可為葡萄園場(chǎng)景下農(nóng)機(jī)局部路徑規(guī)劃提供參考,。

Abstract:

針對(duì)傳統(tǒng)滑模控制在農(nóng)機(jī)路徑跟蹤中易出現(xiàn)高頻抖振,、參數(shù)調(diào)整難等問題,以履帶農(nóng)用底盤為研究對(duì)象,構(gòu)建運(yùn)動(dòng)學(xué)模型及偏差動(dòng)態(tài)方程,設(shè)計(jì)超螺旋滑?？刂坡蓪?shí)現(xiàn)路徑跟蹤控制,引入?yún)?shù)預(yù)調(diào)控制器,采用有限內(nèi)存布羅伊登算法優(yōu)化超螺旋滑模控制器參數(shù),并以李亞普諾夫穩(wěn)定性分析為依據(jù),驗(yàn)證所設(shè)計(jì)的超螺旋滑?？刂破髀窂礁櫡€(wěn)定性,。仿真驗(yàn)證結(jié)果表明,當(dāng)履帶農(nóng)用底盤作業(yè)速度為1.0m/s時(shí),跟蹤最大絕對(duì)誤差為0.063m,絕對(duì)平均誤差為0.013m,相較于線性PID控制器與傳統(tǒng)滑模控制,最大偏移量分別降低61.3%,、62.1%,絕對(duì)平均誤差分別降低89.2%,、75.4%。實(shí)地試驗(yàn)結(jié)果表明,當(dāng)速度為0.5,、1.0m/s時(shí),參數(shù)預(yù)調(diào)型超螺旋滑?？刂扑惴ń^對(duì)平均偏差相較于傳統(tǒng)滑?？刂扑惴ǚ謩e降低69.2%、50%,航向偏差分別降低61.1%,、40%,有效減少高頻抖振現(xiàn)象,。

Abstract:

不規(guī)則農(nóng)田中,沿曲線路徑作業(yè)可有效提高無人化農(nóng)機(jī)作業(yè)適用性。針對(duì)當(dāng)前無人化作業(yè)曲邊農(nóng)田作業(yè)覆蓋率低的問題,本文提出一種基于全狀態(tài)反饋控制的曲線路徑跟蹤控制方法,。構(gòu)建一個(gè)以橫向偏差,、航向偏差和航向增量作為狀態(tài)向量的三階全狀態(tài)反饋控制器。將系統(tǒng)線性化并轉(zhuǎn)換為空間矩陣形式,在滿足系統(tǒng)穩(wěn)定性約束的條件下求解增益矩陣,從而獲取前輪轉(zhuǎn)角,?；贛atlab/Simulink仿真環(huán)境對(duì)控制器性能進(jìn)行驗(yàn)證,結(jié)果表明,補(bǔ)償后平均絕對(duì)誤差相較于補(bǔ)償前算法降低31%,最大絕對(duì)誤差降低17.9%。為驗(yàn)證本文所提方法,設(shè)計(jì)了3組田間試驗(yàn),。變曲率路徑試驗(yàn)結(jié)果表明,當(dāng)農(nóng)機(jī)作業(yè)速度為0.7m/s時(shí),橫向偏差最大值為0.0705m,絕對(duì)誤差為0.0218m,標(biāo)準(zhǔn)差為0.0234m,航向偏差最大值為12.25°,絕對(duì)誤差為1.37°,標(biāo)準(zhǔn)差為1.68°;定曲率路徑試驗(yàn)結(jié)果表明,橫向偏差最大值為0.1034m,絕對(duì)誤差為0.0424m,標(biāo)準(zhǔn)差為0.0477m,航向偏差最大值為8.9°,絕對(duì)誤差為1.86°,標(biāo)準(zhǔn)差為2.45°;沿曲邊田埂跟蹤試驗(yàn)結(jié)果表明,橫向偏差最大值為0.0597m,絕對(duì)誤差為0.0123m,標(biāo)準(zhǔn)差為0.0158m,航向偏差最大值為7.01°,絕對(duì)誤差為1.85°,標(biāo)準(zhǔn)差為2.49°,。跟蹤精度均能滿足作業(yè)需求,研究結(jié)果為無人農(nóng)機(jī)進(jìn)行復(fù)雜多變的曲邊作業(yè)提供了理論和技術(shù)支撐。

Abstract:

田間可行駛道路邊界信息獲取是制作農(nóng)田高精度地圖的基礎(chǔ),。針對(duì)現(xiàn)有方法對(duì)高分辨率正射影像圖中田間可行駛道路分割不準(zhǔn)確,、出現(xiàn)漏檢誤檢等問題,本文提出了一種基于改進(jìn)UNet的深度學(xué)習(xí)網(wǎng)絡(luò)模型。該方法首先將主干網(wǎng)絡(luò)更換為ResNet50,增強(qiáng)對(duì)田間可行駛道路特征提取能力;其次,融合可以提高管狀結(jié)構(gòu)精度的DSConv模塊提高對(duì)田間可行駛道路的精度,并抑制與田間道路類似的田間地物背景的特征提取;最后,通過插入ECANet注意力機(jī)制來獲取完整的上下文信息,優(yōu)化田間可行駛道路的特征還原過程,從而達(dá)到提高模型整體分割精度的目的,。在此基礎(chǔ)上,通過傳統(tǒng)圖像處理方法對(duì)分割結(jié)果進(jìn)一步地去噪、消孔,從而獲取高精度的田間可行駛道路邊界信息,。試驗(yàn)結(jié)果表明,改進(jìn)UNet模型在所構(gòu)建數(shù)據(jù)集的測(cè)試集上MIoU,、MPA分別達(dá)91.12%、95.46%,與其他對(duì)比模型相比具有最高的評(píng)價(jià)指標(biāo)值,使用傳統(tǒng)圖像處理方法后處理后,MIoU和MPA為92.64%和96.75%,分別提高1.52,、1.29個(gè)百分點(diǎn);在對(duì)高分辨率正射影像圖田間可行駛道路的識(shí)別測(cè)試中,MIoU和MPA分別達(dá)86.39%和90.01%,可以明顯地識(shí)別田間可行駛道路;使用傳統(tǒng)圖像處理方法后對(duì)獲得的高分辨率正射影像圖結(jié)果進(jìn)行優(yōu)化后,MIoU和MPA分別為88.34%,、91.53%,分別提高1.95、1.52個(gè)百分點(diǎn),。該研究可以為后續(xù)制作農(nóng)田高精度地圖提供準(zhǔn)確的田間可行駛道路邊界信息,。

Abstract:

旱田農(nóng)業(yè)耕作模式包括平作與壟作,不同耕作模式的地形起伏差異大,作物行耕作模式的準(zhǔn)確識(shí)別對(duì)機(jī)器人行走穩(wěn)定性具有重要意義,提出一種基于本體傳感器信號(hào)的平作與壟作類型地形識(shí)別方法,。首先,采集四足機(jī)器人在玉米田間作物行內(nèi)行走的機(jī)身慣性測(cè)量單元(Inertial measure mentunit,IMU)信號(hào),使用機(jī)器人左前腿的足端速度數(shù)據(jù)作為補(bǔ)充,生成機(jī)器人在平作與2種不同起壟高度的壟作種植模式下行走的信號(hào)數(shù)據(jù)集,。其次,利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)提取信號(hào)的空間信息特征,通過雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(Bidirectional longshort-term memory,BiLSTM)提取時(shí)間序列特征,采用注意力機(jī)制(Self-attention,SA)提取CNN與BiLSTM輸出特征信息的注意力分值。最后,通過模型對(duì)比和田間試驗(yàn),驗(yàn)證本文模型對(duì)平作與壟作類型識(shí)別的有效性,。結(jié)果表明,本文CNNBiLSTMSA模型F1值為92%,與CNN,、CNNLSTM、CNNLSTMSA與CNNBiLSTM模型相比,分別提升10.17,、3.51,、2.57、1.27個(gè)百分點(diǎn),。內(nèi)嵌識(shí)別模型的田間機(jī)器人可在1.4s內(nèi)實(shí)現(xiàn)對(duì)當(dāng)前作物行平作與壟作類型90%的識(shí)別準(zhǔn)確率,在4.8s內(nèi)達(dá)到對(duì)作物行類別分類要求,滿足機(jī)器人面對(duì)作物行不同地形的識(shí)別快速性,、準(zhǔn)確性要求。該算法能提供機(jī)器人在旱田典型耕作模式下的地形識(shí)別能力,為提高四足機(jī)器人作業(yè)的田間穩(wěn)定性提供技術(shù)支撐,。

Abstract:

農(nóng)業(yè)四足機(jī)器人作業(yè)環(huán)境復(fù)雜,導(dǎo)致其在田間行走時(shí)易摔倒,影響機(jī)器人作業(yè)效率,準(zhǔn)確預(yù)測(cè)機(jī)身摔倒?fàn)顟B(tài)對(duì)機(jī)器人行走穩(wěn)定性具有重要意義,。提出一種基于本體傳感器信號(hào)處理的機(jī)器人摔倒臨界狀態(tài)預(yù)測(cè)方法,。首先,采集四足機(jī)器人在玉米田間行走摔倒和Gazebo軟件模擬機(jī)器人田間行走過程摔倒?fàn)顟B(tài)的慣性測(cè)量傳感器信號(hào),對(duì)機(jī)器人正常行走、摔倒臨界穩(wěn)定狀態(tài)2個(gè)階段及完全摔倒的4種工況信號(hào)進(jìn)行分類,生成不同機(jī)身狀態(tài)的信號(hào)數(shù)據(jù)集,。其次,采用種群優(yōu)化算法(Improved population optimization,IPO)優(yōu)化變分模態(tài)分解(Variational modede composition,VMD)參數(shù),提出基于改進(jìn)種群優(yōu)化變分模態(tài)分解(Improved population optimization variational modede composition,IPOVMD)的信號(hào)處理方法;采用IPO算法對(duì)廣義回歸神經(jīng)網(wǎng)絡(luò)(General regression neuralnetwork,GRNN)的參數(shù)進(jìn)行優(yōu)化,提出基于改進(jìn)種群優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)(Improved population optimization general regression neural network, IPOGRNN)模型,。最后,基于上述信號(hào)處理方法,建立基于IPOVMDGRNN模型的田間作業(yè)機(jī)器人摔倒預(yù)測(cè)方法,采用機(jī)器人實(shí)際田間行走橫滾角、俯仰角作為模型測(cè)試數(shù)據(jù),驗(yàn)證田間作業(yè)機(jī)器人摔倒預(yù)測(cè)模型性能,。試驗(yàn)結(jié)果表明:提出的IPOVMDGRNN模型輸出總誤差為0.1467,、平均相對(duì)誤差為0.0065、均方誤差為0.0003,提取的特征有良好代表性;相比VMDBPNN,、VMDGRNN,、PSOVMDGRNN模型,平均預(yù)測(cè)成功響應(yīng)時(shí)間縮短127.75、91.5,、39.5ms,。該算法能提供機(jī)器人在田間行走時(shí)的機(jī)器人摔倒臨界狀態(tài)預(yù)測(cè)能力,可為提高四足機(jī)器人自主作業(yè)的田間通過性提供技術(shù)支撐。

Abstract:

為解決田間復(fù)雜環(huán)境下拖拉機(jī)機(jī)載農(nóng)機(jī)具監(jiān)測(cè)困難、模型參數(shù)量過大等問題,提出了一種基于輕量化RepVIT的農(nóng)機(jī)具識(shí)別模型TMAInet,。利用自主開發(fā)的農(nóng)機(jī)服務(wù)平臺(tái)“農(nóng)業(yè)機(jī)械化精準(zhǔn)作業(yè)平臺(tái)暨希望田野冶收集了6種工作狀態(tài)的農(nóng)機(jī)具數(shù)據(jù)集,并通過Copy-paste等數(shù)據(jù)增強(qiáng)方法將訓(xùn)練集擴(kuò)增至6627幅,。基于RepVIT網(wǎng)絡(luò)模型框架,設(shè)計(jì)了一種卷積前饋模塊(CFF)以提升不同尺度細(xì)粒度特征提取能力,引入了注意力機(jī)制ECA以優(yōu)化模型參數(shù)結(jié)構(gòu)并簡(jiǎn)化特征提取模塊,。通過Pre-training+Fine-tuning(PF)遷移學(xué)習(xí)方法對(duì)模型進(jìn)行了訓(xùn)練,并在Jetsonnano邊緣設(shè)備上進(jìn)行了部署,。實(shí)驗(yàn)結(jié)果表明,通過PF遷移學(xué)習(xí)方法,TMAInet模型的識(shí)別準(zhǔn)確率、F1分?jǐn)?shù)和召回率分別達(dá)到99.13%,、98.53%和98.78%,相較于原始的RepVIT模型分別提升1.86,、3.04、1.95個(gè)百分點(diǎn),在邊緣設(shè)備端保持幀速率73f/s的同時(shí)參數(shù)量降低至7.3×106,。TMAInet能夠在實(shí)際應(yīng)用中準(zhǔn)確,、高效監(jiān)測(cè)農(nóng)機(jī)具常見類別,為無人化智慧農(nóng)場(chǎng)的發(fā)展提供技術(shù)參考。

Abstract:

水田除草是提升水稻產(chǎn)量的關(guān)鍵農(nóng)藝措施,其中化學(xué)除草因其高效性被廣泛應(yīng)用。傳統(tǒng)化學(xué)除草依賴人工操作,且常采用大面積噴施,操作成本增加的同時(shí)還易引起環(huán)境污染等負(fù)面問題,?；诖吮尘?設(shè)計(jì)了一款精準(zhǔn)噴施型水田除草機(jī)用于自適應(yīng)除草作業(yè)。搭建了除草機(jī)噴施裝置及系統(tǒng),基于構(gòu)建的多樣化水田雜草數(shù)據(jù)集設(shè)計(jì)了以MSYOLOv7為核心框架的雜草檢測(cè)系統(tǒng),。MSYOLOv7模型將骨干網(wǎng)絡(luò)與MobileOne相結(jié)合,將CIoU損失函數(shù)替換為SIoU損失函數(shù),。通過消融試驗(yàn)和不同模型對(duì)比試驗(yàn)驗(yàn)證模型性能,結(jié)果顯示模型識(shí)別精度為95.65%,平均精度均值(mAP)為92.67%,實(shí)時(shí)性達(dá)到51.29f/s。在樹莓派上使用OpenVINO對(duì)IR模型進(jìn)行推理,檢測(cè)單幅水田雜草圖像耗時(shí)0.806s,。構(gòu)建的噴施系統(tǒng)能即時(shí)捕捉并解析來自雜草檢測(cè)系統(tǒng)的傳輸信號(hào),進(jìn)而實(shí)現(xiàn)對(duì)除草噴施裝置的精準(zhǔn)調(diào)控,。田間試驗(yàn)結(jié)果表明,精準(zhǔn)噴施型水田自適應(yīng)除草機(jī)傷苗率為2.95%,對(duì)靶施藥準(zhǔn)確率為94.98%,變異系數(shù)為0.128%,滿足水田除草的農(nóng)藝要求。該除草機(jī)實(shí)現(xiàn)了水田除草無人化操作,可為農(nóng)業(yè)的智能化發(fā)展提供技術(shù)參考,。

Abstract:

為解決傳統(tǒng)清選損失檢測(cè)傳感器依靠時(shí)域特征閾值分辨籽粒沖擊信號(hào)存在的閾值確定難,、魯棒性差,、缺乏適應(yīng)性等問題,開發(fā)了一套玉米籽粒直收機(jī)清選損失檢測(cè)系統(tǒng),提出了一種基于變尺度一維卷積神經(jīng)網(wǎng)絡(luò)(VS-1D CNN)的籽粒沖擊分類算法。首先,針對(duì)沖擊信號(hào)采集,、處理與傳輸設(shè)計(jì)了硬件電路與軟件處理程序,開發(fā)了配套上位機(jī),。然后,搭建數(shù)據(jù)采集試驗(yàn)平臺(tái),采集、保存了不同沖擊高度和角度下雜余,、玉米籽粒沖擊信號(hào),構(gòu)建了數(shù)據(jù)集并對(duì)VS-1D CNN籽粒沖擊分類算法進(jìn)行了訓(xùn)練,訓(xùn)練結(jié)果表明,該模型在測(cè)試集上準(zhǔn)確率為94.2%,。最后,對(duì)所設(shè)計(jì)的檢測(cè)系統(tǒng)在不同工作條件下的性能及不同雜余、籽?；旌衔锏姆诸愋阅苓M(jìn)行了驗(yàn)證,結(jié)果表明所提出的VS-1D CNN算法性能表現(xiàn)良好,在不同安裝位置和不同籽粒流量下,檢測(cè)準(zhǔn)確率最高可達(dá)95%以上;對(duì)于不同比例雜余,、籽粒混合物識(shí)別分類準(zhǔn)確率達(dá)93%以上,表明本文所提出算法性能優(yōu)異,可以在不設(shè)置固定時(shí)域特征閾值情況下準(zhǔn)確檢測(cè)籽粒損失,。

Abstract:

為了實(shí)現(xiàn)寬行距果蔬種植環(huán)境下土壤參數(shù)高效檢測(cè),根據(jù)土壤自動(dòng)化檢測(cè)作業(yè)需求,本文對(duì)土壤多參數(shù)檢測(cè)機(jī)器人的土壤鉆孔模組和檢測(cè)傳感器運(yùn)動(dòng)模組分別進(jìn)行了結(jié)構(gòu)和控制電路設(shè)計(jì),配置搭載了視覺導(dǎo)航模組。其中視覺導(dǎo)航控制模組使用DSU2Net輕量化分割模型進(jìn)行路徑識(shí)別,通過提取分割路徑感興趣區(qū)域,獲取左右邊界點(diǎn)計(jì)算中間導(dǎo)航點(diǎn),之后運(yùn)用最小二乘法擬合導(dǎo)航線,結(jié)合實(shí)時(shí)獲取的機(jī)器人航向角,利用PID算法進(jìn)行行走導(dǎo)航控制,。試驗(yàn)結(jié)果表明,DSU2Net模型參數(shù)量?jī)H為6.5×105,識(shí)別幀率達(dá)到63.17f/s,平均準(zhǔn)確率為94.68%,F1值為89.87%,具有較好的實(shí)時(shí)性和準(zhǔn)確性,。初始位置無偏差情況下,不同速度平均誤差不大于0.074m,標(biāo)準(zhǔn)誤差不大于0.044m。初始位置有偏差情況下,平均誤差不大于0.085m,標(biāo)準(zhǔn)誤差不大于0.088m,。土壤鉆孔和檢測(cè)傳感器運(yùn)動(dòng)模組作業(yè)穩(wěn)定,能夠?qū)Σ煌疃韧寥肋M(jìn)行鉆孔松土和參數(shù)檢測(cè),。研究結(jié)果可為果蔬種植環(huán)境土壤自主檢測(cè)提供技術(shù)方案。

Abstract:

無人飛機(jī)在雜交水稻制種輔助授粉領(lǐng)域得到廣泛應(yīng)用,但現(xiàn)有電動(dòng)農(nóng)用無人飛機(jī)續(xù)航時(shí)間短,換電頻次高,難以充分利用短暫的有效授粉時(shí)間窗口,影響授粉效率。為解決無人飛機(jī)輔助授粉續(xù)航時(shí)間短的問題,同時(shí)優(yōu)選作業(yè)參數(shù)以提高輔助授粉作業(yè)效果,本文設(shè)計(jì)了一種采用多電池組分時(shí)并聯(lián)配電方案的航時(shí)可延展輔助授粉無人飛機(jī),最大續(xù)航時(shí)間達(dá)到50min,。采用基于LBM(Lattice Boltzmann method)的數(shù)值模擬方法對(duì)樣機(jī)旋翼產(chǎn)生的下洗風(fēng)場(chǎng)進(jìn)行了仿真,優(yōu)選出飛行速度4.5m/s和飛行高度2m(距離父本冠層)的作業(yè)參數(shù),。為驗(yàn)證樣機(jī)輔助授粉效果和優(yōu)選作業(yè)參數(shù)的有效性,設(shè)計(jì)了樣機(jī)、四旋翼,、六旋翼3種機(jī)型雜交水稻制種田間輔助授粉對(duì)比試驗(yàn),并通過采集單視野平均花粉粒數(shù),、結(jié)實(shí)率、制種產(chǎn)量以及續(xù)航時(shí)間4個(gè)維度數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化分析,。試驗(yàn)結(jié)果表明,樣機(jī)試驗(yàn)續(xù)航時(shí)間(42min),、輔助授粉作業(yè)效率(10.5hm2/架次),、單視野平均花粉粒數(shù)(6.98粒,農(nóng)藝上要求至少3粒)和制種產(chǎn)量(1996.5kg/hm2)以及綜合評(píng)分均優(yōu)于另外兩種對(duì)照機(jī)型。研究結(jié)果可為提高雜交水稻制種無人飛機(jī)輔助授粉效率提供參考,。

Abstract:

針對(duì)目前使用無人機(jī)識(shí)別棉花黃萎病危害等級(jí)時(shí),光譜數(shù)據(jù)冗余度高和傳統(tǒng)機(jī)器學(xué)習(xí)模型識(shí)別精度不足等問題,采用無人機(jī)搭載NanoHyperspec高光譜成像儀采集棉田高光譜圖像,通過探究棉花冠層對(duì)不同黃萎病危害等級(jí)的光譜響應(yīng)特征,利用最優(yōu)植被指數(shù)組合建立一種適用于黃萎病危害等級(jí)分類的監(jiān)測(cè)模型,實(shí)現(xiàn)棉花黃萎病危害等級(jí)的精準(zhǔn)分類,。首先,利用最小冗余最大相關(guān)算法(Minimum redundancy maximum relevance,mRMR)對(duì)17種潛在的植被指數(shù)和270個(gè)光譜波段進(jìn)行特征重要性排序,將mRMR篩選得到的特征,通過逐步遞增分組的方式輸入至極限梯度提升模型(eXtremegradientboosting,XGBoost),確定與黃萎病危害等級(jí)相關(guān)性最高的植被指數(shù)和光譜特征波段。然后,基于Transformer架構(gòu)和前饋神經(jīng)網(wǎng)絡(luò)(Feed forward neural network,FNN)構(gòu)建TransformerFNN棉花黃萎病危害等級(jí)分類模型,將植被指數(shù)與光譜特征波段輸入TransformerFNN模型進(jìn)行分類識(shí)別,對(duì)比了植被指數(shù)與光譜特征波段對(duì)棉花黃萎病危害等級(jí)分類識(shí)別的準(zhǔn)確性,。最后,利用后向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,BPNN),、Transformer和支持向量機(jī)(Support vector machine,SVM)構(gòu)建棉花黃萎病危害等級(jí)分類模型,并對(duì)這4種分類模型進(jìn)行精度驗(yàn)證與對(duì)比分析。結(jié)果表明:棉花黃萎病等級(jí)分類的最優(yōu)植被指數(shù)組合為MSR和TVI,最優(yōu)特征波段組合為430,、439,、488、566,、697,、722、742,、764,、769、782,、822,、831、858,、873,、878、893,、909,、985nm?；赥ransformerFNN模型,植被指數(shù)對(duì)黃萎病危害等級(jí)的總體分類精度為95.6%,較光譜特征波段的總體分類精度89.4%提高6.2個(gè)百分點(diǎn),。基于植被指數(shù),TransformerFNN模型對(duì)黃萎病危害等級(jí)的分類識(shí)別率比BPNN模型提高11.2個(gè)百分點(diǎn),比Transformer模型提高17.2個(gè)百分點(diǎn),比SVM模型提高30.8個(gè)百分點(diǎn),。研究提出了一種通過植被指數(shù)進(jìn)行棉花黃萎病高精度監(jiān)測(cè)方法,可為大面積棉花黃萎病精確監(jiān)測(cè)提供有效措施,。

Abstract:

水田平整是水稻生產(chǎn)不可或缺的環(huán)節(jié),。為了改善水田平地機(jī)對(duì)坑洼硬底層的適應(yīng)性,進(jìn)一步提高作業(yè)性能,設(shè)計(jì)了支撐式水田平地機(jī)。根據(jù)平地鏟工作原理,對(duì)平地鏟高度調(diào)節(jié)機(jī)構(gòu)進(jìn)行運(yùn)動(dòng)學(xué)分析;在此基礎(chǔ)上,設(shè)計(jì)了平地鏟及其高度調(diào)節(jié)機(jī)構(gòu),。設(shè)計(jì)了支撐桿結(jié)構(gòu),研究了支撐桿對(duì)平地鏟運(yùn)動(dòng)特性的影響,。開展了有/無支撐桿對(duì)比試驗(yàn)和水田平整試驗(yàn)。對(duì)比試驗(yàn)結(jié)果表明,有支撐桿的平地鏟在試驗(yàn)全程高度變化幅度減少15%以上,在田面凸起位置高度變化幅度減少30%以上,同時(shí),平地鏟高度變化次數(shù)減少,。表明有支撐桿平地鏟更有利于平地鏟高度控制,更適用于坑洼硬底層作業(yè),。0.21hm2的水田平整試驗(yàn)結(jié)果表明,平整后田面高度標(biāo)準(zhǔn)差Sd為21.66mm,田面高度相對(duì)平整基準(zhǔn)高度絕對(duì)偏差不大于30mm的測(cè)量點(diǎn)占比ρ為86.54%;總面積為1.89hm2的2塊水田平整試驗(yàn)結(jié)果表明,平整后Sd分別為26.02mm和27.43mm, ρ分別為80.53%和81.03%。全部試驗(yàn)田塊經(jīng)平整后的Sd均小于30mm,且ρ均高于80%,達(dá)到了水田平整要求,驗(yàn)證了支撐式水田平地機(jī)結(jié)構(gòu)設(shè)計(jì)有效性,可為坑洼硬底層水田機(jī)械化平整提供裝備支撐,。

Abstract:

針對(duì)2BDQ系列玉米品字形播種機(jī)高速作業(yè)時(shí)(12~16km/h)因氣流裹挾種子進(jìn)入雙側(cè)導(dǎo)種裝置速度過快產(chǎn)生劇烈碰撞,使雙側(cè)種子交錯(cuò)均勻程度下降導(dǎo)致落種品字成形率低的問題,設(shè)計(jì)一種正壓氣流導(dǎo)槽式導(dǎo)種裝置,。闡述了導(dǎo)種裝置結(jié)構(gòu)與上下組合式導(dǎo)槽導(dǎo)種原理,建立玉米種子在導(dǎo)槽上引種,、附種過程的力學(xué)模型,探究導(dǎo)種過程中種子約束狀態(tài)與導(dǎo)槽結(jié)構(gòu)參數(shù)的關(guān)系。采用DEM-CFD耦合仿真方法,分析玉米種子導(dǎo)種速度軌跡并比較氣流場(chǎng)確定上導(dǎo)槽與下導(dǎo)槽寬度比例,通過單因素試驗(yàn)確定上導(dǎo)槽高度,、下導(dǎo)槽寬度與輸送氣流正壓取值范圍,。以單因素試驗(yàn)結(jié)果為試驗(yàn)因素水平值,以品字形合格指數(shù)、導(dǎo)種一致性變異系數(shù)為試驗(yàn)指標(biāo),利用JPS16型高速播種性能檢測(cè)試驗(yàn)臺(tái)進(jìn)行三因素三水平Box-Behnken臺(tái)架試驗(yàn)設(shè)計(jì),得到導(dǎo)種裝置最優(yōu)參數(shù)組合并進(jìn)行試驗(yàn)驗(yàn)證,并選用4種不同類型的玉米種子進(jìn)行導(dǎo)種裝置最優(yōu)參數(shù)組合的適播試驗(yàn),。結(jié)果表明:最優(yōu)參數(shù)組合為上導(dǎo)槽高度354.491mm,、下導(dǎo)槽寬度2.245mm、輸送氣流正壓0.739kPa,驗(yàn)證試驗(yàn)下該參數(shù)組合的品字形合格指數(shù)為91.791%,、導(dǎo)種一致性變異系數(shù)為6.111%,與優(yōu)化結(jié)果相符,在田間試驗(yàn)作業(yè)速度12~16km/h工況中測(cè)得品字形合格指數(shù)不低于85.1%,。

Abstract:

針對(duì)現(xiàn)有長(zhǎng)江流域棉區(qū)麥后直播裝備仿形效果差,、播種深度合格指數(shù)低,、播種深度一致性不理想等問題,結(jié)合長(zhǎng)江流域棉區(qū)麥后直播棉農(nóng)藝要求設(shè)計(jì)了一種獨(dú)立仿形棉花直播機(jī),在深入分析長(zhǎng)江流域棉區(qū)麥后直播過程中仿形開溝過程基礎(chǔ)上,采用離散元法與多體動(dòng)力學(xué)耦合方法對(duì)仿形開溝作業(yè)過程進(jìn)行了仿真,確定了影響種溝深度的關(guān)鍵結(jié)構(gòu)與工作參數(shù),。利用EDEM-RecurDyn耦合仿真建立了土壤與仿形開溝裝置互作模型,研究了彈簧剛度和機(jī)具作業(yè)速度對(duì)開溝深度合格指數(shù)及一致性變異系數(shù)的影響規(guī)律。以開溝深度合格指數(shù)和開溝深度一致性變異系數(shù)為評(píng)價(jià)指標(biāo)進(jìn)行單因素二次正交旋轉(zhuǎn)組合試驗(yàn),確定最優(yōu)參數(shù)組合為彈簧剛度15N/mm,、作業(yè)速度0.8m/s,最優(yōu)參數(shù)組合條件下:開溝深度合格指數(shù)為86.7%,開溝深度一致性變異系數(shù)為11.6%,。最優(yōu)參數(shù)組合下田間試驗(yàn)結(jié)果為:開溝深度合格指數(shù)84%,開溝深度一致性變異系數(shù)12.80%,田間與仿真開溝深度合格指數(shù)、開溝深度一致性變異系數(shù)相對(duì)誤差為3.21%,、9.38%,。優(yōu)化后參數(shù)組合與其他組合田間試驗(yàn)結(jié)果為:開溝深度合格指數(shù)提高不小于6個(gè)百分點(diǎn),開溝深度一致性變異系數(shù)降低不小于1.69個(gè)百分點(diǎn),田間出苗效果滿足長(zhǎng)江流域棉區(qū)麥后直播作業(yè)要求。

Abstract:

南方丘陵山區(qū)地塊小而分散,通常采用田間取泥育秧方式,。機(jī)械化取泥雖可以降低成本,、節(jié)省時(shí)間和勞動(dòng)力,提高秧苗適應(yīng)性,但由于水田硬底層和泥漿表面不平,作業(yè)參數(shù)難以動(dòng)態(tài)調(diào)節(jié),導(dǎo)致取泥量不穩(wěn)定,難以實(shí)現(xiàn)連續(xù)田間取泥育秧作業(yè)。本文運(yùn)用Matlab/Simulink建立取泥控制系統(tǒng)模型,以泥漿質(zhì)量為控制目標(biāo),以取泥深度和螺旋輸送器轉(zhuǎn)速為被控變量,采用模糊PID控制方法設(shè)計(jì)取泥控制系統(tǒng)仿真模型,并進(jìn)行仿真,。仿真結(jié)果表明,當(dāng)前進(jìn)速度為0.15m/s時(shí),取泥控制系統(tǒng)儲(chǔ)泥箱中泥漿質(zhì)量穩(wěn)定時(shí)間為18s,超調(diào)量為0.125%,。為驗(yàn)證取泥控制系統(tǒng)作業(yè)效果,搭建了基于位移傳感器、壓力傳感器,、傾角傳感器和PLC1200控制器的取泥試驗(yàn)臺(tái)架,以取泥裝置前進(jìn)速度,、地面平整度為試驗(yàn)因素開展臺(tái)架試驗(yàn),試驗(yàn)結(jié)果表明,泥漿質(zhì)量最大標(biāo)準(zhǔn)偏差為0.46kg,最小標(biāo)準(zhǔn)偏差為0.21kg,儲(chǔ)泥箱最大泥漿質(zhì)量為8.8kg,最小泥漿質(zhì)量為7.1kg,作業(yè)過程中螺旋輸送器前端未出現(xiàn)泥漿堆積,各項(xiàng)作業(yè)指標(biāo)均滿足田間取泥育秧裝備作業(yè)要求。

Abstract:

檢測(cè)噴嘴性能是植保作業(yè)過程中的重要參數(shù),直接關(guān)系到農(nóng)藥的噴灑效果,進(jìn)而嚴(yán)重影響植保作業(yè)質(zhì)量和效率,。本研究設(shè)計(jì)一款基于多傳感器同步采集的噴霧機(jī)噴嘴性能檢測(cè)儀,以實(shí)現(xiàn)田間作業(yè)前對(duì)噴嘴性能失效程度的精確評(píng)估,保障植保作業(yè)高效、精準(zhǔn)執(zhí)行,。采用STM32微控制器為核心處理單元,集成多個(gè)高精度流量與壓力傳感器,實(shí)時(shí)同步采集噴嘴尖端數(shù)據(jù)并通過藍(lán)牙傳輸?shù)絃abVIEW平臺(tái),實(shí)現(xiàn)高效,、可視化的數(shù)據(jù)分析、預(yù)警與存儲(chǔ),達(dá)到實(shí)時(shí)檢測(cè)噴嘴性能狀態(tài)要求,。試驗(yàn)結(jié)果表明,對(duì)失效噴嘴壓力檢測(cè)時(shí)壓力測(cè)量最大誤差為2.174%,流量測(cè)量最大誤差為1.936%;對(duì)多個(gè)噴嘴性能同步檢測(cè)驗(yàn)證時(shí),壓力測(cè)量最大相對(duì)誤差為1.515%,平均誤差為0.887%,流量測(cè)量最大相對(duì)誤差為2.061%,平均誤差為1.151%;對(duì)多個(gè)噴嘴性能田間試驗(yàn)時(shí),壓力最大相對(duì)誤差為1.990%,平均誤差為1.629%,流量最大相對(duì)誤差為2.713%,平均誤差為2.014%,符合噴嘴性能檢測(cè)要求,。該裝置為噴霧機(jī)噴嘴性能檢測(cè)提供了可靠、高效的智能檢測(cè)手段,滿足植保標(biāo)準(zhǔn)化作業(yè)前檢測(cè)的技術(shù)要求,。

Abstract:

針對(duì)履帶式谷物聯(lián)合收獲機(jī)脫粒滾筒對(duì)物料打擊力度大、脫出物細(xì)碎化程度高,導(dǎo)致清選篩面雜余多易堆積,影響籽粒透篩,造成清選損失率高以及功率消耗大等問題,通過優(yōu)化齒桿及脫粒元件的結(jié)構(gòu)和排布,設(shè)計(jì)了螺旋交錯(cuò)排布式脫粒滾筒,減少了滾筒載荷波動(dòng),降低了脫粒元件對(duì)物料的沖擊強(qiáng)度,有利于減少物料的破碎和斷裂,。通過離散元仿真試驗(yàn)與臺(tái)架試驗(yàn)分析了脫出物籽粒分布規(guī)律,對(duì)比分析了莖稈在原機(jī)滾筒和所設(shè)計(jì)螺旋滾筒內(nèi)的運(yùn)移速度以及滾筒受到的扭矩,。仿真試驗(yàn)結(jié)果表明,當(dāng)滾筒轉(zhuǎn)速為750r/min時(shí),莖稈在所設(shè)計(jì)螺旋滾筒內(nèi)的運(yùn)移速度提升23.5%,更利于物料向后輸送,平均扭矩下降29.2%,且扭矩波動(dòng)變化更小,脫粒作業(yè)穩(wěn)定性更好。田間對(duì)比試驗(yàn)結(jié)果表明,所設(shè)計(jì)螺旋滾筒脫出物莖稈斷裂和細(xì)碎化程度更低,減輕了篩面負(fù)荷,提升了籽粒透篩概率,清選損失率平均降低22.8%,。在相同作業(yè)條件下,配置螺旋滾筒的聯(lián)合收獲機(jī)平均油耗下降18.1%,。仿真試驗(yàn)與田間對(duì)比試驗(yàn)結(jié)果表明,所設(shè)計(jì)的螺旋交錯(cuò)排布式脫粒滾筒有助于減少作業(yè)損失,提升作業(yè)效率,降低脫粒功耗,能夠滿足履帶式聯(lián)合收獲機(jī)高效低損低功耗的作業(yè)需求。

Abstract:

為進(jìn)一步提高基于介電特性的聯(lián)合收獲機(jī)小麥含水率檢測(cè)裝置模型檢測(cè)精度和適用范圍,本研究以“京冬22號(hào)”,、“蜀麥1958冶”,、“渦麥33”3個(gè)品種小麥為研究對(duì)象,測(cè)量含水率范圍為8.41%~21.6%,檢測(cè)溫度范圍為5~40℃,容重范圍為714.44~777.58kg/m3的小麥相對(duì)介電常數(shù)。試驗(yàn)結(jié)果表明,同一溫度條件下,容重越大,相對(duì)介電常數(shù)越大;在同一容重條件下,相對(duì)介電常數(shù)會(huì)隨溫度升高而增大,也隨含水率升高而變大,。采用校正集樣本150個(gè),預(yù)測(cè)集樣本42個(gè),基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(GABP)的方法建立了相對(duì)介電常數(shù),、溫度、容重與小麥含水率的關(guān)系模型,模型采用3-5-1結(jié)構(gòu),最大迭代次數(shù)1000次,學(xué)習(xí)誤差閾值1×10-6,。校正集R2,、RMSE、MAE分別為0.996,、0.241%,、0.189%;預(yù)測(cè)集R2、RMSE,、MAE分別為0.993,、0.295%、0.189%,該模型具有較高的檢測(cè)精度和穩(wěn)定性,為不同品種小麥含水率在線檢測(cè)提供了一種新的檢測(cè)方法,。

Abstract:

針對(duì)末端執(zhí)行器采摘作用力與果蔬匹配性差,導(dǎo)致?lián)p傷率較高,、通用性偏低的問題,提出一種基于靈巧手的球形果蔬無損抓取接觸力優(yōu)化方法,。分析球形果蔬采摘的分離方案,建立有摩擦無損點(diǎn)接觸模型,以采摘期的水蜜桃為研究對(duì)象,試驗(yàn)測(cè)定指尖材料與水蜜桃的靜摩擦因數(shù)和無損接觸參數(shù)?；谛坷碚摻⒍嘀胳`巧手的運(yùn)動(dòng)學(xué)模型以及雅可比矩陣,分析果蔬采摘的力平衡約束,構(gòu)建關(guān)節(jié)接觸點(diǎn)果蔬的力位映射模型,提出基于最小作用力的靈巧手抓取規(guī)劃方法,以采摘水蜜桃為例進(jìn)行求解分析,基于快速非支配排序遺傳算法(Nondominated sorting genetic algorithm II,NSGAII)實(shí)現(xiàn)接觸力的多目標(biāo)尋優(yōu),。水蜜桃采摘試驗(yàn)結(jié)果表明,該方法能實(shí)現(xiàn)對(duì)半徑為2.6~8cm水蜜桃的穩(wěn)定抓取與采摘,有效避免采摘過程中果蔬損傷,實(shí)際測(cè)量值與理論計(jì)算值平均絕對(duì)接觸力誤差為0.39N,采摘成功率為92%,無損率為97.8%,平均采摘時(shí)間為10.3s,滿足靈巧手無損穩(wěn)定采摘的需求,。

Abstract:

針對(duì)當(dāng)前國(guó)內(nèi)外小粒徑苜蓿種子機(jī)械化收獲缺少專用采收裝備且采凈率低等問題,設(shè)計(jì)了一種機(jī)械梳脫耦合負(fù)壓氣流吸收的增流式半喂入苜蓿種子收獲機(jī),。根據(jù)苜蓿植株生物學(xué)特性和種植農(nóng)藝提出了機(jī)械梳齒梳脫、氣流吸附與運(yùn)移,、負(fù)壓風(fēng)機(jī)增流的小粒徑苜蓿種子機(jī)械化采收方案,。基于苜蓿種子收獲過程損失抑制機(jī)理進(jìn)行了梳脫割臺(tái)關(guān)鍵部件設(shè)計(jì),針對(duì)苜蓿種子收獲過程中的未梳損失,設(shè)計(jì)梳齒結(jié)構(gòu)對(duì)種莢進(jìn)行捋穗式梳脫,。針對(duì)落粒與飛濺損失,設(shè)計(jì)滾筒與壁面組合式氣流喉口和負(fù)壓風(fēng)機(jī)對(duì)種子,、種莢進(jìn)行吸附與運(yùn)移。在此基礎(chǔ)上,開展了梳齒梳脫過程中的運(yùn)動(dòng)學(xué)特性分析,確定了梳脫速比有效范圍為36~50,梳脫滾筒半徑為290mm,并識(shí)別出影響未梳損失的關(guān)鍵參數(shù)為梳脫滾筒轉(zhuǎn)速,、中心離地高度和割臺(tái)行進(jìn)速度,。利用CFD仿真結(jié)合CCD正交試驗(yàn)研究了梳脫滾筒轉(zhuǎn)速、氣流喉口尺寸與負(fù)壓風(fēng)機(jī)轉(zhuǎn)速交互作用對(duì)割臺(tái)流場(chǎng)的影響規(guī)律,并通過響應(yīng)面法確定氣流喉口尺寸,、梳脫滾筒轉(zhuǎn)速和負(fù)壓風(fēng)機(jī)轉(zhuǎn)速優(yōu)化值分別為83mm,、1000r/min和1450r/min。為驗(yàn)證整機(jī)及梳脫割臺(tái)功能有效性,開展了苜蓿種子收獲樣機(jī)田間試驗(yàn),結(jié)果表明:當(dāng)梳脫滾筒中心離地高度為430mm,、機(jī)具行進(jìn)速度為0.68m/s時(shí),梳脫后苜蓿植株無種莢漏梳現(xiàn)象,苜蓿種子采凈率達(dá)到83.4%,作業(yè)效率達(dá)0.73hm2/h,滿足苜蓿種子機(jī)械化采收指標(biāo)要求,為小粒徑種子采收機(jī)設(shè)計(jì)提供了參考,。

Abstract:

加氣滴灌能有效提高水肥利用效率和作物產(chǎn)量,在加氣系統(tǒng)中形成大量均勻的微納米氣泡,并提高灌溉水中溶解氧濃度,是加氣滴灌長(zhǎng)距離水氣均勻傳輸?shù)年P(guān)鍵,?；谛骷羟衅扑樵碓O(shè)計(jì)了一種微納米氣泡發(fā)生器并優(yōu)化其工作參數(shù)。通過單因素試驗(yàn)分析,、高速攝影技術(shù)和溶氧檢測(cè)試驗(yàn),研究了系統(tǒng)運(yùn)行壓力和進(jìn)氣量對(duì)氣泡特征(直徑,、數(shù)量和均勻度)和溶氧量的影響,最終結(jié)合響應(yīng)面優(yōu)化試驗(yàn),確定裝置最優(yōu)加氣效果下的運(yùn)行壓力與進(jìn)氣量組合,結(jié)果表明:壓力控制在300~400kPa內(nèi),生成的氣泡和溶氧效果相較其他壓力工況下更好。在進(jìn)氣量1%~5%內(nèi),采用1%進(jìn)氣量時(shí)小氣泡的直徑分布最佳,、平均直徑最小,而5%進(jìn)氣量下裝置生成氣泡速率更快,。5%以上的大進(jìn)氣量會(huì)使裝備停止運(yùn)行后60μm以下的小氣泡數(shù)量偏少,并顯著增大微氣泡的平均直徑,縮短氣泡持續(xù)時(shí)間。同時(shí),溶氧試驗(yàn)表明,增加進(jìn)氣量能顯著提高溶氧效率以及最終氧含量,。通過響應(yīng)優(yōu)化求解,得出裝置以壓力350kPa和進(jìn)氣量2%的工況運(yùn)行,能夠以最低能耗達(dá)到最優(yōu)加氣效果,。此工況下,裝置最終生成小氣泡直徑d32為68.6μm,增氧速率約0.81mg/(L·min),溶氧穩(wěn)定后溶氧量變化量為1.08mg/L,氣泡維持時(shí)間可達(dá)323s。

Abstract:

不同作物遙感分類算法具備不同的學(xué)習(xí)能力和容錯(cuò)能力,單一分類器的精度因研究區(qū)和使用的數(shù)據(jù)不同而存在差異,沒有一種分類器能夠在所有情況下都獲得最優(yōu)表現(xiàn),。鑒于此,本文提出了基于客觀賦權(quán)法集成多分類器的集成學(xué)習(xí)算法用于作物分類,。以K最近鄰法、支持向量機(jī),、隨機(jī)森林,、BP神經(jīng)網(wǎng)絡(luò)和一維卷積神經(jīng)網(wǎng)絡(luò)為基分類器,基于Sentinel2多光譜影像計(jì)算時(shí)序歸一化植被指數(shù)(Normalized difference vegetation index,NDVI)作為輸入特征。對(duì)熵值法和變異系數(shù)法進(jìn)行改進(jìn),并結(jié)合組合賦權(quán)法對(duì)5個(gè)基分類器進(jìn)行加權(quán)集成,。結(jié)果表明,利用改進(jìn)的賦權(quán)方法確定基分類器的權(quán)重獲得的分類精度高于利用原始賦權(quán)方法,并且基于組合賦權(quán)法對(duì)改進(jìn)的熵值法和改進(jìn)的變異系數(shù)法進(jìn)行組合獲得的分類精度略高于基于單一賦權(quán)方法獲得的分類精度,。與基分類器相比,基于F1值和歸一化組合賦權(quán)法構(gòu)建的集成學(xué)習(xí)算法在美國(guó)阿肯色州、佐治亞州,、得克薩斯州和愛荷華州4個(gè)研究區(qū)的分類總體精度分別提高1.12~6.45,、0.75~3.98、0.45~2.70,、1.15~2.50個(gè)百分點(diǎn),。與傳統(tǒng)眾數(shù)投票、概率融合和精度加權(quán)方法相比,本文提出的集成學(xué)習(xí)算法同時(shí)考慮了基分類器精度差異與穩(wěn)定性,。

Abstract:

針對(duì)辣椒穴盤育苗播種質(zhì)量實(shí)時(shí),、準(zhǔn)確檢測(cè)難和邊緣設(shè)備算力有限等問題,基于 YOLO v8n 設(shè)計(jì)了一種輕量級(jí)檢測(cè)算法 YOLO v8n SCS(YOLO v8n improved with StarNet, CAM and SCConv)。 采用“單格訓(xùn)練 + 整盤檢測(cè)冶的技術(shù)策略以降低訓(xùn)練成本,提高訓(xùn)練效率,。 采用 StarNet 輕量級(jí)網(wǎng)絡(luò)和上下文增強(qiáng)模塊( Context augmentationmodule,CAM)作為主干網(wǎng)絡(luò),在降低模型復(fù)雜程度同時(shí),實(shí)現(xiàn)深層特征多感受野信息融合;采用空間與通道重建卷積(Spatial and channel reconstruction convolution,SCConv)優(yōu)化中間層 C2f(Cross stage partial network fusion)模塊的瓶頸結(jié)構(gòu),增強(qiáng)模塊特征提取能力和提高模型推理速度;融合P2檢測(cè)層,將基線3個(gè)檢測(cè)頭減至1個(gè),增強(qiáng)模型對(duì)小目標(biāo)的檢測(cè)性能,。結(jié)果表明,YOLOv8nSCS模型參數(shù)量為1.2×106、內(nèi)存占用量為2.7MB,、浮點(diǎn)數(shù)運(yùn)算量為7.6伊109,在穴盤單格數(shù)據(jù)集上,其mAP50為98.3%,、mAP50-95為83.8%、幀率為112f/s,相比基線模型YOLOv8n,參數(shù)量降低62.5%,、mAP50提升2.5個(gè)百分點(diǎn),、mAP50-95提升2.1個(gè)百分點(diǎn)、浮點(diǎn)數(shù)運(yùn)算量降低14.6%,、幀率提升23.1%;在整盤檢測(cè)任務(wù)中,其檢測(cè)幀率為21f/s,檢測(cè)準(zhǔn)確率為98.2%,相比基線模型檢測(cè)幀率提升8.2%,、準(zhǔn)確率提升1.1個(gè)百分點(diǎn),對(duì)于播種速度800盤/h以內(nèi)的72穴育苗盤和600盤/h以內(nèi)的128穴育苗盤,其平均檢測(cè)準(zhǔn)確率大于96%,且單粒率、重播率和漏播率檢測(cè)誤差小于1.8%,。本文模型在性能和計(jì)算成本之間取得了很好的平衡,降低了部署邊緣設(shè)備計(jì)算要求,滿足辣椒穴盤育苗播種質(zhì)量在線檢測(cè)需求,為育苗播種生產(chǎn)線智能化升級(jí)提供了技術(shù)支持,。

Abstract:

針對(duì)蘋果花激光疏花技術(shù)中的關(guān)鍵參數(shù)優(yōu)化問題,設(shè)計(jì)了激光疏花試驗(yàn)臺(tái),。通過正交試驗(yàn)法,優(yōu)化了試驗(yàn)臺(tái)高度,、激光打擊時(shí)間及PWM占空比,得到最佳參數(shù)組合:激光高度為20cm、打擊時(shí)間為10s,、激光功率(PWM占空比)為50%將達(dá)到最佳的疏花效果,。針對(duì)激光疏花中蘋果花識(shí)別與定位,提出了LTYOLO(Light weight and targeted you only lookonce)蘋果花檢測(cè)模型,設(shè)計(jì)了基于ViTBlock的DPRViTBlock模塊和基于C2f模塊的DPRVBC2f模塊,并添加了DPRVBC2f模塊和ELA注意力模塊,應(yīng)用于檢測(cè)骨干和檢測(cè)頭的特征提取,以增強(qiáng)對(duì)蘋果花的檢測(cè)性能,驗(yàn)證集中該模型的準(zhǔn)確率、召回率和平均精度均值分別為83.16%,、82.15%和87.47%,相比YOLOv8模型分別提高5.04,、2.12、2.15個(gè)百分點(diǎn),內(nèi)存占用量為5.26MB,檢測(cè)速度為128f/s,滿足使用時(shí)的準(zhǔn)確性和實(shí)時(shí)性的要求,。該研究為蘋果花疏花技術(shù)進(jìn)一步優(yōu)化與智能化應(yīng)用提供了科學(xué)依據(jù),。

Abstract:

針對(duì)面對(duì)害蟲數(shù)據(jù)稀缺的實(shí)際場(chǎng)景時(shí),現(xiàn)有害蟲圖像識(shí)別方法容易出現(xiàn)過擬合導(dǎo)致模型表達(dá)能力不足的問題,本研究提出了一種結(jié)合度量學(xué)習(xí)和遷移學(xué)習(xí)的小樣本田間害蟲圖像分類識(shí)別方法,。 首先,使用 ECA PyramidResNet12 模型在 mini-ImageNet 數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練;其次,在度量模塊中添加 ECA 通道注意力機(jī)制,通過捕捉通道間的依賴關(guān)系來增強(qiáng)害蟲的圖像特征表示;然后,使用特征金字塔結(jié)構(gòu)來捕獲害蟲圖像的局部特征和害蟲的多尺度特征;最后,利用 20 類自建鱗翅目害蟲圖像作為元數(shù)據(jù)集,對(duì)模型進(jìn)行元訓(xùn)練和元測(cè)試。 實(shí)驗(yàn)結(jié)果表明,在3-way 5-shot 和 5-way 5-shot 條件下,本文模型準(zhǔn)確率分別達(dá)到 91.16% 和 87.26% ,比 SSFormers,、DeepBDC 方法分別提高 4.58,、1.35 個(gè)百分點(diǎn)。 提出的模型有效提升了小樣本學(xué)習(xí)中目標(biāo)圖像特征的表達(dá)能力,能夠?yàn)閿?shù)據(jù)稀缺場(chǎng)景下的田間害蟲自動(dòng)識(shí)別提供方法參考,。

Abstract:

隨著現(xiàn)代生豬養(yǎng)殖業(yè)快速發(fā)展,對(duì)豬只行為精準(zhǔn)識(shí)別需求日益增長(zhǎng),。針對(duì)豬只行為多樣性,、特征相似性、相互遮擋和堆積等問題,提出一種基于改進(jìn)YOLOv8模型的豬只行為識(shí)別方法,。首先,引入ConvNeXtV2作為主干特征提取網(wǎng)絡(luò),以增強(qiáng)對(duì)檢測(cè)目標(biāo)的語(yǔ)義信息提取能力,。其次,在特征融合網(wǎng)絡(luò)中添加加權(quán)雙向特征金字塔網(wǎng)絡(luò)(BiFPN),強(qiáng)化模型特征融合能力。此外,結(jié)合上采樣算子CARAFE,進(jìn)一步提升模型在行為識(shí)別過程中特征提取能力,。最后,使用WIoUv3作為損失函數(shù),優(yōu)化模型檢測(cè)精度,。經(jīng)實(shí)驗(yàn)驗(yàn)證,改進(jìn)后模型準(zhǔn)確率、召回率、平均精度均值和F1值分別達(dá)到89.6%,、88.0%,、91.9%和88.8%,與TOOD、YOLOv7和YOLOv8模型相比,平均精度均值分別提高10.9,、6.3,、3.7個(gè)百分點(diǎn),顯著提高豬只行為識(shí)別精度。消融實(shí)驗(yàn)表明,各項(xiàng)改進(jìn)均對(duì)模型的識(shí)別性能有提升效果,ConvNeXtV2主干特征提取網(wǎng)絡(luò)對(duì)模型的提升效果最明顯,。綜上所述,CBCW-YOLOv8模型在豬只行為識(shí)別任務(wù)中展現(xiàn)出優(yōu)良的綜合性能,為豬只健康管理和疾病預(yù)警提供有力的技術(shù)支持,。

Abstract:

針對(duì)柑橘枝葉果叢生密布,、位姿隨機(jī)生長(zhǎng)情況,為了實(shí)現(xiàn)對(duì)內(nèi)生交錯(cuò)和枝果層疊的果實(shí)安全交互采摘,本文提出了一種柑橘避障采摘方法。為了提高定位精度和采摘效率,將手眼標(biāo)定問題轉(zhuǎn)換為求解T1X=XT2的問題,完成了相機(jī)坐標(biāo)系到機(jī)械臂基坐標(biāo)系的標(biāo)定;針對(duì)自然環(huán)境下柑橘開心樹形進(jìn)行了基于點(diǎn)云密度的樹木骨架提取,并通過點(diǎn)密度閾值法對(duì)枝干點(diǎn)云進(jìn)行降噪處理,提高運(yùn)算速度;利用八叉樹地圖法進(jìn)行枝干障礙物地圖搭建,通過層次包圍盒法擬合機(jī)械臂并進(jìn)行碰撞檢測(cè),以時(shí)間最優(yōu)為目標(biāo),提出一種符合采摘農(nóng)藝需求的改進(jìn)RRT-connect避障規(guī)劃算法,在RRT-connect算法上引入目標(biāo)偏置,對(duì)采樣點(diǎn)進(jìn)行優(yōu)選導(dǎo)向,。為驗(yàn)證該避障方法的可行性,以標(biāo)準(zhǔn)矮化密植栽培柑橘果園為研究對(duì)象,搭建了采摘機(jī)器人避障系統(tǒng),。針對(duì)自然環(huán)境下果樹內(nèi)部和貼近樹干生長(zhǎng)柑橘果實(shí)分別進(jìn)行多組避障采摘試驗(yàn)。試驗(yàn)結(jié)果表明,針對(duì)貼近樹干生長(zhǎng)果實(shí)的避障運(yùn)動(dòng)時(shí)間為9.5s,避障采摘成功率為91%;針對(duì)果樹內(nèi)部生長(zhǎng)的果實(shí)避障運(yùn)動(dòng)時(shí)間為10.5s,避障采摘成功率為88%,。

Abstract:

全球氣候變化對(duì)未來糧食產(chǎn)量影響巨大,。水分和溫度是冬小麥-夏玉米生長(zhǎng)過程中最重要的環(huán)境因子,顯著影響其產(chǎn)量。利用華北平原保定灌溉試驗(yàn)站2006—2015年冬小麥夏玉米灌溉試驗(yàn)數(shù)據(jù)對(duì)AquaCrop模型進(jìn)行參數(shù)率定與校核,依據(jù)Blank型,、Stewart型、Jensen型,、Minhas型4種經(jīng)典的水分生產(chǎn)函數(shù),構(gòu)建冬小麥夏玉米生育期內(nèi)各階段積溫,、耗水量和產(chǎn)量之間的水熱生產(chǎn)函數(shù);在此基礎(chǔ)上,利用第六次國(guó)際耦合模式比較計(jì)劃CMIP6中海氣耦合全球氣候MIROC6模式數(shù)據(jù)來考慮未來氣候變化情景,對(duì)低強(qiáng)迫排放情景(SSP1-RCP2.6和SSP4-RCP3.4)、中等強(qiáng)迫排放情景(SSP2-RCP4.5),、中等至高強(qiáng)迫排放情景(SSP3RCP7.0)和高強(qiáng)迫排放情景(SSP5-RCP8.5)等5種未來氣候變化情景的逐日降雨量與氣溫?cái)?shù)據(jù)進(jìn)行降尺度分析,并結(jié)合構(gòu)建的水熱生產(chǎn)函數(shù)對(duì)冬小麥夏玉米產(chǎn)量變化進(jìn)行分析和預(yù)測(cè),。結(jié)果表明:經(jīng)多年灌溉試驗(yàn)數(shù)據(jù)校核后的AquaCrop模型可以較好地模擬該地區(qū)冬小麥-夏玉米生長(zhǎng)過程,夏玉米產(chǎn)量模擬值與實(shí)測(cè)值間的決定系數(shù)(R2)、均方根誤差(RMSE),、標(biāo)準(zhǔn)化均方根誤差(NRMSE)和一致性系數(shù)(d)分別為0.91,、0.58t/hm2、0.06,、0.97,冬小麥分別為0.80,、0.42t/hm2、0.10、0.94,。通過AquaCrop模型模擬的多年數(shù)據(jù)構(gòu)建了4種水熱生產(chǎn)函數(shù),其中Jensen型生產(chǎn)函數(shù)效果最好;冬小麥在抽穗灌漿期對(duì)水分最敏感,返青拔節(jié)期積溫對(duì)產(chǎn)量影響效應(yīng)最明顯,而夏玉米在拔節(jié)抽穗期對(duì)水分最敏感,本階段積溫對(duì)產(chǎn)量的影響效應(yīng)也最明顯,。在未來氣候變化的5種排放情景下,冬小麥潛在產(chǎn)量呈波動(dòng)趨勢(shì),但均高于當(dāng)前時(shí)期的多年平均潛在產(chǎn)量,在SSP3-RCP7.0情景更適合生長(zhǎng)發(fā)育;夏玉米潛在產(chǎn)量整體呈上升趨勢(shì),在SSP1-RCP2.6情景更適合生長(zhǎng)發(fā)育。在未來5種氣候情景下,僅考慮水熱條件補(bǔ)充灌溉對(duì)冬小麥潛在產(chǎn)量的貢獻(xiàn)率為70%左右;生育期降雨量對(duì)夏玉米潛在產(chǎn)量的貢獻(xiàn)率為94%左右,。研究結(jié)果可評(píng)估未來氣候變化下糧食作物產(chǎn)量變化情況,為保障國(guó)家糧食安全戰(zhàn)略提供理論依據(jù)和技術(shù)支撐,。

Abstract:

灌區(qū)以地表水為水源且充足時(shí),優(yōu)化微灌管網(wǎng)需確定單個(gè)微灌系統(tǒng)的合理控制面積及布置形式并進(jìn)行優(yōu)化設(shè)計(jì),目前管網(wǎng)優(yōu)化方法對(duì)此情況下隨機(jī)供水微灌管網(wǎng)系統(tǒng)的優(yōu)化并不適用,。為實(shí)現(xiàn)不限定面積情況下隨機(jī)供水微灌管網(wǎng)系統(tǒng)布置與管徑同步優(yōu)化,并提出其最優(yōu)設(shè)計(jì)準(zhǔn)則,建立了微灌干管管網(wǎng)優(yōu)化設(shè)計(jì)數(shù)學(xué)模型,并給出了基于混合編碼遺傳算法的模型求解方法,。分析了干管管網(wǎng)單位面積年費(fèi)用與管網(wǎng)布置的相關(guān)性,及毛管管徑、灌水器設(shè)計(jì)流量,、灌水器間距,、灌水器流態(tài)指數(shù)等對(duì)干管管網(wǎng)及微灌管網(wǎng)系統(tǒng)單位面積年費(fèi)用的影響。實(shí)例計(jì)算結(jié)果表明,基于毛管雙向布置控制面積最大模型結(jié)果優(yōu)化得到的微灌管網(wǎng)系統(tǒng)單位面積年費(fèi)用最低,基于毛管單向布置單位面積年費(fèi)用最低模型結(jié)果優(yōu)化得到的微灌管網(wǎng)系統(tǒng)單位面積年費(fèi)用最高,。與毛管單向布置單位面積年費(fèi)用最低模型相比,基于毛管雙向布置控制面積最大模型結(jié)果優(yōu)化得到的微灌管網(wǎng)系統(tǒng)單位面積年費(fèi)用減小4.46%~15.74%,。實(shí)際工程中應(yīng)采用較小的毛管管徑、灌水器設(shè)計(jì)流量,、灌水器流態(tài)指數(shù)和較大的灌水器間距,并基于毛管雙向布置控制面積最大模型優(yōu)化田間管網(wǎng),以此優(yōu)化結(jié)果為基礎(chǔ)進(jìn)行干管管網(wǎng)優(yōu)化可有效降低費(fèi)用,。研究可為不限定面積情況下隨機(jī)供水微灌管網(wǎng)系統(tǒng)優(yōu)化設(shè)計(jì)提供依據(jù)。

Abstract:

黑土坡耕地順坡耕作土壤侵蝕嚴(yán)重,土壤有機(jī)碳含量逐年下降。為探明不同水土保持耕作技術(shù)對(duì)黑土坡耕地玉米田土壤碳平衡的影響,開展徑流小區(qū)試驗(yàn),以常規(guī)耕作(CK)作為對(duì)照,設(shè)置等高耕作(CT),、壟向區(qū)田(RT),、深松耕(ST)、等高耕作+壟向區(qū)田(CR),、等高耕作+深松耕(CS),、壟向區(qū)田+深松耕(RS)等6種坡耕地綜合治理技術(shù)模式,觀測(cè)不同水土保持耕作技術(shù)下玉米收獲后各器官干物質(zhì)量和碳含量,同步監(jiān)測(cè)玉米田土壤碳儲(chǔ)量增量、CO2排放碳量和土壤侵蝕損失碳量,估算玉米凈初級(jí)生產(chǎn)力(NPP)和玉米田凈土壤碳收支值(NSCB),。結(jié)果表明:玉米植株總固碳量為10201.93~12357.34kg/hm2,各器官固碳量從大到小依次為籽粒,、莖鞘,、葉、穗軸,、根;CT,、RT、CR,、CS,、RS處理NPP顯著高于CK處理(P<0.05),分別增加20.28%、11.55%,、21.68%,、16.55%、7.95%,而ST處理NPP與CK處理之間無顯著差異(P>0.05);壟向區(qū)田,、深松耕及其組合模式增加玉米田CO2排放總量,等高耕作和等高耕作+壟向區(qū)田可以降低CO2排放總量;CT處理NSCB最高,為1402.29kg/hm2,CT,、RT、CR,、CS處理NSCB顯著高于CK處理(P<0.05),而ST處理NSCB顯著低于CK處理(P<0.05),。綜合來看,等高耕作治理技術(shù)模式最佳,碳增“匯冶潛力最強(qiáng),研究結(jié)果可為東北黑土區(qū)坡耕地保護(hù)與治理提供理論參考和技術(shù)支撐。

Abstract:

水分側(cè)滲過程是稻田水循環(huán)的重要環(huán)節(jié)。為揭示灌排協(xié)同調(diào)控對(duì)稻田水分側(cè)滲的影響,開展了連續(xù)兩年的田間試驗(yàn),通過設(shè)置不同的田間灌溉模式(控制灌溉,、淺濕灌溉)和溝道排水方式(控制排水,、自由排水)組合處理,研究灌排調(diào)控對(duì)稻田田埂溝道區(qū)域水分側(cè)滲過程的影響。結(jié)果表明:控制灌溉田埂土壤含水率波動(dòng)較淺濕灌溉更劇烈,控制排水田埂土壤含水率波動(dòng)較自由排水變小,。灌排調(diào)控對(duì)稻田田埂溝道區(qū)域水分側(cè)滲有顯著影響,控制灌溉處理較淺濕灌溉處理,、控制排水處理較自由排水處理均減小了田埂水分側(cè)滲強(qiáng)度峰值和均值,且顯著降低了稻田水分側(cè)滲總量,兩年試驗(yàn)期稻田側(cè)滲水總量降低63.49%。稻田灌溉處理和溝道排水處理均對(duì)稻田水分側(cè)滲產(chǎn)生顯著影響,且灌溉處理的影響效應(yīng)更強(qiáng),。相較于淺濕灌溉處理,控制灌溉處理田埂側(cè)滲水總量占稻田輸入水總量比例增加,在實(shí)施控制灌溉時(shí),需加強(qiáng)對(duì)稻田水分側(cè)滲管理,以確保灌溉效果最大化,。灌排調(diào)控稻田水分側(cè)滲過程主要發(fā)生在田埂深度10~20cm內(nèi),在該深度存在水分側(cè)滲通道,在該深度實(shí)施合理的防滲方案可有效減少田間水分損失。研究揭示了灌排調(diào)控下稻田田埂溝道區(qū)域水分側(cè)滲過程及其對(duì)土壤水分變化的響應(yīng)過程,可為農(nóng)業(yè)水資源高效利用和精細(xì)化管理提供參考,。

Abstract:

為探求冬小麥農(nóng)田減排優(yōu)產(chǎn)高效的施肥模式,以冬小麥(小偃22)為研究對(duì)象,設(shè)置不施肥(KB),常規(guī)施肥(NP),有機(jī)肥等氮替代25%(25%OF)、50%(50%OF),、75%(75%OF),、100%(100%OF)無機(jī)肥共6個(gè)處理,探究不同有機(jī)無機(jī)肥配施比例對(duì)冬小麥農(nóng)田溫室氣體排放、產(chǎn)量及氮肥利用效率的影響,。結(jié)果表明,兩個(gè)冬小麥生長(zhǎng)期,各施肥處理中75%OF和25%OF處理CO2平均累積排放量最低,分別比NP減少7.62%和15.31%,CO2排放通量具有夏季升高,、冬季降低的特征。NP處理CH4累積吸收量最高,100%OF處理CH4累積吸收量最低,有機(jī)無機(jī)肥配施處理隨著有機(jī)肥配施比例的增加對(duì)CH4的吸收呈減少趨勢(shì),。75%OF和100%OF處理N2O累積排放量最低,兩年平均累積排放量分別比NP減少92.94%和159.47%,。75%OF處理全球綜合增溫潛勢(shì)(GWP)和溫室氣體排放強(qiáng)度(GHGI)均為最低,分別比NP降低27.19%和41.38%。與NP相比,50%OF和75%OF處理冬小麥產(chǎn)量在2018—2020年分別增加15.78%~17.73%和18.64%~23.07%,。與NP相比,75%OF處理顯著提高了冬小麥氮素吸收量和氮肥利用效率,。綜合考慮生態(tài)因素和經(jīng)濟(jì)因素,以有機(jī)肥等氮替代75%無機(jī)肥是西北地區(qū)既能實(shí)現(xiàn)溫室氣體減排又能保證冬小麥優(yōu)產(chǎn)高效的較優(yōu)施肥模式。

Abstract:

場(chǎng)景識(shí)別可作為溫室環(huán)境空間定位的替代方案,也是智能農(nóng)機(jī)裝備視覺系統(tǒng)的重要功能之一,。針對(duì)以特征聚類為基礎(chǔ)的場(chǎng)景識(shí)別范式無法適應(yīng)高動(dòng)態(tài)變化且高度相似的溫室場(chǎng)景識(shí)別的問題,提出一種基于深度特征聚合的溫室場(chǎng)景識(shí)別方法,以預(yù)訓(xùn)練的視覺Transformer網(wǎng)絡(luò)為基礎(chǔ),提取場(chǎng)景圖像局部特征,應(yīng)用多層感知機(jī)全局感受野特性,考慮局部特征空間關(guān)系,融合圖像局部特征,生成場(chǎng)景圖像全局描述子,以多重相似性損失最小化為優(yōu)化目標(biāo),構(gòu)建溫室場(chǎng)景識(shí)別模型,。試驗(yàn)結(jié)果表明,模型場(chǎng)景識(shí)別R@1(top-1召回率)、R@5和R@10分別達(dá)到78.43%,、89.21%和92.47%,具有較高的場(chǎng)景識(shí)別精度,。所提出的基于多層感知機(jī)的特征混合方法是有效的,與采用池化操作進(jìn)行特征聚合相比,R@1提高8.01個(gè)百分點(diǎn)。模型對(duì)光照條件變化具有一定的魯棒性,與正常的中等光照條件相比,強(qiáng)光及弱光條件下,R@1下降未超過4.00個(gè)百分點(diǎn),。相機(jī)視角及采樣距離的變化也會(huì)影響模型識(shí)別性能,20°以內(nèi)的視角變化,R@1下降6.61個(gè)百分點(diǎn),2倍以內(nèi)的距離變化,R@1下降17.87個(gè)百分點(diǎn),。與現(xiàn)有場(chǎng)景識(shí)別基準(zhǔn)方法NetVLAD、GeM,、Patch-NetVLAD,、MultiRes-NetVLAD和MixVPR相比,R@1分別提高7.82、6.59,、3.56,、4.14、1.88個(gè)百分點(diǎn),在溫室場(chǎng)景識(shí)別任務(wù)上模型性能有較大提升,。該研究構(gòu)建的基于多層感知機(jī)的圖像全局特征聚合方法,能夠生成可靠的全局描述子,用于溫室場(chǎng)景識(shí)別,且具有一定的光照,、視角、距離及時(shí)間變化的魯棒性,研究結(jié)果可為智能農(nóng)機(jī)視覺系統(tǒng)設(shè)計(jì)提供技術(shù)參考,。

Abstract:

隨著山藥加工產(chǎn)業(yè)的發(fā)展,山藥品質(zhì)快速無損檢測(cè)分級(jí)對(duì)產(chǎn)業(yè)鏈的健康發(fā)展具有實(shí)用意義。以研發(fā)山藥多品質(zhì)無損快速檢測(cè)裝置為目的,基于可見/近紅外局部漫透射原理,根據(jù)山藥特殊外觀特點(diǎn)設(shè)計(jì)了山藥專用檢測(cè)探頭,通過對(duì)比實(shí)驗(yàn)設(shè)計(jì)光路,研制了一種手持式山藥多品質(zhì)無損檢測(cè)裝置,。裝置整體尺寸為150mm×80mm×150mm,質(zhì)量約590g,。基于研發(fā)裝置采集了150 個(gè)山藥的光譜信息,采集的光譜經(jīng)多元散射校正(Multiplicative scatter correction,MSC)后再利用隨機(jī)蛙跳算法(Shuffled frog leaping algorithm,SFLA)篩選特征波長(zhǎng),建立了山藥干 物質(zhì),、淀粉,、蛋白質(zhì)含量的偏最小二乘回歸(Partial least squares regression,PLSR)預(yù)測(cè)模型,其干物質(zhì)、淀粉,、蛋白質(zhì) 含量的驗(yàn)證集相關(guān)系數(shù)分別為 0.965 3,、0.967 5、0.956 3,均方根誤差( Root mean square error,RMSE) 分別為 1.09% ,、 0.83% ,、0.15% ,剩余預(yù)測(cè)偏差(Residual predictive deviation,RPD)分別為3.67、3.50,、3.37,。 基于Qt開發(fā)工具利用C語(yǔ)言編寫了實(shí)時(shí)分析控制軟件,并將預(yù)測(cè)模型植入裝置中,進(jìn)行了外部驗(yàn)證。利用研發(fā)裝置對(duì)50個(gè)未參與建模的山藥樣品干物質(zhì),、淀粉,、蛋白質(zhì)含量進(jìn)行了5次重復(fù)檢測(cè),其變異系數(shù)分別為1.0%~1.2%、1.5%~1.7%,、1.4%~1.6%;50個(gè)山藥樣本干物質(zhì),、淀粉、蛋白質(zhì)含量裝置檢測(cè)結(jié)果和標(biāo)準(zhǔn)理化值最大殘差絕對(duì)值分別為1.83%,、1.64%,、0.26%。結(jié)果表明,研發(fā)的手持式山藥多品質(zhì)無損檢測(cè)裝置可以滿足現(xiàn)場(chǎng)實(shí)時(shí)檢測(cè)需求,。

Abstract:

基于應(yīng)激行為學(xué)的赤點(diǎn)石斑魚應(yīng)激行為表征是實(shí)現(xiàn)赤點(diǎn)石斑魚氨氮脅迫識(shí)別的前提與基礎(chǔ),但現(xiàn)有方法大多依賴于高性能硬件,不利于行為表征方法在養(yǎng)殖現(xiàn)場(chǎng)嵌入式系統(tǒng)上部署和應(yīng)用,。針對(duì)這一問題,結(jié)合赤點(diǎn)石斑魚氨氮脅迫環(huán)境下活動(dòng)量減少,、軀體痙攣失衡等癥狀,提出了一種基于輕量化檢測(cè)跟蹤算法的赤點(diǎn)石斑魚氨氮應(yīng)激行為表征方法。首先使用GhostV2卷積對(duì)YOLOv5s進(jìn)行輕量化改進(jìn),采用AFPN來支持不同維度特征直接融合,消融對(duì)比實(shí)驗(yàn)結(jié)果表明,改進(jìn)后輕量化模型準(zhǔn)確率和召回率分別為94.3%和89.5%,平均精度均值為96.2%,較改進(jìn)前提高1.6個(gè)百分點(diǎn),模型內(nèi)存占用量約為輕量化前模型的60%,。為了減少在復(fù)雜環(huán)境中跟蹤時(shí)赤點(diǎn)石斑魚ID頻繁跳變的問題,本文在Ocsort中嵌入了一個(gè)輕量級(jí)的外觀特征提取網(wǎng)絡(luò)并在目標(biāo)關(guān)聯(lián)時(shí)將目標(biāo)的外觀相似度矩陣引入總匹配代價(jià)矩陣;對(duì)比實(shí)驗(yàn)結(jié)果表明,改進(jìn)后跟蹤算法MOTA和IDF1分別為94.7%和69.3%,比YOLOv5s與OCSORT的檢測(cè)跟蹤算法分別提高3.2,、6.7個(gè)百分點(diǎn)。最終結(jié)合石斑魚氨氮應(yīng)激行為學(xué)研究結(jié)果,選用赤點(diǎn)石斑魚平均運(yùn)動(dòng)速度,、軀體失衡石斑魚數(shù)量來表征赤點(diǎn)石斑魚氨氮應(yīng)激行為,行為識(shí)別準(zhǔn)確率為92.2%,可準(zhǔn)確檢測(cè)出赤點(diǎn)石斑魚是否處于氨氮脅迫環(huán)境中,。本文的輕量化表征方法可部署到JetsonOrinNano嵌入式系統(tǒng)上,平均運(yùn)行速度為6f/s,可為工廠化赤點(diǎn)石斑魚養(yǎng)殖氨氮脅迫的高效實(shí)時(shí)識(shí)別提供技術(shù)支撐。

Abstract:

丘陵山地農(nóng)機(jī)重心位置的改變嚴(yán)重影響其穩(wěn)定性,、牽引性以及越障能力,針對(duì)山地農(nóng)機(jī)底盤重心調(diào)控裝置設(shè)計(jì)理論以及專用實(shí)驗(yàn)平臺(tái)缺乏的問題,本文設(shè)計(jì)了一種山地農(nóng)機(jī)底盤重心全向調(diào)控實(shí)驗(yàn)平臺(tái),。經(jīng)理論分析得出坡度導(dǎo)致山地農(nóng)機(jī)底盤重心偏移,嚴(yán)重影響等高線行駛的穩(wěn)定性和縱向爬坡性能,故綜合考慮坡度和重心位置的關(guān)系確定了實(shí)驗(yàn)平臺(tái)的整機(jī)結(jié)構(gòu);實(shí)驗(yàn)平臺(tái)主要包括傾角模擬裝置和重心調(diào)整裝置,其中,傾角模擬裝置采用多電動(dòng)推桿協(xié)同作用實(shí)現(xiàn)全向0°~15°坡地模擬,重心調(diào)整裝置采用“工冶字形多滑臺(tái)組合的模式實(shí)現(xiàn)全向重心自適應(yīng)調(diào)整,從而實(shí)現(xiàn)在不同傾角工況下的重心調(diào)整功能,性能試驗(yàn)結(jié)果表明:在橫、縱向以及斜向0°~15°坡地模擬中,模擬坡度均值以及數(shù)據(jù)中位線與模擬角度誤差均在0.5°之內(nèi);在重心位置確定試驗(yàn)中,最大重心位置誤差為-21.4mm;在0°~15°的橫向,、縱向?qū)嶋H坡地,、0°~12°斜向?qū)嶋H坡地可實(shí)現(xiàn)重心自適應(yīng)調(diào)控,試驗(yàn)平均誤差分別為2.6%、3.4%,、5.9%,重心調(diào)整量最大誤差分別為6.7,、7.3、10.8mm;在0°~15°橫,、縱向模擬坡地,、0°~12°斜向模擬坡地亦可實(shí)現(xiàn)重心的自適應(yīng)調(diào)控,試驗(yàn)平均誤差分別為5.4%、6.5%,、9.7%,重心調(diào)整量最大誤差分別為9.7,、10.3、15.8mm,基本符合設(shè)計(jì)要求,。本文提出的傾角模擬和重心自適應(yīng)調(diào)控方法,可為丘陵山地農(nóng)機(jī)底盤重心調(diào)控理論研究提供借鑒,。

Abstract:

拖網(wǎng)漁船捕撈努力量的估算對(duì)于描述海洋漁業(yè)活動(dòng),、量化拖網(wǎng)作業(yè)對(duì)海洋造成的生態(tài)壓力以及修訂漁業(yè)法規(guī)和政策具有重要意義,。明確拖網(wǎng)漁船的捕撈投入可為中國(guó)近海漁業(yè)資源的可持續(xù)發(fā)展提供科學(xué)數(shù)據(jù)支持。本研究提出了一種基于HarrisHawksOptimization(HHO)優(yōu)化的XGBoost算法,用于構(gòu)建拖網(wǎng)漁船捕撈行為識(shí)別模型,。結(jié)果表明,該模型準(zhǔn)確率,、靈敏度,、特異度和馬修斯相關(guān)系數(shù)分別為0.9713、0.9806,、0.9632和0.9425,。利用該模型識(shí)別拖網(wǎng)漁船的捕撈行為并計(jì)算了2021年在119°E~124°E、32°N~40°N海域內(nèi)山東省拖網(wǎng)漁船的捕撈努力量,。以空間精度1/8°生成了捕撈努力量熱力圖,計(jì)算結(jié)果揭示了捕撈活動(dòng)的空間分布主要集中在2個(gè)關(guān)鍵區(qū)域:121.1°E~124°E,、35.7°N~38.7°N和119.8°E~122.8°E、33.6°N~35.4°N,。本研究可為漁業(yè)資源的定量評(píng)估奠定基礎(chǔ),為海洋捕撈漁業(yè)的可持續(xù)發(fā)展提供必要數(shù)據(jù),。

Abstract:

針對(duì)諧波減速器剩余使用壽命預(yù)測(cè)退化節(jié)點(diǎn)難以選取,、退化指標(biāo)與物理解釋性差、預(yù)測(cè)效果偏差較大等問題,提出了一維堆疊卷積自編碼器融合深度卷積嵌入式聚類(SCAE-DCEC)提取退化點(diǎn),并結(jié)合改進(jìn)蜣螂優(yōu)化算法(DBO)優(yōu)化CNN-LSTM的諧波減速器剩余使用壽命預(yù)測(cè)方法,。對(duì)振動(dòng)信號(hào)進(jìn)行一維堆疊卷積自編碼器與深度卷積嵌入式聚類,解決了退化節(jié)點(diǎn)難以選取,、退化指標(biāo)與預(yù)測(cè)網(wǎng)絡(luò)契合度差等難題;構(gòu)建了基于SPM混沌映射、自適應(yīng)概率閾值和差分變異擾動(dòng)的改進(jìn)蜣螂優(yōu)化算法,并對(duì)其性能進(jìn)行評(píng)估,。利用MDBO對(duì)CNN-LSTM超參數(shù)進(jìn)行優(yōu)化,形成MDBO-CNN-LSTM的剩余使用壽命預(yù)測(cè)模型,。在搭建的諧波減速器實(shí)驗(yàn)臺(tái)進(jìn)行加速壽命實(shí)驗(yàn)及預(yù)測(cè)驗(yàn)證,實(shí)驗(yàn)結(jié)果表明MDBO-CNN-LSTM訓(xùn)練后預(yù)測(cè)模型擬合優(yōu)度明顯高于CNN、LSTM,、CNN-LSTM,、DBOCNN-LSTM網(wǎng)絡(luò)、直接退化全卷積,、直接退化的貝葉斯優(yōu)化LSTM的RUL預(yù)測(cè)方法,其預(yù)測(cè)精度達(dá)到91.33%,且該方法對(duì)諧波減速器壽命后期退化趨勢(shì)中的衰退特征具有較強(qiáng)的辨識(shí)能力,。

Abstract:

針對(duì)電液伺服減震阻尼器加載試驗(yàn)臺(tái)受系統(tǒng)參數(shù)變化,、外部干擾的影響,導(dǎo)致對(duì)被控模型精度要求較高的三狀態(tài)控制器跟蹤精度降低等問題,本文提出了一種先利用模型參考自適應(yīng)控制將加載系統(tǒng)補(bǔ)償為理想穩(wěn)定參考模型,再對(duì)該理想?yún)⒖寄Ｐ瓦M(jìn)行三狀態(tài)控制的自適應(yīng)三狀態(tài)控制策略,。依據(jù)減震阻尼器電液伺服加載系統(tǒng)理論模型,推導(dǎo)了考慮被測(cè)減震阻尼器阻尼的加載系統(tǒng)傳遞函數(shù);基于Diophantine方程多項(xiàng)式設(shè)計(jì)了模型參考自適應(yīng)控制系統(tǒng),將加載系統(tǒng)補(bǔ)償為非最小實(shí)現(xiàn)理想?yún)⒖寄Ｐ?提高系統(tǒng)穩(wěn)定性;通過三狀態(tài)反饋補(bǔ)償具有穩(wěn)定理想?yún)⒖寄Ｐ偷募虞d系統(tǒng)固有頻率和阻尼比,再利用三狀態(tài)前饋實(shí)現(xiàn)極點(diǎn)配置,提高系統(tǒng)動(dòng)態(tài)特性。通過對(duì)三狀態(tài)控制與自適應(yīng)三狀態(tài)控制進(jìn)行位置階躍和正弦響應(yīng)試驗(yàn),在2.0mm/10Hz的位置方波加載信號(hào)作用下,超調(diào)量分別為13.5%,、9.6%,減小28.9%,上升時(shí)間分別為7.4,、5.8ms,減少21.6%,穩(wěn)態(tài)誤差分別為0.030、0.018mm,減小40.0%;在1.5mm/30Hz的位置正弦加載信號(hào)作用下,位移誤差分別為0.29、0.18mm,減小37.9%,。自適應(yīng)三狀態(tài)控制夠明顯提高電液伺服加載試驗(yàn)臺(tái)的瞬態(tài)性能指標(biāo)及位移跟蹤精度,。