果园风送喷雾机出风口风场CFD建模与试验

塔式果园风送喷雾机是目前普遍使用的果园喷雾机,塔式结构易产生旋转和不规则的垂直气流,导致喷雾机出风口两侧风场分布不对称,且分布规律不易预测。为探究适用塔式果园风送喷雾机出风口风场建模方法,本研究基于喷雾机出风口风场计算流体动力学（Computational Fluid Dynamics,CFD）建模方法,提出了用户定义函数（User-Defined Function,UDF）分段式三维风速入口边界条件设置方法,并研究了湍流模型和计算域尺寸对喷雾机CFD风场模拟结果的影响特性。采用Fluent软件,建立了三种CFD模型：模型一以11个区域的平均风速作为边界条件;模型二采用UDF分段式三维风速入口作为边界条件;为进一步研究计算域尺寸对风场模拟的影响,建立了小计算域尺寸的模型三。三种模型均采用基于雷诺时均控制（Reynolds-Averaged Navier-Stokes,RANS）方程的k-\epsilon湍流模型和k-\omega湍流模型进行风场计算。为了验证模型的可靠性,设计了空间风场立体测量系统,实现了精确快速空间风速测量。验证结果表明,Standard k-\epsilon、Realizable k-\epsilon、BSL k-\omega和SST k-\omega湍流模型较适合风场CFD建模,其中Standard\text{?}k-\epsilon湍流模型运算结果最优,模型决定系数R²为0.81。基于UDF分段式三维风速入口边界条件设置方法不仅提高了仿真结果的准确性（提高了5%）,而且降低了计算的复杂性。在其他参数设置相同的情况下,大尺寸计算域模型的性能略优于小尺寸计算域。实际建模过程中建议根据计算机计算能力、仿真的实际要求设置合适的计算域尺寸。本研究结果可为喷雾机出风口风场CFD建模方法提供参考。     

基于轻量化改进YOLOv5的苹果树产量测定方法

果树测产是果园管理的重要环节之一,为提升苹果果园原位测产的准确性,本研究提出一种包含改进型YOLOv5果实检测算法与产量拟合网络的产量测定方法。利用无人机及树莓派摄像头采集摘袋后不同着色时间的苹果果园原位图像,形成样本数据集;通过更换深度可分离卷积和添加注意力机制模块对YOLOv5算法进行改进,解决网络中存在的特征提取时无注意力偏好问题和参数冗余问题,从而提升检测准确度,降低网络参数带来的计算负担;将图片作为输入得到估测果实数量以及边界框面总积。以上述检测结果作为输入、实际产量作为输出,训练产量拟合网络,得到最终测产模型。测产试验结果表明,改进型YOLOv5果实检测算法可以在提高轻量化程度的同时提升识别准确率,与改进前相比,检测速度最大可提升15.37%,平均mAP最高达到96.79%;在不同数据集下的测试结果表明,光照条件、着色时间以及背景有无白布均对算法准确率有一定影响;产量拟合网络可以较好地预测出果树产量,在训练集和测试集的决定系数R^{\mathrm{2}}分别为0.7967和0.7982,均方根误差RMSE分别为1.5317和1.4021 ㎏,不同产量样本的预测精度基本稳定;果树测产模型在背景有白布和无白布的条件下,相对误差范围分别在7%以内和13%以内。本研究提出的基于轻量化改进YOLOv5的果树产量测定方法具有良好的精度和有效性,基本可以满足自然环境下树上苹果的测产要求,为现代果园环境下的智能农业装备提供技术参考。     

基于校正WOFOST模型的枣树生长模拟与水分利用评价

为实现定量化分析温、光和水资源对果树生长的影响，本研究以成龄骏枣树为研究对象，提出了基于校正WOFOST模型的枣树生长和水分运移模拟方法。利用2016和2017年的田间试验观测数据，重点校正WOFOST模型的物候学发育、初始化、绿叶、CO₂同化、干物质分配、呼吸作用和水分利用参数。在田间尺度，完成总地上生物量（TAGP）、叶面积指数（LAI）和土壤水分含量的动态模拟和精度验证；在县域尺度，使用55个果园的最大LAI、单产、实际蒸散量（\mathrm{E}{\mathrm{T}}_a）和水分利用效率（WUE）数据评价模型区域尺度的模拟性能。结果表明，在田间尺度，校正模型模拟不同灌溉梯度TAGP的决定系数R²范围为0.92~0.98，归一化均方根误差NRMSE为8.7%~20.5%；模拟LAI的R²范围为0.79~0.97，NRMSE为8.3%~21.1%；模拟土壤水分含量的决定系数R²范围为0.29~0.75，NRMSE为4.1%~6.1%。在县域尺度，两年模拟最大LAI与实测LAI的R²分别为0.64和0.78，NRMSE分别为13.3%和10.7%；模拟单产的R²分别为0.48和0.60，NRMSE分别是12.1%和11.9%；模拟\mathrm{E}{\mathrm{T}}_a均方根误差分别为36.1 mm（7.9%）和30.8 mm（7.4%）；模型也表现了较高的WUE模拟精度（10%<NRMSE<20%），均方根误差RMSE值分别为0.23和0.28 kg/m³。WOFOST模型在田间和县域尺度都取得了较高的枣树生长和水分运移模拟精度，可为土壤、气象、灌溉管理和枣树生长耦合影响的定量化分析提供新思路。     

谷朊粉颗粒热风干燥动力学模型及水分迁移规律

为了探究谷朊粉颗粒热风干燥过程中的干燥特性及水分迁移规律，开展了谷朊粉颗粒2因素3水平全因素热风干燥试验，考察不同干燥温度（50、60、70 °C）和颗粒厚度（4.24、9.15、15.52 mm）下的干燥特性，运用低场核磁共振技术分析了干燥过程中的水分迁移规律，并建立干燥动力学模型和水分预测模型。结果表明:谷朊粉颗粒干燥速率和水分比随温度升高而显著降低（P＜0.05）；有效水分扩散系数随温度升高和颗粒厚度增加而增大。决定系数（R2）、离差平方和（\begin{document}$ {\chi }^{2} $\end{document}）、均方根误差（RMSE）计算结果表明，Modified Page薄层干燥模型对谷朊粉颗粒的干燥试验数据具有较高的拟合精度，而且建立了模型参数（k、n）与干燥温度（T）、颗粒厚度（H）的回归模型（R2＞0.926）。低场核磁共振横向弛豫时间（T₂）反演谱显示，随干燥时间的增加，各水分峰面积逐渐减小，而且峰位置逐渐向结合水靠近，并建立了含水率（M）与干燥时间（t）、颗粒厚度（H）、干燥温度（T）、弛豫反演图谱总峰面积（A）之间的回归关系，结果表明预测效果较好（R2=0.933）。研究结果可为谷朊粉颗粒干燥工艺提供参考。      

中国饲料营养大数据分析平台研制

饲料粮缺口的逐渐加大,导致中国饲料粮安全问题逐步转化为粮食安全问题。因此,全面整合饲料营养基础数据资源,提高一切可利用饲料资源的营养价值,成为中国今后长期保障国家粮食安全的技术措施之一。本研究依据16类中国饲料原料描述规范和属性数据标准,全面用数字化模式收集整理了自“六五”至“十三五”期间累积的50万条以上已有饲料资源的种类、空间分布、饲料成分含量及营养价值特性数据,利用MySQL网络数据库及PHP程序语言,开发了新一代饲料营养大数据分析平台（http：//www.chinafeeddata.org.cn/）并提供Web数据共享功能。首先,平台提供所有入库数据的可视化分析,可实现单个或多个饲料多种养分和多种图形模式的直观比对。通过二维码技术提供所有饲料营养属性数据及饲料实体样本溯源数据的移动端实时分享与下载服务。其次,平台构建了通过已知饲料概略养分在线预测其他有效养分的回归模型,为饲料原料养分变异提供动态分析。最后,平台基于地理信息系统技术,将饲料概略养分和主要矿物元素含量数据与其所处的地理位置分布相结合,实现了饲料营养数据地理信息图谱的分布查询及对比分析,同时提供各种数据的下载方式,为已有饲料数据的全面应用带来便利。研究表明,拓展饲料资源数据并提供饲料养分的预测分析模型,可最大化利用已有饲料养分数据的价值,进一步嵌入各类饲料配方的网络计算模块,可以达到饲料营养数据的一站式服务及数据的最大化升值服务。     

基于CNN的玉米种子内部裂纹图像检测系统

为了高效检测玉米种子内部裂纹,设计基于卷积神经网络(CNN)的检测系统及批量检测方法,采集有裂纹和无裂纹的玉米种子制作数据集,构建AlexNet、VGG11、InceptionV3和ResNet18共4种经典卷积神经网络,同时与传统算法模型SVM和BP神经网络进行对比实验。实验发现,卷积神经网络模型优于这两种传统算法模型,ResNet18模型的综合检测性能最佳,单粒有裂纹种子的识别准确率为95.04%,单粒无裂纹种子的识别准确率为98.06%,平均单粒种子识别时间为4.42 s。基于ResNet18,搭建种子内部裂纹自动识别装置,设计识别软件控制装置,得到玉米种子内部裂纹识别系统。系统实验进行10组批量识别,有裂纹种子的平均识别准确率为94.25%,无裂纹种子的平均识别准确率为97.25%,批量识别中光源的透射无法等效地显现所有种子的内部裂纹、多次加载模型权重导致泛化性不足等因素会影响准确率。     

基于CNN和迁移学习的农作物病害识别方法研究

互联网是一个巨大的资源库,也是一个丰富的知识库。针对农作物小样本引起的过拟合问题,本研究引入了知识迁移和深度学习的方法,采用互联网公开的ImageNet图像大数据集和PlantVillage植物病害公共数据集,以实验室的黄瓜和水稻病害数据集AES-IMAGE为对象开展相关的研究与试验。首先将批归一化算法应用于卷积神经网络CNN中的AlexNet和VGG模型,改善网络的过拟合问题;再利用PlantVillage植物病害数据集得到预训练模型,在改进的网络模型AlexNet和VGG模型上用AES-IMAGE对预训练模型参数调整后进行病害识别。最后,使用瓶颈层特征提取的迁移学习方法,利用ImageNet大数据集训练出的网络参数,将Inception-v3和Mobilenet模型作为特征提取器,进行黄瓜和水稻病害特征提取。本研究结合试验结果探讨了适用于农作物病害识别问题的最佳网络和对应的迁移策略,表明使用VGG网络参数微调的策略可获得的最高准确率为98.33%,使用Mobilenet瓶颈层特征提取的策略可获得96.8%的验证准确率。证明CNN结合迁移学习可以利用充分网络资源来克服大样本难以获取的问题,提高农作物病害识别效率。     

基于卷积网络的沙漠腹地绿洲植物群落自动分类方法

为解决沙漠腹地绿洲遥感图像植物群落背景较易混淆,仅用传统的基于像元光谱信息的图像处理方法未能充分利用其图像特征信息,使得提取效果不佳的问题,针对地物类内特征复杂、类间边界模糊的特点,以连续分布的区域为研究对象,提出了一种基于深度卷积神经网络(Convolutional neural network,CNN)的高分辨率遥感影像植物群落自动分类方法。切分无人机影像获得规则块图像,利用基于CNN的VGGNet和Res Net模型分别对块图像的特征进行抽象与学习,以自动获取更加深层抽象、更具代表性的图像块深层特征,从而实现对植物群落分布区域的提取,以原图像与结果图像叠加的形式输出植物群落自动分类结果。采用了不同梯度的样本数量作为训练样本,利用文中提出的方法分析了不同梯度的训练样本数量对自动分类结果的影响。实验结果表明,训练样本数量对分类精度具有明显的影响;提高其泛化能力后,Res Net50模型与VGG19模型的建模精度从86. 00%、83. 33%分别提升到92. 56%、90. 29%; Res Net50模型分类精度为83. 53%～91. 83%,而VGG19模型分类精度为80. 97%～89. 56%,与传统的监督分类方法比较,深度卷积网络明显提高了分类精度。分类结果表明,训练样本数量不低于200时,基于CNN的Res Net50模型表现出最佳的分类结果。     

基于SE-ResNet网络的油茶果果壳与茶籽分选模型

油茶果脱壳后果壳与茶籽混合在一起，采用传统的机械分选仍会出现掺杂果壳的情况，清选率有待提高。比较ResNet不同层数模型，发现在当前壳籽实验样本下ResNet18与其他模型相比每次迭代的平均训练时间最少，并且验证集平均准确率最高，同时均优于其他CNN分类模型。为进一步提升分选效率，在ResNet18网络中引入注意力机制，结果表明，SE-ResNet18模型与改进前的模型相比，训练过程中每次迭代的平均时间由1.31 s下降到1.13 s，缩短018 s，验证集平均准确率为98.88%，提升1.4个百分点。经过测试后得出，测试集整体准确率为98.43%，与原模型相比提升1.3个百分点，说明使用ResNet18模型结合注意力机制的方法在油茶果果壳与茶籽的分选上是可行的，为油茶果在分选方法提供一种新的理论基础与思考方向。     

基于MobileViT模型的小麦收获机喂入密度分类方法

基于喂入量的作业速度智能化控制技术是优化联合收获机作业效率和质量的重要手段。本文针对传统喂入量自动控制技术时滞明显,在喂入量调整时无法及时适应实际情况的问题,采用基于图像的深度学习方法开展了成熟期小麦植株密度等级分类识别方法研究,通过预先感知作物密度,实现联合收获机作业参数的自动调整。首先基于车载相机和无人机图像构建了小麦植株图像数据集,并细分为低密度、中密度、高密度和特高密度4类;其次构建了基于MobileViT-XS轻量化网络的密度等级识别模型,利用建立的数据集进行模型的训练和测试;最后将其与VGG16、GoogLeNet和ResNet进行了比较。结果表明,MobileViT-XS模型的总体识别准确率达到91.03%,且单幅图像推理时间仅为29.5ms。与VGG16、ResNet网络相比,总体识别准确率分别高出3.51、2.34个百分点,MobileViT-XS模型可以较好的完成小麦不同密度等级的分类识别任务,为实时预测小麦喂入密度提供了技术支持。     

面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型

卷积神经网络（CNN）的发展带来了大量的网络参数和庞大的模型体积，极大地限制了其在小规模计算资源设备上的应用。为将CNN应用在各种小型设备上，研究了一种基于知识蒸馏的结构化模型压缩方法。该方法首先利用VGG16训练了一个识别率较高的教师模型，再将该模型中的知识通过蒸馏的方法迁移到MobileNet，从而大幅减少了模型的参数量。将知识蒸馏后的Distilled-MobileNet模型应用在14种作物的38种常见病害分类中。进行了知识蒸馏在VGG16、AlexNet、GoogleNet和ResNet 4种不同网络结构上的表现测试，结果表明，当VGG16作为教师模型时，模型准确率提升了97.54%；使用单个病害识别率、平均准确率、模型内存、平均识别时间4个指标对训练好的Distilled-MobileNet模型进行真实环境下准确性评估，经测试，模型的平均准确率达到了97.62%，平均识别时间缩短至0.218 s，仅占VGG16模型的13.20%，模型大小压缩仅为19.83 MB，相比于VGG16缩小了93.60%，使其具备了较高的准确性和实时性要求。本方法模型在压缩内存体积和缩短识别时间上较传统神经网络有了明显提高，为内存和计算资源受限设备上的病害识别提供了新的思路。     

基于无人机图像以及不同机器学习和深度学习模型的小麦倒伏率检测

小麦在生长过程中发生倒伏会严重影响其产量,因此实时且准确地对小麦倒伏状况监测有很重要的意义。传统的方法采用手工方式生成数据集,不仅效率低、易出错,而且生成的数据集不准确。针对这一问题,本研究提出了一种基于图像处理的自动数据集生成方法。首先利用无人机在15、46和91 m三个高度采集图像数据;采集完数据后,根据无倒伏、倒伏面积<50%和倒伏面积>50%的标准对每一块地的小麦倒伏情况进行人工评估;采用三种机器学习（支持向量机、随机森林、K近邻）和三种深度学习（ResNet101、GoogLeNet、VGG16）算法对小麦倒伏检测情况进行分类。结果显示,ResNet101的分类结果优于随机森林,并且在91 m高度采集的数据分类精度并不低于在15 m高度采集的数据。本研究证明了针对在91 m高度采集的无人机图像,采用ResNet101对小麦倒伏率检测是一种有效的替代人工检测的方法,其检测精度达到了75%。     

基于多尺度感知的高密度猪只计数网络研究

猪只盘点是生猪规模化养殖和管理中的重要环节,人工计数方法费时、费力,在大数据量的猪只盘点中容易出错。本文使用多尺度感知网络对高密度猪群图像中的猪只进行计数。通过对人群计数网络CSRNet的改进,得到猪只计数网络（Pig counting net, PCN）,PCN采用VGG16作为前端网络提取特征,中间层采用空间金字塔（Spatial pyramid）结构对图像中的多尺度信息进行提取与融合,后端网络采用改进的膨胀卷积网络。PCN增加了多尺度感知结构、扩大了后端网络感受野,通过感知多尺度特征得到预测密度图,预测密度图反映了猪只空间分布,通过对密度图积分实现了猪只数量的估计。结果表明,在平均猪只数为 40.71的测试集图像上,PCN的计数准确率优于人群计数网络 MCNN、CSRNet和改进Counting CNN 的猪只计数网络,MAE和RMSE 分别为1.74和 2.28,表现出较高的准确性和鲁棒性;单幅图像平均识别时间为0.108s,满足实时处理要求。     

基于优化Faster R-CNN的棉花苗期杂草识别与定位

为解决棉花苗期杂草种类多、分布状态复杂,且与棉花幼苗伴生的杂草识别率低、鲁棒性差等问题,以自然条件下新疆棉田棉花幼苗期的7种常见杂草为研究对象,提出了一种基于优化Faster R-CNN和数据增强的杂草识别与定位方法。采集不同生长背景和天气条件下的杂草图像4694幅,对目标进行标注后,再对其进行数据增强;针对Faster R-CNN模型设计合适的锚尺度,对比VGG16、VGG19、ResNet50和ResNet101这4种特征提取网络的分类效果,选定VGG16作为最优特征提取网络,训练后得到可识别不同天气条件下的棉花幼苗与多种杂草的Faster R-CNN网络模型。试验表明,该模型可对杂草与棉花幼苗伴生、杂草分布稀疏或分布紧密且目标多等情况下的杂草进行有效识别与定位,优化后的模型对单幅图像平均识别时间为0.261s,平均识别精确率为94.21%。在相同训练样本、特征提取网络以及环境设置条件下,将本文方法与主流目标检测算法——YOLO算法和SSD算法进行对比,优化后的Faster R-CNN模型具有明显优势。将训练好的模型置于田间实际环境进行验证试验,识别过程对采集到的150幅有效图像进行了验证,平均识别精确率为88.67%,平均每幅图像耗时0.385s,说明本文方法具有一定的适用性和可推广性。     

排种监测传感器的试验研究

提出了排种检测光电传感器的覆盖率问题，并利用红光半导体激光二极管（RLD）和硅光电池构造了一种高覆盖率的排种传感器。通过两片平行对置的平面镜多次反射RLD发射出的激光束，在排种管的检测截面形成激光束栅格。试验表明，本传感器对不同体积的种子都有相当高的检测准确率，可用于玉米、大豆的排种计数，也可用于玉米、大豆、小麦、高梁等作物的排种监测。